基于典型判别法的资源动态配置判别模型Ⅰ

在资源动态配置判别模型Ⅰ中，一共提取出了两个维度的典型判别函数（如表10-2），其中第一个函数（维度1）可以解释97.7%的变异，第二个判别函数（维度2）可以解释2.3%的变异。

表10-2 两个维度判别函数对数据的解释程度

对以上两个判别函数维度1和维度2采用Wilks Lambda检验，结果表明，Wilks Lambda值为0.619和0.923，如表10-3所示，两个判别函数具有统计学意义，说明该模型成立，且具有科学性、合理性。

表10-3 Wilks Lambda检验结果

表10-4提供了两个判别函数中各个变量的标准化偏回归系数，可用来判断两个函数分别受那些变量的影响较大。

表10-4 判别函数的标准化偏回归系数

该模型中，各评价指标的重要性（权重）按照从大到小的顺序依次为：博士比例、专任教师比例、惯级职称比例和生师比。标准化的判别函数式如下：

维度1=0.007×（生师比）+0.247×（高级职称比例）+14.672×（博士比例）+0.713×（专任教师比例）－4.834

维度2=－0.137×（生师比）+9.064×（高级职称比例）－4.031×（博士比例）－2.510×（专任教师比例）－3.781

以上两个函数计算出的是各个观测在各个维度上的坐标值，这样可以通过两个判别函数计算出观测的具体空间位置。

表10-5 评价指标与两个维度判别函数的相关分析与判别函数具有显著相关性

在判别函数维度1中，博士比例和专任教师比例与维度1的相关性最高；在判别函数维度2中，高级职称比例和生师比与维度2的相关性最高。

鉴于在资源动态配置I这个具有双维判别函数的模型中，维度1较之维度2揭示了更多的信息（97.7%），因此，在该模型中，各评价指标的重要性（权重）按照从大到小的顺序依次为：博士比例、专任教师比例、高级职称比例和生师比。博士比例在其中占有重要的比重。(www.daowen.com)

表10-6的结果显示了各评价指标的重心在二维空间内的坐标位置，通过判别函数确定各观测的具体坐标位置后，计算其与重心间的距离，从而确定其类别。

表10-6 各评价指标的重心坐标位置

（二）基于B ayes判别法的资源动态配置判别模型Ⅱ

表10-7 不同分类判别函数式系数评价指标

根据上表结果建立判别模型如下：

研究型大学：A=0.787×（生师比）+89.356×（高级职称比例）+23.456×（博士比例）+153.438×（专任教师比例）－74.832

教学研究型大学：A=0.816×（生师比）+78.636×（高级职称比例）+5.254×（博士比例）+90.035×（专任教师比例）－68.537

教学型大学：A=0.937×（生师比）+91.064×（高级职称比例－24.638×（博士比例）+143.554×（专任教师比例）－73.786

根据判别式可以计算预测大学的评分，评分最高的一类即为该观测相应的类别。

（三）交互法进行模型的验证

交互法进行模型的验证结果如表10-8所示：模型Ⅰ和模型Ⅱ通过计算机模拟实验验证，结果显示：Fisher判别法的模型Ⅱ验证结果中正确率为74.2%；模型Ⅰ判别的准确率为73.0%，可见建立的判别函数较为稳定。

表10-8 交互法进行模型的验证结果

基于判别模型的高校师资动态配置给我们的启示主要有两个：其一是根据判别模型可以计算预测大学的评分，评分最高的一类即为该观测相应的类别，对于判别大学的研究型或教学型等分类有着重要的指导作用；其二是对于高校而言，明确了发展定位以后，通过历时比较模型的得分可以调整教师构成比例，以制定科学的、符合发展定位的教师资源配置政策。