Поле цифровой дидактики - Вклад [ru]

Участник:GloveliD

2026-06-10T11:59:58Z

GloveliD:

{{UserMGPU
|Field_of_knowledge=
|Position=Бакалавриат
|Profile=
|PedDirection=Нет
|Working_On=Удовлетворённость учителей исследование
}}
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Удовлетворённость учителей исследование

2026-06-10T11:58:53Z

GloveliD:

= Исследование удовлетворённости учителей (Teacher Satisfaction) =

{{#ask: [[Teacher Satisfaction (model)]]
| ?Description
| default = Модель удовлетворённости учителей — агентно-ориентированная симуляция рынка труда преподавателей. Учителя выбирают работу по зарплате, качеству школы и расстоянию, их удовлетворённость (0-1) определяет текучесть кадров. Модель показывает стратификацию: хорошие школы заполнены (satisfaction 0.9), плохие пустеют (satisfaction 0.2).
}}

== Аннотация ==

В данном проекте анализируется модель Teacher Satisfaction — агентная симуляция рынка труда учителей. В этой модели учителя выбирают школу на основе трёх критериев: зарплата, качество школы и расстояние до работы. Если учитель недоволен, он увольняется и ищет другое место. Саму модель мы не запускали, а использовали готовые датасеты, выложенные авторами на GitHub. Наша задача — с помощью регрессионного анализа проверить три гипотезы о том, какие факторы на самом деле влияют на удовлетворённость учителей и текучесть кадров.

=== Цель работы ===

Выявить, какие из трёх факторов (зарплата, мобильность учителей, разброс качества между школами) статистически значимо влияют на удовлетворённость учителей и текучесть кадров в рамках модели Teacher Satisfaction.

== Описание модели Teacher Satisfaction ==

Модель Teacher Satisfaction реализована в среде NetLogo. Это агентно-ориентированная симуляция, которая моделирует поведение учителей на рынке труда.

'''Основные элементы модели:'''

* '''Учителя (агенты)''' — каждый учитель имеет уровень удовлетворённости (от 0 до 1), радиус мобильности (как далеко он готов ехать до работы) и статус (работает или безработный).
* '''Школы (патчи)''' — каждая школа характеризуется качеством (от 0 до 1) и предлагаемой зарплатой. Школы с высоким качеством привлекают больше учителей.
* '''Рынок труда''' — учителя ищут работу, сравнивая зарплату, качество школы и расстояние от дома. Если учитель находит подходящую школу, он устраивается туда. Если его удовлетворённость падает ниже порогового значения (Satisfaction_threshold), он увольняется и начинает новый поиск.

'''Ключевой механизм модели — стратификация:'''
Хорошие школы (с высоким качеством) привлекают больше учителей, могут выбирать лучших кандидатов и в итоге оказываются полностью укомплектованными довольными учителями (удовлетворённость около 0,9). Плохие школы (с низким качеством) остаются с вакансиями или с неудовлетворёнными учителями (удовлетворённость около 0,2). Это соответствует закону Парето, согласно которому 20% школ получают 80% качественных учителей.

'''Важно для нашего исследования:'''
Саму модель в NetLogo мы не запускали. Мы использовали готовые датасеты, которые авторы модели получили в результате экспериментов в среде BehaviorSpace (многократные прогоны модели при разных значениях параметров). Наша работа сосредоточена на эконометрическом анализе этих данных, а не на симуляции.

Полное описание модели доступно на странице [[Teacher Satisfaction (model)]].

== Данные для анализа ==

Для анализа мы взяли готовые датасеты из репозитория авторов модели. Эти файлы содержат результаты многократных прогонов модели при разных комбинациях параметров. Всего мы использовали три файла:

* `TS_Salary.csv` — данные о зарплате и удовлетворённости
* `TS_Mobil_Satisf.csv` — данные о мобильности и текучести
* `TS_S_Quality.csv` — данные о вариативности качества школ и неравенстве удовлетворённости

== Инструменты и метод ==

Для анализа мы использовали Microsoft Excel (пакет анализа, инструмент «Регрессия»). Для каждой гипотезы была построена парная линейная регрессия вида:

'''Y = α + β·X + ε'''

где Y — зависимая переменная, X — независимая переменная, β — коэффициент регрессии (показывает направление и силу связи), α — свободный член, ε — случайная ошибка.

