Vícerozměrné statistické metody - detail zprávy #580

Predikce akademické úspěšnosti

Josef Páral, 13. 04. 2025

Data: Realinho, V., Vieira Martins, M., Machado, J., & Baptista, L. (2021). Predict Students' Dropout and Academic Success [Dataset]. UCI Machine Learning Repository.

V práci se vyskytuje: Log. regrese

Udělená slovní hodnocení

• Silné stránky: Práce s reálným a rozsáhlým datasetem z vysokoškolského prostředí (N > 3600). Vhodná binární logistická regrese, dobře zvolená proměnná úspěchu/selhání studia. Výsledky interpretuje jak statisticky (Wald, p, OR), tak věcně (význam financí, známek atd.). Vysoká predikční schopnost modelu (Nagelkerke R² = 0.68), kvalitní klasifikace a uvážení limitů modelu. Limity: Některé prediktory mohly být více propojeny (např. korelace mezi známkami a počtem předmětů), ale bylo to řešeno. Chybí širší diskuze kulturních či institucionálních faktorů.
• Práce je postavená na rozsáhlém vzorku, autor dobře provádí výběr proměnných a jasně interpretuje výstupy binární logistické regrese. Trochu chybí hlubší zamyšlení nad omezeními modelu (např. multikolinearita, robustnost) nebo alternativními přístupy. Text je dobře vysvětlený a strukturovaný. Výsledky jsou doplněny přehlednými tabulkami.
• Čtivá práce zahrnující detailní vysvětlení způsobu práce s daty a jejích výsledků.
• Sice správné, ale málo názorné – chybí grafy nebo tabulky, které by pomohly s pochopením. Sice správné, ale málo názorné – chybí grafy nebo tabulky, které by pomohly s pochopením.
• Velmi pěkně zpracovaná zpráva, nemám výhrady.
• Práce velmi dobře zvládá aplikaci logistické regrese na reálná data. Model je silný, výsledky přesné a interpretace srozumitelná. Vysvětlivky a struktura textu z ní činí výborný didaktický materiál.