Обсуждение:School Choice ABM

Эксперимент № 1

Условия эксперимента:

1. ["initial-students" 3000]
2. ["number-of-schools" 100]
3. ["school-transportation-cost" 10 20 30 40] - дорожные расходы
4. ["traffic-lights?" true false] -- информирование о достижениях школы
5. ["high-income-percentage" 20 25 30] - уровень достатка
6. ["with-school-choice?" true]
7. ["alpha" 0.25 0.05]

Зависимые переменные:

• Суммарный успех учеников
• Суммарные достижения школ

Данные

https://raw.githubusercontent.com/patarakin/stat-data/e8e74e2480e6a3192c27b29fdc22cd672ecb899d/datasets/csv/School_Choice_Chil.csv

Эксперимент 2

Данные

https://raw.githubusercontent.com/patarakin/stat-data/ca9f7cb4c46d627773bb5868f1f26279541aebe6/datasets/csv/School_Choice_7200.csv

1. RAWGraphs
2. StatKey
3. Datawrapper
4. R

• https://www.datawrapper.de/_/NjoND/

Продолжение экспериментов

Из модели можно экспортировать данные в табличном формате для анализа в R, Python

• Матрица ссылок учащихся на школы (network adjacency matrix)
• Временные ряды показателей сегрегации и достижений
• Индивидуальные характеристики агентов (доход, достижения, расстояние)

На основе собранных данных студенты могут строить:

• Модели логистической регрессии для предсказания вероятности выбора школы на основе её характеристик
• Модели иерархической регрессии (multilevel models), где учащиеся вложены в школы
• Моделей выживания для анализа, как долго учащиеся остаются в выбранной школе

Например, модель вероятности выбора школы: [math]\displaystyle{ P(\text{choose school } j) = \frac{\exp(U_j)}{\sum_k \exp(U_k)} }[/math]