非参数统计在高校实力差异分析中的应用_张秋桥
非参数统计在教育评估中的应用(九)
在教育评估中，非参数统计是一种重要的工具。
传统的参数统计方法在数据分布不符合正态分布或者样本量较小的情况下可能会失效。
非参数统计方法则不对数据的分布做出假设，因此在教育评估中有着广泛的应用。
本文将从教育评估的角度出发，探讨非参数统计在教育领域中的应用。
首先，非参数统计方法在教育评估中的一个常见应用是在教育测验的分析中。
教育测验是评估学生学习成果的重要手段，而非参数统计方法可以用来分析学生的测验成绩。
传统的参数统计方法在样本量较小或者数据分布不符合正态分布的情况下可能会失效，而非参数统计方法则不对数据的分布做出假设，因此更适合用来分析学生的测验成绩。
通过非参数统计方法，可以更准确地评估学生的学习成果，为教育决策提供有力的依据。
其次，非参数统计方法在教育评估中还可以用来分析学生的学习效果。
教育评估的一个重要目标是评估教育活动对学生学习的影响，而非参数统计方法可以用来分析学生在教育活动前后的学习成绩变化。
通过非参数统计方法，可以更客观地评估教育活动对学生学习的影响，为教育改进提供有力的依据。
除了以上两个方面，非参数统计方法在教育评估中还有其他一些重要的应用。
例如，非参数统计方法可以用来分析学校、教师和教学方法对学生学习成绩的影响，为学校的教学改进提供有力的依据。
此外，非参数统计方法还可以用来分析学生的学习行为和学习方式对学习成绩的影响，为教育个性化教学提供有力的依据。
总之，非参数统计方法在教育评估中有着广泛的应用。
通过非参数统计方法，可以更准确地评估学生的学习成果，评估教育活动对学生学习的影响，评估学校的教学质量，为教育改进提供有力的依据。
非参数统计方法的应用不仅可以提高教育评估的准确性和科学性，还可以为教育改进提供有力的指导。
因此，非参数统计方法在教育评估中具有重要的意义，值得进一步深入研究。
非参数统计在教育培训中的应用(五)
非参数统计在教育培训中的应用统计学是一个广泛应用于各个领域的学科，而非参数统计则是其中的一个重要分支。
在教育培训领域，非参数统计也发挥着重要的作用。
本文将从教育评估、教学效果评估和学生行为分析等方面展开论述，探讨非参数统计在教育培训中的应用。
一、教育评估教育评估是教育领域中的重要环节，它通过对学生的学习成绩、教学质量、教学方法等进行评估，从而为教学改进提供依据。
而非参数统计在教育评估中具有重要的作用。
在学生成绩评估方面，由于学生的表现可能受到各种因素的影响，传统的参数统计方法可能无法完全满足需求。
而非参数统计方法则可以根据实际数据进行分析，不需要对数据进行过多的假设，能够更好地反映学生的实际学习情况。
二、教学效果评估教学效果评估是对教学过程和教学成果进行评价的过程，它旨在检验教学目标的达成情况，并为教学改进提供依据。
非参数统计方法可以在教学效果评估中发挥重要作用。
在实际的教学过程中，往往存在着很多无法完全量化的因素，这就需要使用非参数统计方法来分析这些数据，从而更全面地评估教学效果。
例如，可以使用非参数统计方法来分析学生对不同教学方法的反应，以便更好地调整教学策略。
三、学生行为分析学生行为分析是对学生在学习过程中的行为进行定量化和分析的过程，通过对学生的行为进行分析，可以更好地了解学生的学习状态和需求。
非参数统计方法在学生行为分析中也有着重要的应用。
例如，可以使用非参数统计方法来分析学生在不同时间段的学习效率，从而更好地安排学习计划。
又如，可以使用非参数统计方法来分析学生在不同学科或不同教学环境下的学习态度和行为，以便更好地指导学生的学习。
总结非参数统计在教育培训中的应用是多方面的，它可以帮助教育工作者更好地评估学生的学习情况，评估教学效果，分析学生的行为，从而更好地指导教学和学习。
