Prognosemodel Instroom Bachelors DAIR Seminar 4 november 2010

DAIR Aanmelding en instroom eerstejaars instelling Bachelors Aanmeldingen ten opzichte van % 58% Van de aanmeldingen werd daadwerkelijk student Instroom ten opzichte van %

DAIR ‘Predictive Modeling’

DAIR Prognosemodel Welke kenmerken onderscheiden aanmelders die student worden zich van aanmelders die dat niet worden  Training set: aanmeldingen via Studielink in voor studiejaar 2009/2010 en ingeschrevenen voor dat studiejaar  Te voorspellen: aanmelders die student aan de UvA worden in 2010/2011 Logistisch regressie model  Kans berekenen dat een persoon daadwerkelijk komt studeren aan de UvA  Alle kansen opgeteld is het voorspelde aantal bachelors ’10/’11

DAIR Onderscheidende kenmerken Kenmerken:  Maand van aanmelden  Gekozen opleiding (Onderwijsinstituut niveau)  Regio  Vooropleiding  Aantal instellingen gecombineerd met aantal opleidingen  Jaren tussen aanmelden en laatste examen

DAIR Variabelen in het model

DAIR Variabelen in het model

DAIR Van aantal per week naar totale instroom

DAIR Numerus Fixus Correctie Geneeskunde en Tandheelkunde  Buiten model gehouden vanwege Numerus Fixus  Hebben wel invloed op het aantal studenten van niet-NF opleidingen.  18% van de geneeskunde (9% tandheelkunde) uitloters gaat een andere studie aan de UvA doen

DAIR Numerus Fixus Correctie Geneeskunde en Tandheelkunde Correctie op basis van aanmelding bij 2 e opleiding kan niet  3% geneeskunde aanmelders meld zich in eerste instantie aan bij 2 e studie Daarom op basis van verdeling vorig jaar  Een deel van de GNK en THK aanmeldingen toewijzen aan andere studies  Correctie toepassen tot week 28. Daarna hebben uitgelote studenten zich elders aangemeld

DAIR Numerus Fixus Psychologie  Aantal voorspelling afgekapt op NF aantal Amsterdam University College  Aanmelding vindt pas plaats na gesprek  Numerus fixus als aantal gebruikt

DAIR Aanmeldingen 2010 Gedurende het jaar 6% tot 10% meer aanmeldingen

DAIR Wat voorspelde het model? Daadwerkelijke inschrijvingen op 1 oktober : (+1,9%) Voorspeld aantal inschrijvingen (laatste week juli) : (+0,7%)

DAIR Is het een goede voorspelling?

DAIR Is het een bruikbare voorspelling? Maximaal 1 jaar vooruit Beleidsneutraal Vooral goed op globaal niveau Groei/krimp meestal goed voorspeld  Rechten: 1% tot 5% meer aanmeldingen, -8% voorspeld, -12% werkelijk

DAIR Is het een bruikbare voorspelling? Voorspelling wijkt meer af naarmate niveau gedetailleerder wordt en hoe eerder in het jaar de voorspelling gedaan wordt Actual Prognose

DAIR Is het een bruikbare voorspelling? Sommige opleidingen zijn niet goed te voorspellen:  Psychologie: voorspeld 575 (NF) (+28%), werkelijk 457 (+4%) Er zijn periodes waarin voorspelling niet goed is: van week 19 tot week 23 (Centraal schriftelijk eindexamen)

DAIR Samengevat Instroom voorspellen op basis van de kenmerken van een aanmelder is mogelijk, maar vooral op een globaal niveau Met meer data/ervaring op een gedetailleerder niveau voorspellen misschien mogelijk Opleidingen met een numerus fixus of afwijkende aanmeldprocedure buiten beschouwing laten

DAIR Vervolg Dit was een test, uikomsten model niet gedeeld met organisatie Resultaten volgend jaar naar planners Ook andere instroom voorspellen

DAIR Vragen? Contact : Wouter ter haar, Universiteit van Amsterdam E: T: