DOI QR코드

DOI QR Code

The Analysis of Private Education Cost for the Elementary, Middle, and High School Students in Korea

초,중,고 사교육비 영향요인 분석

  • Lee, Hyejeong (Department of Statistics, Ewha Womans University) ;
  • Song, Jongwoo (Department of Statistics, Ewha Womans University)
  • 이혜정 (이화여자대학교 통계학과) ;
  • 송종우 (이화여자대학교 통계학과)
  • Received : 2014.09.16
  • Accepted : 2014.11.06
  • Published : 2014.12.31

Abstract

This paper studies what affects the private education cost for the elementary, middle, and high school students. It is a big issue now because there can be a problem in the equal opportunity for education if the portion of private education cost is very high in the total education cost. If we spend more time and money on the private education than the school education, it can cause the polarization among the classes and regions. The excessive private education also can deteriorate the school system. we use various regression and classification methods to analyze the cost of private education and find the important variables in the models. we found that large cities spend more money on the private education than small cities. We also found that high school students spend more than middle school students and the elementary students and the household with more income spend more money on the private education.

본 논문에서는 현재 우리 사회에서 큰 이슈가 되고 있는 사교육비에 영향을 미치는 요인을 분석하였다. 사교육비가 논란이 되는 이유 가운데 하나는 각 가정에서 소비되는 전체 교육비 가운데 사교육비가 차지하는 비중이 높으면 경제적으로 교육에 대한 기회균등이 이루어지지 않는 문제를 유발할 수 있기 때문이다. 또한, 과도한 사교육으로 인해 기본적인 학교 교육보다 더 많은 시간과 비용을 할애한다면, 계층 간, 지역 간의 양극화와 더불어 학교의 기능이 저하되는 요인으로 작용할 수 있기 때문이다. 우리는 다양한 회귀분석 방법론과 분류분석 방법론을 이용하여 사교육비에 영향을 미치는 중요변수가 무엇인지를 파악하고 또 각각의 변수들이 어떻게 사교육비에 영향을 미치는 지를 분석하였다. 그 결과 대도시가 중소도시 보다 사교육비 지출이 높았고, 일반 고등학교, 중학교, 전문 고등학교, 초등학교 순으로 사교육비 지출이 높았다. 그리고 가구소득이 높을수록 사교육비 지출도 높았다.

Keywords

References

  1. 김진희 (2010). 2008년 한국 초중고 학생에 대한 사교육비 자료분석, 이화여대 석사논문.
  2. 박창이 외 (2011). R을 이용한 데이터 마이닝. 교우사.
  3. 김수현 (2010). 사교육비 결정요인 분석으로 본 사교육 실태, 새로운 사회를 여는 연구원.
  4. 윤영회, 장수안 (2013). 2012년 사교육비조사 결과, 통계청 사회통계국 복지통계과.
  5. Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://doi.org/10.1023/A:1010933404324
  6. Friedman, J. H. (2002) Stochastic gradient boosting. Computational Statistics & Data Analysis, 38, 367-378, http://statweb.stanford.edu/ jhf/ftp/stobst.pdf https://doi.org/10.1016/S0167-9473(01)00065-2
  7. Hastie, T., Tibshirani, R., and Friedman, J. (2009). The Elements of Statistical Learning, Springer, NY, USA.
  8. Ridgeway, G. (2012). Generalized Boosted Models: A guide to the gbm package.
  9. Venables, W.N. and Ripley, B. D. (2003). Modern Applied Statistics with S. Springer, NY, USA.