中学生の母親の受験志向と子どもの成績の関連

問題の所在

高校・大学の入試改革、高大接続など、義務教育外の教育課程について改革の機運が高まっている。同時に学校外教育や私立中高が台頭し、従来指摘されてきた家庭における経済的・文化的資源に加え、保護者の教育意識や教育選択が子どもの進路に影響を与える「ペアレントクラシー」が起きていることが指摘されている(Brown 1990: p66)。 ペアレントクラシーは教育界の新自由主義化と共依存関係にあり(志水 2022)、子どもの進路形成における親の教育行動の重要性が益々増大している。 本田(2008)では母親学歴が高いほど子どもの進路形成に熱心に関与し教育加熱が起こる様子を描き出している。さらに石川他(2011)は地域による教育に対する意識の差異はあれど、中流階級の親が貧困に陥らないことを目的に、戦略的な教育行動をとっている様子が明らかにされている。 一方、母親の教育期待に対して実際に子どもがどのような成果を残しているのかについての研究は少ない。そこで本稿では母親の教育に対する意識によって、学習のアウトカムである子どもの成績が変化するかを検討する。

仮説

親の教育意識として挙げられるものに、教育アスピレーション、通塾行動、学校に期待するものなどがある(山下 2016)。本稿ではこの中でも特に教育アスピレーションに着目し、公私に関わらず次の教育段階に進むために受験をする必要がある中学生の親について、親の受験に対する意識を利用する。 このような親の教育意識に対して、子どもはそれらを内面化する側面も否定できない一方で、高校受験に際しては自身の状況に関する要因や高校に関する要因が、教育意識の形成要因となっている(藤原 2009)。本稿では子どもが教育意識を形成する際の参考になる要素として大きな割合を占める成績に着目し、母親と子どもそれぞれの教育意識形成要因の間に関連がみられるかを検証する。

よって次のような仮説を設定する．

仮説1：母親の受験志向は子どもの成績と関連する

母親の受験志向は、複数の要因によって規定されていると考えられる。 藤原(2009)では子どもの性別、高校の偏差値及び学科、親の職業及び学歴、世帯収入、子どもの数を統制して分析を行っている。本稿ではデータの制約及び分析の都合上、世帯収入、母親の教育年数を統制しても仮説1の関連は残るかどうかを検証する。

仮説2：世帯収入および母親の教育年数の影響を統制しても，母親の受験志向は子どもの成績と関連する

以下ではデータを用いてこの仮説を検証する．

方法

データ

用いるデータは「中学生と母親パネル調査，2015」である． 2015年に中学3年生とその母親4117ペアに対して行った郵送調査であり， 1859ペアからの有効回答がえられている（45.0%）．

本調査は母子それぞれに対してペアで行われている調査であり、母子それぞれ本人の回答を回収することができているため、本稿の、母親の受験志向と子どもの中3時成績の自己評価を同時に分析できる点で有用である。

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.0     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(here)

here() starts at C:/Users/shino/OneDrive/ドキュメント/4S/ERM2024

d <- read_csv(here("PJ010.csv"))

Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
  dat <- vroom(...)
  problems(dat)

Rows: 1854 Columns: 544
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
dbl (532): ID, survey2015, c1_pref, c1_citysize, c1_1_1, c1_1_2a, c1_1_2b, c...
lgl  (12): VARIABLES_2015_Children, VARIABLES_2015_Mother, m1_9_5OCPC, m1_24...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

nrow(d)

[1] 1854

変数

従属変数は子どもの成績である．gpa_sumとして作成した．

独立変数は母親の受験志向であり，exam_positiveとして作成した．

統制変数として，世帯収入と母親教育年数を用いる．世帯収入はincomeとし，母親教育年数はmeduyとして作成した．

# 変数の処理
# 成績
d <- d |> 
  mutate(gpa_japanese = case_match(c1_15b,
                                   1 ~ 5,
                                   2 ~ 4,
                                   3 ~ 3,
                                   4 ~ 2,
                                   5 ~ 1,
                                   .default = NA),
         gpa_math = case_match(c1_15c,
                               1 ~ 5,
                               2 ~ 4,
                               3 ~ 3,
                               4 ~ 2,
                               5 ~ 1,
                               .default = NA),
         gpa_science = case_match(c1_15d,
                                      1 ~ 5,
                                      2 ~ 4,
                                      3 ~ 3,
                                      4 ~ 2,
                                      5 ~ 1,
                                      .default = NA),
         gpa_social = case_match(c1_15e,
                                 1 ~ 5,
                                 2 ~ 4,
                                 3 ~ 3,
                                 4 ~ 2,
                                 5 ~ 1,
                                 .default = NA),
         gpa_english = case_match(c1_15f,
                                  1 ~ 5,
                                  2 ~ 4,
                                  3 ~ 3,
                                  4 ~ 2,
                                  5 ~ 1,
                                  .default = NA),
         gpa_sum = gpa_japanese + gpa_math + gpa_science + gpa_social + gpa_english)