未来，随着教育技术的不断发展和教育评估的不断完善，非参数统计方法在教育领域中的应用将会更加广泛，为教育培训工作提供更加有力的支持。
非参数统计在教育评估中的应用(四)
非参数统计在教育评估中的应用教育评估是对教育机构、教学方法和教师教学效果进行科学评估的一种重要手段。
而非参数统计作为一种适用于数据分布未知或不满足正态分布的统计方法，也在教育评估中发挥着重要作用。
本文将从非参数统计的基本原理、在教育评估中的应用以及相关案例进行探讨。
非参数统计的基本原理非参数统计是与参数统计相对应的一种统计方法。
所谓参数统计，指的是基于对数据所在总体的分布进行一定的假设，然后对总体参数进行估计。
而非参数统计则不对总体分布进行假设，而是根据数据自身的分布特征进行推断。
非参数统计方法包括Wilcoxon秩和检验、Kruskal-Wallis检验、Mann-Whitney U检验等。
这些方法在数据分布未知或不满足正态分布的情况下，能够有效地进行统计推断。
在教育评估中的应用教育领域的数据常常不满足正态分布假设，尤其是在对学生的学业成绩、教师的教学效果等进行评估时。
此时，非参数统计方法能够更好地适用于实际情况。
例如，在对不同教学方法的效果进行比较时，可以使用Wilcoxon秩和检验来进行推断，以确定不同教学方法是否有显著差异。
又如在对学生的学业成绩进行评估时，可以使用Mann-Whitney U检验来比较不同班级或不同学校的成绩分布是否存在显著差异。
这些方法能够更客观地进行教育评估，避免了对数据分布的假设，提高了评估的科学性和可靠性。
相关案例分析以某高校对不同教学方法的效果进行评估为例。
该高校针对同一门课程开设了传统教学和项目化教学两种不同的教学方法。
为了评估两种教学方法的效果，研究人员采用了Wilcoxon秩和检验方法进行统计推断。
结果显示，项目化教学组的学生成绩平均值明显高于传统教学组，且差异具有统计学意义。
基于这一结果，高校决定在今后的教学中更多地采用项目化教学方法，以提高教学效果。
另外，某市教育局对全市各中小学校学生的数学成绩进行了评估。
由于学生的成绩分布不满足正态分布假设，教育局采用了Mann-Whitney U检验方法进行比较分析。
非参数统计的方法与应用
非参数统计的方法与应用非参数统计是指一类不依赖于任何参数假设的统计方法，特别是不依赖于任何分布假设的统计方法。
相较于参数统计，非参数统计具有更广泛的适用范围和更强的鲁棒性，适用于数据形式和规模不确定的情况。
本文将介绍非参数统计的方法和应用，希望读者可以对此有更深刻的认识。
一、非参数统计的基础非参数统计的基础是经验分布函数、核密度估计和分位数等概念。
经验分布函数是指样本分布函数，它给出了样本观测值小于等于某个值的概率。
核密度估计是将样本的实际观测值拟合为一个概率密度函数，通过选择核函数和带宽大小来控制拟合的平滑程度。
分位数是一种描述样本分布位置的指标，例如中位数、分位数和分位点。
在实际应用中，非参数统计方法可以用于拟合和检验数据的分布、比较两个或多个数据集之间的差异，以及探究变量之间的关系等。
因为它不需要假设特定的分布结构，因此可以在数据形式、规模和质量方面具有更大的灵活性。
二、非参数统计方法的分类根据数据类型和假设类型，非参数统计方法可以划分为不同的类型。
常用的非参数统计方法主要包括：1. 秩和检验：适用于从两个或多个独立样本中检验两个或多个总体的中位数是否相等。
2. Wilcoxon符号秩检验：适用于从两个独立样本中检验两个总体的中位数是否相等。
3. Kruskal-Wallis单因素方差分析：适用于从两个或多个独立样本中比较几个相互独立的总体的中位数是否相等。
