본 연구의 목적은 연령진급률 혹은 학년진급률을 추정하기 위한 방법으로 비례법을 사용한 이동평균법에 의한 알고리즘을 제시하는데 있다. 학년진급률에 따른 학생 수 추계방법으로, 이동평균법과 비례이동평균법에 의한 추정방법을 제시하고, 2027년까지의 서울시의 고3학생 수를 추정하여, 한국교육개발원의 2005년, 2006년, 2007년의 로지스틱함수 추정에 의한 고3학생 수 예측결과와 비교 분석하였다. 본 연구의 결과 출생아수의 분포와 비교하여 볼 때, 본 연구에서 제시된 비례이동평균법과 이동평균법의 예측결과가 한국교육개발원의 2005년, 2006년, 2007년의 고3학생 수의 예측결과보다 더 신뢰성이 있는 것으로 나타난다.
본 연구의 목적은 연령진급률 혹은 학년진급률을 추정하기 위한 방법으로 비례법을 사용한 이동평균법에 의한 알고리즘을 제시하는데 있다. 학년진급률에 따른 학생 수 추계방법으로, 이동평균법과 비례이동평균법에 의한 추정방법을 제시하고, 2027년까지의 서울시의 고3학생 수를 추정하여, 한국교육개발원의 2005년, 2006년, 2007년의 로지스틱함수 추정에 의한 고3학생 수 예측결과와 비교 분석하였다. 본 연구의 결과 출생아수의 분포와 비교하여 볼 때, 본 연구에서 제시된 비례이동평균법과 이동평균법의 예측결과가 한국교육개발원의 2005년, 2006년, 2007년의 고3학생 수의 예측결과보다 더 신뢰성이 있는 것으로 나타난다.
The goal of this paper is to suggest an algorithm to get the number of student on the elementary, meddle and high-school for the forecasting of the numbers of student by the moving average method using a proportional expression. Comparing with the results of Korean education statistical system 2005,...
The goal of this paper is to suggest an algorithm to get the number of student on the elementary, meddle and high-school for the forecasting of the numbers of student by the moving average method using a proportional expression. Comparing with the results of Korean education statistical system 2005, 2006, and 2007, the results of this paper are better than those of the Korean education statistical system.
The goal of this paper is to suggest an algorithm to get the number of student on the elementary, meddle and high-school for the forecasting of the numbers of student by the moving average method using a proportional expression. Comparing with the results of Korean education statistical system 2005, 2006, and 2007, the results of this paper are better than those of the Korean education statistical system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
미래의 학생 수에 가장 큰 영향을 미칠 수 있는 이미 태어 난 서울특별시의 출생아 수를 고3이 되는 18년 후로 평행이동 시켜서 예측된 고3학생 수들과의 분포를 비교 해 봄으로서 경험적인 판단을 해 보는 것이다.
본 연구는 m 이동평균들을 이용한 비례에 의한 초기 추정치를 구하고, m 이동평균 추정치와 초기 추정값들을 사용한 m × n 비례이동평균법 (proportional moving average)을 이용하는 학생 수를 예측하는 알고리즘을 제시하는데 목적이 있다.
가설 설정
미지의 진급률을 계산하는 다른 방법은 당해 연도의 진급률이 직전 연도의 진급률과 같은 비례식으로 작동할 것이라고 가정하고 구하는 방법이다. 그러나 이 비례법을 이용한 방법은 시간이 지날수록 일정한 비율을 가지고, 많은 오차를 수반한다.
제안 방법
3절에서는 m × n 비례이동평균법과 m × n 이동평균법의 알고리즘을 제시하였다. 4절에서는 3절에서 제시된 고3학생 수의 예측결과들과 한국교육개발원의 2005년, 2006년, 2007년의 고3학생 수의 예측결과를 가지고 2027년까지의 서울특별시의 고3학생 수 예측결과를 비교 분석하였다.
