原文：Differences in exam performance between pupils attending selective and non-selective schools mirror the genetic differences between them. 作者：Emily Smith-Woolley, Jean-Baptiste Pingault, Saskia Selzam, Kaili Rimfeld, Eva Krapohl, Sophie von Stumm, Kathryn Asbury, Philip S. Dale, Toby Young, Rebecca Allen, Yulia Kovas and Robert Plomin. 来源：Nature. 译者：Niki. 编辑：尔瑞. 图源：Pixabay.

一般来说，在国家考试中，选择性学校学生的考试表现优于非选择性学校。我们通常把这一差异归结于学校，以及学校录取学生时的相关因素，包括学生能力、成就、学费或来自富裕地区、家庭社会经济地位等等。然而，不同类型学校学生之间的DNA差异的影响尚未被考虑到。我们采用了来自英国具有代表性的4814种学生基因样本，研究三类学校中学生在16岁时的考试表现，以及他们之间的基因差异。这三类学校分别是：公立非选择性学校（“非选择性”），公立选择性学校（“文法学校”）和私立学校（“私立”）。我们创建了全基因组多基因评分（GPS）方式，该系统来源于有关教育年限（EduYears）的全基因组相关研究。我们发现不同类型学校的学生之间存在明显的平均基因差异：与文法学校（d = 0.41）和私立学校（d = 0.37）相比，非选择性学校学生在受教育期间GPS较低。顶尖GPS分数学生去选择性学校的数量，是最低十分位分数学生的三倍。这些结果反映在不同类型学校的考试差异上。然而，当我们控制了录取学生时考虑到的多种因素，不同类型学校之间并没有显著的基因差异。而且按学校类型来看，学生在16岁时的考试成绩差异从7%下降到<1%。这些结果表明，代代流传的学校招生特点，会导致不同类型学校的学生在基因和考试成绩上形成差异。

 介绍

学生结束全日制义务教育阶段，是他（她）人生的一个重要转折点，在这个阶段取得的成就，为后续的大学和其他高等教育开辟道路。因此，理解这一节点学术成就的潜在预测因素至关重要。其中，尚未达成一致，激烈讨论着的一个预测因素正是学校类型。在英国，当11岁的学生小升初时，他们可以从三类学校进行选择。93％的学生选择公立学校，其中大部分属于“非选择性”（公立非选择性）。公立学校中的一小部分（英国3113所学校中163所）是需要进行筛选的文法学校。这些学校通过入学考试对学生进行评估，根据学生的成绩和能力择优录取。剩下的学生（约7％）选择私立教育。除了费用外，私立学校通常在学术上也是有筛选性的。这些不同类型的学校被认为是将学生放置在不同的发展轨道上，比如与非选择性学校的学生相比，研究中选择性学校（文法学校和私立学校）的学生往往会取得更大的成功，包括更高水平的学术成就、大学录取几率，甚至更高的收入潜力。

然而，通过设计，选择性学校可以根据学生的某些特征来录取，包括入学考试的个人能力或成绩，而这两者都被证明与人生成就正向相关，包括后来的学术成就。 此外，由于费用关系，进入私立学校通常也取决于家庭的经济负担能力（他们的社会经济地位(SES)），这也与未来成就相关。即使对于公立学校，家庭的社会经济地位也可能影响学生的学校选择，比如文法学校通常位于更富裕的地区，吸引着来自更高社会经济地位家庭的学生。因此，选择性学校的学生，其更高的成就并不一定反映了更高的教育质量，而可能仅仅是选择的结果——选择性学校主动筛选学生的能力和成就，被动接受学生家庭的社经地位。

考虑到私立学校不低的费用，除了选择性学校入学考试的潜在压力，为什么这些家庭会选择这类学校？其中很大的原因在于学生学业成绩优异。经常有研究表明，就考试中某些部分看，选择性学校学生的表现优于非选择性学校。英国学生通常要在16岁时参加普通中等教育证书（GCSE）考试。英国教育部表示，文法学校中有99%的学生都在英语和数学方面取得了优异的GCSE成绩（A *-C等级），而所有主流公立学校学生获得A *-C等级的比例为64％。而学生在16岁时取得的学业成就，与大学录取学生时考虑的因素（成就、能力和家庭社会经济地位）呈正相关关系。由此就带来了一个问题——在学业成就的预测中，除了这些因素之外，选择性学校是否施加了影响？

