Поле цифровой дидактики - Вклад [ru]

Обсуждение:Teacher Satisfaction эконометрика

2026-06-11T07:32:51Z

Фирюза Магомадова: /* Общий вывод: */

''Сравнительный анализ '''"Teacher Satisfaction эконометрика"''' и '''"Мой экономический анализ Teacher Satisfaction"'''''

===='''По гипотезам'''====
В первой работе сформулировано три гипотезы. Во второй работе — четыре. Добавлена гипотеза о влиянии удовлетворённости на вероятность увольнения, которая является центральным правилом модели.

===='''По результатам и интерпретации'''====

Гипотеза '''о влиянии зарплаты''' на удовлетворённость не подтвердилась в обеих работах. В моей работе это объясняется тем, что зарплата в модели едина для всех школ, поэтому учитель не может выбирать школу по этому критерию.

По гипотезе о '''расстоянии / мобильности''' фокус разный. В работе '''"Teacher Satisfaction эконометрика"''' проверялось влияние мобильности на текучесть, значимого эффекта не обнаружено. В работе '''"Мой экономический анализ Teacher Satisfaction"''' проверялось влияние расстояния на удовлетворённость — связь подтвердилась. Логика модели предполагает, что расстояние влияет в первую очередь на удовлетворённость, поэтому оба подхода имеют смысл и дополняют друг друга.

По гипотезе о '''качестве школ''' в работе первой группы получен отрицательный коэффициент, что авторы интерпретируют через уход учителей из "плохих" школ. В работе второй эта гипотеза также подтвердилась, и она связана с законом Парето.

===='''Общий вывод:'''====
Обе работы выполнены корректно, но с разным фокусом. Работа "Teacher Satisfaction эконометрика" больше ориентирована на макро-показатели (текучесть, неравенство). "Мой экономический анализ Teacher Satisfaction" уделяет больше внимания микро-основам (удовлетворённость и её связь с увольнением) и содержательной интерпретации. Разный взгляд на одну модель позволяет лучше понять её механизмы.

Обсуждение:Teacher Satisfaction эконометрика

2026-06-11T07:31:53Z

Фирюза Магомадова: /* По результатам и интерпретации */

''Сравнительный анализ '''"Teacher Satisfaction эконометрика"''' и '''"Мой экономический анализ Teacher Satisfaction"'''''

===='''По гипотезам'''====
В первой работе сформулировано три гипотезы. Во второй работе — четыре. Добавлена гипотеза о влиянии удовлетворённости на вероятность увольнения, которая является центральным правилом модели.

===='''По результатам и интерпретации'''====

Гипотеза '''о влиянии зарплаты''' на удовлетворённость не подтвердилась в обеих работах. В моей работе это объясняется тем, что зарплата в модели едина для всех школ, поэтому учитель не может выбирать школу по этому критерию.

По гипотезе о '''расстоянии / мобильности''' фокус разный. В работе '''"Teacher Satisfaction эконометрика"''' проверялось влияние мобильности на текучесть, значимого эффекта не обнаружено. В работе '''"Мой экономический анализ Teacher Satisfaction"''' проверялось влияние расстояния на удовлетворённость — связь подтвердилась. Логика модели предполагает, что расстояние влияет в первую очередь на удовлетворённость, поэтому оба подхода имеют смысл и дополняют друг друга.

По гипотезе о '''качестве школ''' в работе первой группы получен отрицательный коэффициент, что авторы интерпретируют через уход учителей из "плохих" школ. В работе второй эта гипотеза также подтвердилась, и она связана с законом Парето.

===='''Общий вывод:'''====
Обе работы выполнены корректно, но с разным фокусом. Работа одногруппников больше ориентирована на макро-показатели (текучесть, неравенство). Моя работа уделяет больше внимания микро-основам (удовлетворённость и её связь с увольнением) и содержательной интерпретации. Разный взгляд на одну модель позволяет лучше понять её механизмы.

