1.什么是研究者分析经验性质,判断经验效用的基本依据

一.教育经验总结法概述 （一）教育经验总结法的界定 教育经验是指在教育实践中取得的有关教育的知识或技能。

一般有两种含义：一是指人们在教育实践中比较零散的初步认识成果，需要经过总结提高，才能上升为理论。二是指前人积累的有关教育的知识和技能，如国内外历史上流传下来的教育经验。

所谓经验总结，就是研究者（可以同是实践者）依据一定的价值取向，对某种实践活动进行回溯性的研究，将感性认识上升为理性认识，由局部“经验”发掘其普遍意义，探求事物发展规律的活动。 教育经验总结法是在不受控制的自然状态下，依据教育实践所提供的事实，按照科学研究的程序，分析概括教育现象，揭示其内在联系和规律，使之上升到教育理论高度，促进人们由感性认识转化为理性认识的一种教育科研方法。

（二）教育经验总结的性质和特点 1.教育经验总结的性质 （1）教育经验总结是一种科学研究活动 教育经验总结可分为一般性经验总结和科学性经验总结两个层次。一般性经验总结是具体地描述一定的教育实践活动和经验，指出运用这些经验的优越性及其前景。

科学性经验总结是指运用科学的方法，对积累的教育经验进行分析概括，深入、全面、系统地揭示经验的实质，使之上升到教育理论的高度，找出别人可以借鉴的规律性的东西。这里所讲的教育经验总结是专指科学性教育经验的总结。

作为科学研究，就其本质而言，是一种探求新知、揭示事物客观规律的活动。科学性教育经验总结恰恰就具有这种本质特征。

它是一种创造性的脑力劳动，即在感性认识的基础上，通过分析、归纳，得出对事物或现象的理性认识，揭示事物或现象之间的内在联系及其规律。这个过程是科学研究的过程，其最终成果是科学研究的成果。

（2）教育经验总结是一种回溯研究 经验总结法是在某种实践活动大致告一段落，并且通过这种实践取得的经验已经大体形成之后才进行研究的。所以，科学性教育经验总结，是教育科研活动中的回溯性研究，因而与其它科研活动有所不同： 首先，它的研究对象是那种具有特定含义的“经验”，而不是一般的自然存在的事物或文献资料。

这种研究对象是实践者发挥主观能动作用改造了的客观事物，以及在改造客观事物的同时，实践者自身形成的感性认识和某些未系统化的理性认识。 其次，在研究过程中不对研究对象施加某种影响，使之发生某种变化，以求得某种预期结果。

而只是科学地认识客观存在的“经验”，即在实践效果已经显示的某种“经验”大体形成之后，才对这些“经验”进行“回溯”研究，从而取得研究成果的。 第三，经验总结的主要方法是在调查掌握事实的基础上，通过“分析——综合”、“归纳­——演绎”进行思维加工，才使经验上升为理论。

运用经验总结法对来自教育实践的感性认识进行回溯研究，从而获得科学的理性结论，概括出新鲜的有价值的经验。 （3）教育经验总结是一种追因研究 如果说实验法是先确定原因（假设），然后考察这些原因导致的结果，那么，经验总结法则是根据已经发生的结果追溯其原因。

另外，经验总结法又与观察法所采取的伴随教育发展进程进行直接研究的方法不同，与文献法所采取的借助于教育资料对教育事实进行间接研究方法也不同。它是根据已经取得的教育成果和基本认识，追索教育过程中各种因素的影响作用，从而进一步揭示教育客观规律的方法。

经验总结的出发点是已有经验，而其基础是取得经验的具体教育过程，因此，它既有直接研究的一面，又有间接研究的一面。经验总结是通过“追因”以揭示教育规律的一种研究方法。

2.教育经验总结的特点 （1）经验总结作为教育科学的一种成果，具有以下特征： ①新颖性 行之有效的教育经验是从教育实践中产生和提炼出来的，是近期教育实践活动的理性概括，更是教育客观规律的反映，因而必然具有新颖性，或观点、材料新颖，或形式、方法新颖。这种经验就是所谓新鲜的经验，对当前的教育实践活动具有很强的针对性和指导作用。

