De l’importance du QI dans la réussite scolaire : analyse du NLSY79 et NLSY97

Dans The Bell Curve, Herrnstein et Murray ont démontré que le QI était de très loin plus important que le statut socio-économique (SES) des parents pour prédire le succès économique. Toutefois, ils n’ont généralement pas étendu leur analyse aux autres groupes ethniques tels que les hispaniques et les noirs. C’est pourquoi je l’ai fait. Ma conclusion supporte néanmoins celle de Herrnstein et Murray. Le QI reste le prédicteur le plus important de réussite sociale, et ce, quelque soit le groupe ethnique et les genres.

Pour ceux qui souhaitent répliquer la présente analyse, j’ai expliqué la méthode dans un précédent article, et il ne sera pas utile de me répéter ici. La liste des variables utilisées et la syntaxe, voir note [1].

Commençons par une série d’analyses de corrélation partielle qui, rappelons-le, consiste à corréler deux variables (ici, ASVAB et probabilité de répéter une année scolaire) en contrôlant l’influence d’une troisième variable (ex, éducation des parents) sur les deux variables à corréler (N’oubliez pas comme d’habitude de cocher les cases “Means and standard deviations” and “Zero-order correlations”). Successivement  pour les hommes noirs (N = 500), les femmes noires (N = 555), les hommes hispaniques (N = 276), les femmes hispaniques (N = 254), les hommes blancs (N = 1482), les femmes blanches (N = 1406). Ci-dessous, j’ai inclus simultanément deux variables de contrôle, le revenu et l’éducation des parents, ce qui consiste donc en une analyse de corrélation partielle de deuxième-ordre, puisque deux variables sont contrôlées simultanément.

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for black (1) males (1)

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for black (1) females (2)

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for hispanic (2) males (1)

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for hispanic (2) females (2)

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for white (3) males (1)

NLSY97 - Repeat Grade correl. ASVAB controlling for Parent Educ. and Income for white (3) females (2)

Il ne souffre d’aucune contestation que l’inclusion simultanée de l’éducation parentale et du revenu parental n’a pratiquement aucun effet pour les hispaniques et les blancs. Ces indices du SES ont plus d’effet chez les noirs, mais cela reste relativement très faible. La probabilité de répéter une année scolaire reste toujours étroitement associée au QI.

Ensuite, j’ai fait exécuter une régression linéaire pour chaque groupe, soit six au total. Dans le même ordre que la précédente analyse. Respectivement, les échantillons : N = 501, N = 555, N = 280, N = 256, N = 1502, N = 1419. En variable dépendante, j’ai inséré ma variable RGRADE, qui n’est ni plus ni moins le nombre d’années d’éducation du sujet. En variables indépendantes, ASVAB, PARENTEDUC, et PARENTAL_INCOME. Les bêtas standardisés dans les tableaux ci-dessous montrent ce qu’il en est.

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for black (1) males (1)

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for black (1) females (2)

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for hispanic (2) males (1)

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for hispanic (2) females (2)

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for white (3) males (1)

NLSY97 - Linear Regression - RGRADE on Parental Educ-Income and ASVAB for white (3) females (2)

Pour chacun des groupes, le QI, mesuré par l’ASVAB, un test très chargé en facteur g, est de loin le plus important prédicteur de niveau scolaire, net des effets des autres variables insérées. Le coefficient, pour chacun des groupes, est deux à trois fois supérieur au coefficient correspondant à l’éducation ou revenu parental. J’ai aussi affiché les corrélations d’ordre zéro (simple corrélations bivariées sans variables de contrôles) et les corrélations partielles et semi-partielles. On remarquera que l’inclusion des indices du statut socio-économique réduit de façon modérée l’effet du QI sur le niveau d’éducation. En revanche, lorsque le QI est pris en compte, l’effet des indices du statut socio-économique sur le niveau d’éducation atteint est considérablement réduit.

J’examine ensuite les données du NLSY79 [2]. Là encore, j’ai fait exécuter une régression linéaire pour chaque groupe, soit six au total; successivement, les tableaux suivants désignent, hispanic (1) males (1), N = 406, hispanic (1) females (2), N = 456, black (2) males (1), N = 740, black (2) females (2), N = 895, white (3) males (1), N = 1581, white (3) females (2), N = 1649.