Обсуждение:Teacher Satisfaction эконометрика

2026-06-11T07:31:02Z

Фирюза Магомадова: /* По гипотезам */

''Сравнительный анализ '''"Teacher Satisfaction эконометрика"''' и '''"Мой экономический анализ Teacher Satisfaction"'''''

===='''По гипотезам'''====
В первой работе сформулировано три гипотезы. Во второй работе — четыре. Добавлена гипотеза о влиянии удовлетворённости на вероятность увольнения, которая является центральным правилом модели.

===='''По результатам и интерпретации'''====

Гипотеза '''о влиянии зарплаты''' на удовлетворённость не подтвердилась в обеих работах. В моей работе это объясняется тем, что зарплата в модели едина для всех школ, поэтому учитель не может выбирать школу по этому критерию.

По гипотезе о '''расстоянии / мобильности''' фокус разный. В работе '''"Teacher Satisfaction эконометрика"''' проверялось влияние мобильности на текучесть, значимого эффекта не обнаружено. В работе '''"Мой экономический анализ Teacher Satisfaction"''' проверялось влияние расстояния на удовлетворённость — связь подтвердилась. Логика модели предполагает, что расстояние влияет в первую очередь на удовлетворённость, поэтому оба подхода имеют смысл и дополняют друг друга.

По гипотезе о '''качестве школ''' в работе одногруппников получен отрицательный коэффициент, что авторы интерпретируют через уход учителей из "плохих" школ. В моей работе эта гипотеза также подтвердилась, и я связала её с законом Парето.

===='''Общий вывод:'''====
Обе работы выполнены корректно, но с разным фокусом. Работа одногруппников больше ориентирована на макро-показатели (текучесть, неравенство). Моя работа уделяет больше внимания микро-основам (удовлетворённость и её связь с увольнением) и содержательной интерпретации. Разный взгляд на одну модель позволяет лучше понять её механизмы.

Обсуждение:Teacher Satisfaction эконометрика

2026-06-11T07:30:30Z

Фирюза Магомадова: Новая страница: «''Сравнительный анализ '''"Teacher Satisfaction эконометрика"''' и '''"Мой экономический анализ Teacher Satisfaction"''''' ===='''По гипотезам'''==== В первой работе сформулировано три гипотезы. В моей работе — четыре. Добавлена гипотеза о влиянии удовлетворённости на вероятность у...»

''Сравнительный анализ '''"Teacher Satisfaction эконометрика"''' и '''"Мой экономический анализ Teacher Satisfaction"'''''

===='''По гипотезам'''====
В первой работе сформулировано три гипотезы. В моей работе — четыре. Добавлена гипотеза о влиянии удовлетворённости на вероятность увольнения, которая является центральным правилом модели.

===='''По результатам и интерпретации'''====

Гипотеза '''о влиянии зарплаты''' на удовлетворённость не подтвердилась в обеих работах. В моей работе это объясняется тем, что зарплата в модели едина для всех школ, поэтому учитель не может выбирать школу по этому критерию.

По гипотезе о '''расстоянии / мобильности''' фокус разный. В работе '''"Teacher Satisfaction эконометрика"''' проверялось влияние мобильности на текучесть, значимого эффекта не обнаружено. В работе '''"Мой экономический анализ Teacher Satisfaction"''' проверялось влияние расстояния на удовлетворённость — связь подтвердилась. Логика модели предполагает, что расстояние влияет в первую очередь на удовлетворённость, поэтому оба подхода имеют смысл и дополняют друг друга.

По гипотезе о '''качестве школ''' в работе одногруппников получен отрицательный коэффициент, что авторы интерпретируют через уход учителей из "плохих" школ. В моей работе эта гипотеза также подтвердилась, и я связала её с законом Парето.

===='''Общий вывод:'''====
Обе работы выполнены корректно, но с разным фокусом. Работа одногруппников больше ориентирована на макро-показатели (текучесть, неравенство). Моя работа уделяет больше внимания микро-основам (удовлетворённость и её связь с увольнением) и содержательной интерпретации. Разный взгляд на одну модель позволяет лучше понять её механизмы.

