教育新闻网HyeonJin Yoon是内布拉斯加州方法、分析和心理测量学院的研究助理教授，他正在评估一种新评估方法的有效性，以针对处于危险中的学生进行有针对性的教育干预。
回归不连续性设计是一种评估基于需求的有针对性的干预措施的影响的评估。它依赖于分配测量的截止点，该测量通常评估参与者的需求或阈值，高于或低于分配干预的阈值。通过比较截止点附近的测试后分数，研究人员可以确定干预对给定结果的影响。
例如，在学校，可以根据阅读分数的截止值邀请学生参加课后阅读计划。如果将干预分配给高于或低于临界值的特定范围内的学生，则回归不连续设计可以测量聚集在临界值两侧小区域的结果的组差异，学生被认为具有统计学上的可比性。
Yoon 指出，虽然回归不连续设计是有效的，但它也有其局限性。
“例如，当使用RDD时，你可以确定干预对分数接近 30 分的学生的影响，但不能确定分数远低于 10 分的学生，”她说。“因此，我们不知道干预是否对那些最需要帮助的学生产生影响。”
对于这项由研究和经济发展办公室Layman Seed Grant 资助的研究，Yoon 正在使用 2016 年和 2018 年从马萨诸塞州和俄勒冈州收集的基于证据的幼儿园数学干预数据。她正在努力展示具有协变量匹配的回归不连续设计的应用、分析和解释。
通过匹配协变量——可以影响统计试验结果的自变量——Yoon 旨在平衡治疗组和对照组的协变量分布。她将添加协变量测量，例如预测试分数和人口统计信息——这些数据是在学校自然收集的。
“这是这种方法的一个优势，” CYFS研究附属机构Yoon 说。“协变量已经存在。我们只需要将它们包括在分析中。”
匹配协变量将有助于识别治疗截止值之外的因果效应，并使 Yoon 能够评估该方法在多大程度上产生与随机对照试验设计相媲美的精确、无偏估计。
在教育环境中，会邀请有阅读或数学学习困难或有学习困难风险的学生根据他们的标准化考试成绩进行有针对性的干预。由于教室不是研究环境，因此儿童不会被随机分配到干预或控制条件。
“当你使用RCT进行项目评估时，你会随机分配学生，”Yoon 说。“但是通过随机化，分配到对照组的学生不会接受干预。如果发现RDD - CM方法在方法论上是有效的，并且与RCT一样有效，那么就可以解决大部分问题。”
如果发现具有协变量匹配的回归不连续设计是合理的，那么 Yoon 将开发模拟以确定适用于应用程序的设计和变量条件，例如必要的样本量和其他细节，例如处理协变量缺失的最佳方法。
“教育工作者和政策制定者需要知道干预措施是否对每个人都有效——尤其是那些最需要帮助的人，”尹说。
