考虑以下场景:有充分证据表明,新手教师的平均效率低于资深教师;也有证据表明,贫困学生和少数族裔学生集中度较高的学校往往会接收不成比例的新教师。5 在这种情况下,对 SES/DEM 变量的调整将过度调整估计值,并可能掩盖某些学校的学生没有得到公平分配教师才能的事实。通过排除此类调整,复杂的模型比对 SES/DEM 变量进行调整的模型更能突出这种差异。
考虑以下场景:有充分证据表明,新手教师的平均效率低于资深教师;也有证据表明,贫困学生和少数族裔学生集中度较高的学校往往会接收不成比例的新教师。5 在这种情况下,对 SES/DEM 变量的调整将过度调整估计值,并可能掩盖某些学校的学生没有得到公平分配教师才能的事实。通过排除此类调整,复杂的模型能够比对 SES/DEM 变量进行调整的模型更好地突出这种差异。
