MARC

 008250123s2024        us                              c    eng  d
■001000017160395
■00520250211151010
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382834467
■035    ▼a(MiAaPQ)AAI30995421
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a151
■1001  ▼aWilson,  Katherine  Jane.
■24510▼aMethodological  Considerations  in  Observational  Studies  of  Panel  Data:  Applications  to  the  Gifted  and  Talented  Program  in  New  York  City
■260    ▼a[Sl]▼bUniversity  of  Pennsylvania▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a213  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Chan,  Wendy.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2024.
■520    ▼aMethods  to  estimate  the  causal  effects  of  interventions  are  increasingly  used  in  clinical  medicine,  public  policy  and  social  science.  Using  observational  data,  researchers  can  obtain  causal  treatment  effect  estimates  without  the  ethical  risks  and  time  constraints  that  typically  burden  randomized  experiments.  The  three  studies  in  this  dissertation  estimate  the  effects  of  New  York  City's  Gifted  and  Talented  (G&T)  program  on  academic  outcomes  using  student  level  data  collected  between  the  years  2010  and  2019.  Study  one  evaluates  how  the  synthetic  control  method  performs  when  estimating  the  impact  of  G&T  availability  on  academic  outcomes  at  the  sub-district  level.  Study  two  estimates  the  individual  average  treatment  effect  through  propensity  score  methods  and  explores  how  data  augmentation  influences  the  bias  and  precision  of  commonly  used  estimators.  The  final  study  uses  difference  in  difference  estimation  to  explore  how  a  city-wide  policy  impacted  the  minority  representation  and  academic  effectiveness  of  the  G&T  program.  Given  a  growing  interest  in  school  choice  models,  these  applied  analyses  are  timely.  Through  simulation  and  discussion,  they  also  present  a  critical  evaluation  of  modeling  frameworks  and  research  design  for  causal  inference.
■590    ▼aSchool  code:  0175.
■650  4▼aQuantitative  psychology
■650  4▼aStatistics
■650  4▼aEducation  policy
■650  4▼aEducational  tests  &  measurements
■650  4▼aGifted  education
■653    ▼aCausal  inference
■653    ▼aQuasi-experimental  research
■653    ▼aResearch  methods
■653    ▼aUrban  education
■653    ▼aNew  York  City
■690    ▼a0632
■690    ▼a0463
■690    ▼a0458
■690    ▼a0445
■690    ▼a0288
■71020▼aUniversity  of  Pennsylvania▼bEducation.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160395▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books