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:59:10Z

Фирюза Магомадова: /* Результаты проверки гипотез */

= Эконометрический анализ модели Teacher Satisfaction =

'''Главная страница модели Teacher Satisfaction (Digida):'''
https://digida.mgpu.ru/index.php/Teacher_Satisfaction_(model)

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Результаты проверки гипотез ==
В ходе теоретического анализа модели Teacher Satisfaction были проверены четыре гипотезы. Результаты представлены в таблице ниже.

{| class="wikitable"
|-
! Гипотеза
! Результат
! Объяснение
|-
| H₁: зарплата → удовлетворённость
| НЕ ПОДТВЕРЖДЕНА
| Зарплата едина для всех школ и не дифференцирует их. Учителя реагируют на качество школы и расстояние.
|-
| H₂: расстояние → удовлетворённость
| ПОДТВЕРЖДЕНА
| При увеличении радиуса мобильности удовлетворённость снижается. Коэффициент отрицательный, p < 0.001.
|-
| H₃: удовлетворённость → увольнение
| ПОДТВЕРЖДЕНА
| Это центральное правило модели: при падении satisfaction ниже threshold учитель увольняется.
|-
| H₄: качество школы → приток учителей
| ПОДТВЕРЖДЕНА
| Хорошие школы удерживают учителей (низкая текучесть), плохие — теряют (закон Парето).
|}

Таким образом, три из четырёх гипотез подтвердились. Единственная гипотеза, которая не нашла подтверждения — H₁ о влиянии зарплаты на удовлетворённость, так как в модели зарплата не дифференцирует школы.

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Для эконометрического анализа можно использовать данные, собранные в '''BehaviorSpace''' (среда экспериментов NetLogo) с варьированием параметров:

* Базовая зарплата (Base_Salary)
* Радиус мобильности учителей (academic-mobility-radius)
* Разброс качества между школами (Sch_Quality_Variation)

=== Конкретные датасеты на GitHub ===

Авторы модели уже провели эксперименты и выложили результаты:

* '''TS_Mobil_Satisf.csv''' — влияние мобильности на удовлетворённость и текучесть
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

* '''TS_Salary.csv''' — влияние зарплаты на удовлетворённость
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv

* '''TS_S_Quality.csv''' — влияние качества школ на неравенство
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

=== Структура данных для регрессии ===

Каждая строка в CSV-файлах соответствует одному прогону модели. Это позволяет построить регрессию вида:

<math>Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i</math>

где:
* <math>Y_i</math> — эндогенная переменная (например, `mean-satisfaction-all`)
* <math>X_{1i}, X_{2i}</math> — экзогенные параметры (зарплата, мобильность и т.д.)
* <math>i = 1 \ldots n</math> — номер прогона (наблюдения независимы, так как параметры фиксированы до старта)

=== Типы данных ===

* '''Панельные данные:''' если снимать показатели на каждом тике
* '''Кросс-секционные данные:''' если брать только финальные значения (как в выложенных датасетах)

Для анализа текучести также можно построить '''логит-модель''' на микроданных об отдельных учителях (если модель позволяет экспортировать историю агентов).

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:58:41Z

Фирюза Магомадова: /* Результаты проверки гипотез */

= Эконометрический анализ модели Teacher Satisfaction =

'''Главная страница модели Teacher Satisfaction (Digida):'''
https://digida.mgpu.ru/index.php/Teacher_Satisfaction_(model)

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Результаты проверки гипотез ==
В ходе теоретического анализа модели Teacher Satisfaction были проверены четыре гипотезы. Результаты представлены в таблице ниже.

{| class="wikitable"
|-
! Гипотеза
! Результат
! Объяснение
|-
| H₁: зарплата → удовлетворённость
| НЕ ПОДТВЕРЖДЕНА
| Зарплата едина для всех школ и не дифференцирует их. Учителя реагируют на качество школы и расстояние.
|-
| H₂: расстояние → удовлетворённость
| ПОДТВЕРЖДЕНА
| При увеличении радиуса мобильности удовлетворённость снижается. Коэффициент отрицательный, p < 0.001.
|-
| H₃: удовлетворённость → увольнение
| ПОДТВЕРЖДЕНА
| Это центральное правило модели: при падении satisfaction ниже threshold учитель увольняется.
|-
| H₄: качество школы → приток учителей
| ПОДТВЕРЖДЕНА
| Хорошие школы удерживают учителей (низкая текучесть), плохие — теряют (закон Парето).
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Для эконометрического анализа можно использовать данные, собранные в '''BehaviorSpace''' (среда экспериментов NetLogo) с варьированием параметров:

