Abstract:
Online college courses are a rapidly expanding feature of higher education, yet little research identifies their effects relative to traditional in-person classes. Using an instrumental variables approach, we find that taking a course online,instead of in-person, reduces student success and progress in college. Grades are lower both for the course taken online and in future courses. Students are less likely to remain enrolled at the university. These estimates are local average treatment effects for students with access to both online and in-person options; for other students, online classes may be the only option for accessing college-level courses.
大学在线课程是高等教育迅速发展的一个特点。现在，三分之一的学生在大学生涯中至少选修了一门在线课程，这一比例在过去十年中增长了三倍。尽管随着科学技术的发展和高等教育的不断改革，在线课程越来越普遍，使用量也不断增长，但仍然鲜有研究探讨在线课程对大学生学业成绩的影响。
因此，本文评估了在线课程（相较于传统的面授课程）对大学生学业成绩和未来成就的影响
文章框架：
01 引言
02 数据
03 理论模型
04 实证分析
05 结论
02 数据
本文研究对象是一所大型盈利性大学中正在攻读本科学士学位的学生，该校每一门课程都提供了在线课程和面授课程两种形式，是否开设面授课程会随着时间变动和校区的不同而有所差异。一般而言，三分之二的本科课程提供在线讲授方式，其他三分之一课程在全美100多所分校中的一所进行。本文研究对象，提供了从2009年春季到2013年秋季所有参加在线和部分面授课程学生的成绩数据，包括750门不同课程超过23万名学生的信息。在研究数据中，约有三分之一的学生同时参加了在线和线下面授课程。研究数据显示：参加在线课程的学生中，女性和年龄更大的学生比例更大。本文的研究重点是学生成绩水平和分布情况。理想情况下，学生在每门课上的学习情况(无论是在线还是线下)缺少直接的学习指标衡量。因此，作者使用当前课程和未来课程成绩衡量学生的学习结果，对课程成绩的过度解读保持谨慎。
如表1所示，在传统的0（F）到4（A）分数量表上，平均分为2.8（约B−）。等级差别很大，标准偏差为1.3（超过一个等级）。超过88%的学生在接下来一个学期仍就读，或者已毕业。此外，与在线课程相比，面授课程得分始终较高。
为了评估在线课堂和面授课堂学生在课程成绩上的平均差异，作者设计如下模型：
为解决选择性偏差问题，作者运用了工具变量法（IV）进行估计。作者选用以下两个变量的交互项测量Onlineict：(i)每学期在每个学生所在的当地校园提供的面授课程的变化，如提供，则Offeredb(i)ct=1，否则Offeredb(i)ct=0；(ii)每个学生距离在当地校园参加面授课程的距离，Distanceit。在2SLS估计中，我们在第一阶段和第二阶段还加入了Offeredb(i)ct和Distanceit 2个变量。
IV选择Offeredb(i)ct和Distanceit的交互项满足相关性假设和外生性假设。同时还满足：（1）无论学生是否选择面授课程，任何影响学生与校园距离的课程成绩(持久性)的机制都是恒定的；（2）无论学期中有或没有面授授课选项，任何导致成绩(持久性)差异的机制，都会对学生的校园距离产生相同的影响。当学生可以在在线课程和线下授课之间做出选择时，学生距离校园的距离可能会影响他们选择在线而不是线下授课，而线上课程可能会降低(提高)学生的学业成绩。
（1）基准结果