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for hispanic (1) males (1)

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for hispanic (1) females (2)

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for black (2) males (1)

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for black (2) females (2)

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for white (3) males (1)

NLSY79 - Linear Regression - RGRADE1990 on Parental Educ-Income and AFQT revised for white (3) females (2)

Comme nous pouvons le voir, le QI reste de loin le prédicteur le plus important de la réussite scolaire, indépendamment des effets de l’éducation parentale et du revenu parental. Fait intéressant, l’importance relative de l’éducation parentale est moindre pour les noirs (~0.140) et insignifiant pour les hispaniques (0.040 et 0.090), comparés aux blancs (0.230 et 0.250). Peut-être cela est-ce due à des différences culturelles ou d’environnement familial et styles parentaux, ou quelque chose qui s’y rapproche. Il est curieux que l’éducation des parents chez les hispaniques n’est même pas avantageuse pour leurs enfants. C’est très curieux, mais quand bien même, ce résultat n’est pas répliqué dans les données du NLSY97. Dans tous les cas, dans les deux bases de données, le QI est sans contestation le facteur le plus important de réussite.

Enfin, j’examine ce qu’il advient des différences de niveau d’éducation entre les noirs et les blancs (aux Etats-Unis comme toujours) une fois le QI contrôlé (chez les mâles, puis les femelles), et une fois le niveau d’éducation des parents contrôlé (chez les mâles, puis les femelles). D’abord, pour le NLSY97 :

NLSY97 - the Black-White grade gap controlling for PARENTEDUC among males

NLSY97 - the Black-White grade gap controlling for PARENTEDUC among females

NLSY97 - the Black-White grade gap controlling for ASVAB among males

NLSY97 - the Black-White grade gap controlling for ASVAB among females

Les tableaux indiquent que le niveau d’éducation des parents a un effet modéré sur la corrélation entre BWRACE_var et RGRADE. En revanche, lorsque le QI est contrôlé, on voit que la corrélation devient négative. Rappelons la façon dont j’ai codé ma variable BWRACE (1 = blacks, 2 = whites). Autrement dit, une corrélation positive indiquerait que le niveau d’éducation augmente si l’on passe de la valeur 1 à la valeur 2 (l’augmentation des valeurs de la variable RGRADE est positivement corrélée à l’augmentation des valeurs de la variable BWRACE). Donc, une corrélation négative indiquerait l’inverse. Nous voyons bien que les coefficients de corrélation sont passés de positif à négatif. Ainsi, à QI constant, les noirs ont un niveau d’éducation plus élevé que les blancs. C’est ce que Herrnstein & Murray avaient démontré dans The Bell Curve (1994, p. 320).

Et ensuite, j’effectue la même analyse pour le NLSY79, pour les mâles, et les femelles ensuite :

NLSY79 - the Black-White grade gap controlling for PARENTEDUC79 among males

NLSY79 - the Black-White grade gap controlling for PARENTEDUC79 among females

NLSY79 - Black-White grade gap controlling for AFQT (revised) among males

NLSY79 - Black-White grade gap controlling for AFQT (revised) among females

Une fois de plus, le QI a un effet bien plus important que le niveau d’étude des parents. Pourquoi, à QI constant, les africains ont-ils des niveaux d’éducation plus élevés que les blancs, c’est une bonne question. Deux théories s’affrontent. Certains chercheurs, comme Mangino (2009) ou Downey et al. (2009), estiment que les noirs possèdent un atout sur les blancs : ils seraient plus motivés. D’autres, comme Herrnstein & Murray (1994, ch. 19-20) estiment que ceci est simplement l’effet de la discrimination positive. Quelque soit la réponse, l’importance du QI demeure.

