Luận văn thạc sĩ hus phương pháp phân tích sự kiện dùng đánh giá các biến động trong quá trình học tập của sinh viên trường đại học thủy lợi hà nội

Luận văn thạc sĩ HUS phân tích sự kiện đánh giá biến động học tập sinh viên Đại học Thủy lợi Hà Nội, cung cấp cái nhìn sâu sắc về quá trình học.

• Tác giả: Bùi Thị Huệ
• Người hướng dẫn: TS. Trịnh Quốc Anh
• Trường học: Trường Đại học Khoa học Tự nhiên
• Chuyên ngành: Lý thuyết Xác suất và Thống kê Toán học
• Đề tài: Phương Pháp Phân Tích Sự Kiện Dùng Đánh Giá Các Biến Động Trong Quá Trình Học Tập Của Sinh Viên Trường Đại Học Thủy Lợi Hà Nội
• Loại tài liệu: Luận văn thạc sĩ khoa học
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI NÓI ĐẦU
• 1. CHƯƠNG 1: PHÂN TÍCH SỐNG SÓT
• 1.1. Giới thiệu chung
• 1.2. Kiểm duyệt và các loại kiểm duyệt
• 1.3. Hàm sống sót và hàm nguy cơ
• 1.4. Mô hình tham số
• 1.5. Mô hình phi tham số
• 1.6. So sánh mô hình tham số và phi tham số
• 1.7. Kiểm định của các mô hình
• 1.7.1. Ước lượng Kaplan-Meier của hàm sống sót
• 2. CHƯƠNG 2: MÔ HÌNH NGUY CƠ THEO TỶ LỆ
• 2.1. Giới thiệu về mô hình nguy cơ theo tỷ lệ
• 2.2. Tác giả mô hình Cox
• 2.3. Mô hình Cox
• 2.4. Hàm sống sót của Cox PHM
• 2.5. Ước lượng các tham số của Cox PHM
• 2.6. Hàm hợp lý từng phần
• 2.6.1. Hàm hợp lý từng phần cho lần thất bại là duy nhất
• 2.6.2. Hàm hợp lý từng phần cho lần thất bại lặp đi lặp lại
• 2.7. Ước lượng các tham số
• 2.8. Kiểm định giả thuyết cho PHM
• 3. CHƯƠNG 3: THỰC NGHIỆM PHÂN TÍCH DỮ LIỆU SINH VIÊN TRƯỜNG ĐẠI HỌC THỦY LỢI HÀ NỘI BẰNG PHƯƠNG PHÁP PHÂN TÍCH SỐNG SÓT
• 3.1. Mô tả số liệu
• 3.2. Các biến số trong mô hình
• 3.3. Mô hình của phân tích sống sót trong R
• 3.3.1. Giới thiệu về R
• 3.3.2. Ước lượng Kaplan-Meier trong R
• 3.3.3. Kiểm định Log-rank bằng R
• 3.3.4. Mô hình Cox trong R
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phân Tích Sự Kiện Đánh Giá Biến Động Học Tập Sinh Viên Đại Học Thủy Lợi Hà Nội

Phân tích sự kiện đánh giá biến động học tập sinh viên là một lĩnh vực quan trọng trong nghiên cứu giáo dục. Tại Đại học Thủy Lợi Hà Nội, việc áp dụng các phương pháp phân tích thống kê giúp hiểu rõ hơn về quá trình học tập của sinh viên. Nghiên cứu này không chỉ cung cấp cái nhìn tổng quan về tình hình học tập mà còn giúp nhà trường đưa ra các giải pháp cải thiện chất lượng giáo dục.

1.1. Định Nghĩa Phân Tích Sự Kiện Trong Giáo Dục

Phân tích sự kiện trong giáo dục là quá trình đánh giá các biến động trong quá trình học tập của sinh viên. Điều này bao gồm việc theo dõi sự thay đổi trong kết quả học tập, tỷ lệ tốt nghiệp và các yếu tố ảnh hưởng đến sự thành công của sinh viên.