表3报告了使用交互工具变量策略估计的平均课程效果(LATE)。从回归结果中可以发现，线上课程使学生课程成绩下降0.44个绩点，大约下降0.33个标准差。换句话说，参加面授课程的学生平均成绩约为B-(2.8分)，而在线课程的学生平均成绩为C(2.4分)。此外，在线课程会使学生下学期的GPA降低0.15分。
附录表4还分析了在线课程影响学生成绩分布的结果。可以发现，选择在线课程将使学生获得A或更高分数的概率下降12.2个百分点，B或更高分数下降13.5个百分点，C或更高分数下降10.1个百分点，D或更高分数下降8.5个百分点。对在及格或不及格边缘的学生的负面影响可能更小。
（2）稳健性检验
第一，距离当地校园的距离和亲自参加课程的概率之间的关系很可能是非线性的。为了测试最后结果对这种非线性的敏感性，作者重新估计了最初的模型，用距离的二次函数(表4 Panel A)和三次函数(Panel B)替换了最初的距离变量。得到的结果与表3中的主要线性规格非常相似。
第二，将估计样本限定为居住在校园给定距离内的学生，并估计在该距离内的主要估计结果。对于住得离校园较近的学生来说，参加在线课程的影响仍然是负面的。
第三，工具变量τ可能会在学期t之前的（τ< t）期间影响学生在其他课程中的选择行为。为此提供两个稳健性检验。首先，预估工具变量和之前的GPA之间存在相关性，因此回归中忽略之前的GPA控制将增加估计的偏差。表4Panel C中结果表明忽略之前的GPA控制并不会改变结果。其次，Panel D显示，将样本限制在大学第一学期的学生时，估计结果也稳健。对于新生来说，工具变量影响之前的学术选择和经历的范围要小得多。
第四，由于对从不参加过考试的人的观察数据缺失而产生的潜在偏差。如果从估计样本中排除从未参加考试的人，偏差应该会降低。表4Panel E中，估计结果报告了评估样本排除了在上一学期从未上过在线课程的学生的结果，仍与原结论一致。
第五，学生最初住所的距离。表4Panel F中，估计结果报告了主要结果不是由学生的居住地变化驱动的。
第六，探讨了对未来成绩的估计影响中潜在的减员偏差。减员损耗隐含在下学期入学结果中。在表5中，作者用一种不受减员影响的替代结果测量方法来检验未来成绩。例如，在第1列中，如果学生在下学期的平均成绩达到A-或更高，则因变量=1，否则=0。其他列显示由B和C级阈值定义的结果。在未来成绩分布的这些点上，在线课程的估计影响是消极和显著的。
（3）异质性分析
首先，对于之前GPA较低的学生来说，在线课程的负面影响最大，并且随着之前GPA的上升，负面影响会减小。如图1所示。
其次，不同专业间，按专业划分的影响差异不如按先前GPA划分的影响差异大。在线课程的负面影响在与健康相关专业的负面影响要比在商务或计算机相关专业大一些。
最后，作者进一步通过比较不同类型课程的处理效果来探讨潜在的异质性。对于选修必修课的学生(约占样本的一半)，对学生成绩的影响更大一些，但对学生学习的持久性的影响更小一些。作者还分别评估了在入门/中级课程和高级课程中在线学习的效果。在两个课程水平上，对当前课程成绩的负面影响都存在。对高级课程的学生来说，对未来课程成绩的影响更大，但对入门或中级课程来说，对学习持久性的影响更大。
05 结论
作者运用IV进行估计后发现：在线课程（相较于传统的面授课程）对学生的学业成绩具有显著的负面影响。影响不仅表现在学习时期，而且具有持续性的特点。学习时期，在线课程对先前GPA较低的学生的负面影响更强。持续性影响体现在劳动力市场中，接受在线课程多的学生表现更差、成就更小。
虽然本文研究的环境和数据在估计上具有优势，但文章没有机会从实证上研究潜在的机制。文中并没有讨论了以下几个可能的机制：（1）在线课程由于学习时间的灵活性，给那些还没学会管理时间的学生带来挑战。（2）在线课程改变了对学术互动的限制和期望。教授和学生不会面对面交流，来自教授的监督更少，学生回答教授问题的压力也更小。（3）在线课程和面授课程老师的教授方式和课程内容可能存在差别。最后，虽然作者发现在线课程会导致学生成绩下降，但无法提供全面的福利分析，缺少更深一步的研究，这也是本文研究的一个不足之处。
参考文献：Bettinger E, Fox L, Loeb S, et al.Virtual Classrooms: How Online College Courses Affect Student Success[J].American Economic Review, 2017, 107(9): 2855-2875.