NOTES

[1] Voici la liste des variables utilisées :

R12358.00 CV_SAMPLE_TYPE SAMPLE TYPE. CROSS-SECTIONAL OR OVERSAMPLE 1997
R12362.01 SAMPLING_PANEL_WEIGHT ROUND 1 SAMPLING WEIGHT PANEL METHOD 1997
R12013.00 CV_CITIZENSHIP CITIZENSHIP STATUS BASED ON BIRTH 1997
S76422.00 YHHI-55701 WAS R BORN IN U.S., ITS TERRITORIES OR PUERTO RICO 2006
T01358.00 YHHI-55701 WAS R BORN IN U.S., ITS TERRITORIES OR PUERTO RICO 2007
T21107.00 YHHI-55701 WAS R BORN IN U.S., ITS TERRITORIES OR PUERTO RICO 2008
T37217.00 YHHI-55701 WAS R BORN IN U.S., ITS TERRITORIES OR PUERTO RICO 2009
R13025.00 CV_HGC_BIO_MOM BIOLOGICAL MOTHERS HIGHEST GRADE COMPLETED 1997
R13024.00 CV_HGC_BIO_DAD BIOLOGICAL FATHERS HIGHEST GRADE COMPLETED 1997
Z90838.00 CVC_HGC_EVER RS HIGHEST GRADE COMPLETED XRND
R14826.00 KEY!RACE_ETHNICITY KEY!RACE_ETHNICITY, COMBINED RACE AND ETHNICITY (SYMBOL) 1997
R05363.00 KEY!SEX KEY!SEX, RS GENDER (SYMBOL) 1997
R06098.00 P5-016 TOTAL INCOME FROM PRS WAGES AND SALARY LAST YEAR (TRUNC) 1997
R06101.00 P5-019 PRS TOTAL INCOME FROM BUS OR FARM LAST YEAR (TRUNC) 1997
R06105.00 P5-028 TOTAL INCOME PRS SPOUSE FROM WAGES AND SALARY LAST YEAR (TRUNC) 1997
R06108.00 P5-032 TOTAL INCOME OF PRS SPOUSE FROM BUS OR FARM LAST YEAR (TRUNC) 1997
R06111.00 P5-046 TOTAL INCOME FROM INTEREST FROM PRS BANK SOURCES AND ACCOUNTS? (TRUNC) 1997
R06127.00 P5-068 PRS TOTAL INCOME FROM SS, PENSION, VETERAN, INSURANCE LAST YEAR (TRUNC) 1997
R98296.00 ASVAB_MATH_VERBAL_SCORE_PCT ASVAB MATH_VERBAL SCORE PERCENT 1999
R06742.00 PC8-141 R EVER REPEAT ANY GRADE? 1997

Pour la présente analyse du NLSY97, faites exécuter la syntaxe suivante :

RECODE R1201300 (1=1) (2=2) into RUSBORN1.
VARIABLE LABELS RUSBORN1 1 ‘Yes’ 2 ‘No’.
EXECUTE.

RECODE S7642200 (1=1) (0=2) into RUSBORN2.
VARIABLE LABELS RUSBORN2 1 ‘Yes’ 2 ‘No’.
EXECUTE.

RECODE T0135800 (1=1) (0=2) into RUSBORN3.
VARIABLE LABELS RUSBORN3 1 ‘Yes’ 2 ‘No’.
EXECUTE.

RECODE T2110700 (1=1) (0=2) into RUSBORN4.
VARIABLE LABELS RUSBORN4 1 ‘Yes’ 2 ‘No’.
EXECUTE.

RECODE T3721700 (1=1) (0=2) into RUSBORN5.
VARIABLE LABELS RUSBORN5 1 ‘Yes’ 2 ‘No’.
EXECUTE.

COMPUTE RUSBORN =0.
IF R1201300 =1 or S7642200 =1 or T0135800 =1 or T2110700 or T3721700 =1 RUSBORN =1.
EXECUTE.

LIST R1201300 S7642200 T0135800 T2110700 T3721700 RUSBORN.
EXECUTE.