②普遍性 所谓教育经验的普遍意义，一是在于经验要经得起一定的时间、空间的检验，在应有的时间、空间范围内，经验都不失其存在的意义；二是在于经验要经得起相关实践的检验，在相同的条件下，经验的运用均能取得良好的成效，即所有运用类似方法的实践活动都可以获得成功。那种在特殊情况下取得的“经验”，并不是教育科研意义上的经验，是不具有普遍性特征的。

③实践性 教育经验的实践意义表现在：教育经验总结的各源泉是实践。一般说来，经验总结多是针对教育实践中的具体问题，包括带共性的原理、原则在实际操作运用中的问题，也包括教育实践中的突出矛盾，亦即具有特殊性、个性的问题。

这些都是人们在教育实践中权极探索并力图解决的课题。 教育经验总结的过程是离不开实践的。

总结教育经验，就实践者而言，必须边实践、边探索、边总结，逐步实现由感性认识到理性认识的飞跃；就研究者而言，必须经常深入教育教学第一线，调查、访问、观察、思考，必要时还得亲自参与实践过程，以获得丰富的感性材料，并在此基础上通过经验总结而建立起科学的理论教。

2.请问有没有统计学中逐步回归的运用举例 包括具体的运算步骤 不是

回归分析中所涉及的变量常分为自变量与因变量。 当因变量是非时间的连续性变量（自变量可包括连续性的和离散性的）时，欲研究变量之间的依存关系，进行可以多元线性回归分析。

研究者根据专业知识和经验所选定的全部自变量并非对因变量都是有显著性影响的，故筛选变量是回归分析中不可回避的问题。介绍最常用的一种变量筛选法——逐步筛选法。

模型中的变量从无到有，根据F统计量按SLENTRY的值（选变量进入方程的显著性水平）决定该变量是否入选；当模型选入变量后，再根据F统计量按SLSTAY的值（将方程中的变量剔除出去的显著性水平）剔除各不显著的变量，依次类推。这样直到没有变量可入选，也没有变量可剔除或入选变量就是刚剔除的变量，则停止逐步筛选过程。

例题：

α-甲酰门冬酰苯丙氨酸甲酯（FAPM）是合成APM的关键中间体之一。试验表明，影响FAPM收率的主要因素有∶ 原料配比（r）、溶剂用量（p1）、催化剂用量（p2）及反应时间（t）等4个因素，现将各因素及其具体水平的取值列在下面。

影响FAPM合成收率的因素和水平∶

因素各水平的代码 1 2 3 4 5 6 7

r 原料配比 0.80 0.87 0.94 1.01 1.08 1.15 1.22

p1 溶剂用量（ml） 10 15 20 25 30 35 44

p2 催化剂用量（g） 1.0 1.5 2.0 2.5 3.0 3.5 4.0

t反应时间（h） 1 2 3 4 5 6 7

研究者按某种试验设计方法选定的因素各水平的组合及其试验结果如下，试用回归分析

方法分析此资料（注∶权重仅为相同试验条件下重复实验运行的次数）。

编号 r p1 p2 t Y（收率，%） 权重

1 0.80 15 2.0 6 71.5 3

2 0.87 25 3.5 5 71.2 2

3 0.94 35 1.5 4 72.8 3

4 1.01 10 3.0 3 69.7 2

5 1.08 20 1.0 2 67.5 3

6 1.15 30 2.5 1 67.3 3

7 1.22 40 4.0 7 71.8 3

具体计算特麻烦，必须借助统计软件。

MODEL y=r r2 p1 p12 p2 p22 t t2 rp1 rt p1t / SELECTION=STEPWISE；筛选变量。

3.多元线性回归中自变量筛选常用的方法有哪些

1.多元线性回归模型 4.2.1其中X1、X2、……Xm为m个自变量（即影响因素）；β0、β1、β2、……βm为m+1个总体回归参数（也称为回归系数）；ε为随机误差。