部分研究认为，在考虑到诸如成就、能力和家庭社会经济地位等因素后，进入选择性学校只有微小的学术优势。通常认为，学校录取和学生后来成就之间的关系是环境影响。例如，社会经济地位较高的家长可能会在孩子教育上投入更多的时间，并且承担更多资源的费用（例如，更多的书籍、私立学校学费），从而带来更好的机会和成就。然而，一个不太常见的影响录取和成就的因素是基因。在上面的例子中，具有较高社会经济地位的父母不仅提供给孩子教育环境，还遗传了教育相关的基因，即基因-环境相关（rGE）。

来自数量遗传学的大量文献表明，基因解释了录取因素（包括能力和成就）中的大量差异。20-23 对双胞胎一般认知能力（g）的可估计性，儿童时期约为30％，青春期40-50％，成年期60％。21 双胞胎研究还表明，录取因素（如g）和后期成就之间的关系，在很大程度上受基因影响。22-26 由于双胞胎通常生长在同一家庭中，某些因素无从评估，比如双胞胎之间一样的家庭社会经济地位。然而，遗传性可以通过全基因组复杂性状分析（GCTa）, 27,28 即采用不相关个体的DNA来评估表现型变异的比例，DNA阵列上成千上万的单核苷酸多态性(SNPs)解释了这一变异。这一方法也表明，遗传基因在家庭社会经济地位，29,30以及一般认知能力（g）和成就31-33上，都存在显著的个体差异。

和家庭社会经济地位一样，学校类型在双胞胎之间没有差异。然而，由于GCTA需要大量样本，因此迄今为止还无法研究不同类型学校的学生之间的基因差异。但行为特征强大的全基因组关联（GWA）研究使之成为可能，该研究测试了特定SNP和性状之间的联系。虽然通过GWA研究，这些SNP单独的影响很小，但将这些影响汇总到一起，可以为独立样本中的每个个体创建基因评分，这也解释了基因变异的可观比例。34-36 这些被称为“全基因组基因分”（GPS）的分数，是基因研究的游戏颠覆者，并已在教育成就领域印证了其深刻性。例如，最近一项研究37采用了从2016年GWA教育年限（EduYears）38-39 得出的GPS，研究显示由于GPS的影响，16岁的孩子在教育成就上表现出分数差异。在GPS的最高值与最低值之间，存在一个大约的标准差差异，这几乎代表了整个学校的分数差异。此外，GPS最高的学生中有65％继续上大学，而GPS最低的学生中只有37％进入大学教育。

我们第一次评估了三类学校学生（非选择性学校，文法学校和私立学校）多年教育（EduYears）多基因分数的差异。我们预测，涉及诸如成就、能力和家庭社会经济地位等可遗传特征的选择，将在不同学校类型学生之间的基因差异上有所反映。此外，根据以往的研究，我们认为录取也会导致三类学校的学生之间出现很大的成就差异，而一旦控制录取因素，差异将大大减少。

结果

不同类型学校之间的多基因分数差异

如平均EduYears GPS所示（参见图1中表1的方差分析（ANOVA）详情），不同类型学校（公立非选择性学校、文法学校和私立学校）的学生在基因上存在差异。与文法学校学生（t = 4.87，p <0.001）和私立学校学生（t = 7.17，p <0.001）相比，非选择性公立学校学生的EduYears GPS分数明显更低。这一差异转化为标准差超过了三分之一（分别为d=0.41和0.37）。而文法学校和私立学校学生的EduYears GPS分数没有显著差异（t = 0.44，p = 0.66）。在不同选择性区域的公立非选择性学校之间，学生的EduYears GPS分数也没有显著差异（参见表S2和附录图S1）。

EduYears GPS与录取因素之间的关系

EduYears GPS与每个录取相关因素都呈正相关关系（参见附录表3），具体地，2.1%能力差异，5.2%成就，6.6%家庭社会经济地位。EduYears GPS与GCSE分数也呈正相关关系，7.6%的GCSE分数差异与之前对这些数据的分析类似。37 由于选择性学校是主动选择学生的成绩和能力，被动选择家庭社会经济地位，而这些因素都与EduYears GPS相关，因此我们研究了当在控制这些因素的情况下，EduYears GPS的平均差异是否仍然存在。

我们发现，在考虑可遗传的录取因素所带来的差异后，三类学校（公立非选择性学校、文法学校和私立学校）学生之间没有显著的EduYears GPS差异（参见附录图S2，附录表S4）。当我们研究不同选择性区域的公立非选择性学校之间的差异时，也会出现类似的结果（参见附录表S5，附录图S3），表现出在EduYears中，不同类型学校之间微小的差异。