1.2. Tầm Quan Trọng Của Phân Tích Sự Kiện

Phân tích sự kiện giúp nhà trường nhận diện các vấn đề trong quá trình học tập của sinh viên. Qua đó, các giải pháp có thể được đề xuất nhằm nâng cao hiệu quả học tập và giảm thiểu tỷ lệ bỏ học.

II. Vấn Đề Và Thách Thức Trong Đánh Giá Biến Động Học Tập Sinh Viên

Mặc dù có nhiều lợi ích, việc đánh giá biến động học tập sinh viên cũng gặp phải nhiều thách thức. Các vấn đề như thiếu dữ liệu, sự không đồng nhất trong cách thu thập thông tin và sự phức tạp trong việc phân tích dữ liệu là những khó khăn chính.

2.1. Thiếu Dữ Liệu Đáng Tin Cậy

Một trong những thách thức lớn nhất là việc thiếu dữ liệu đáng tin cậy về quá trình học tập của sinh viên. Điều này có thể dẫn đến những kết luận sai lệch trong phân tích.

2.2. Sự Không Đồng Nhất Trong Phương Pháp Thu Thập Dữ Liệu

Các phương pháp thu thập dữ liệu khác nhau có thể tạo ra sự không đồng nhất trong thông tin, làm khó khăn cho việc phân tích và so sánh kết quả.

III. Phương Pháp Phân Tích Sự Kiện Đánh Giá Biến Động Học Tập

Để đánh giá biến động học tập của sinh viên, nhiều phương pháp phân tích khác nhau đã được áp dụng. Các phương pháp này bao gồm phân tích sống sót, mô hình Cox và các phương pháp phi tham số.

3.1. Phân Tích Sống Sót Trong Giáo Dục

Phân tích sống sót là một phương pháp mạnh mẽ giúp đánh giá thời gian tồn tại của sinh viên trong quá trình học tập. Phương pháp này cho phép phân tích các yếu tố ảnh hưởng đến tỷ lệ tốt nghiệp.

3.2. Mô Hình Cox Trong Phân Tích Biến Động

Mô hình Cox là một công cụ hữu ích trong việc phân tích các yếu tố ảnh hưởng đến thời gian tốt nghiệp của sinh viên. Mô hình này giúp điều chỉnh các yếu tố nhiễu và cung cấp cái nhìn sâu sắc hơn về dữ liệu.

IV. Ứng Dụng Thực Tiễn Của Phân Tích Sự Kiện Tại Đại Học Thủy Lợi

Kết quả từ phân tích sự kiện có thể được ứng dụng để cải thiện chất lượng giáo dục tại Đại học Thủy Lợi. Các nhà quản lý có thể sử dụng thông tin này để đưa ra các quyết định chiến lược nhằm nâng cao hiệu quả học tập của sinh viên.

4.1. Cải Thiện Chất Lượng Giáo Dục

Thông qua việc phân tích dữ liệu, nhà trường có thể xác định các vấn đề trong chương trình giảng dạy và đưa ra các biện pháp cải thiện chất lượng giáo dục.

4.2. Giảm Thiểu Tỷ Lệ Bỏ Học

Phân tích sự kiện giúp nhà trường nhận diện các yếu tố dẫn đến tỷ lệ bỏ học cao, từ đó có thể đưa ra các giải pháp hỗ trợ sinh viên tốt hơn.

V. Kết Luận Về Phân Tích Biến Động Học Tập Sinh Viên

Phân tích sự kiện đánh giá biến động học tập sinh viên là một công cụ quan trọng trong việc nâng cao chất lượng giáo dục. Tại Đại học Thủy Lợi, việc áp dụng các phương pháp phân tích thống kê không chỉ giúp hiểu rõ hơn về tình hình học tập mà còn hỗ trợ trong việc đưa ra các quyết định chiến lược.

5.1. Tương Lai Của Phân Tích Sự Kiện Trong Giáo Dục

Với sự phát triển của công nghệ thông tin, việc thu thập và phân tích dữ liệu sẽ ngày càng trở nên dễ dàng hơn. Điều này mở ra nhiều cơ hội cho việc cải thiện chất lượng giáo dục.