Для каждой модели мы оценивали три ключевых показателя:
* '''Коэффициент β''' — положительный или отрицательный (направление связи)
* '''R-квадрат''' — доля дисперсии Y, которую объясняет X
* '''P-значение''' — статистическая значимость (если меньше 0.05, связь не случайна)

== Рабочие гипотезы ==

=== Гипотеза 1 (Дериволкова Алина) — Влияние зарплаты на удовлетворённость ===

'''H₀:''' Базовая зарплата не влияет на среднюю удовлетворённость учителей.

'''H₁:''' Увеличение базовой зарплаты повышает среднюю удовлетворённость учителей.

=== Гипотеза 2 (Горынин Леонид) — Влияние мобильности на текучесть ===

'''H₀:''' Радиус мобильности учителей не влияет на текучесть кадров.

'''H₁:''' Чем больше радиус мобильности (готовность ехать дальше), тем ниже текучесть кадров.

=== Гипотеза 3 (Гловели Джемма) — Влияние качества школ на неравенство ===

'''H₀:''' Разброс качества между школами не влияет на неравенство удовлетворённости учителей.

'''H₁:''' Чем больше школы различаются по качеству, тем выше неравенство в удовлетворённости учителей.

== Результаты регрессионного анализа ==

=== Результат 1: Влияние зарплаты на удовлетворённость ===

'''Спецификация модели:'''
* Y = `mean-satisfaction-all` (средняя удовлетворённость)
* X = `Base_Salary` (базовая зарплата)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,000256
|-
| Коэффициент при зарплате || 0,000000457
|-
| P-значение (Значимость F) || 0,5715
|-
| Количество наблюдений || 1249
|}

'''График:''' [[Файл:Зп_на_удвл_гр.jpg|600px]]

'''Вывод:''' Гипотеза не подтвердилась. Коэффициент практически равен нулю, p-value = 0,57 (намного выше порога 0,05), R-квадрат почти ноль. Это означает, что в данной модели зарплата не влияет на удовлетворённость учителей.

=== Результат 2: Влияние мобильности на текучесть ===

'''Спецификация модели:'''
* Y = `teacher-turnover-rate` (текучесть кадров)
* X = `academic-mobility-radius` (радиус мобильности)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,00149
|-
| Коэффициент при мобильности || -0,0000898
|-
| P-значение (Значимость F) || 0,1727
|-
| Количество наблюдений || 1249
|}

'''График:''' [[Файл:Мобил_гр.jpg|600px]]

'''Вывод:''' Гипотеза не подтвердилась. Коэффициент отрицательный (это соответствует ожидаемому направлению: чем выше мобильность, тем ниже текучесть), но p-value = 0,173 > 0,05, поэтому результат статистически не значим. R-квадрат очень маленький, что говорит об очень слабой связи.

=== Результат 3: Влияние вариативности качества школ на неравенство ===

'''Спецификация модели:'''
* Y = `satisfaction-inequality` (неравенство удовлетворённости)
* X = `Sch_Quality_Variation` (разброс качества между школами)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,1637
|-
| Коэффициент при вариативности качества || -0,0867
|-
| P-значение (Значимость F) || 1,24 × 10⁻⁴⁰ (< 0,001)
|-
| Количество наблюдений || 999
|}

'''График:''' [[Файл:Кач_шк_гр.jpg|600px]]

'''Вывод:''' Гипотеза подтвердилась (связь статистически значима, p < 0,001). Однако коэффициент оказался отрицательным, а не положительным. Это значит, что при увеличении разброса качества между школами неравенство удовлетворённости снижается. R-квадрат = 0,164 — модель объясняет около 16% дисперсии.

'''Почему так получилось:''' Возможное объяснение — учителя из школ с низким качеством увольняются из-за неудовлетворённости и покидают рынок. В итоге в системе остаются в основном те, кто работает в хороших или средних школах, и разрыв в удовлетворённости сокращается.

== Сводная таблица результатов ==

{| class="wikitable"
! Гипотеза !! Ожидаемый знак !! Полученный знак !! p-value !! R² !! Статус
|-
| H1: зарплата → удовлетворённость || + || ≈0 || 0,57 || 0,000 || не подтверждена
|-
| H2: мобильность → текучесть || – || – || 0,17 || 0,001 || не подтверждена
|-
| H3: качество школ → неравенство || + || – || < 0,001 || 0,164 || подтверждена (обратная связь)
|}

== Общее заключение ==

Из трёх проверенных факторов только один показал статистически значимое влияние — это вариативность качества школ. Но это влияние оказалось обратным: чем больше школы различаются по качеству, тем ниже неравенство в удовлетворённости. Вероятно, потому что учителя из плохих школ уходят, и остаются только те, кто в целом доволен.