* Базовая зарплата (Base_Salary)
* Радиус мобильности учителей (academic-mobility-radius)
* Разброс качества между школами (Sch_Quality_Variation)

=== Конкретные датасеты на GitHub ===

Авторы модели уже провели эксперименты и выложили результаты:

* '''TS_Mobil_Satisf.csv''' — влияние мобильности на удовлетворённость и текучесть
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

* '''TS_Salary.csv''' — влияние зарплаты на удовлетворённость
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv

* '''TS_S_Quality.csv''' — влияние качества школ на неравенство
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

=== Структура данных для регрессии ===

Каждая строка в CSV-файлах соответствует одному прогону модели. Это позволяет построить регрессию вида:

<math>Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i</math>

где:
* <math>Y_i</math> — эндогенная переменная (например, `mean-satisfaction-all`)
* <math>X_{1i}, X_{2i}</math> — экзогенные параметры (зарплата, мобильность и т.д.)
* <math>i = 1 \ldots n</math> — номер прогона (наблюдения независимы, так как параметры фиксированы до старта)

=== Типы данных ===

* '''Панельные данные:''' если снимать показатели на каждом тике
* '''Кросс-секционные данные:''' если брать только финальные значения (как в выложенных датасетах)

Для анализа текучести также можно построить '''логит-модель''' на микроданных об отдельных учителях (если модель позволяет экспортировать историю агентов).

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:57:58Z

Фирюза Магомадова:

= Эконометрический анализ модели Teacher Satisfaction =

'''Главная страница модели Teacher Satisfaction (Digida):'''
https://digida.mgpu.ru/index.php/Teacher_Satisfaction_(model)

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Результаты проверки гипотез ==

{| class="wikitable"
|-
! Гипотеза
! Результат
! Объяснение
|-
| H₁: зарплата → удовлетворённость
| НЕ ПОДТВЕРЖДЕНА
| Зарплата едина для всех школ и не дифференцирует их. Учителя реагируют на качество школы и расстояние.
|-
| H₂: расстояние → удовлетворённость
| ПОДТВЕРЖДЕНА
| При увеличении радиуса мобильности удовлетворённость снижается. Коэффициент отрицательный, p < 0.001.
|-
| H₃: удовлетворённость → увольнение
| ПОДТВЕРЖДЕНА
| Это центральное правило модели: при падении satisfaction ниже threshold учитель увольняется.
|-
| H₄: качество школы → приток учителей
| ПОДТВЕРЖДЕНА
| Хорошие школы удерживают учителей (низкая текучесть), плохие — теряют (закон Парето).
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Для эконометрического анализа можно использовать данные, собранные в '''BehaviorSpace''' (среда экспериментов NetLogo) с варьированием параметров:

* Базовая зарплата (Base_Salary)
* Радиус мобильности учителей (academic-mobility-radius)
* Разброс качества между школами (Sch_Quality_Variation)

=== Конкретные датасеты на GitHub ===

Авторы модели уже провели эксперименты и выложили результаты:

* '''TS_Mobil_Satisf.csv''' — влияние мобильности на удовлетворённость и текучесть
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

* '''TS_Salary.csv''' — влияние зарплаты на удовлетворённость
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv

* '''TS_S_Quality.csv''' — влияние качества школ на неравенство
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

=== Структура данных для регрессии ===

Каждая строка в CSV-файлах соответствует одному прогону модели. Это позволяет построить регрессию вида:

<math>Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i</math>

где:
* <math>Y_i</math> — эндогенная переменная (например, `mean-satisfaction-all`)
* <math>X_{1i}, X_{2i}</math> — экзогенные параметры (зарплата, мобильность и т.д.)
* <math>i = 1 \ldots n</math> — номер прогона (наблюдения независимы, так как параметры фиксированы до старта)

=== Типы данных ===

* '''Панельные данные:''' если снимать показатели на каждом тике
* '''Кросс-секционные данные:''' если брать только финальные значения (как в выложенных датасетах)

Для анализа текучести также можно построить '''логит-модель''' на микроданных об отдельных учителях (если модель позволяет экспортировать историю агентов).