IF R1302500=0 or R1302400=0 PARENTEDUC=0.
IF R1302500=1 or R1302400=1 PARENTEDUC=1.
IF R1302500=2 or R1302400=2 PARENTEDUC=2.
IF R1302500=3 or R1302400=3 PARENTEDUC=3.
IF R1302500=4 or R1302400=4 PARENTEDUC=4.
IF R1302500=5 or R1302400=5 PARENTEDUC=5.
IF R1302500=6 or R1302400=6 PARENTEDUC=6.
IF R1302500=7 or R1302400=7 PARENTEDUC=7.
IF R1302500=8 or R1302400=8 PARENTEDUC=8.
IF R1302500=9 or R1302400=9 PARENTEDUC=9.
IF R1302500=10 or R1302400=10 PARENTEDUC=10.
IF R1302500=11 or R1302400=11 PARENTEDUC=11.
IF R1302500=12 or R1302400=12 PARENTEDUC=12.
IF R1302500=13 or R1302400=13 PARENTEDUC=13.
IF R1302500=14 or R1302400=14 PARENTEDUC=14.
IF R1302500=15 or R1302400=15 PARENTEDUC=15.
IF R1302500=16 or R1302400=16 PARENTEDUC=16.
IF R1302500=17 or R1302400=17 PARENTEDUC=17.
IF R1302500=18 or R1302400=18 PARENTEDUC=18.
IF R1302500=19 or R1302400=19 PARENTEDUC=19.
IF R1302500=20 or R1302400=20 PARENTEDUC=20.

IF Z9083800=0 RGRADE=0.
IF Z9083800=1 RGRADE=1.
IF Z9083800=2 RGRADE=2.
IF Z9083800=3 RGRADE=3.
IF Z9083800=4 RGRADE=4.
IF Z9083800=5 RGRADE=5.
IF Z9083800=6 RGRADE=6.
IF Z9083800=7 RGRADE=7.
IF Z9083800=8 RGRADE=8.
IF Z9083800=9 RGRADE=9.
IF Z9083800=10 RGRADE=10.
IF Z9083800=11 RGRADE=11.
IF Z9083800=12 RGRADE=12.
IF Z9083800=13 RGRADE=13.
IF Z9083800=14 RGRADE=14.
IF Z9083800=15 RGRADE=15.
IF Z9083800=16 RGRADE=16.
IF Z9083800=17 RGRADE=17.
IF Z9083800=18 RGRADE=18.
IF Z9083800=19 RGRADE=19.
IF Z9083800=20 RGRADE=20.

COMPUTE PARENTAL_INCOME = SUM(R0609800, R0610100, R0610500, R0610800, R0611100, R0612700).
EXECUTE.

RECODE R1482600 (1=1) (4=2) (ELSE=SYSMIS) INTO BW_RACE.
VARIABLE LABELS BW_RACE ‘BWRACE_var’.
EXECUTE.

RECODE R1482600 (2=1) (4=2) (ELSE=SYSMIS) INTO HW_RACE.
VARIABLE LABELS HW_RACE ‘HWRACE_var’.
EXECUTE.

RECODE R1482600 (1=1) (2=2) (4=3) (ELSE=SYSMIS) INTO BHW_RACE3.
VARIABLE LABELS BHW_RACE3 ‘BHWRACE3_var’.
EXECUTE.

USE ALL.
COMPUTE filter_$=(RUSBORN=1).
VARIABLE LABELS filter_$ ‘RUSBORN=1 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.

SORT CASES BY BHW_RACE3 R0536300.
SPLIT FILE SEPARATE BY BHW_RACE3 R0536300.

PARTIAL CORR
/VARIABLES=R0674200 R9829600 BY PARENTEDUC PARENTAL_INCOME
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

PARTIAL CORR
/VARIABLES=R0674200 R9829600 BY PARENTEDUC PARENTAL_INCOME RGRADE
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA ZPP
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT RGRADE
/METHOD=ENTER R9829600 PARENTEDUC PARENTAL_INCOME.

SPLIT FILE OFF.

SORT CASES BY R0536300.
SPLIT FILE SEPARATE BY R0536300.

PARTIAL CORR
/VARIABLES=BW_RACE RGRADE BY R9829600
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

PARTIAL CORR
/VARIABLES=BW_RACE RGRADE BY PARENTEDUC
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

Sur votre page d’éditeur de syntaxe SPSS, cliquez sur Run, All. Cela produira tous les tableaux déroulés ci-dessus. Pour désactiver la SPLIT command, faites exécuter la syntaxe suivante :

SPLIT FILE OFF.

