Descomposición de la varianza en comprensión de lectura para revelar los efectos únicos y común del lenguaje y decodificación

Resumen

Aquí presentamos un protocolo para la descomposición de la varianza en comprensión de lectura sobre los efectos del lenguaje y decodificación únicos y común.

Resumen

La Simple vista de la lectura es un modelo popular de la lectura que dice que la lectura es el producto de la descodificación y la lengua, con cada componente única predicción de comprensión de lectura. Aunque los investigadores han discutido si la suma más que el producto de los componentes es el mejor predictor, no investigadores han repartido la varianza explicada para examinar el grado en que los componentes comparten varianza en la predicción de lectura. Para descomponer la varianza, después restamos R² para el modelo sólo lenguaje del modelo completo para obtener la única R² para la descodificación. En segundo lugar, después restamos R² para el modelo sólo descifrar el modelo completo para obtener la única R² idiomas. En tercer lugar obtener la varianza común explicada por lenguaje y decodificación, restamos la suma de los dos único R² R² para el modelo completo. El método se demuestra en un enfoque de regresión con datos de los estudiantes en los grados 1 (n = 372), 6 (n = 309) y 10 (n = 122) utilizando una medida observada de la lengua (vocabulario receptivo), decodificación (lectura de la palabra tiempo) y lectora (test estandarizado). Los resultados revelan una cantidad relativamente grande de varianza en la lectura de comprensión en grado 1 por la variación común en la lengua y descifrar. Por el grado 10, sin embargo, es el único efecto del lenguaje y el efecto común del lenguaje y decodificación que explica la mayoría de la varianza en comprensión de lectura. Los resultados se discuten en el contexto de una versión ampliada de la Simple visión de lectura que considera efectos única y compartida de la lengua y descifrar en la predicción de comprensión de lectura.

Introducción

La Simple vista de la lectura¹ (SVR) continúa como un modelo popular de lectura debido a su sencillez-lectura (R) es el producto de la decodificación (D) y lenguaje (L)- y porque SVR tiende a explicar, en promedio, aproximadamente el 60% de la varianza en la lectura comprensión². SVR predice que las correlaciones entre D y R se reducirán con el tiempo y que las correlaciones entre L y R aumentará con el tiempo. Los estudios generalmente apoyan esta predicción^3,4,5. Sin embargo, existen desacuerdos sobre la forma funcional de SVR, con modelos aditivos (D + L = R) explican más varianza en la lectura de comprensión que los modelos de producto (D × L = R)^6,7,8y un combinación de suma y producto [R = D + L + (D × L) explicando la mayor cantidad de varianza en la lectura de comprensión^3,9.

Recientemente el modelo SVR ha ampliado más allá de regresiones basados en variables observadas modelado variable latente mediante el análisis confirmatorio de la fábrica y modelado de ecuaciones estructurales. D generalmente se mide con tiempo o sin límite de tiempo lectura de palabras reales o nonwords y R se mide generalmente por una prueba de lectura estandarizada que incluye alfabetización y pasajes informativos seguidos por preguntas de opción múltiple. L por lo general se mide por pruebas de vocabulario expresivo y receptivo y, sobre todo en los grados de primaria, por medidas de sintaxis receptiva y expresiva y comprensión. Más estudios longitudinales reportan que L es unidimensional^10,11,12,13. Sin embargo, otro estudio longitudinal¹⁴ informa de una estructura de dos factores para L en los grados de primaria y una estructura unidimensional en los grados 4 y 8. Estudios transversales recientes informan que un modelo bifactor mejor ajusta a los datos y predice R^15,16,17,18. Por ejemplo, Foorman et al. ¹⁶ en comparación con modelos bifactor de SVR en datos de los estudiantes en grados 4-10, tres factores, cuatro factores y unidimensional y encontró que un modelo bifactor mejor y explicado 72 al 99% de la varianza de R. Un factor general de L explica varianza en todos los siete grados y vocabulario y sintaxis única explica varianza sólo en un grado. Aunque el factor D se correlacionó moderadamente con L y R en todos los grados (0.40-0.60 y 0.47 0.74, respectivamente), no fue únicamente correlacionado con R en presencia del factor general de L.

Aunque la modelo variable latente es SVR ampliado por arrojar luz sobre la dimensionalidad de la L y el único papel que juega la L en la predicción de R más allá de los grados de primaria, no hay estudios de SVR excepto uno por Foorman et al. ¹⁹ han repartido la varianza en la lectura de comprensión en lo que se debe únicamente a D y L y lo que se comparte en común. Esto es una gran omisión en la literatura. Expresiones es lógico que D y L comparten varianza en la predicción de lengua escrita porque conlleva de reconocimiento de palabra las habilidades lingüísticas de fonología, semántica y discurso en la oración y el texto nivel²⁰. Del mismo modo, comprensión lingüística debe conectarse a representaciones ortográficas de fonemas, morfemas, palabras, oraciones y discurso, si el texto debe ser entendido²¹. Multiplicando D por L no cede el conocimiento compartido por estos componentes. Sólo la descomposición de la varianza en qué es y lo que es compartido por D y L en R predicción revelará el conocimiento integrado crucial para el éxito de las intervenciones educativas.

