综述：通过批判意识实现定量严谨性：教育研究方法之桥

这篇综述创新性地将批判理论（Critical Theory）与定量方法（如多水平异质性分析MAIHDA、贝叶斯统计）相结合，提出"教育债务"（Educational Debts）框架替代传统"成绩差距"叙事，系统探讨了交叉回归模型、缺失数据处理（Multiple Imputation）和模型不确定性（Compatibility Intervals）等关键方法学选择，为教育公平研究提供了兼具方法严谨性（p-values规范使用）与伦理考量的量化研究范式（CritQuant/QuantCrit）。

　　

交叉性建模：解构教育不平等的统计透镜
传统定量教育的机械性训练往往忽视模型假设背后的权力结构。通过多水平个体异质性和判别分析（MAIHDA），研究者能够捕捉种族、性别等交叉社会身份产生的复杂效应。这种源自黑人女权主义的交叉性理论（Intersectionality）框架，将学生成绩差异重新定义为社会结构动态作用的结果而非个体缺陷。

统计显著性的认知革命
《美国统计学家》特刊明确指出：统计显著性（p<0.05）不应等同于科学重要性。效应量与标准误的比值（p-values）常被误用为"科学真理"的通行证，实则可能掩盖微小但具实际意义的公平性差异。兼容区间（Compatibility Intervals）和贝叶斯后验预测检查等替代方法，为识别系统性偏见提供了更丰富的统计视角。

缺失数据：教育研究中的沉默螺旋
当弱势群体学生因转学、拒答等原因产生数据缺失时，传统的完整案例分析（Complete Case Analysis）会加剧统计偏差。多重插补（Multiple Imputation）技术通过构建多个合理替代值，保留边缘化群体的数据足迹，防止其教育经历被"统计性抹除"。

社会教育债务：重构不平等叙事
将成绩差距（Achievement Gaps）重新定义为教育债务（Educational Debts），这一范式转换将责任主体从个体转向社会制度。如同复利累积的金融债务，历史性歧视政策通过资源分配、课程设置等机制持续产生"教育利息"，量化研究需要揭示这种结构性再生产机制。

方法论整合的未来图景
批判定量研究（CritQuant）不是要抛弃传统方法，而是将回归模型转化为"社会公平显微镜"。通过交叉项参数化、贝叶斯分层模型等技术创新，量化工具得以捕捉身份认同与权力结构的动态交互。这种兼具方法严谨性与伦理敏感性的研究范式，正在重塑教育公平的实证研究景观。