또한 김종태 (2009a)의 학년진급률에 따른 학생 수 예측 방법에서 제시한 m × n 이동평균법에 의한 고3학생 수 추정방법을 소개하고, m × n 이동평균법과 제시된 비례이동평균의 예측결과와 한국교육개발원의 로지스틱함수를 이용하여 예측한 2005년, 2006년, 2007년의 고3학생 수 예측결과와 비교 분석하였다.
대상 데이터
초 ·중 ·고등학교의 학생 수에 대한 통계는 한국교육개발원 (1982-2009)의 ‘교육통계연감’에서 발표한 1982년에서 2009년까지의 학생 수 자료를 이용하였다.
이론/모형
연령진급률인 βt가 경험적인 근거로 인하여 S형 성장곡선모형을 이룰 것이라는 가정 하에서, 한국교육개발원 (2005, 2006, 2007) 교육통계시스템은 βt를 추정하기위한 방법으로 로지스틱성장곡선 모형 혹은 로지스틱 지수평활모형을 사용했다.
절차 3과 절차 4을 반복하여 구한, 미지의 진급률 βt,d의 추정치 #을 이용하여, 미지의 학생 수에 대한 예측값 #, d = 0, 1, · · · , 18 와 t = 2010, 2011, · · · , 2027 − (18 − d)을 추정하기 위하여 m × n 비례이동평균법 (proportion moving average method)을 이용하여 다음과 같이 구한다.
교육과학기술부 산하 한국교육개발원 (2005, 2006, 2007)의 교육통계센터 교육통계서비스시스템은 지방행정자치별 초 ·중 ·고등학교 학생 수에 대하여 2020년, 2021년, 2022년까지 각각 학생 수의 예측결과를 제공하고 있다. 한국교육개발원의 학생 수 예측모형은 선형함수를 모델로 하고, 선형함수의 모수를 로지스틱성장곡선모형, 혹은 로지스틱지수평활 모형에 의하여 추정하였다.
성능/효과
본 연구의 결과들을 출생아수의 분포와 비교하여 볼 때, 본 연구에서 제시된 m × n 비례이동평균법과 m × n 이동평균법의 예측결과가 한국교육개발원의 2005년, 2006년, 2007년의 고3학생 수의 예측결과보다 더 신뢰성이 있는 것으로 나타난다.
질의응답
핵심어
질문
논문에서 추출한 답변
교육과학기술부 산하 한국교육개발원의 교육통계서비스시스템은 무엇을 제공하고 있는가?
교육과학기술부 산하 한국교육개발원 (2005, 2006, 2007)의 교육통계센터 교육통계서비스시스템은 지방행정자치별 초 ·중 ·고등학교 학생 수에 대하여 2020년, 2021년, 2022년까지 각각 학생 수의 예측결과를 제공하고 있다. 한국교육개발원의 학생 수 예측모형은 선형함수를 모델로 하고, 선형함수의 모수를 로지스틱성장곡선모형, 혹은 로지스틱지수평활 모형에 의하여 추정하였다.
시계열과 본 연구에서의 이동평균은 각각 어떤 특성을 가지는가?
5)에서 이동평균의 정의는 시계열에서의 이동평균의 정의와는 다소 차이가 있다. 시계열에서의 이동평균은 데이터들의 중간값들을 추정하는 특성을 가지지만 본 연구에서의 이동평균의 개념은 가장 최근의 진급률에 대하여 가중치를 더해가는 특성을 가지고 있다.
미래 예측에 있어서, 예측한 결과들이 얼마나 정확할 것인가를 아는 방법은 두 가지가 있는데 무엇인가?
”미래 예측에 있어서, 예측한 결과들이 얼마나 정확할 것인가를 아는 방법은 두 가지가 있다. 첫 번째는 이미 알고 있는 실제값들과 모의실험을 통해서 이들을 추정한 추정값들과의 오차들을 비교하는 방법이고, 두 번째는 미래의 예측값에 가장 큰 영향을 미칠 수 있는 데이터들을 예측된 시점으로 평행이동을 시킨 후에, 예측된 값들과 비교를 통해서 알 수 있다.”
※ AI-Helper는 부적절한 답변을 할 수 있습니다.