附录表S6和图2显示了公立非选择性学校、文法学校和私立学校学生的未调整平均GCSE成绩，还有单独针对EduYears GPS、家庭社会经济地位、先前能力和成绩以及所有变量调整的平均GCSE得分。不同类型学校未调整的GCSE分数反映了未调整的EduYears GPS结果，非选择性学校和选择性学校之间存在较大的差异（参见图2中的“未调整的GCSE”，附录表S6中的详细信息）。实际上，公立非选择性学校学生的平均GCSE分数比文法学校（d = 1.05,95％CI = 0.83-1.28）和私立学校（d = 0.92， 95％CIs = 0.75-1.09）学生的平均GCSE分数约低1个标准差。这转化为公立非选择性学校和选择性学校学生之间平均GCSE分数的整体分数差异。文法学校和私立学校学生的平均GCSE分数没有差异（t = 1.00，p = 0.32）。选择性不同地区的非选择性学校之间也没有显著的差异（参见附录表S7和附录图S4）。

图1 EduYears GPS标出的是公立非选择性学校、文法学校和私立学校学生之间的差异（和95%置信区间）。注意：从EduYears GPS看，公立非选择性学校学生与文法学校（t = 4.869，p <0.001; d = 0.413）、私立学校（t = 7.170，p <0.001; d = 0.372）学生之间存在显著差异。文法学校和私立学校学生之间没有显著差异（t = 0.436，p = 0.659）。

图2（和95%置信区间）表示三类学校（公立非选择性学校、文法学校和私立学校）控制变量后未调整的GCSE分数，包括控制EduYears GPS因素后的GCSE分数，控制家庭社会经济地位因素后的GCSE分数，控制先前能力因素后的GCSE分数，控制先前成绩因素后的GCSE分数，以及控制所有变量后的GCSE分数。注：详细信息参见附录表S6。

控制录取因素

控制EduYears GPS对平均GCSE分数的影响很小，不同类型学校之间GCSE的差异从R2= 0.07略微下降至0.06（参见图2和附录表S6中的详细信息）。鉴于EduYears GPS仅占GCSE方差的8％，这种相对较小的影响是可以预计到的（参见附录表S3）。控制家庭社会经济地位和先前能力对GCSE分数的影响稍大，这也和GCSE的方差数值符合（R²分别为24％、27％）。在所有录取因素中，先前成绩对不同类型学校之间的GCSE成绩影响最大，如文法学校的平均GCSE分数从10.12（等第A）下降到9.21（等第B）。在控制先前成绩后，不同类型学校之间的GCSE分数差异从7.1%下降到1.3％。

对所有录取因素和EduYears GPS控制后，我们可以看到不同类型学校的平均GCSE分数有所下降，文法学校（M = 9.14; t = 2.35，p <0.019）和私立学校的平均GCSE（M = 9.32，t = 6.16，p <0.001）与公立非选择性学校（M = 8.96）相似。虽然不同类型学校之间的差异依然很大，但这一差异已经大大地缩小了。标准化测试表明，与公立非选择性学校相比，文法学校与GCSE的标准差相比仅增加了0.03，而私立学校增加了0.07。此外，不同选择性区域的非选择性学校之间没有明显差异（参见附录表S7和附录图S4）。

我们研究的一个主要发现是，在考虑录取因素和EduYears GPS差异后，不同类型学校之间的GCSE差异从7.1％下降到只有0.5％（参见附录表S6回归结果）。

讨论

我们研究了三类学校学生之间的基因平均差异，这三类学校分别是：公立非选择性学校、文法学校和私立学校。我们发现，从平均水平来看，在教育年限（EduYears）下，与选择性学校的同龄学生相比，公立非选择性学校学生的多基因分数较低。此外，和EduYears的结果一样，选择性和非选择性学校学生之间的GCSE表现也存在显著差异。然而，几乎所有这些差异都可以由可遗传的、个体层面的因素来解释，而学校在录取学生的过程中主动或被动地涉及到这些因素。