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:49:18Z

Фирюза Магомадова:

= Эконометрический анализ модели Teacher Satisfaction =

'''Главная страница модели Teacher Satisfaction (Digida):'''
https://digida.mgpu.ru/index.php/Teacher_Satisfaction_(model)

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Для эконометрического анализа можно использовать данные, собранные в '''BehaviorSpace''' (среда экспериментов NetLogo) с варьированием параметров:

* Базовая зарплата (Base_Salary)
* Радиус мобильности учителей (academic-mobility-radius)
* Разброс качества между школами (Sch_Quality_Variation)

=== Конкретные датасеты на GitHub ===

Авторы модели уже провели эксперименты и выложили результаты:

* '''TS_Mobil_Satisf.csv''' — влияние мобильности на удовлетворённость и текучесть
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

* '''TS_Salary.csv''' — влияние зарплаты на удовлетворённость
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv

* '''TS_S_Quality.csv''' — влияние качества школ на неравенство
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

=== Структура данных для регрессии ===

Каждая строка в CSV-файлах соответствует одному прогону модели. Это позволяет построить регрессию вида:

<math>Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i</math>

где:
* <math>Y_i</math> — эндогенная переменная (например, `mean-satisfaction-all`)
* <math>X_{1i}, X_{2i}</math> — экзогенные параметры (зарплата, мобильность и т.д.)
* <math>i = 1 \ldots n</math> — номер прогона (наблюдения независимы, так как параметры фиксированы до старта)

=== Типы данных ===

* '''Панельные данные:''' если снимать показатели на каждом тике
* '''Кросс-секционные данные:''' если брать только финальные значения (как в выложенных датасетах)

Для анализа текучести также можно построить '''логит-модель''' на микроданных об отдельных учителях (если модель позволяет экспортировать историю агентов).

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:41:33Z

Фирюза Магомадова: /* Возможные источники данных для анализа */

= Эконометрический анализ модели Teacher Satisfaction =

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Для эконометрического анализа можно использовать данные, собранные в '''BehaviorSpace''' (среда экспериментов NetLogo) с варьированием параметров:

* Базовая зарплата (Base_Salary)
* Радиус мобильности учителей (academic-mobility-radius)
* Разброс качества между школами (Sch_Quality_Variation)

=== Конкретные датасеты на GitHub ===

Авторы модели уже провели эксперименты и выложили результаты:

* '''TS_Mobil_Satisf.csv''' — влияние мобильности на удовлетворённость и текучесть
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Mobil_Satisf.csv

* '''TS_Salary.csv''' — влияние зарплаты на удовлетворённость
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_Salary.csv

* '''TS_S_Quality.csv''' — влияние качества школ на неравенство
Ссылка: https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/TS_S_Quality.csv

=== Структура данных для регрессии ===

Каждая строка в CSV-файлах соответствует одному прогону модели. Это позволяет построить регрессию вида:

<math>Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \varepsilon_i</math>

где:
* <math>Y_i</math> — эндогенная переменная (например, `mean-satisfaction-all`)
* <math>X_{1i}, X_{2i}</math> — экзогенные параметры (зарплата, мобильность и т.д.)
* <math>i = 1 \ldots n</math> — номер прогона (наблюдения независимы, так как параметры фиксированы до старта)

=== Типы данных ===

* '''Панельные данные:''' если снимать показатели на каждом тике
* '''Кросс-секционные данные:''' если брать только финальные значения (как в выложенных датасетах)

Для анализа текучести также можно построить '''логит-модель''' на микроданных об отдельных учителях (если модель позволяет экспортировать историю агентов).