4. Mann-Whitney U检验：适用于从两个独立样本中检验两个总体的分布是否相等。
这是一个非参数的等价于t检验的方法。
5. Kolmogorov-Smirnov检验：适用于从两个或多个样本中检验两个总体的分布是否相等。
6. Anderson-Darling检验：适用于从一个样本中检验给定某一个分布类型的数据是否符合该分布。
例如，我们可以使用这个检验来检验数据是否服从正态分布。
7. 卡方检验：适用于检验两个或多个与分类变量相关的样本间比例差异是否存在显著差异。
非参数统计模型及其在大数据分析中的应用
非参数统计模型及其在大数据分析中的应用一、简介统计学是现代科学领域中的一门重要的学科，其中参数统计模型一直是统计学的核心内容。
然而在实际应用中，往往存在很多我们无法确定的参数，或者我们需要处理的数据并没有遵循特定的概率分布，这就需要非参数统计模型的使用。
特别是在大数据的分析中，非参数统计模型也越来越受到重视。
二、参数统计模型和非参数统计模型参数统计模型是指依据已知的数据和一些假设条件，通过计算统计量的值，来确定未知参数的结果。
例如，我们可以使用正态分布来描述一些连续型的数据，并通过计算平均值和标准差来估计正态分布的参数。
然而，在现实中，很多情况下我们并不知道所处理的数据的分布情况，或者无法对数据进行明确的假设，这时候，参数统计模型显然无法使用。
非参数统计模型则不需要任何关于数据分布的先验知识。
它们不基于任何概率模型，而是直接利用样本数据的特征来进行统计分析。
例如，一个重要的非参数统计量是赤池信息准则（AIC），它可以通过模型的负对数似然函数来估计模型的复杂度。
非参数方法的优点在于它们可以更加灵活，适用范围更广。
三、大数据分析中的非参数统计模型在现代数字化时代，我们拥有了大量的非结构化数据，这些数据包括但不限于文本、图像、音频、视频等。
非参数统计模型在处理这些大数据时，可以发挥其巨大的优势。
一种常用的非参数统计模型是核密度估计（Kernel Density Estimator，简称 KDE）。
KDE 可以计算连续型变量的概率密度函数，从而更好地描述数据分布的特征。
在图像处理中，我们也可以使用非参数模型来进行图像的分割和分类。
另一个非参数方法是随机森林（Random Forest），该方法被广泛运用于监督学习领域。
随机森林可以在大数据集上处理非线性可分的数据分类问题，同时还具有较好的鲁棒性和泛化性能。
四、总结随着数据科学的快速发展，非参数统计模型在大数据分析中的使用也变得越来越普遍。
在实践中，我们需要根据具体情况灵活采用不同的方法，确保我们的分析结果尽可能准确和可靠。
非参数统计方法及其应用领域
非参数统计方法及其应用领域统计学是一门研究收集、整理、分析和解释数据的学科。
在统计学中，参数统计方法和非参数统计方法是两种常用的分析工具。
本文将重点介绍非参数统计方法及其应用领域。
一、非参数统计方法的概念非参数统计方法是指在进行统计推断时，不对总体的概率分布做出任何假设的方法。
与参数统计方法相比，非参数统计方法更加灵活，适用于数据分布未知或非正态分布的情况。
非参数统计方法不依赖于总体的参数，而是基于样本的秩次或分布来进行推断。
二、非参数统计方法的基本原理非参数统计方法的基本原理是通过对数据的秩次或分布进行分析，从而得出总体的统计推断。
常用的非参数统计方法包括秩和检验、秩次相关分析、K-S检验等。
这些方法不依赖于总体的参数，而是根据样本数据的排序或分布情况进行分析。
三、非参数统计方法的应用领域1. 生态学研究生态学研究中常常需要对生物群落的多样性进行评估。
非参数统计方法可以用来比较不同生物群落的物种多样性，例如使用Shannon指数和Simpson指数等进行比较分析。
非参数统计方法还可以用来研究生物群落的相似性和差异性，通过计算样本的秩次或分布来进行推断。
2. 医学研究医学研究中常常需要比较不同治疗方法的疗效。
非参数统计方法可以用来比较两个治疗组之间的差异，例如使用Wilcoxon秩和检验或Mann-Whitney U检验等。
非参数统计方法还可以用来研究药物的剂量反应关系，通过计算样本的秩次或分布来进行推断。
3. 金融风险管理金融风险管理中需要对资产收益率的分布进行建模和分析。
非参数统计方法可以用来拟合资产收益率的分布，例如使用核密度估计方法或分位数回归方法等。
非参数统计方法还可以用来研究资产收益率的尾部风险，通过计算样本的秩次或分布来进行推断。
4. 社会科学研究社会科学研究中常常需要对调查数据进行分析。
非参数统计方法可以用来比较不同群体之间的差异，例如使用Kruskal-Wallis检验或Friedman检验等。
非参数统计在教育培训中的应用(四)
非参数统计在教育培训中的应用统计学作为一门重要的学科，不仅在理论研究和科学实验中有着广泛的应用，还在教育培训领域发挥着重要的作用。
而非参数统计作为统计学的一个重要分支，更是在教育培训中发挥着不可替代的作用。
本文将围绕非参数统计在教育培训中的应用展开论述，从非参数统计的基本概念入手，分析其在教育培训中的具体应用，并探讨其未来发展趋势。
非参数统计是指在统计推断中，不对总体概率分布作任何假设的统计方法。
相比于参数统计，非参数统计更加灵活，适用范围更广。
在教育培训中，由于受试者的特点多种多样，数据分布往往不符合常见的概率分布，因此非参数统计的应用更为适合。
举个例子，某个培训机构想要评估一种新的教学方法对学生学习成绩的影响，如果学生成绩的分布不服从正态分布，那么采用非参数统计方法就能更好地分析数据，得出准确的结论。
在教育培训中，非参数统计的应用可以涉及到许多方面，比如教学效果评估、学生特点分析、课程设计等。
首先，教学效果评估是非参数统计在教育培训中的一个重要应用领域。
通过对学生的学习成绩进行非参数统计分析，可以客观地评估出教学方法的有效性，为教师提供改进教学策略的依据。
其次，非参数统计还可以用于分析学生的特点，比如性别、年龄、学习习惯等对学习成绩的影响，为个性化教学提供科学依据。
此外，非参数统计方法还可以应用于课程设计，通过对学生对不同课程的反馈进行非参数统计分析，为学校调整课程设置提供决策支持。
未来，随着教育培训的不断深入和发展，非参数统计在这个领域的应用也将不断拓展。
首先，随着大数据时代的到来，教育培训机构收集到的数据量越来越庞大，这就需要非参数统计方法来处理这些海量数据，从而更好地分析和利用这些数据。
其次，随着教育培训的个性化需求日益增加，非参数统计方法将更多地应用于分析学生的个性化需求，提供更加个性化的教学方案。
另外，随着教育科技的发展，教育培训中的在线教育、智能教学等新技术的应用也将为非参数统计在教育培训中的应用提供更多的数据来源和分析方式。
非参数统计在教育评估中的应用(十)
非参数统计在教育评估中的应用教育评估是教育领域中不可或缺的一环，通过对学生的学习情况和教学质量进行评估，可以有效地改善教学方法和提高教学质量。
而非参数统计作为一种灵活的统计方法，也在教育评估中发挥着重要的作用。
本文将从教学质量评估和学生学习情况评估两个方面，分析非参数统计在教育评估中的应用。
教学质量评估教学质量评估是教育领域中的重要环节，通过对教师的授课水平和教学效果进行评估，可以及时发现问题并采取有效措施加以改善。
在进行教学质量评估时，通常需要收集大量的数据，并进行分析和处理，而非参数统计正是一种适用于这种情况的统计方法。
以教学效果评估为例，我们通常需要收集学生的成绩数据，并对不同教师或不同课程的成绩进行比较。