虽然研究发现公立非选择性学校、文法学校和私立学校学生之间的基因差异初看起来令人惊讶，但当我们考虑到录取基于可遗传的特征时，这种差异也就并不出人意外了。换句话说，在多年的教育中，多基因分数高的学生，一般认知能力较高，成绩更好，家庭社会经济地位也更高，并且这样的学生后续也更可能被选择性学校录取。于是，这就形成了一个系统，在这一系统中，学生们表面上是被故意录取了，但实际上是无意识地因为基因而被录取。

尽管研究发现了不同类型学校学生之间的平均基因差异，但应注意的是，EduYears GPS的大部分差异都出现在同一类型学校内，而非不同类型的学校之间。例如，Cohen d为0.41（这是公立非选择性学校与文法学校学生的平均EduYears分数差异），这被归为小-中等影响，即意味着两类学校之间约有83％的重叠分布。40

然而，研究发现不同基因和学校类型之间的关系表明，基因正在带来教育环境的变化，即基因-环境相关性（rGE）概念。部分基于基因类型，在学生选择、改变和“继承”他们所在的环境时，变化随之发生。20,41 将研究放在rGE的背景下，我们建议除了基于基因特征录取学生（诱发因素rGE）外，学生自己也积极地选择与其基因类型（积极因素rGE）符合的教育环境。对于成绩优异的学生来说，这些环境可能是具有挑战性或竞争性的学术机构，如文法学校和私立学校。最终，我们知道学校录取中涉及的因素基本上是可遗传的，所以学术上有天赋的孩子很可能是有学术天赋的父母。这样的父母不仅提供基因，还提供环境来帮助孩子在学业上取得进步。

除了更高的平均EduYears多基因分数外，通常选择性学校的学生也能获得更好的GCSE成绩。2,3,12-14,17研究中对于成绩差距大小问题存在一些争论，并根据不同背景特征做了相应分析。我们发现，几乎所有选择性学校在GCSE分数上的优势，都可以通过家庭社会经济地位、成绩、能力以及EduYears GPS来解释。在控制这些因素后，文法学校与公立非选择性学校的平均GCSE成绩增长率仅为标准差的0.026，私立学校为标准差的0.070。此外，不同类型学校在GCSE上的差异从7%下降到1%。

单独控制EduYears对不同类型学校之间平均GCSE成绩的影响相当小。然而，考虑到EduYears GPS目前预测的GCSE分数差异约为8%——15%的遗传性通过双胞胎设计22 来估计，以及约三分之一的可遗传差异来自SNP——基于学生在16岁30时的GCSE分数研究。随着更强大的GWA研究，EduYears的可预测性也在增加。例如，与2013年的EduYears GPS（N = 126,559）相比，从2016年的EduYears GPS（基于GWA研究，N = 293,723 ）看，预计学生在16岁时的成绩将提升三倍。

尽管当控制录取因素和EduYears后，不同类型学校之间的平均差异只有很小，但这并不意味着其他因素对于学生们16岁时的成绩不重要。总之，这些因素并不能预测在GCSE上的所有差异（R² = 0.69）。如前所述，成绩是由许多遗传因素包括行为、个性、家庭环境和健康等共同影响的结果。22 此外，我们并不是说学校不重要，或教学不起作用，通过研究，我们发现了学校类型的微小影响。如果没有学校，我们很难想象一个可以让孩子们发挥学术潜力的成功的教育体系。然而，虽然学校本身对学术成绩很重要，但学校类型的影响似乎并不明显。教育成就不一定是父母送孩子进入选择性学校的唯一原因。最近一份关于私立学校的报告显示，这些私立学校学生在早期职业生涯（26岁至42岁之间）的收入，比公立学校学生增加了200,000英镑。2 然而，这一报告并没有区分公立非选择性学校与公立选择性学校。我们需要通过更多的研究来看，是否当考虑到学生个体因素后，学校类型仍可预测大学入学率、职业选择和收入上的差异。除了大学和职业的差异外，我们还需要确定不同类型学校在非认知特征层面的潜在差异，比如一项调查发现，66%的家长认为私立学校“给学生们灌输了信心”。

我们的研究存在几个局限。首先，我们认为在三类学校之间存在相当大的差异——在每一类学校中，也都会有特例和不足。特别是公立非选择性这类学校存在更多的差异，因为它包括了大部分的学校，并且这类学校还包括了许多其他类别，例如允许选择宗教的学校，允许多达10%的学生选择专业科目（如体育、表演、视觉艺术、语言等）的学校等等。这些学校不能直接根据学术基础来录取。但有证据表明，学校确实录取了更有能力的学生。在大多数学生进入中学前，其11岁前的成绩和能力被纳入录取考虑范畴。