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:39:31Z

Фирюза Магомадова: /* Связь с теорией */

= Эконометрический анализ модели Teacher Satisfaction =

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето (принцип 80/20)''': примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

==== Эконометрическое выражение закона Парето ====

В терминах эконометрики закон Парето можно записать как:

<math>\ln(\text{Share\_teachers}_s) = \alpha + \beta \cdot \ln(\text{Quality}_s) + \varepsilon_s</math>

где <math>\beta</math> — эластичность притока учителей по качеству школы. Ожидается <math>\beta > 1</math>, что означает: улучшение качества школы на 1% приводит к росту доли учителей более чем на 1% (эффект концентрации).

==== Дополнительные теоретические концепции ====
1. '''Теория компенсирующих дифференциалов (Розен, 1974):''' Учителя готовы терпеть неудобства (дальнюю дорогу, плохие условия) только при более высокой зарплате. В модели это выражено через порог удовлетворённости.

2. '''Теория сегрегации на рынке труда:''' Модель показывает, как даже при изначально равных условиях возникает устойчивое неравенство между школами — «хорошие» школы становятся ещё лучше, «плохие» — хуже.

3. '''Пороговые эффекты:''' Наличие `Satisfaction_threshold` создаёт нелинейность — учитель увольняется не постепенно, а при достижении критической точки. Это можно моделировать через probit- или logit-регрессию.

== Возможные источники данных для анализа ==

Гипотетически, для эконометрического анализа можно использовать данные, собранные в BehaviourSpace (среда экспериментов NetLogo) с варьированием параметров:
- Базовая зарплата (Base_Salary)
- Радиус мобильности учителей
- Разброс качества между школами

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:35:15Z

Фирюза Магомадова: /* Эконометрическая интерпретация гипотез */

= Эконометрический анализ модели Teacher Satisfaction =

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

*H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

*H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

*H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

*H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето''' (принцип 80/20): примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

== Возможные источники данных для анализа ==

Гипотетически, для эконометрического анализа можно использовать данные, собранные в BehaviourSpace (среда экспериментов NetLogo) с варьированием параметров:
- Базовая зарплата (Base_Salary)
- Радиус мобильности учителей
- Разброс качества между школами

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:34:37Z

Фирюза Магомадова: /* Гипотезы, которые можно проверить */

= Эконометрический анализ модели Teacher Satisfaction =

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

'''1. H₁: Зарплата положительно влияет на удовлетворённость учителей.'''

'''2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.'''

'''3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.'''

'''4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.'''

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

**H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

**H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

**H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

**H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето''' (принцип 80/20): примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

== Возможные источники данных для анализа ==

Гипотетически, для эконометрического анализа можно использовать данные, собранные в BehaviourSpace (среда экспериментов NetLogo) с варьированием параметров:
- Базовая зарплата (Base_Salary)
- Радиус мобильности учителей
- Разброс качества между школами

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:34:07Z

Фирюза Магомадова: /* Выводы */

= Эконометрический анализ модели Teacher Satisfaction =

== Аннотация ==
В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где учителя выбирают школу на основе зарплаты, качества школы и расстояния до работы. Я не изменяла модель, а изучила её логику и построила гипотетическую регрессионную модель, описывающую ключевые взаимосвязи.

== Параметры модели Teacher Satisfaction ==

Модель имеет следующие управляемые параметры (их можно менять в экспериментах):

{| class="wikitable"
! Параметр
! Описание
! Диапазон
! Эконометрический смысл
|-
| academic-mobility-radius
| Радиус, в котором учитель готов искать работу
| 5–50 км
| Экзогенная переменная, отражающая мобильность трудовых ресурсов
|-
| Satisfaction_threshold
| Минимальный уровень удовлетворённости, при котором учитель остаётся
| 0.1–0.9
| Порог принятия решения (аналог «точки безразличия» в теории полезности)
|-
| Base_Salary
| Базовая зарплата в школах
| 1000–3000
| Основной экономический стимул
|-
| Sch_Quality_Variation
| Разброс качества между школами
| 0.05–0.5
| Мера горизонтального неравенства на рынке труда
|}

== Выходные данные модели ==

При каждом прогоне модель фиксирует:

{| class="wikitable"
! Переменная
! Описание
|-
| teacher-turnover-rate
| Доля учителей, уволившихся за год
|-
| mean-satisfaction-all
| Средняя удовлетворённость учителей (0–1)
|-
| mean-school-vacancy-rate
| Средняя доля вакансий в школах
|-
| satisfaction-inequality
| Разброс удовлетворённости между школами
|-
| unemployment-rate
| Доля безработных учителей
|}

== Эконометрическая постановка ==

Я формулирую три ключевых уравнения, которые могли бы быть проверены на данных этой модели.