Pour désactiver le filtre, exécutez la syntaxe suivante :

FILTER OFF.
USE ALL.
EXECUTE.

Pour exécuter manuellement les commandes ci-dessus, allez dans “Data”, “Split File”, “Organize output by groups” et sélectionnez vos deux variables : BHWRACE3_var, et KEY!SEX (SYMBOL) 1997 [R0536300]. Toutes vos analyses seront par la suite tranchées par chaque groupe contenu dans chacune de ces variables, soit 4 groupes dans BWRACE (dont un qui ne nous intéresse pas, et peu informatif compte tenu du faible échantillonnage), et 2 groupes dans KEY!SEX. Pour désactiver manuellement la SPLIT command, allez dans “Split file”, et cochez “Analyze all cases, do not create groups”.

[2] Pour l’analyse du NLSY79, vous aurez besoin des variables suivantes :

R02161.00 SAMPWEIGHT SAMPLING WEIGHT 1979
R02161.01 C_SAMPWEIGHT CROSS SECTIONAL SAMPLING WEIGHT 1979
R00007.00 FAM-2A COUNTRY OF BIRTH 1979
R00065.00 HGC-MOTHER HIGHEST GRADE COMPLETED BY R’S MOTHER 1979
R00079.00 HGC-FATHER HIGHEST GRADE COMPLETED BY R’S FATHER 1979
R34015.00 HGC HIGHEST GRADE COMPLETED AS OF MAY 1 SURVEY YEAR 1990
R02148.00 SAMPLE_SEX SEX OF R 1979
R02147.00 SAMPLE_RACE R’S RACIAL/ETHNIC COHORT FROM SCREENER 1979
R06182.00 AFQT-1 PROFILES, ARMED FORCES QUALIFICATION TEST (AFQT) PERCENTILE SCORE – 1980 1981
R06183.00 AFQT-2 PROFILES, ARMED FORCES QUALIFICATION TEST (AFQT) PERCENTILE SCORE – REVISED 1989 1981
R06183.01 AFQT-3 PROFILES, ARMED FORCES QUALIFICATION TEST (AFQT) PERCENTILE SCORE – REVISED 2006 1981

Ensuite, copiez-collez la syntaxe suivante, et exécutez-la :

RECODE R0214700 (2=1) (3=2) (ELSE=SYSMIS) INTO BW_RACE79.
VARIABLE LABELS BW_RACE79 ‘BWRACE79_var’.
EXECUTE.

RECODE R0214700 (1=1) (3=2) (ELSE=SYSMIS) INTO HW_RACE79.
VARIABLE LABELS HW_RACE79 ‘HWRACE79_var’.
EXECUTE.

IF R0006500=0 or R0007900=0 PARENTEDUC79=0.
IF R0006500=1 or R0007900=1 PARENTEDUC79=1.
IF R0006500=2 or R0007900=2 PARENTEDUC79=2.
IF R0006500=3 or R0007900=3 PARENTEDUC79=3.
IF R0006500=4 or R0007900=4 PARENTEDUC79=4.
IF R0006500=5 or R0007900=5 PARENTEDUC79=5.
IF R0006500=6 or R0007900=6 PARENTEDUC79=6.
IF R0006500=7 or R0007900=7 PARENTEDUC79=7.
IF R0006500=8 or R0007900=8 PARENTEDUC79=8.
IF R0006500=9 or R0007900=9 PARENTEDUC79=9.
IF R0006500=10 or R0007900=10 PARENTEDUC79=10.
IF R0006500=11 or R0007900=11 PARENTEDUC79=11.
IF R0006500=12 or R0007900=12 PARENTEDUC79=12.
IF R0006500=13 or R0007900=13 PARENTEDUC79=13.
IF R0006500=14 or R0007900=14 PARENTEDUC79=14.
IF R0006500=15 or R0007900=15 PARENTEDUC79=15.
IF R0006500=16 or R0007900=16 PARENTEDUC79=16.
IF R0006500=17 or R0007900=17 PARENTEDUC79=17.
IF R0006500=18 or R0007900=18 PARENTEDUC79=18.
IF R0006500=19 or R0007900=19 PARENTEDUC79=19.
IF R0006500=20 or R0007900=20 PARENTEDUC79=20.