Зарплата и мобильность учителей в данной модели не влияют на удовлетворённость и текучесть. Это может означать, что ключевые механизмы модели завязаны не на этих параметрах, а на чём-то другом — например, на соотношении зарплаты и качества школы, а не на их абсолютных значениях.

== Участники и распределение ролей ==

* '''Гловели Джемма''' — постановка гипотез, загрузка и подготовка данных, регрессионный анализ в Excel, интерпретация коэффициентов
* '''Горынин Леонид''' — визуализация результатов: построение точечных диаграмм с линиями тренда для трёх гипотез, подготовка графиков
* '''Дериволкова Алина''' — оформление отчёта на вики-странице, форматирование таблиц и графиков, итоговая редакция

== Ссылки ==

* [[Практикум по эконометрике (syllabus)]]
* [[Социально-экономическая статистика и эконометрика (syllabus)]]
* [[Teacher Satisfaction (model)]] — описание агентной модели
* Wilensky, U. (1999). NetLogo. http://ccl.northwestern.edu/netlogo/
* Репозиторий с данными: https://github.com/patarakin/stat-data

[[Категория:Работы по эконометрике]]

Удовлетворённость учителей исследование

2026-06-10T11:55:35Z

GloveliD:

= Исследование удовлетворённости учителей (Teacher Satisfaction) =

{{#ask: [[Teacher Satisfaction (model)]]
| ?Description
| default = Модель удовлетворённости учителей — агентно-ориентированная симуляция рынка труда преподавателей. Учителя выбирают работу по зарплате, качеству школы и расстоянию, их удовлетворённость (0-1) определяет текучесть кадров. Модель показывает стратификацию: хорошие школы заполнены (satisfaction 0.9), плохие пустеют (satisfaction 0.2).
}}

== Аннотация ==

В данном проекте анализируется модель Teacher Satisfaction — агентная симуляция рынка труда учителей. В этой модели учителя выбирают школу на основе трёх критериев: зарплата, качество школы и расстояние до работы. Если учитель недоволен, он увольняется и ищет другое место. Саму модель мы не запускали, а использовали готовые датасеты, выложенные авторами на GitHub. Наша задача — с помощью регрессионного анализа проверить три гипотезы о том, какие факторы на самом деле влияют на удовлетворённость учителей и текучесть кадров.

=== Цель работы ===

Выявить, какие из трёх факторов (зарплата, мобильность учителей, разброс качества между школами) статистически значимо влияют на удовлетворённость учителей и текучесть кадров в рамках модели Teacher Satisfaction.

== Описание модели Teacher Satisfaction ==

Модель Teacher Satisfaction реализована в среде NetLogo. Это агентно-ориентированная симуляция, которая моделирует поведение учителей на рынке труда.

'''Основные элементы модели:'''

* '''Учителя (агенты)''' — каждый учитель имеет уровень удовлетворённости (от 0 до 1), радиус мобильности (как далеко он готов ехать до работы) и статус (работает или безработный).
* '''Школы (патчи)''' — каждая школа характеризуется качеством (от 0 до 1) и предлагаемой зарплатой. Школы с высоким качеством привлекают больше учителей.
* '''Рынок труда''' — учителя ищут работу, сравнивая зарплату, качество школы и расстояние от дома. Если учитель находит подходящую школу, он устраивается туда. Если его удовлетворённость падает ниже порогового значения (Satisfaction_threshold), он увольняется и начинает новый поиск.

'''Ключевой механизм модели — стратификация:'''
Хорошие школы (с высоким качеством) привлекают больше учителей, могут выбирать лучших кандидатов и в итоге оказываются полностью укомплектованными довольными учителями (удовлетворённость около 0,9). Плохие школы (с низким качеством) остаются с вакансиями или с неудовлетворёнными учителями (удовлетворённость около 0,2). Это соответствует закону Парето, согласно которому 20% школ получают 80% качественных учителей.

'''Важно для нашего исследования:'''
Саму модель в NetLogo мы не запускали. Мы использовали готовые датасеты, которые авторы модели получили в результате экспериментов в среде BehaviorSpace (многократные прогоны модели при разных значениях параметров). Наша работа сосредоточена на эконометрическом анализе этих данных, а не на симуляции.