本研究的另一个局限是，不同类型学校的数据获取。由于文法学校和私立学校并非均匀分布在全国各地，因此，在一些没有选择性学校的地方自治区域，非选择性学校学生的平均GCSE成绩可能更高；而在有更多选择性学校的地区，非选择性学校的平均GCSE成绩则可能更低。由于选择性学校少得多，这种地域因素可能会影响非选择性学校的平均GCSE成绩。为了确定地域因素是否对GCSE成绩差异存在影响，我们将非选择性学校进一步分为三组，分别是选择性区域、部分选择性区域和非选择性区域的非选择性学校。当控制了所有录取相关因素，我们发现，非选择性学校在不同选择性区域之间没有差异（参见附录表S7和附录图S4）。

最后一个需要注意的局限是，我们采用的GCSE变量仅包含学生16岁的三门核心科目——英语、科学和数学。对于其他科目，如语言、艺术和社会科学，学校类型可能会有更大的影响。然而，由于不同类型学校的优先科目有所不同，研究很难厘清学校类型对可选科目而非核心科目的影响，但这在未来的研究中可能会是一个有价值的方向。

在目前的研究中，我们发现三类学校（公立非选择性学校、文法学校和私立学校）的学生之间存在基因差异。与非选择性学校的学生相比，从平均水平来看，选择性学校的学生在受教育年限的基因分数更高。此外，我们也发现了不同学校类型之间GCSE分数的显著差异。然而，一旦考虑到学生、家庭、EduYears GPS因素，从学生所在的学校类型看，16岁时教育成就（平均GCSE分数）的个体差异不到百分之一。

研究方法

研究样本

这一研究涵盖了来自双胞胎早期发展研究（TEDS）的不相关个体。TEDS是针对1994年至1996年间在英格兰和威尔士出生双胞胎（包括16,000对大型、代表性样本）进行的，从出生到现在的追踪研究。44 这项研究得到了伦敦国王学院伦理委员会的伦理许可。尽管这些年间存在一些人员流失，但仍约有10,000对双胞胎积极参与研究，并提供丰富的行为和认知数据。重要的是，TEDS从过去到现在一直是英格兰和威尔士地区的代表性样本，详见其他研究。44,45 在本研究中，我们涵盖了4814个不相关个体（在每对双胞胎中随机选一个），其中有三个关键变量数据：基因型数据，16岁时的教育成就和学校类型数据。样本包括了2597名女性（54%）和2217名男性（46%）。在样本中，2533个人有录取因素数据，即能力、成就和家庭社会经济地位，其中包括1427名女性（56.3%）和1106名男性（43.7%）。按照学校类型划分的样本量，参见附录表S8。每一轮数据收集涉及到的所有参与者都提供了书面知情同意书。

基因分型

有关研究样本如何进行基因分型和质量控制过程的信息，请参见附录研究方法S1。

测量项

学校类型。当TEDS中的双胞胎18岁时，他们收到一份问卷，问卷中包括了一系列问题，如当他们16岁参加GCSE考试时所就读的学校类型。受访者需要就不同学校类型指出“是”或“否”。我们将所有就读于公立非选择性学校的受访者归为“公立非选择性”，所有文法学校的受访者归为“文法”，所有私立学校的受访者归为“私立”。除TEDS数据外，我们还通过全国学生数据库(NPD; https://www.gov.uk/ government/collections/national-pupil-database) 了解学校类型信息。通过补充TEDS数据和NPD数据，我们最终的学校类型数据为：公立非选择性n=4263，文法n=143，私立n=408。我们还进一步将公立非选择性学校分为三类做分析：完全选择性地区的非选择性学校（n=331），部分选择性地区的非选择性学校（n=905）和非选择性地区的非选择性学校（n=3027）。更多关于我们如何以及为何创建这些组别的信息，包括数据源与选择性区域分组之间的准确性等，请参见附录研究方法S2。