当研究者通过试验获得了（X1,X2，…，Xm,Y）的n组样本值后，运用最小平方法便可求出式4.2.1中各总体回归参数的估计值b0、b1、b2、……bm，于是，多元线性回归模型4.2.1变成了多元线性回归方程式4.2.2。 (4.2.2) 2.回归分析的任务 多元回归分析的任务就是用数理统计方法估计出式4.2.2中各回归参数的值及其标准误差；对各回归参数和整个回归方程作假设检验；对各回归变量（即自变量）的作用大小作出评价；并利用已求得的回归方程对因变量进行预测、对自变量进行控制等等。

3.标准回归系数及其意义 对回归系数作检验可直接用式（4.2.2）中的bi及其标准误差所提供的信息；但要想对各回归系数之间进行比较就不那么方便了，因为各bi的值受各变量单位的影响。为便于比较，需要求出标准化回归系数，消除仅由单位不同所带来的差别。

设∶与一般回归系数bi对应的标准化回归系数为Bi，则 （4.2.3）式（4.2.3）中的SXi、SY分别为自变量Xi和Y的标准差。 值得注意的是∶一般认为标准化回归系数的绝对值越大，所对应的自变量对因变量的影响也就越大。

但是，当自变量彼此相关时，回归系数受模型中其他自变量的影响，若遇到这种情况，解释标准化回归系数时必须采取谨慎的态度。当然，更为妥善的办法是通过回归诊断（The Diagnosis of Regression），了解哪些自变量之间有严重的多重共线性（Multicoll-inearity），从而，舍去其中作用较小的变量，使保留下来的所有自变量之间尽可能互相独立。

此时，利用标准化回归系数作出解释，就更为合适了。 4.自变量为定性变量的数量化方法 设某定性变量有k个水平（如ABO血型系统有4个水平），若分别用1、2、…、k代表k个水平的取值，是不够合理的。

因为这隐含着承认各等级之间的间隔是相等的，其实质是假定该因素的各水平对因变量的影响作用几乎是相同的。 比较妥当的做法是引入k-1个哑变量（Dummy Variables），每个哑变量取值为0或1。

现以ABO血型系统为例，说明产生哑变量的具体方法。 当某人为A型血时，令X1=1、X2=X3=0；当某人为B型血时，令X2=1、X1=X3=0；当某人为AB型血时，令X3=1、X1=X2=0；当某人为O型血时，令X1=X2=X3=0。

这样，当其他自变量取特定值时，X1的回归系数b1度量了E(Y/A型血)-E(Y/O型血)的效应； X2的回归系数b2度量了E(Y/B型血)-E(Y/O型血)的效应； X3的回归系数b3度量了E(Y/AB型血)-E(Y/O型血)的效应。相对于O型血来说，b1、b2、b3之间的差别就较客观地反映了A、B、AB型血之间的差别。

[说明] E(Y/*)代表在“*”所规定的条件下求出因变量Y的期望值（即理论均值）。 5.变量筛选 研究者根据专业知识和经验所选定的全部自变量并非对因变量都是有显著性影响的，故筛选变量是回归分析中不可回避的问题。

然而，筛选变量的方法很多，详见本章第3节，这里先介绍最常用的一种变量筛选法──逐步筛选法。 模型中的变量从无到有，根据F统计量按SLENTRY的值（选变量进入方程的显著性水平）决定该变量是否入选；当模型选入变量后，再根据F统计量按SLSTAY的值（将方程中的变量剔除出去的显著性水平）剔除各不显著的变量，依次类推。

这样直到没有变量可入选，也没有变量可剔除或入选变量就是刚剔除的变量，则停止逐步筛选过程。在SAS软件中运用此法的关键语句的写法是∶ MODEL Y = 一系列的自变量 / SELECTION=STEPWISE SLE=p1 SLS=p2；具体应用时，p1、p2应分别取0~1之间的某个数值。