5.2. Khuyến Nghị Đối Với Các Trường Đại Học

Các trường đại học nên đầu tư vào hệ thống thu thập dữ liệu và phân tích để có thể theo dõi và đánh giá hiệu quả học tập của sinh viên một cách chính xác hơn.

Nội dung chính

Tổng quan nghiên cứu

Quản lý và duy trì tỷ lệ sinh viên theo học là bài toán mang tính sống còn đối với các cơ sở giáo dục đại học. Dữ liệu thực nghiệm từ 1.598 sinh viên khóa 48 (niên khóa 2006-2011) tại Trường Đại học Thủy Lợi Hà Nội cho thấy sự biến động học tập của người học chịu ảnh hưởng sâu sắc bởi các yếu tố nhân khẩu học và hoàn cảnh xã hội. Trong phương thức quản trị truyền thống, các trường đại học thường chỉ lưu trữ thông tin hành chính tĩnh như họ tên, quê quán, mã số sinh viên mà chưa đi sâu vào phân tích định lượng chuỗi dữ liệu theo trục thời gian.

Vấn đề cốt lõi mà nghiên cứu giải quyết là sự thiếu hụt các công cụ toán học dự báo biến động học tập. Việc chỉ đánh giá kết cục tốt nghiệp hoặc thôi học dưới dạng biến nhị phân đơn thuần sẽ làm mất đi thông tin quý giá về thời điểm sinh viên gặp khó khăn. Do đó, mục tiêu cụ thể của luận văn là ứng dụng lý thuyết xác suất và thống kê toán học, trọng tâm là phân tích sống sót và mô hình nguy cơ tỷ lệ Cox, nhằm xác định hàm sống sót, hàm nguy cơ và các yếu tố ảnh hưởng trực tiếp đến thời gian theo học của sinh viên.

Phạm vi nghiên cứu được thực hiện trọn vẹn trong chu kỳ đào tạo 5 năm (tương đương 60 tháng) đối với toàn bộ sinh viên khóa 48 phân bố tại 24 lớp chuyên ngành của Trường Đại học Thủy Lợi. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi cung cấp cơ sở khoa học định lượng giúp nhà trường nâng cao tỷ lệ sinh viên tốt nghiệp đúng hạn từ mức 78% lên trên 85%, đồng thời giảm thiểu tỷ lệ sinh viên bỏ học sớm trong 24 tháng đầu khóa học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phân tích sống sót (Survival Analysis) – một nhánh quan trọng của thống kê toán học chuyên nghiên cứu khoảng thời gian dẫn đến một sự kiện quan tâm. Hai hàm toán học trung tâm của khung lý thuyết này bao gồm: hàm sống sót S(t) biểu thị xác suất một cá nhân duy trì trạng thái học tập vượt qua thời điểm t, và hàm nguy cơ h(t) đo lường cường độ tức thời xảy ra sự kiện thôi học tại thời điểm t với điều kiện đối tượng vẫn còn theo học ngay trước mốc thời gian đó.

Khung lý thuyết tích hợp ba mô hình phân tích chủ đạo: mô hình phi tham số Kaplan-Meier (1958) dùng để ước tính xác suất sống sót tích lũy từ dữ liệu quan sát; mô hình tham số Weibull với tham số hình dạng m giúp xác định xu hướng nguy cơ tăng, giảm hay không đổi theo thời gian; và mô hình bán tham số Cox (Cox Proportional Hazards Model - 1972). Mô hình Cox được định nghĩa qua phương trình h(t, X) = h0(t) * exp(beta^T * X), trong đó h0(t) là hàm nguy cơ cơ bản tại thời điểm t và vector hệ số beta phản ánh mức độ tác động của các biến giải thích X.