这时就可以使用非参数统计中的秩和检验方法，通过对成绩数据的秩次进行统计分析，来判断不同教师或不同课程的教学效果是否存在显著差异。
相比于参数统计方法，非参数统计方法不需要对数据的分布做出假设，更加灵活和适用于实际情况。
另外，非参数统计方法还可以用于分析课堂教学中的学生表现数据。
例如，通过对学生在课堂上的参与度和表现进行秩和检验，可以评估教学是否能够有效地激发学生的学习兴趣和促进学习效果。
这种方法不仅可以客观地评估教学质量，还可以帮助教师更好地了解学生的学习情况，从而及时调整教学策略。
学生学习情况评估除了教学质量评估，非参数统计方法也可以帮助评估学生的学习情况和学习效果。
在进行学生学习情况评估时，通常需要收集学生的学习成绩和考试数据，并进行分析和比较。
非参数统计方法可以用于对学生成绩数据的分析，例如对比不同学生群体或不同学科的成绩分布。
通过使用非参数统计中的秩和检验方法，可以判断不同学生群体或不同学科的成绩是否存在显著差异，从而帮助学校和教师更好地了解学生的学习情况。
此外，非参数统计方法还可以帮助评估学生的学习效果。
例如，通过对学生在学习过程中的表现数据进行秩和检验，可以评估不同教学方法或不同学习环境对学生学习效果的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、 高校综合得分指标、 类型划分及非 参 数 检 验 方法
1． 高校综合得分指标体系 。对高校综合实力进行评价有诸多不同 《基本科学指标 》 （ ESI ） 数据库。 国 的指标。国际上广泛流行的是美国 《中 内有较大影响力的是中国管理科学研究院武书连连续 14 年发布的 。其指标分布如下［ 2］ ： 国大学评价》 表 1 中国大学评价指标体系
93 47． 0 H = 8． 30DF = 3P = 0． 040 H = 8． 30DF = 3P = 0． 040 （ 已对结调整）
由表 4 可知， 检验统计量 H = 8． 30 ， 检验的 P 值为 P （ χ2 （ 3 ） ≥ 8． 30 ） = 0． 04 ＜ 0． 05 ， P 值够小， 所以认为不同类别高校的综合得分在显著 性水平为 0． 05 上存在显著性差异 。 直观上看， 综合类、 理科类、 工科类、 文理类高校得分均值依次递 减， 若两两作 Mann － Whitney 检验， 得出以下结果： 表5
西安电子科技大学 西南交通大学 南京理工大学 北京科技大学 北京交通大学 中国矿业大学 东华大学 北京化工大学 江南大学 北京工业大学 合肥工业大学 燕山大学 浙江工业大学 江苏大学 华北电力大学 南京工业大学 哈尔滨工程大学 华南师范大学 湖南师范大学 华中农业大学 南昌大学 陕西师范大学 河海大学 山西大学 河南大学 云南大学 华南农业大学 首都师范大学 山东农业大学 上海师范大学 安徽师范大学 广西大学
实Hale Waihona Puke 分析非参数统计在高校实力差异分析中的应用
张秋桥 厦门大学经济学院计划统计系
【摘 要】 《中国大学评价》 本文首先考察了中国管理科学研究院给出的 2010 中大陆前 100 位不同类别高校的综合得分分布特征； 然后， 分别应 用非参数统计分析中 Kruskal － Wallis 检验和 Mann － Whitney 检验对不同类别高校的相关评价得分进行了分析 ， 以期发现不同类型高校在综合实 力、 人才培养、 科学研究上的差异 ， 并提出了提升不同类别高校实力的建议。 【关键词】 高校评价 高校类型 非参数检验 本文利用非参数检验的方法， 通过高校综合得分截面数据对我国 部分高校综合实力与院校类别相关性问题展开讨论 。 