16岁时的教育成就。GCSE是英国的一项标准化考试，学生在16岁义务教育阶段结束时参加考试（M = 16.31，SD = 0.29）。几乎所有学生都将参与三门核心科目考试：英语、数学和科学。此外，学生可以选择一系列其他科目，如地理、历史和艺术。这些科目的分数等级跨度从4分（G，最低及格分数）到11分（A *，最好的分数）。在目前的样本中，我们通过邮件发送问卷，以及对双胞胎及其父母的电话收集获取GCSE的考试结果。我们引用全国学生数据库（NPD）的进一步补充了这部分数据。我们的分析侧重在三门核心科目：所有学生都学习的英语、数学和科学。参加GCSE科学科目考试的学生要么参与GCSE单独的物理、化学和生物科目（“三重科学”），要么参与一门课程且双重加权（“双重科学”）。因此，我们采用了GCSE科学学科的平均分数。由于英语、数学和科学的分数高度相关（r = 0.70-0.82），我们创建了GCSE复合分数。我们有3920个人自我报告的GCSE和NPD数据，这两个数据源之间的相关系数为r = 0.99，这一数据印证了TEDS数据的高度准确性。

录取因素

社会经济地位。家庭社会经济地位的测量是采用五个项目测量结果的算术平均值：父母双方的受教育水平（标记1-8等级，其中1=没有受过教育，8=有研究生学历），职业（按照职业分类标准（2000），标记1-9等级，其中1=初级行政与服务职业，9=管理人员、主管和高级官员）和第一胎孩子出生时母亲的年龄。所有测量均做标准化，平均值为0，标准差为1，并且至少需要三个项目来计算算术平均值。

孩子11岁时的测试成绩。我们没有选择性学校入学考试的数据，但是，在孩子进入中学前，他们通常需要参加考试，包括英语和数学考试。在我们的样本中，这些测试包括了两个英语测试（阅读和写作）和三个数学测试（计算器与非计算器测试，以及心算测试）。 由于数学和英语成绩之间存在高度相关性（r = 0.67），我们创建了要求数学和英语两者都有的考试成绩组合。

能力（一般认知能力，g）。 为了测量一般认知能力，作为TEDS测试的一部分，参与者被要求在11岁时完成一项在线的系列认知测试。这些测试包括口头和非口头能力（M = 11.2，SD = 0.69）。 平均分数来自四项测试，两项口头测试（韦式儿童智力量表（WISC），词汇多项选择和WISC一般知识测试）46 6和两项非口头测试（瑞文氏标准推理测试47 和WISC图片完成测试）。48

数据可用性

关于数据可用性的信息，请参见双胞胎早期开发研究数据库，可在网站找到http://www.teds.ac. uk/research/collaborators-and-data/teds-data-access-policy.

分析

全基因组多基因评分。我们计算了基于历年教育最大的GWA研究（N = 293,723个个体）总结数据的多基因分数。39 通过采用GWA研究中关于基因变异及特点相关度的总结数据，在独立样本中给个体基因类型进行打分。对于独立样本中的每个基因型，所有性状相关基因都被计数，并乘以它们的影响大小（如GWA总结数据中的性状关联强度）。这些加权和计数的等位基因的总和形成每个个体的多基因评分。我们采用软件PRSice创建每个个体的GPS。在250kb的窗口内截至R2= 0.1，通过质量控制，SNP聚合而成连锁不平衡。基于基因变异的不同GWA研究信号阈值，可以计算多种GPS，其中p值阈值较不严格，从而导致GPS中包含更多的SNP。在这里，我们计算了GPS的七个p值阈值（0.001, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5）。我们在正文中做了p值阈值为0.05的分析；在附录图S5中对其他p值阈值做了分析。我们回顾了前十个主要部分的所有GPS，并在分析中采用了这些标准残差来解释人口分层。

平均差异。为了评估三类学校（公立非选择性学校、文法学校和私立学校）之间的差异，我们采用了计划对比的单向ANOVA（方差分析）。除了三级学校类型分析外，我们还进行了后续分析，研究在有或没有文法学校地区的公立非选择性学校之间的差异：完全选择性地区的非选择性学校，部分选择性地区的非选择性学校，以及非选择性地区的非选择性学校。由于各组样本量不同，我们使用调整后Cohen d值来估计影响大小。这一测试结合样本大小的权重，对汇总标准差的计算做了调整。

在控制录取因素（家庭社会经济地位，先前成就和先前能力）和EduYears GPS后，为了测试学校类型的影响，我们使用虚拟编码进行了层级回归模型。更多有关分析的信息，请参见附录研究方法S3。

所有研究方法均按照相关规定和指南进行。

>>声明

本翻译仅作了解之用，并非用于学术研究或商业决策。芥末堆海外翻译社群的小伙伴们力求将关键理念与思想更广泛地传播至中文区域，故部分表达可能与原文有所差异。如需使用，请查证原文。