Bốn khái niệm cốt lõi được chuẩn hóa trong nghiên cứu bao gồm:

1. Sự kiện (Event): Thời điểm sinh viên thôi học hoặc dừng chương trình đào tạo vì bất kỳ lý do nào.
2. Thời gian sống sót (Survival Time): Số tháng tính từ khi sinh viên nhập học (tháng thứ 0) đến khi sự kiện xảy ra hoặc khi kết thúc nghiên cứu (tháng thứ 60).
3. Kiểm duyệt phải (Right Censoring): Áp dụng cho những sinh viên tiếp tục theo học bình thường hoặc đã tốt nghiệp tại thời điểm kết thúc 60 tháng theo dõi.
4. Tỷ số nguy cơ (Hazard Ratio - HR): Đo lường mức độ chênh lệch về nguy cơ thôi học giữa các nhóm đối tượng nghiên cứu khi thay đổi một đơn vị của biến giải thích.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu toàn bộ gồm 1.598 sinh viên hệ chính quy khóa 48 được cung cấp bởi Phòng Quản lý và Công tác sinh viên Trường Đại học Thủy Lợi Hà Nội. Phương pháp chọn mẫu là chọn mẫu toàn thể (toàn bộ sinh viên nhập học khóa 48), bảo đảm tính đại diện tuyệt đối và triệt tiêu sai số chọn mẫu. Mỗi cá nhân được mã hóa qua vector 6 biến giải thích: lớp chuyên ngành, độ tuổi khi nhập học, giới tính, tỉnh thành cư trú, khu vực ưu tiên và nhóm đối tượng tuyển sinh.

Lý do lựa chọn phân tích sống sót và mô hình Cox thay vì phương pháp hồi quy logistic thông thường là vì phân tích sống sót xử lý hoàn hảo dữ liệu kiểm duyệt phải, không làm biến dạng thông tin của những sinh viên chưa xảy ra sự kiện và tích hợp chặt chẽ yếu tố thời gian liên tục từ tháng thứ 0 đến tháng thứ 60.

Phương pháp phân tích bao gồm: tính toán ước lượng Kaplan-Meier cho từng biến số phân loại; sử dụng kiểm định Log-rank để kiểm tra sự khác biệt có ý nghĩa thống kê giữa các đường cong sống sót đơn biến; và xây dựng mô hình hồi quy đa biến Cox. Các tham số beta trong mô hình Cox được ước lượng thông qua hàm hợp lý từng phần Efron và tối ưu hóa bằng thuật toán lặp Newton-Raphson. Toàn bộ quy trình tính toán, kiểm định giả thuyết Wald và vẽ đồ thị hàm sống sót được thực thi trên môi trường ngôn ngữ thống kê R thông qua gói phần mềm chuyên dụng survival.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, về cấu trúc nhân khẩu học, sinh viên nam chiếm tỷ lệ áp đảo với 80,91% (1.293 sinh viên), trong khi sinh viên nữ chỉ chiếm 19,09% (305 sinh viên). Độ tuổi nhập học trải dài từ 17 đến 29 tuổi nhưng tập trung chủ yếu ở độ tuổi 18 (686 sinh viên) và 19 tuổi (555 sinh viên), chiếm 77,66% tổng quy mô khóa học. Phân bố địa lý trải rộng trên 53 tỉnh thành, tập trung đông nhất tại Nam Định với 212 sinh viên, Thanh Hóa với 187 sinh viên và Thái Bình với 153 sinh viên.

Thứ hai, về phân bố khu vực tuyển sinh, Khu vực 4 (khu vực 2 - nông thôn) chiếm tỷ trọng vượt trội với 57,51% (919 sinh viên), tiếp đến là Khu vực 2 với 18,34% (293 sinh viên) và Khu vực 1 (vùng cao, miền núi) với 17,46% (279 sinh viên). Khu vực 3 (nội thành đô thị lớn) chiếm tỷ lệ thấp nhất với 6,51% (104 sinh viên). Về diện đối tượng, nhóm đối tượng 10 (lao động phổ thông, không ưu tiên đặc biệt) chiếm đa số với 81,35% (1.300 sinh viên), nhóm đối tượng 1 (dân tộc thiểu số) chiếm 8,20% (131 sinh viên).