Полное описание модели доступно на странице [[Teacher Satisfaction (model)]].

== Данные для анализа ==

Для анализа мы взяли готовые датасеты из репозитория авторов модели. Эти файлы содержат результаты многократных прогонов модели при разных комбинациях параметров. Всего мы использовали три файла:

* `TS_Salary.csv` — данные о зарплате и удовлетворённости
* `TS_Mobil_Satisf.csv` — данные о мобильности и текучести
* `TS_S_Quality.csv` — данные о вариативности качества школ и неравенстве удовлетворённости

== Инструменты и метод ==

Для анализа мы использовали Microsoft Excel (пакет анализа, инструмент «Регрессия»). Для каждой гипотезы была построена парная линейная регрессия вида:

'''Y = α + β·X + ε'''

где Y — зависимая переменная, X — независимая переменная, β — коэффициент регрессии (показывает направление и силу связи), α — свободный член, ε — случайная ошибка.

Для каждой модели мы оценивали три ключевых показателя:
* '''Коэффициент β''' — положительный или отрицательный (направление связи)
* '''R-квадрат''' — доля дисперсии Y, которую объясняет X
* '''P-значение''' — статистическая значимость (если меньше 0.05, связь не случайна)

== Рабочие гипотезы ==

=== Гипотеза 1 (Дериволкова Алина) — Влияние зарплаты на удовлетворённость ===

'''H₀:''' Базовая зарплата не влияет на среднюю удовлетворённость учителей.

'''H₁:''' Увеличение базовой зарплаты повышает среднюю удовлетворённость учителей.

=== Гипотеза 2 (Горынин Леонид) — Влияние мобильности на текучесть ===

'''H₀:''' Радиус мобильности учителей не влияет на текучесть кадров.

'''H₁:''' Чем больше радиус мобильности (готовность ехать дальше), тем ниже текучесть кадров.

=== Гипотеза 3 (Гловели Джемма) — Влияние качества школ на неравенство ===

'''H₀:''' Разброс качества между школами не влияет на неравенство удовлетворённости учителей.

'''H₁:''' Чем больше школы различаются по качеству, тем выше неравенство в удовлетворённости учителей.

== Результаты регрессионного анализа ==

=== Результат 1: Влияние зарплаты на удовлетворённость ===

'''Спецификация модели:'''
* Y = `mean-satisfaction-all` (средняя удовлетворённость)
* X = `Base_Salary` (базовая зарплата)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,000256
|-
| Коэффициент при зарплате || 0,000000457
|-
| P-значение (Значимость F) || 0,5715
|-
| Количество наблюдений || 1249
|}

'''График:''' [[Файл:Зп_на_удвл_гр.jpg|600px]]

'''Вывод:''' Гипотеза не подтвердилась. Коэффициент практически равен нулю, p-value = 0,57 (намного выше порога 0,05), R-квадрат почти ноль. Это означает, что в данной модели зарплата не влияет на удовлетворённость учителей.

---

=== Результат 2: Влияние мобильности на текучесть ===

'''Спецификация модели:'''
* Y = `teacher-turnover-rate` (текучесть кадров)
* X = `academic-mobility-radius` (радиус мобильности)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,00149
|-
| Коэффициент при мобильности || -0,0000898
|-
| P-значение (Значимость F) || 0,1727
|-
| Количество наблюдений || 1249
|}

'''График:''' [[Файл:Мобил_гр.jpg|600px]]

'''Вывод:''' Гипотеза не подтвердилась. Коэффициент отрицательный (это соответствует ожидаемому направлению: чем выше мобильность, тем ниже текучесть), но p-value = 0,173 > 0,05, поэтому результат статистически не значим. R-квадрат очень маленький, что говорит об очень слабой связи.

---

=== Результат 3: Влияние вариативности качества школ на неравенство ===

'''Спецификация модели:'''
* Y = `satisfaction-inequality` (неравенство удовлетворённости)
* X = `Sch_Quality_Variation` (разброс качества между школами)

'''Результаты регрессии:'''

{| class="wikitable"
! Показатель !! Значение
|-
| R-квадрат || 0,1637
|-
| Коэффициент при вариативности качества || -0,0867
|-
| P-значение (Значимость F) || 1,24 × 10⁻⁴⁰ (< 0,001)
|-
| Количество наблюдений || 999
|}

'''График:''' [[Файл:Кач_шк_гр.jpg|600px]]

'''Вывод:''' Гипотеза подтвердилась (связь статистически значима, p < 0,001). Однако коэффициент оказался отрицательным, а не положительным. Это значит, что при увеличении разброса качества между школами неравенство удовлетворённости снижается. R-квадрат = 0,164 — модель объясняет около 16% дисперсии.