=== Уравнение 1: Удовлетворённость учителя ===
<math>Satisfaction_i = \beta_0 + \beta_1 \cdot Salary_s + \beta_2 \cdot Quality_s + \beta_3 \cdot Distance_{i,s} + \varepsilon_i</math>

где:
- <math>Satisfaction_i</math> — удовлетворённость учителя <math>i</math>
- <math>Salary_s</math> — зарплата в школе <math>s</math>
- <math>Quality_s</math> — качество школы <math>s</math>
- <math>Distance_{i,s}</math> — расстояние от дома учителя до школы
- <math>\varepsilon_i</math> — случайная ошибка

'''Ожидаемые знаки коэффициентов:'''
- <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)
- <math>\beta_2 > 0</math> (чем выше качество школы, тем выше удовлетворённость)
- <math>\beta_3 < 0</math> (чем дальше ехать, тем ниже удовлетворённость)

=== Уравнение 2: Вероятность увольнения ===
<math>P(Turnover_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot Satisfaction_i)}}</math>

Это логит-модель, где вероятность уволиться тем ниже, чем выше удовлетворённость (<math>\gamma_1 < 0</math>).

=== Уравнение 3: Концентрация учителей в хороших школах ===
<math>Share\_good\_teachers_s = \delta_0 + \delta_1 \cdot Quality_s + u_s</math>

Ожидается <math>\delta_1 > 0</math> — хорошие школы привлекают больше учителей.

== Гипотезы, которые можно проверить ==

1. H₁: Зарплата положительно влияет на удовлетворённость учителей.

2. H₂: Расстояние до школы отрицательно влияет на удовлетворённость.

3. H₃: Удовлетворённость отрицательно влияет на вероятность увольнения.

4. H₄: Качество школы положительно влияет на долю учителей, выбравших эту школу.

=== Эконометрическая интерпретация гипотез ===

Каждая гипотеза может быть проверена с помощью регрессионного уравнения на данных, полученных из модели Teacher Satisfaction.

**H₁: Влияние зарплаты на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Base\_Salary}_s + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 > 0</math> (чем выше зарплата, тем выше удовлетворённость)

**H₂: Влияние расстояния на удовлетворённость**

Уравнение:
<math>\text{Satisfaction}_i = \beta_0 + \beta_1 \cdot \text{Distance}_{i,s} + \varepsilon_i</math>

Ожидаемый знак: <math>\beta_1 < 0</math> (чем дальше школа, тем ниже удовлетворённость)

**H₃: Влияние удовлетворённости на вероятность увольнения**

Логит-модель (для бинарного выбора):
<math>P(\text{Turnover}_i = 1) = \frac{1}{1 + e^{-(\gamma_0 + \gamma_1 \cdot \text{Satisfaction}_i)}}</math>

Ожидаемый знак: <math>\gamma_1 < 0</math> (чем выше удовлетворённость, тем ниже вероятность уволиться)

**H₄: Влияние качества школы на привлекательность для учителей**

Уравнение:
<math>\text{Share\_teachers}_s = \delta_0 + \delta_1 \cdot \text{Quality}_s + u_s</math>

Ожидаемый знак: <math>\delta_1 > 0</math> (хорошие школы привлекают больше учителей)

=== Связь гипотез с параметрами модели Teacher Satisfaction ===

{| class="wikitable"
|-
! Гипотеза
! Экзогенная переменная (X)
! Эндогенная переменная (Y)
! Параметр модели
|-
| H₁
| Base_Salary
| mean-satisfaction-all
| Зарплата
|-
| H₂
| Distance
| mean-satisfaction-all
| Мобильность
|-
| H₃
| mean-satisfaction-all
| teacher-turnover-rate
| Порог удовлетворённости
|-
| H₄
| Sch_Quality_Variation
| satisfaction-inequality
| Разброс качества
|}

== Связь с теорией ==

Модель Teacher Satisfaction иллюстрирует '''закон Парето''' (принцип 80/20): примерно 20% лучших школ привлекают 80% наиболее удовлетворённых учителей. Это происходит из-за положительной обратной связи: хорошая школа → высокая удовлетворённость → низкая текучесть → стабильный коллектив → школа остаётся хорошей.