Thứ ba, kết quả ước lượng Kaplan-Meier chỉ ra sự phân hóa rõ rệt về xác suất duy trì học tập đến tháng thứ 60 giữa các nhóm đối tượng. Sinh viên thuộc đối tượng 1 có xác suất hoàn thành khóa học đạt 85% (khoảng tin cậy 95%: 78,8% - 91,1%). Nhóm đối tượng 4 và đối tượng 10 đạt xác suất khoảng 79%, đối tượng 6 đạt 78%, đối tượng 3 đạt 67%, và thấp nhất là đối tượng 5 chỉ đạt mức 50% (khoảng tin cậy 95%: 12,5% - 100%).

Thứ tư, nghiên cứu phát hiện hai điểm rơi biến động học tập quan trọng nhất: tháng thứ 11 và tháng thứ 23. Đây là các mốc thời gian ghi nhận số lượng sinh viên thôi học cao nhất trong toàn bộ chu kỳ 60 tháng, trùng khớp với thời điểm kết thúc năm thứ nhất và năm thứ hai đại học.

Thảo luận kết quả

Khi so sánh giữa các vùng miền, sinh viên thuộc Khu vực 3 (nội thành đô thị) có xác suất duy trì học tập thấp nhất, chỉ đạt khoảng 70% đến 75%, thấp hơn đáng kể so với sinh viên Khu vực 1 và Khu vực 4 (cùng đạt xấp xỉ 80%). Nguyên nhân chính của hiện tượng này là sinh viên xuất thân từ khu vực nông thôn và miền núi thường có tính kiên trì cao hơn, định hướng nghề nghiệp gắn bó mật thiết với ngành tài nguyên nước và kỹ thuật công trình. Ngược lại, sinh viên đô thị có nhiều lựa chọn nghề nghiệp thay thế và dễ chuyển hướng sang các ngành kinh tế, công nghệ khác khi gặp khó khăn ban đầu.

Hiện tượng đột biến thôi học tại tháng thứ 11 và tháng thứ 23 được giải thích bởi rào cản học thuật từ các môn đại cương nặng tính toán như Giải tích, Vật lý đại cương, Cơ học lý thuyết và Sức bền vật liệu. Sinh viên không tích lũy đủ số tín chỉ tối thiểu hoặc có điểm trung bình tích lũy dưới chuẩn sẽ bị cảnh báo học vụ và tự ý bỏ cuộc.

Về mặt trình bày dữ liệu, các đường cong sống sót Kaplan-Meier phân tách rõ ràng theo từng bậc thang giảm dần sau mỗi học kỳ. Đồ thị hàm sống sót của Khu vực 3 dốc nhanh hơn hẳn so với Khu vực 1 và 4, phản ánh nguy cơ thôi học tích lũy cao hơn. Bảng hồi quy Cox đa biến lượng hóa chi tiết tỷ số nguy cơ HR của từng nhóm biến, chứng minh vai trò kiểm soát của biến đối tượng và khu vực đối với sự ổn định học tập của sinh viên.

Đề xuất và khuyến nghị

1. Thiết lập hệ thống cảnh báo học vụ sớm ứng dụng mô hình phân tích sống sót:

   • Hành động: Xây dựng phần mềm theo dõi biến động học tập tự động tích hợp thuật toán phân tích sống sót, tự động quét dữ liệu chuyên cần và điểm kiểm tra định kỳ của sinh viên.
   • Mục tiêu: Giảm 25% tỷ lệ sinh viên thôi học tại các mốc tháng thứ 11 và tháng thứ 23, nâng tỷ lệ hoàn thành khóa học chung lên trên 85%.
   • Thời gian thực hiện: Triển khai trong 12 tháng của năm học mới.
   • Chủ thể thực hiện: Phòng Quản lý và Công tác sinh viên chủ trì, phối hợp cùng Phòng Đào tạo và Trung tâm Công nghệ thông tin.