El único estudio por Foorman et al. ¹⁹ que descompone la varianza de la comprensión lectora qué es y qué es compartida en común por D y L emplea una variable latente enfoque de modelado. El siguiente protocolo demuestra la técnica con los datos de los estudiantes en los grados 1, 7 y 10 basado en solo observada variables de D (tiempo descifrar), L (vocabulario receptivo) y R (estandardizado prueba de comprensión de lectura) para hacer el proceso de descomposición fácil de entender. Los datos representan un subconjunto de los datos de Foorman et al. ¹⁹.

Protocolo

Nota: Los siguientes pasos describen descomposición total variación en una variable dependiente (Y) en componentes de varianza única varianza comúny varianza inexplicada basados en dos variables independientes seleccionadas (llamadas y en este ejemplo) utilizando el software de gestión de datos y software con una interfaz gráfica de usuario (véase Tabla de materiales).

1. lectura de datos en el Software con una interfaz gráfica de usuario

1. Haga clic en archivo.
   1. Coloca el ratón sobre abierto.
   2. Haga clic en datos.
2. Busque el archivo de datos en el ordenador.
   1. Si el tipo de archivo no es compatible con el software con una interfaz gráfica de usuario, haga clic en Archivos de tipo y seleccione formato de archivo adecuado.
3. Haga clic en abierto.

2. estimación de la varianza explicada en la Variable dependiente (Y)

1. Total varianza explicado basado en dos Variables independientes — Total R².
   Nota: Un valor de R² es conocido como el coeficiente de determinación y representa la proporción de la varianza para una variable dependiente que es explicada por un conjunto de variables independientes.
   1. Haga clic en analizar y coloca el ratón sobre regresión y seleccione Linear.
   2. Haga clic en la variable dependiente en la lista de variables. Haga clic en la flecha situada junto al dependiente.
   3. Haga clic en las dos variables independientes (X₁ y X₂) en la lista de variables. Haga clic en la flecha junto a Independent(s).
   4. Haga clic en Aceptar.
   5. Haga clic en la ventana del visor del software.
      1. Usa el ratón para desplazarse a la sección Resumen de modelo. Registre el valor en la columna R cuadrado y este valor Total R²la etiqueta.
2. Varianza total explicada basada en
   1. Repita los pasos 2.1.1 a 2.1.4 utilizando sólo en la lista de variable independiente.
   2. Haga clic en la ventana del visor del software.
      1. Usa el ratón para desplazarse a la sección Resumen de modelo. Registre el valor en la columna R cuadrado y este valor de la etiqueta R².
3. Varianza total explicada basada en
   1. Repita los pasos 2.1.1 a 2.1.4 utilizando sólo en la lista de variable independiente.
   2. Haga clic en la ventana del visor del software.
      1. Usa el ratón para desplazarse a la sección Resumen de modelo. Registre el valor en la columna R cuadrado y este valor de la etiqueta R².

3. cálculo de los componentes de varianza única, común e inexplicable

1. Abra el software de gestión de datos.
2. Introduzca las etiquetas Total R², R², y R² en las células A1, B1 y C1, respectivamente.
3. Introduzca el valor de² Total Rdesde el paso 2.1.5.1 en la celda A2.
4. Entrar en la R² valor del paso 2.2.2.1 en celda B2.
5. Entrar en la R² valor del paso 2.3.2.1 en la celda C2.
6. Calcular la varianza única de 1 Variable (UR²) en el software de gestión de datos.
   1. En la celda D2 tipo: "= A2-C2" (es decir, Total R² menos R²). En la celda D1 de la etiqueta este valor UR².
7. Calcular la varianza única de 2 variables (UR²) en el software de gestión de datos.
   1. En la celda E2 tipo: "= A2-B2" (es decir, Total R² menos R²). En la celda E1 la etiqueta este valor UR².
8. Calcular la varianza común entre las Variables 1 y 2 (CR²) en el software de gestión de datos.
   1. En la celda F2 tipo: "= A2-D2-E2" (es decir, Total R² menos UR² menos UR²). En la celda F1 etiqueta este valor CR².
9. Calcular la varianza inexplicada (e) en el software de gestión de datos.
   1. En la celda G2 tipo: «= 1-A2» (es decir, Total 1 R²). En la celda G1 etiqueta este valor e.

4. trazar la UX₁R², UX₂R², CX₁X₂R²y e valores

Nota: Los valores de las celdas D2, E2, F2 y G2 se trazan.

1. Haga clic y arrastre el ratón sobre celdas D2, E2, F2 y G2 para resaltar los datos.
2. Haga clic en Insertar en la cinta de opciones del software de administración de datos.
3. Haga clic en cartas | Gráfico | gráfico 2-D.

Resultados

El objetivo de este estudio fue investigar las contribuciones de varianza única y común de lenguaje (L) y (D) el descifrar de predicción lectora (R) en los grados 1, 7 y 10 en Florida, un Estado cuya Demografía son representativas de la nación como un conjunto. Había dos hipótesis con respecto a las predicciones de la varianza explicada en la comprensión lectora. En primer lugar, después de los grados de primaria, disminuirá significativamente la contribución única de D, y aum...

Discusión

Hay tres pasos importantes en el protocolo para la descomposición de la varianza de R en una única y común varianza debido a L y D. En primer lugar, restar R² en el modelo sólo L del modelo completo para obtener la única R² d. En segundo lugar, restar R² para el modelo D-sólo el modelo completo para obtener la única R² para tercero de L., para obtener la varianza común explicada por L y D, reste la suma de los dos único R² R² para el modelo comple...

Materiales

Name	Company	Catalog Number	Comments
IBM SPSS Statistics Software	IBM
Microsoft Office Excel	Microsoft