IF R3401500=0 RGRADE79_1990=0.
IF R3401500=1 RGRADE79_1990=1.
IF R3401500=2 RGRADE79_1990=2.
IF R3401500=3 RGRADE79_1990=3.
IF R3401500=4 RGRADE79_1990=4.
IF R3401500=5 RGRADE79_1990=5.
IF R3401500=6 RGRADE79_1990=6.
IF R3401500=7 RGRADE79_1990=7.
IF R3401500=8 RGRADE79_1990=8.
IF R3401500=9 RGRADE79_1990=9.
IF R3401500=10 RGRADE79_1990=10.
IF R3401500=11 RGRADE79_1990=11.
IF R3401500=12 RGRADE79_1990=12.
IF R3401500=13 RGRADE79_1990=13.
IF R3401500=14 RGRADE79_1990=14.
IF R3401500=15 RGRADE79_1990=15.
IF R3401500=16 RGRADE79_1990=16.
IF R3401500=17 RGRADE79_1990=17.
IF R3401500=18 RGRADE79_1990=18.
IF R3401500=19 RGRADE79_1990=19.
IF R3401500=20 RGRADE79_1990=20.

USE ALL.
COMPUTE filter_$=(R0000700=1).
VARIABLE LABELS filter_$ ‘R0000700=1 (FILTER)’.
VALUE LABELS filter_$ 0 ‘Not Selected’ 1 ‘Selected’.
FORMATS filter_$ (f1.0).
FILTER BY filter_$.
EXECUTE.

DESCRIPTIVES VARIABLES=PARENTEDUC79 RGRADE79_1990 R0618301
/SAVE
/STATISTICS=MEAN STDDEV MIN MAX.

MEANS TABLES=ZRGRADE79_1990 ZPARENTEDUC79 ZR0618301 BY BW_RACE79
/CELLS MEAN COUNT STDDEV.

SORT CASES BY R0214700 R0214800.
SPLIT FILE SEPARATE BY R0214700 R0214800.

REGRESSION
/DESCRIPTIVES MEAN STDDEV CORR SIG N
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA ZPP
/CRITERIA=PIN(.05) POUT(.10)
/NOORIGIN
/DEPENDENT RGRADE79_1990
/METHOD=ENTER PARENTEDUC79 R6478700 R0618301.

SPLIT FILE OFF.

SORT CASES BY R0214800.
SPLIT FILE SEPARATE BY R0214800.

PARTIAL CORR
/VARIABLES=BW_RACE79 RGRADE79_1990 BY R0618301
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

PARTIAL CORR
/VARIABLES=BW_RACE79 RGRADE79_1990 BY PARENTEDUC79
/SIGNIFICANCE=TWOTAIL
/STATISTICS=DESCRIPTIVES CORR
/MISSING=LISTWISE.

4 comments on “De l’importance du QI dans la réussite scolaire : analyse du NLSY79 et NLSY97

  1. Jean-Pierre says:

    J’ai trouvé ça chez hoplite* ça pourrait vous intéresser :

    http://www.genethique.org/?q=fr/node/14896

    * ici : http://hoplite.hautetfort.com/archive/2013/03/11/divers.html#c7606505

  2. 猛虎 says:

    Oui, je connais la nouvelle. Je l’avais déjà lu. J’ignore si c’est une bonne chose. Car ce sont justement les gens intelligents qui souhaitent promouvoir le multiculturalisme, et également favorables au métissage. Exactement ce qu’il ne faut pas faire. Même si le QI élevé vous assurera probablement d’être riche, c’est probablement le seul avantage qu’il y a à en tirer. Les personnes intelligentes sont plus ouvertes d’esprit, en bien comme en mal. D’où le problème. Ce sont ce genre d’individus qui estiment qu’il faut toujours excuser les débordements causées par les minorités. En fait, ce sont les gens là mêmes qui ignorent tout des gens qui vivent dans un quartier à majorité minoritaire. Ils sont tout simplement méprisables. Tous les problèmes concernant l’immigration viennent des gens intelligents, qui sont en train de causer la perte identitaire, culturelle, entre 1000 autres choses, de leur propre pays. Les gens moins intelligents, en revanche, sont très conservateurs, et il est probable qu’ils aient beaucoup plus de réticences contre le mariage mixte et l’immigration. Mais ce ne sont pas eux qui décident des politiques à adopter.