2. Triển khai chương trình phụ đạo và cố vấn học tập chuyên sâu cho năm thứ nhất và năm thứ hai:

   • Hành động: Tổ chức các lớp bổ trợ miễn phí cho các môn khoa học cơ bản trước các kỳ thi học kỳ, đồng thời phân công giảng viên cố vấn hỗ trợ sinh viên có nguy cơ rủi ro cao.
   • Mục tiêu: Nâng tỷ lệ đạt chuẩn học phần đại cương của sinh viên diện ưu tiên lên mức 90%.
   • Thời gian thực hiện: Thực hiện liên tục từ tháng thứ 1 đến tháng thứ 24 của mỗi khóa tuyển sinh.
   • Chủ thể thực hiện: Ban Chủ nhiệm các Khoa chuyên môn và Đoàn Thanh niên nhà trường.

3. Mở rộng chính sách học bổng và quỹ hỗ trợ tài chính theo đặc thù khu vực:

   • Hành động: Huy động nguồn tài trợ từ các doanh nghiệp ngành thủy lợi và trích quỹ phúc lợi để cấp học bổng sinh hoạt phí cho sinh viên Khu vực 1 và Khu vực 4 có hoàn cảnh khó khăn.
   • Mục tiêu: Đảm bảo 100% sinh viên nghèo vượt khó đạt học lực khá trở lên không phải bỏ học vì lý do tài chính, duy trì tỷ lệ sống sót của nhóm này trên 88%.
   • Thời gian thực hiện: Xét duyệt và giải ngân định kỳ 2 lần mỗi năm học.
   • Chủ thể thực hiện: Phòng Quản lý và Công tác sinh viên phối hợp cùng Hội Cựu sinh viên.

4. Đổi mới công tác hướng nghiệp và tư vấn tâm lý học đường:

   • Hành động: Tổ chức tuần sinh hoạt công dân đầu khóa gắn với trải nghiệm thực tế công trình thủy lợi, giải tỏa áp lực tâm lý cho sinh viên khu vực đô thị.
   • Mục tiêu: Giảm tỷ lệ tự ý chuyển ngành hoặc thôi học của sinh viên Khu vực 3 từ mức 25% xuống dưới 10%.
   • Thời gian thực hiện: Thực hiện ngay trong 3 tháng đầu nhập học của tân sinh viên.
   • Chủ thể thực hiện: Trung tâm Hướng nghiệp và Truyền thông kết hợp với các chuyên gia tâm lý giáo dục.

Đối tượng nên tham khảo luận văn

1. Ban Giám hiệu và các nhà quản lý giáo dục đại học: Cung cấp góc nhìn chiến lược dựa trên dữ liệu định lượng để tối ưu hóa quy chế đào tạo tín chỉ, hoạch định chỉ tiêu tuyển sinh vùng miền và nâng cao hiệu quả quản trị trên quy mô từ 1.500 đến 2.000 sinh viên mỗi khóa.
2. Cán bộ phòng công tác sinh viên và cố vấn học tập: Nắm bắt chính xác các nhóm đối tượng có tỷ lệ rủi ro thôi học cao (như đối tượng 3, đối tượng 5 và sinh viên đô thị) cùng các mốc thời gian nhạy cảm (tháng 11 và tháng 23) để thiết kế chương trình can thiệp kịp thời.
3. Giảng viên và nhà nghiên cứu chuyên ngành Thống kê toán học, Khoa học dữ liệu: Tiếp cận tài liệu tham khảo giá trị về phương pháp chuyển hóa mô hình phân tích sống sót từ lĩnh vực y sinh sang phân tích các biến cố xã hội và quản lý giáo dục.
4. Học viên cao học và sinh viên ngành Toán ứng dụng, Tin học: Học hỏi quy trình xử lý dữ liệu kiểm duyệt phải, cách thức ước lượng tham số bằng thuật toán Newton-Raphson và kỹ năng lập trình chuyên sâu với gói survival trên phần mềm R.

Câu hỏi thường gặp

1. Phân tích sống sót trong giáo dục khác biệt như thế nào so với phân tích hồi quy logistic truyền thống? Hồi quy logistic chỉ phân loại nhị phân trạng thái tốt nghiệp hay bỏ học mà bỏ qua hoàn toàn trục thời gian. Phân tích sống sót xử lý trọn vẹn dữ liệu kiểm duyệt phải của 1.598 sinh viên trong 60 tháng, giúp xác định chính xác cường độ nguy cơ thôi học thay đổi tại từng thời điểm cụ thể.

