Удовлетворённость учителей исследование: различия между версиями

Материал из Поле цифровой дидактики
Следующая правка →
Новая страница: «Исследование»
 
Нет описания правки
Строка 1: Строка 1:
Исследование
= Исследование удовлетворённости учителей (Teacher Satisfaction) =
 
{{#ask: [[Teacher Satisfaction]]
| ?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.
 
== 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.
 
== Модель и данные ==
 
Модель Teacher Satisfaction реализована в среде NetLogo. Она симулирует поведение учителей и школ: учителя ищут работу, ориентируясь на зарплату, качество и расстояние; школы нанимают учителей. Если удовлетворённость учителя падает ниже порогового значения, он увольняется.
 
Для анализа мы не запускали модель самостоятельно, а взяли готовые датасеты из репозитория авторов. 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)
 
== 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]]

Версия от 14:37, 10 июня 2026

Исследование удовлетворённости учителей (Teacher Satisfaction)

 Description
Teacher Satisfaction

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.

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.

Модель и данные

Модель Teacher Satisfaction реализована в среде NetLogo. Она симулирует поведение учителей и школ: учителя ищут работу, ориентируясь на зарплату, качество и расстояние; школы нанимают учителей. Если удовлетворённость учителя падает ниже порогового значения, он увольняется.

Для анализа мы не запускали модель самостоятельно, а взяли готовые датасеты из репозитория авторов. 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)

Результаты регрессионного анализа

Результат 1: Влияние зарплаты на удовлетворённость

    • Спецификация модели:**
  • Y = `mean-satisfaction-all` (средняя удовлетворённость)
  • X = `Base_Salary` (базовая зарплата)
    • Результаты регрессии:**
Показатель Значение
R-квадрат 0,000256
Коэффициент при зарплате 0,000000457
P-значение (Значимость F) 0,5715
Количество наблюдений 1249
    • График:**
    • 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:**
Показатель Значение
R-квадрат 0,00149
Коэффициент при мобильности -0,0000898
P-значение (Значимость F) 0,1727
Количество наблюдений 1249
    • График:**
    • 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:**
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:**
    • 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.

---

    1. Сводная таблица результатов
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)
    1. 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.

    1. 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
    1. Ссылки
Источник — http://digida.mgpu.ru/index.php?title=Удовлетворённость_учителей_исследование&oldid=47542