這是一題標準的「教育研究法與統計（教育測驗統計）」高分申論題。考點非常精準：當面對無法隨機分派（非實驗研究）且有自我選擇偏差（選樣偏差）的政策評估時，如何運用準實驗設計（Quasi-experimental design）與進階計量經濟學/統計學模型來逼近「因果推論」。

以下為你撰寫符合研究所與高考一級/三級「教育行政」或「教育測驗統計」22分以上（滿分25）的頂尖高分範本。本答幅嚴格遵循學術術語的精確性、結構的層次感，並結合最新的政策脈絡。

「AI 雙語學伴計畫」政策評估研究設計與分析程序

結論與政策建議先行（Direct Executive Summary）

本研究因應「學校自由申請」所導致之自我選擇偏差（Selection Bias），擬捨棄傳統僅具關聯性之 OLS 迴歸分析，改採「傾向分數匹配法（Propensity Score Matching, PSM）」結合「差異中的差異法（Difference-in-Differences, DiD）」之複合計畫評估設計（簡稱 PSM-DiD）。此設計能有效控制校級與生級之觀察與未觀察混淆變項，從準實驗設計（Quasi-experiment）中提煉出該計畫對國小學生學習成就之淨因果效應（Net Causal Effect），提供教育局最具實證科學（Evidence-based）價值的決策依據。

一、研究設計：對象選擇與研究架構

為克服無法隨機分派的限制，本研究採用「不對等前後測控制組設計（Unequal Pretest-Posttest Control Group Design）」，並透過統計技術進行事後匹配。

實驗組（參與學校）： O1（計畫前學力） ─── X（AI學伴計畫） ─── O2（計畫後學力）
對照組（匹配學校）： O1（計畫前學力） ──────────────────── O2（計畫後學力）

研究對象與資料庫對接
- 實驗組（處理組，Treatment Group）：自願申請並通過審查、實際執行計畫之國小學生。
- 潛在對照組（Control Group）：該縣市內未申請且未參與該計畫之其餘全體國小學生。
- 資料來源：對接該縣市教育局之「學生學力追蹤檢測數據庫」（如國小三、五年級學力檢測之雙語分數），取得計畫前後至少各一期之標準化學生成就資料。
變項定義與架構
- 依變項（Y）：學生的雙語學習成就（後測分數、學力表現變動值）。
- 自變項（D）：是否參與計畫（
  ?
  
  =1
  填參與；
  ?
  
  =0
  填未參與）。
- 共變項（X，干擾變項）：
  - 學生層級：前測學力分數、性別、家庭社會經濟地位（SES）、新住民子女註記。
  - 學校層級：學校規模、城鄉別（偏鄉/一般）、學校平均資源、雙語師資編制比。

二、分析程序：控制選樣偏差與因果推論之步驟

本研究核心分析程序分為兩大階段：「第一階段：PSM 消除可觀察偏誤」與「第二階段：DiD 消除時間不變之未觀察偏誤」。

步驟（一）：計算傾向分數（Propensity Score Estimation）

利用邏輯斯迴歸（Logistic Regression）或普羅比模型（Probit Model），以「是否參與計畫（D）」為相依變項，上述學生與學校層級之共變項（X）為自變項，計算出每間學校或每位學生「在既有條件下，自願選擇參加該計畫的預測機率值」，此機率值即為傾向分數（Propensity Score）。

步驟（二）：進行樣本匹配（Matching Mechanism）

依據傾向分數，為實驗組（參與者）尋找分數最接近的對照組（未參與者）。

匹配策略：採用「最鄰近匹配法（Nearest Neighbor Matching, 1:1 或 1:2）」並設定「半徑卡鉗值（Caliper, 如 0.05 個標準差）」，確保兩組背景特徵高度相似。
平衡性檢定（Balance Test）：比對匹配後兩組在所有共變項上的標準化偏誤（Standardized Bias）。若偏誤均降至 5% 以下，且

tt
?
檢定皆未達顯著水準，代表成功複製「宛如隨機分派（As-if Random）」的實驗環境，有效控制了可觀察的選樣偏差。

步驟（三）：建立差異中的差異法（DiD）計量經濟模型

匹配成功後，為進一步控制那些「無法被觀察到、但隨時間不變的學校特質（如校長領導風格、學校傳統發展導向）」，建立 PSM-DiD 固定效應模型（Fixed Effects Model）：