    Si cela vous intéresse, j’ai commandé le livre “On Genetic Interests: Family, Ethnicity, and Humanity in an Age of Mass Migration”. Dès que je le recevrais, je le scannerais et le mettrais en ligne. C’est un livre qui fait valoir que l’immigration est une mauvaise chose, et résulte en ce que l’auteur semble appeler une perte génétique. Je dis, semble, car je ne l’ai pas lu en entier. Juste quelques scans qu’on m’a envoyé ici. Mais comme l’individu en question n’a pas l’air très chaud pour scanner l’entièreté du bouquin, je le ferais. C’est un ouvrage bien plus trash que celui qui fait actuellement beaucoup parler en France. Un certain “France: Orange Mécanique”.

  3. Jean-Pierre says:

    Pour rebondir sur votre commentaire, j’ai la profonde intuition que le courage et l’intelligence sont en quelque sorte inversement proportionnels.

    En effet, moins on est intelligent et plus on est obligé par la vie difficile que l’on mène à faire preuve de courage pour avancer dans la vie, à l’inverse plus on est intelligent et plus votre intelligence vous amène à une vie aisée éloignée de toute menace extrême, c’est-à-dire une vie dans laquelle vous n’avez à priori pas besoin de faire preuve de courage pour vivre. Dès lors plus vous êtes intelligent et moins vous êtes apte en quelque sorte à comprendre la réalité de la vie, ce qui semble paradoxal à première vue, et qui quelque part rejoint votre remarque ci-dessus.

    Or les deux, courage et intelligence, sont absolument nécessaire pour faire un honnête homme.
    Et c’est là le drame.

    (C’est un peu confus voire sommaire mais j’espère m’être fait comprendre.)

  4. 猛虎 says:

    C’est aussi mon avis. Par contre, s’il est vrai que courage et intelligence sont sans doute tous deux nécessaire pour faire un homme honnête, je pense qu’il faut préciser aussi que les individus moins intelligents sont certainement moins honnêtes, non l’inverse. L’une des raisons serait que nos lois seraient devenues trop complexes. J’en avais parlé dans les dernières lignes de ma note de lecture sur “The Bell Curve”.
    https://analyseeconomique.wordpress.com/2013/02/11/the-bell-curve-herrnstein-murray-les-notes-essentielles/

    Brièvement, les deux derniers chapitres du livre expliquent que les individus intelligents méprisent semble-t-il, tout ce qui est simple. C’est pourquoi notre système devient plus complexe, car nos élites pensent que ce système est supérieur. Herrnstein et Murray font valoir que si la loi était moins nuancée, comme par exemple “tu ne voleras point”, au lieu de “tu ne voleras point sauf s’il y a une bonne raison de le faire”, les individus moins intelligents ne commettraient pas ce genre de délit, ou moins. Dans ces conditions, il est fort possible que la corrélation négative entre intelligence et criminalité soit plus faible que ce qu’il en est actuellement. Le problème d’une société qui fonctionne sur des règles et fondements moraux comme “sauf si”, “à moins que”, vient du fait que les personnes moins intelligentes peuvent interpréter de façon maladroite ces codes moraux. Avec des textes plus simples, moins nuancés, plus fermes, il n’y aurait pas de place pour les mauvaises interprétations.

    Je note aussi que dans Coming Apart, au chapitre 1, Murray dit que les individus de la classe aisées ne sont pas seulement ignorant de la façon dont vivent les gens de la classe populaire. C’est aussi qu’ils n’en ont rien à faire.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s