2. Tại sao sinh viên Khu vực 1 miền núi lại có tỷ lệ duy trì học tập cao hơn sinh viên Khu vực 3 nội thành? Số liệu thực nghiệm cho thấy sinh viên Khu vực 1 đạt tỷ lệ duy trì học tập 80%, cao hơn mức 70% đến 75% của Khu vực 3. Sinh viên nông thôn và miền núi có tính kiên định cao, ít bị phân tán bởi các cơ hội việc làm ngoài ngành so với sinh viên đô thị.

3. Thuật toán Newton-Raphson đóng vai trò gì trong việc ước lượng mô hình Cox? Thuật toán lặp Newton-Raphson được sử dụng để tối đa hóa hàm log hợp lý từng phần Efron trong môi trường R. Thuật toán cập nhật vector hệ số beta qua từng bước lặp ma trận thông tin, đảm bảo tìm ra nghiệm hội tụ chính xác nhất để đánh giá tác động của 6 biến giải thích.

4. Mốc thời gian nào sinh viên có nguy cơ thôi học cao nhất trong toàn bộ 5 năm đào tạo? Dữ liệu chỉ ra hai mốc nguy cơ cao nhất là tháng thứ 11 (kết thúc năm thứ nhất) và tháng thứ 23 (kết thúc năm thứ hai). Đây là giai đoạn chuyển giao kiến thức từ đại cương sang cơ sở ngành, tạo ra áp lực đào thải học thuật lớn nhất đối với sinh viên.

5. Gói thư viện survival trong ngôn ngữ R hỗ trợ những công cụ phân tích then chốt nào? Gói survival cung cấp hàm Surv để thiết lập đối tượng thời gian và trạng thái kiểm duyệt, hàm survfit để tính toán đường cong sống sót Kaplan-Meier kèm khoảng tin cậy 95%, và hàm coxph để ước lượng mô hình nguy cơ tỷ lệ Cox đa biến nhanh chóng và chuẩn xác.

Kết luận

• Luận văn đã ứng dụng thành công phương pháp phân tích sống sót và mô hình nguy cơ tỷ lệ Cox trên bộ dữ liệu thực tế gồm 1.598 sinh viên khóa 48 Trường Đại học Thủy Lợi Hà Nội.
• Xác lập bức tranh toàn diện về hàm sống sót và chỉ ra hai mốc thời gian có nguy cơ thôi học cao nhất là tháng thứ 11 và tháng thứ 23 trong vòng đời đào tạo 60 tháng.
• Lượng hóa rõ nét sự phân hóa xác suất duy trì học tập theo khu vực và đối tượng ưu tiên, trong đó sinh viên nông thôn và miền núi đạt tỷ lệ duy trì khoảng 80%, vượt trội so với sinh viên thành thị.
• Đóng góp quy trình phân tích dữ liệu giáo dục chuẩn hóa bằng ngôn ngữ R, khắc phục triệt để hạn chế của các phương pháp thống kê mô tả truyền thống.
• Cung cấp hệ thống 4 giải pháp khả thi nhằm nâng cao tỷ lệ sinh viên tốt nghiệp đúng hạn lên trên 85% trong chu kỳ 5 năm tiếp theo.

Nghiên cứu mở ra hướng tiếp cận hiện đại trong chuyển đổi số giáo dục đại học, kết hợp chặt chẽ giữa toán học ứng dụng và quản trị đào tạo. Các cơ sở giáo dục, nhà nghiên cứu và bạn đọc quan tâm có thể khai thác và mở rộng mô hình này để nâng cao chất lượng quản lý sinh viên tại đơn vị của mình.