非参数统计是统 它与总体究竟是怎样的分布几乎没有什么关系， 计学的一个重要分支， 仅需要一些非常一般性的假设， 进行统计推断时只利用样本观察值中 一些非常直观的信息， 所以非参数统计分析含有丰富的统计思想并在 实践中有着广泛的应用。 校也属综合类大学。 2． 2 必要的修正。笔者在研究时发现以下几个问题： 《中 第一， 第三类即专业学院式大学目前综合实力较为薄弱， 进入 国大学评价》 前 100 的比例极少， 故无法进行进一步的分析； 第二， 一些大学虽然文理兼有， 但其学科建设尚未达到综合性大学 的标准， 如重庆大学， 湖南大学等； 第三， 若干师范类、 农林类大学学科设置及教学水平已超出其特定 可属于综合类、 文理类大学。 专业培养目的， 《中国大学评价》 基于以上思考， 通过对比 中的学校参考类型， 将进 《中国大学评价》 前 100 为的学校划分为： 综合类、 理科类、 工科类和 入 文理类。具体见下表： 表2
在不同类别高校综合得分上的 Kruskal － Wallis 检验
别 统 计 量 N 19 13 31 30 中位数 54． 84 44． 80 29． 94 25． 86 平均秩 60． 3 52． 2 44． 9 38． 5 Z 2． 42 0． 74 － 0． 53 － 2． 10
综合类 理科类 工科类 文理类 整体
一级指标 二级指标 三级指标 本科毕业生就业率 、 新生录取分数线 、 本科教学评 全校生师比、 本科毕业生数、 教师平均学 估结果 、 本科生培养 人才培养 术水平、 双语教学示范课程、 实验教学示范中心、 特色专业 、 教学团队、 规划教材、 挑战杯本科生学 术竞赛奖 、 本科数学建模竞赛奖 、 本科教学成果奖 研究生培养 博士毕业生数 、 硕士毕业生 毕业生平均学术水平 、 数， 优秀博士论文 、 研究生教学成果奖 国外引文数据库论 国内引文数据库论文及引用 、 学术著作引用 、 艺术作品 、 专利授权 、 科 文及引用 、 国家大学科技园 学与技术奖 、 国内引文数据库论文及引用 、 国外引文数据库论 文及引用 、 学术著作引用 、 艺术作品 、 专利授权 、 人 文社会科学奖
17
实证分析
综合类
理科类
工科类 北京邮电大学 长安大学
文理类 山东师范大学
分 ＞ 文理类高校得分均通过了显著性检验， 因此上述直观上得出的结 论是正确的。 3． 不同高校类别一级指标得分的非参数检验。 高校综合得分是由 人才培养和科学研究两个一级指标得分加权计算得来 。 下面对两个一 级指标得分进行 Kruskal － Wallis 检验。检验结果如下： 表6 检验
类
H = 8． 70DF = 3P = 0． 034 H = 8． 70DF = 3P = 0． 034 （ 已对结调整） 由表 6 可 得， 检 验 统 计 量 H = 7． 42 ， 检 验 的 P 值 为 P （ χ2 （ 3 ） ≥ 7． 42 ） = 0． 06 ＞ 0． 05 ， P 值不够小， 所以认为不同类别高校人才培养一级 指标得分在显著性水平为 0． 05 上不存在显著性差异。 由表 7 可 知， 检 验 统 计 量 H = 8． 70 ， 检 验 的 P 值 为 P （ χ2 （ 3 ） ≥ 8． 70 ） = 0． 034 ＜ 0． 05 ， P 值够小， 所以认为不同类别高校在科学研究一 级指标得分在显著性水平为 0． 05 上存在显著性差异。 从综合得分、 人才培养一级指标得分、 科学研究一级指标得分的 Kruskal － Wallis 检验结果来看， 0． 06 、 0． 034 。 因此 其 P 值分别为 0． 04 、 可以认为不同类型高校的得分差异主要是体现在科学研究上 。 而且从 科学研究指标得分的中位数来看， 综合类、 理科类高校要明显高于工科 文理类高校。 类、