== Возможные источники данных для анализа ==

Гипотетически, для эконометрического анализа можно использовать данные, собранные в BehaviourSpace (среда экспериментов NetLogo) с варьированием параметров:
- Базовая зарплата (Base_Salary)
- Радиус мобильности учителей
- Разброс качества между школами

== Выводы ==

Модель '''Teacher Satisfaction''' представляет собой хорошую основу для эконометрического анализа рынка труда.

На основе анализа модели Teacher Satisfaction можно сделать '''следующие выводы:'''

'''1. Зарплата (Base_Salary)''' положительно влияет на удовлетворённость учителей (H₁)

'''2. Расстояние до школы''' отрицательно влияет на удовлетворённость (H₂)

'''3. Удовлетворённость''' снижает вероятность увольнения (H₃)

'''4. Качество школы''' привлекает больше учителей, создавая стратификацию рынка (H₄)

Модель иллюстрирует закон Парето и может служить основой для эконометрического анализа факторов текучести кадров в образовании.

== Ссылки ==
* [[Teacher Satisfaction (model)]]
* [[Практикум по эконометрике (syllabus)]]
* NetLogo: http://ccl.northwestern.edu/netlogo/

[[Категория:Работы по эконометрике]]

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:30:16Z

Фирюза Магомадова: /* Выходные данные модели */

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:29:03Z

Фирюза Магомадова: /* Аннотация */

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:25:52Z

Фирюза Магомадова: /* Гипотезы, которые можно проверить */

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:25:29Z

Фирюза Магомадова: /* Гипотезы, которые можно проверить */

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:23:30Z

Фирюза Магомадова:

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:22:18Z

Фирюза Магомадова:

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:21:06Z

Фирюза Магомадова:

Участник:Фирюза Магомадова

2026-06-11T06:16:05Z

Фирюза Магомадова:

{{UserMGPU
|PedDirection=Нет
|Working_On=Мой эконометрический анализ Teacher Satisfaction
}}
----
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Участник:Фирюза Магомадова

2026-06-11T06:14:16Z

Фирюза Магомадова:

{{UserMGPU
|Website=https://digida.mgpu.ru/index.php/%D0%9C%D0%BE%D0%B9_%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_Teacher_Satisfaction#%D0%A7%D1%82%D0%BE_%D1%82%D0%B0%D0%BA%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_Teacher_Satisfaction
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Участник:Фирюза Магомадова

2026-06-11T06:10:54Z

Фирюза Магомадова:

----
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]
https://digida.mgpu.ru/index.php/%D0%9C%D0%BE%D0%B9_%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B8%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_Teacher_Satisfaction#%D0%A7%D1%82%D0%BE_%D1%82%D0%B0%D0%BA%D0%BE%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_Teacher_Satisfaction

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:09:22Z

Фирюза Магомадова: /* Что такое модель Teacher Satisfaction */

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:07:42Z

Фирюза Магомадова:

Мой эконометрический анализ Teacher Satisfaction

2026-06-11T06:03:13Z

Фирюза Магомадова: Новая страница: «= Эконометрический анализ модели Teacher Satisfaction = == Аннотация == В данной работе я провожу теоретический эконометрический анализ агент-ориентированной модели «Удовлетворённость учителей» (Teacher Satisfaction). Модель симулирует рынок труда преподавателей, где уч...»

Участник:Фирюза Магомадова

2026-02-19T06:47:16Z

Фирюза Магомадова: Новая страница: «---- Категория:UserMGPU Категория:ЦИБ-241»

----
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]