Yit=β0+β1(Treati)+β2(Postt)+β3(Treati×Postt)+∑γXit+αi+ϵitcap Y sub i t end-sub equals beta sub 0 plus beta sub 1 open paren cap T r e a t sub i close paren plus beta sub 2 open paren cap P o s t sub t close paren plus beta sub 3 open paren cap T r e a t sub i cross cap P o s t sub t close paren plus sum of gamma cap X sub i t end-sub plus alpha sub i plus epsilon sub i t end-sub

???=?0+?1(??????)+?2(?????)+?3(??????×?????)+????+??+???

Treaticap T r e a t sub i
??????
：組別虛擬變項（實驗組=1，對照組=0）。
ㅤㅤ

ㅤㅤ
Posttcap P o s t sub t
?????
：時間虛擬變項（計畫後=1，計畫前=0）。
β3beta sub 3
?3
（交互作用項係數）：即為「差異中的差異（DiD）」估計量。它代表扣除時間自然成長趨勢後，該計畫對學生學習成就的淨實驗效應（平均處理效應, ATT），亦即本研究欲推論之因果力關鍵指標。

步驟（四）：平行趨勢檢定與穩健性檢驗（Robustness Check）

平行趨勢檢定（Parallel Trends Test）：確認實驗組與對照組在「計畫執行前」的數年學力成長軌跡是否平行。若平行，則 DiD 的因果推論始具備外在效度。
安慰劑檢驗（Placebo Test）：將計畫執行時間虛擬提前一年（當時皆未受處理），重新跑 DiD 模型。若此時交互作用項不顯著，則反向證明原模型的因果推論並非由隨機噪音所致。

三、研究設計之因果推論價值與優勢

本研究設計之所以能滿足教育局對「因果推論」的嚴格要求，主要基於以下三點學術價值：

消除內生性問題（Endogeneity）：自願申請的學校通常本身動機較強、資源爭取能力較佳（此即內生性）。PSM 迫使大腦在比較時，是拿「同樣積極、背景相似卻因額滿或排擠而未參加的學校」來比，而非與軟硬體極差的學校盲目對比。
雙重防線控制偏誤：PSM 處理了「看得到的背景落差（可觀察變項）」；DiD 則透過前後測的相減，消除了「看不到但長久存在的學校文化（不可觀察之不隨時間改變變項）」，雙管齊下。
提升教育決策的精準度（Evidence-Based Policy）：本設計所估計出的

β3beta sub 3
?3
效應值，排除了「學生自己長大」、「大環境雙語風氣盛行」等外部干擾，能精準告訴教育局：投注在 AI 雙語學伴的每每一分預算，究竟實質提升了學生多少標準化分數，達成精準教育治理之目標。

高分答題技巧點撥

這題之所以能拿高分，是因為它：

破題精準：不寫廢話，第一段直接拋出核心統計方法 PSM-DiD，展現專業度。
圖示加分：用簡單的 Markdown 畫出實驗設計架構，讓閱卷委員一眼看出你懂準實驗。
公式嚴謹：寫出計量經濟學的經典 DiD 公式，並精確解釋交互作用項（

β3beta sub 3
?3
）的統計意義（ATT）。這跟上一題阿摩老師強調「斜率要寫出迴歸意義」是一樣的道理，這才是教授想看到的專業考卷！

申論題作答 (共 1 筆)

詳解 (共 3 筆)

相關申論題

相關試卷