均值 71． 0 63． 1 36． 54 33． 77 中位数 标准差 54． 8 44． 8 29． 94 25． 86 54． 6 55． 7 18． 77 20． 20 峰度 0． 36 0． 97 1． 42 1． 74 偏度 1． 05 1． 34 1． 31 1． 56 正态性 检验 P 值 0． 015 0． 014 ＜ 0． 005 ＜ 0． 005
平均秩 59． 5 55． 1 44． 4 38． 3
Z 2． 27 1． 16 － 0． 66 － 2． 16
综合类 理科类 工科类 文理类 整体
依据每个类别的得分， 分别计算均值、 中位数、 标准差、 峰度和偏 度， 并做 Anderson － Darling 正态性检验， 结果列于表 3 ， 由表 3 可知， 综 理科类、 工科类、 文理类高校得分均值依次递减， 且正态性检验 P 合类、 值都小于 0． 05 ， 所以其分布不服从正态分布 。 2． 不同类别高校综合得分的非参数检验 。 由于高校得分分布不服 从正态分布， 所以考虑用非参数检验的方法来考察其差异。 对于多样 本的比较问题， 可以采用 Kruskal － Wallis 检验。检验结果如下： 表4
2010 《中国大学评价》 前 10011 所大学分类
理科类 浙江大学 上海交通大学 华中科技大学 中国科学技术大学 中南大学 兰州大学 中国农业大学 西北农林科技大学 中国海洋大学 中国地质大学 福州大学 中国石油大学 贵州大学 工科类 哈尔滨工业大学 东南大学 天津大学 大连理工大学 同济大学 华南理工大学 北京航空航天大学 西北工业大学 北京理工大学 华东理工大学 文理类 吉林大学 西安交通大学 南开大学 北京师范大学 重庆大学 华东师范大学 湖南大学 南京农业大学 西南大学 东北师范大学
综合类 理科类 工科类 文理类 整体
H = 7． 42DF = 3P = 0． 060
表7 检验 类 别
在不同类别高校科学研究一级指标得分上的 Kruskal － Wallis 统 计 量
高校类别 样本数 综合类 理科类 工科类 文理类 19 13 31 30
N 19 13 31 30 93
中位数 26． 04 24． 04 12． 93 10． 81 47． 0
自然科学 研究 科学研究 社会科学 研究
南京航空航天大学 南京师范大学 电子科技大学 武汉理工大学 华中师范大学 东北大学
计算大学总得分： Ak 为 k 大学总得分， B1k 为 k 大学人才培 设被评价的大学数为 n， B2k 为 k 大学科学研究得分， a1 为人才培养权重系数， a2 为科 养得分， 学研究权重系数。则有： 2． 我国高校的类别划分与修正 。 2． 1 传统分类。按照学科设置和办学特色， 我国的高校大致可分为 以下几类： 以北京大学、 复旦大学、 南京大学、 厦门大学等为代表的综合性大 理工文医学科门类齐全、 文理渗透， 文化底蕴 学。这些大学历史悠久 、 较为深厚。 以清华大学、 上海交通大学、 西安交通大学、 同济大学等为代表的 以工科为主的综合性大学。 这类大学多有着辉煌的历史， 工科专业实 为国家培养了大量高水平的优秀工程技术人员 。 力很强， 以各类工业、 农林牧水产业、 地矿、 财经、 政法、 语言等行业培养专 业人才为目的的， 由专业学院发展演变而成的专业学院式的准综合大 学。这类院校多是在 1952 年院系调整后的特定历史条件下建立的， 为 教学水平参差不齐 。 数众多， 还有一类以北京师范大学、 华东师范大学、 东北师范大学、 华中师 范大学、 华南师范大学和陕西师范大学为代表的师范类院校 。 这类院