BN→MATH β = standartizētais regresijas koeficients no Beiza tīkla (BN) vadītā SEM modeļa, kur šis mainīgais ir tiešais PV1MATH prognozētājs. Piem., β=0.134 nozīmē: palielinot prognozētāju par 1 SD, PV1MATH pieaug par 0.134 SD.
Teor.→MATH β = tas pats, bet no teorētiskā (manuāli specificētā) SEM modeļa. Parādās tiem mainīgajiem, kuriem BN neatrada tiešu ceļu uz MATH, bet teorētiskais modelis to iekļāva.
LASSO β = koeficients no lessSEM LASSO regularizācijas. Parādās mainīgajiem, kuri nebija tiešie BN→MATH prognozētāji, bet tika iekļauti LASSO pilnajā modelī.
SHAP: #1 (7.26) = Random Forest SHAP nozīmības rangs un vidējā |SHAP| vērtība. #1 = visnozīmīgākais prognozētājs.
Mediācija = cik % no kopējā efekta iet caur katru starpnieku (piem., HOMEPOS efekts 53% caur lasītprasmi).
Supresora efekts = bivariatīvi korelācija ar MATH ir pozitīva, bet SEM koeficients ir negatīvs (jo citi prognozētāji jau pārklāj kopīgo variantu).
Atvasinātais indekss = PISA izveidots kompozītais rādītājs no vairākiem anketas jautājumiem (nevis viens konkrēts jautājums).