京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何对考试成绩进行数据分析(1)-数据分析师考试
一、原始分和标准分的定义
原始分是考试后直接从卷面上得到的分数。
标准分是指通过原始分转化而得到的一种地位量数,它反映考生成绩在全体考生成绩中的位置。因此,无论试题难或易,无论整体原始分偏高或偏低,整体标准分都没有什么变化。
二、标准分的计算
根据教育统计学的原理,标准分Z是原始分与平均分的离差以标准差为单位的分数,用公式表示为:Z=(X-A)/S
其中:X为该次考试中考生个人所得的原始分;A为该次考试中全体考生的平均分;S为该次考试分数的标准差。通过转换后得到的标准分Z在一般情况下都带小数,而且会出现负值,实际使用时不太方便,所以还要对Z分数进行线性变换(T变换): T=500+100Z
这就是我们通常所说的标准分。这种标准分的平均值为500,也就是说,如果某考生的标准分为500,则该生的成绩处于此次考试的中间位置。标准分有如下性质:
⑴平均值为0,标准差为1;
⑵分数之间等距,可以作加减运算;
⑶原始分转换为标准分是线性转换,不会改变原始分的分布形状,也不改变原来分数的位置次序。三、使用标准分比使用原始分有什么好处?
根据教育统计学的原理,原始分转换成标准分的意义可以从下面的比较中反映出来:
⑴单个标准分能够反映考生成绩在全体考生成绩中的位置,而单个原始分则不能。
例如,某考生某科的原始成绩为85分,无法说明其这科成绩究竟如何,因为这与试题的难度有关,与总体考生的分数有关。如果某考生某科的标准分为650,即Z分数为1.5,则通过查正态分布表,查得对应的百分比为0.9332,于是我们知道,该考生的成绩超过了93.32%的考生的成绩,这就是分数解释的标准化。⑵不同学科的原始分不可比,而不同学科的标准分是可比的。
不同的学科,由于试题的难易程度不同,各学科的分数价值也就不同。例如某考生的语文原始成绩为80分,数学原始成绩为70分,从原始分看,其语文成绩优于数学成绩。但如果这次考试全体考生的语文原始分平均为86分,而数学原始分平均为60分,则该考生的语文成绩处于全体考生的平均水平之下,而数学成绩处于全体考生的平均水平之上,即该生的数学成绩实质上优于语文成绩。从标准分的角度来衡量,其语文标准分小于500分,而数学标准分大于500分。由于标准分代表了原始分在整体原始分中的位置,因此是可比的。⑶不同学科的原始分不可加,而不同学科的标准分之间具有可加性。
既然不同学科的原始分不可比,那么也就不可加。多学科成绩,只有在各科成绩的平均值相同、标准差也相同的条件下,才能相加,否则是不科学的。各学科原始分的平均值以及标准差一般都不相同,而各学科的标准分的平均值以及标准差都基本相同,因此,各科的标准分是可加的。
四、什么是增值?
教学增值就是评价时将学生原有基础一并考虑,用以比较原有基础与接受教师教育后成绩增进的幅度。增值评价分为两步:首先根据原有基础得到一个输入值;然后根据教育后的成绩得出一个输出值。输出值与输入值之间的差就是增值,用公式表现就是:增值=输出值-输入值
教学增值评价法是一种借助计算机系统和统计程序。对教师的教学效果(即教师对学生学业成绩的影响程度)做出判断的教师评价方法。
一个教师的教学总会有一定的效果.对学生成绩总会产生的影响,但这种影响范围可大可小,可正可负,而教学增值评价就是将这种影响进行量化,进而遴选积极影响、转化消极影响、促成有效教学、扩大受益群体。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
近日,由 CDA 数据科学研究院重磅发布的《2026 全球数智化人才指数报告》,被中国教育科学研究院官方账号正式收录, ...
2026-04-22在数字化时代,客户每一次点击、浏览、下单、咨询等行为,都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹,构成 ...
2026-04-22数据是数据分析、建模与业务决策的核心基石,而“数据清洗”作为数据预处理的核心环节,是打通数据从“原始杂乱”到“干净可用” ...
2026-04-22 很多数据分析师每天盯着GMV、转化率、DAU等数字看,但当被问到“什么是指标”“指标和维度有什么区别”“如何搭建一套完整的 ...
2026-04-22在数据分析与业务决策中,数据并非静止不变的数值,而是始终处于动态波动之中——股市收盘价的每日涨跌、企业月度销售额的起伏、 ...
2026-04-21在数据分析领域,当研究涉及多个自变量与多个因变量之间的复杂关联时,多变量一般线性分析(Multivariate General Linear Analys ...
2026-04-21很多数据分析师精通描述性统计,能熟练计算均值、中位数、标准差,但当被问到“用500个样本如何推断10万用户的真实满意度”“这 ...
2026-04-21在数据处理与分析的全流程中,日期数据是贯穿业务场景的核心维度之一——无论是业务报表统计、用户行为追踪,还是风控规则落地、 ...
2026-04-20在机器学习建模全流程中,特征工程是连接原始数据与模型效果的关键环节,而特征重要性分析则是特征工程的“灵魂”——它不仅能帮 ...
2026-04-20很多数据分析师沉迷于复杂的机器学习算法,却忽略了数据分析最基础也最核心的能力——描述性统计。事实上,80%的商业分析问题, ...
2026-04-20在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14