Trích đoạn nội dung tài liệu

Chương 1 (Phân tích sống sót): Trong chương này, tác giả sẽ đưa ra những vấn đề trong phân tích sống sót, cách ước lượng cho mô hình tham số, phi tham số của phân tích sống sót. Chương 2 (Mô hình Cox): Đối với chương này, tác giả trình bày mô hình Cox, tìm hệ số của mô hình bằng phương pháp hợp lý từng phần và kiểm định lại mô hình. Chương 3 (Thực nghiệm phân tích dữ liệu sinh viên trường Đại học Thủy Lợi Hà Nội bằng phương pháp phân tích sống sót): Chương này, tác giả ứng dụng các mô hình tham số, phi tham số của phân tích sống sót dựa trên phần mềm thống kê R vào số liệu sinh viên Đại học Thủy Lợi để đưa ra kết quả của bản luận văn. 2 LUAN VAN CHAT LUONG download : add [e-mail] NộI DUNG CHƢƠNG 1.

PHÂN TÍCH SốNG SÓT 1.1 Giới thiệu chung Trong nghiên cứu khoa học, và đặc biệt là y học và kĩ thuật, các nhà nghiên cứu muốn tìm hiểu ảnh hưởng đến các biến phụ thuộc mang tính thời gian. Ởđây việc theo dõi hay mô tả các biến thứ bậc như sống hay chết, hay đánh giá ảnh hưởng của một thuật điều trị hay một yếu tố nguy cơ tuy quan trọng và có ý nghĩa lâm sàn nhất định nhưng cái quan trọng hơn là thời gian dẫn đến việc sự kiện xảy ra. Và thời gian này giữa các bệnh nhân là khác nhau. Mô hình chính để thể hiện mối liên hệ giữa thời gian dẫn đến sự kiện xảy ra và các yếu tố nguy cơ là mô hình có tên là “survival analysis” dịch là phân tích sống sót (PTSS) hay phân tích sự kiện hay phân tích biến cố.

Ví dụ khi so sánh hai phương pháp điều trị của các bệnh có tần số tử vong cao như bệnh AIDS, các bệnh ung thư. Nếu mô hình phân tích như phân tích hồi qui logistic, chỉ để ý đến biến kết cục (sống/chết hoặc khỏi bệnh/không khỏi bệnh) mà không quan tâm đến yếu tố thời gian thì đôi khi không tìm thấy sự khác biệt giữa hai phương pháp điều trị vì tỉ lệ tử vong gần như nhau, nhưng thời gian dẫn đến tử vong ở hai nhóm có thể khác nhau. Một ví dụ khác, khi so sánh hai loại kháng sinh điều trị bệnh thương hàn, tỉ lệ khỏi bệnh của hai loại kháng sinh có thể như nhau nhưng thời gian cắt sốt của hai nhóm có thể khác nhau, vì vậy chúng ta phải sử dụng mô hình PTSS thì mới thấy sự khác biệt này. Như vậy mô hình nghiên cứu mô tả kết cục là biến nhị phân (sống/chết-hết sốt/còn sốt) tuy quan trọng nhưng không chính xác.

Một ưu điểm của PTSS là xử lý được các trường hợp đối tượng nghiên cứu bỏ cuộc giữa chừng (như mất dấu theo dõi, ngưng điều trị do tác dụng phụ của thuốc hoặc tử vong do bệnh lý khác. Trong mô hình phân tích này các đối tượng còn sống kể cả đối tượng bỏ cuộc được gọi là censored hoặc sự kiện chưa xảy ra. Các đối tượng tử vong hoặc hết sốt (ví dụ trong nghiên cứu bệnh thương hàn) được gọi 3 LUAN VAN CHAT LUONG download : add [e-mail] là events hoặc sự kiện đã kết thúc. Và sự phân bố thời gian sống sót được gọi là thời gian thất bại hay thời gian sự kiện.

Phép ước tính thường được dùng để PTSS được gọi là ước lượng Kaplan- Meier (1958). Phép ước tính này giúp ta tính được xác suất sống sót tích lũy tại các mốc thời gian khác nhau. Nếu muốn so sánh sự khác biệt giữa hai nhóm điều trị, dùng kiểm định Log-rank, bằng cách so sánh hai hàm xác suất tích lũy của hai nhóm.