Se penche sur la mesure des effets de l'apprentissage dans l'éducation numérique et l'analyse, couvrant les questions de recherche, les variables, la conception expérimentale et les solutions de biais.
Couvre les bases de la conception et de l'analyse expérimentales, en mettant l'accent sur les techniques statistiques comme l'ANOVA, la régression, la médiation et la modération.
Couvre la régression linéaire, de lélaboration de questions de recherche à linterprétation de R-carré et en ajoutant des prédicteurs pour améliorer le modèle.
Couvre la spécification de la partie déterministe dans les transformations non linéaires des variables et le prétraitement des données pour les non-linéarités.
Discute de la géométrie des moindres carrés, en explorant les perspectives des lignes et des colonnes, les hyperplans, les projections, les résidus et les vecteurs uniques.
Explorer la conception expérimentale pour mesurer les résultats d'apprentissage et discuter des biais, de l'équivalence de groupe et des conceptions à l'intérieur des sujets.
Explore la régression linéaire gaussienne, la matrice de conception, l'estimation des moindres carrés et l'interprétation géométrique dans l'analyse de régression linéaire.
Explore les dérivés partiels dans la composition des fonctions, les preuves de continuité, les applications de théorème de valeur moyenne, et les implications de calcul intégral.
Explore la motivation comportementale et le prétraitement des données pour les transformations non linéaires dans les variables, soulignant l'importance des interactions entre les attributs.
Introduit une régression linéaire simple, les propriétés des résidus, la décomposition de la variance et le coefficient de détermination dans le contexte de la loi d'Okun.