'''Почему так получилось:''' Возможное объяснение — учителя из школ с низким качеством увольняются из-за неудовлетворённости и покидают рынок. В итоге в системе остаются в основном те, кто работает в хороших или средних школах, и разрыв в удовлетворённости сокращается.

---

== Сводная таблица результатов ==

{| class="wikitable"
! Гипотеза !! Ожидаемый знак !! Полученный знак !! p-value !! R² !! Статус
|-
| H1: зарплата → удовлетворённость || + || ≈0 || 0,57 || 0,000 || не подтверждена
|-
| H2: мобильность → текучесть || – || – || 0,17 || 0,001 || не подтверждена
|-
| H3: качество школ → неравенство || + || – || < 0,001 || 0,164 || подтверждена (обратная связь)
|}

== Общее заключение ==

Из трёх проверенных факторов только один показал статистически значимое влияние — это вариативность качества школ. Но это влияние оказалось обратным: чем больше школы различаются по качеству, тем ниже неравенство в удовлетворённости. Вероятно, потому что учителя из плохих школ уходят, и остаются только те, кто в целом доволен.

Зарплата и мобильность учителей в данной модели не влияют на удовлетворённость и текучесть. Это может означать, что ключевые механизмы модели завязаны не на этих параметрах, а на чём-то другом — например, на соотношении зарплаты и качества школы, а не на их абсолютных значениях.

== Участники и распределение ролей ==

* '''Гловели Джемма''' — постановка гипотез, загрузка и подготовка данных, регрессионный анализ в Excel, интерпретация коэффициентов
* '''Горынин Леонид''' — визуализация результатов: построение точечных диаграмм с линиями тренда для трёх гипотез, подготовка графиков
* '''Дериволкова Алина''' — оформление отчёта на вики-странице, форматирование таблиц и графиков, итоговая редакция

== Ссылки ==

* [[Практикум по эконометрике (syllabus)]]
* [[Социально-экономическая статистика и эконометрика (syllabus)]]
* [[Teacher Satisfaction (model)]] — описание агентной модели
* Wilensky, U. (1999). NetLogo. http://ccl.northwestern.edu/netlogo/
* Репозиторий с данными: https://github.com/patarakin/stat-data

----

[[Категория:Работы по эконометрике]]

Участник:GloveliD

2026-06-10T11:35:04Z

GloveliD:

{{UserMGPU
|Field_of_knowledge=
|Position=Бакалавриат
|Profile=
|PedDirection=Нет
|Working_On=Удовлетворённость_учителей_исследование
}}
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Удовлетворённость учителей исследование

2026-06-10T11:34:05Z

GloveliD: Новая страница: «Исследование»

Исследование

Участник:GloveliD

2026-06-10T11:02:12Z

GloveliD:

{{UserMGPU
|Field_of_knowledge=
|Position=Бакалавриат
|Profile=
|PedDirection=Нет
|Working_On=Удовлетворённость_учителей_исследовани
}}
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Участник:GloveliD

2026-06-10T11:01:10Z

GloveliD:

Удовлетворённость учителей исследовани

2026-06-10T11:00:17Z

GloveliD: Новая страница: «Исследование»

Исследование

Участник:GloveliD

2026-06-09T13:58:33Z

GloveliD:

{{UserMGPU
|Field_of_knowledge=
|Position=Бакалавриат
|Profile=
|PedDirection=Нет
|Working_On=
}}
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Участник:GloveliD

2026-06-09T13:53:03Z

GloveliD:

{{UserMGPU
|Field_of_knowledge=
|Position=Бакалавриат
|Profile=
|PedDirection=Нет
|Working_On=Teacher Satisfaction
}}
[[Категория:UserMGPU]]
[[Категория:ЦИБ-241]]

Участник:GloveliD

2026-02-19T06:42:26Z

GloveliD: Новая страница: « ---- Категория:UserMGPU Категория:ЦИБ-241»

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