# 母親受験志向
d <- d |> 
  mutate(exam_positive = case_match(m1_19b,
                                    1 ~ 5,
                                    2 ~ 4,
                                    3 ~ 3,
                                    4 ~ 2,
                                    5 ~ 1,
                                    .default = NA))

# 母親教育年数
d <- d |> 
  mutate(meduy = case_match(m1_25m_b,
                    1 ~ 9,
                    2:3 ~ 12,
                    4:6 ~ 14,
                    7 ~ 16,
                    8 ~ 18,
                    .default = NA))
       
# 世帯収入
d <- d |>
  mutate(income = case_match(
    m1_35_1,
    1 ~ 5,
    2 ~ 12.5,
    3 ~ 37.5,
    4 ~ 62.5,
    5 ~ 87.5,
    6 ~ 112.5,
    7 ~ 137.5,
    8 ~ 175,
    9 ~ 225,
    10 ~ 275,
    11 ~ 325,
    12 ~ 375,
    13 ~ 425,
    14 ~ 500,
    15 ~ 600,
    16 ~ 700,
    17 ~ 800,
    18 ~ 900,
    19 ~ 1000,
    20 ~ 1100,
    21 ~ 1200,
    22 ~ 1300,
    23 ~ 1400,
    24 ~ 1500,
    25 ~ 1600,
    26 ~ 1700,
    27 ~ 1800,
    28 ~ 1900,
    29 ~ 2000,
    30 ~ 2100,
    # それ以外は実数の欠損値とする．
    .default = NA), 
    income = case_when(
      # 自由回答の値が2050以上で欠損でない場合，自由回答の値の値を採用
      m1_35_1oa1 > 2050 & !is.na(d$m1_35_1oa1) ~ m1_35_1oa1,
      # そうでなければもとの値を使用する．
      .default = income)
)

 ## 単位を100万位する
d <- d |> mutate(income = income / 100)

以下では，成績，母親受験志向，母親教育年数，世帯収入の変数について，どれかひとつでも欠損値があるケースを削除して分析を行なう．

# 分析に用いるデータの作成
d_sel <- d |> 
  dplyr::select(gpa_sum,exam_positive,meduy,income) |>
  drop_na()

nrow(d_sel)

[1] 1713

最終的に用いたサンプルサイズは，\(N = 1,713\)である．

方法

母親の受験志向と子どもの成績についての記述的分析を行う．その上で，統制変数による影響を考慮した重回帰分析をおこなう．

結果

記述統計量

library(gtsummary)

#StandWithUkraine

library(gt)
d_sel |> 
  tbl_summary(type = list(gpa_sum~ "continuous"),
              label = list(exam_positive ~ "母親受験志向",
                   gpa_sum ~ "成績", 
                   meduy ~ "母親教育年数",
                   income ~ "世帯年収"),
              statistic = list(all_continuous() ~ "{mean} ({sd}) [{min}, {max}]"),
              missing_text = "DKNA",
              missing = "no") |>
  bold_labels() |>
  italicize_levels() |>
  as_gt() |>
  tab_header(title = "表1：記述統計量")

表1：記述統計量
Characteristic	N = 1,713 1
成績	17.0 (5.3) [5.0, 25.0]
母親受験志向
1	28 (1.6%)
2	142 (8.3%)
3	379 (22%)
4	831 (49%)
5	333 (19%)
母親教育年数
9	10 (0.6%)
12	624 (36%)
14	802 (47%)
16	268 (16%)
18	9 (0.5%)
世帯年収	6.80 (3.30) [0.05, 25.00]
1 Mean (SD) [Range]; n (%)

記述的分析

d_sel |> 
  ggplot(aes(x = income, y = gpa_sum)) + 
  geom_jitter(alpha = 0.5) +
  geom_smooth(method = "lm") + 
  theme_minimal()

`geom_smooth()` using formula = 'y ~ x'

回帰分析

モデル1は世帯年収と母親受験志向のみを投入したモデルである．モデル1の結果から，母親受験志向の係数は0.937で統計的に有意であることがわかった．

モデル2はモデル1に母親教育年数を加えたモデルである．母親教育年数を加えても，母親受験志向の係数は0.855で統計的に有意であることがわかった．

つまり，母親教育年数が同水準であっても，母親受験志向が高ければ成績が高くなるといえる．

モデル3はモデル2に母親受験志向と母親教育年数の交互作用があると仮定したモデルである。母親受験志向と母親教育年数の係数は負だが10%水準で統計的に有意な差はみられない。

library(estimatr)
library(stargazer)

Please cite as: 

 Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.

 R package version 5.2.3. https://CRAN.R-project.org/package=stargazer 

d_sel <- d_sel |> mutate(exam_positive_dev = exam_positive - mean(exam_positive))
fit_1 <- d_sel |> 
  lm(gpa_sum ~ income + exam_positive_dev, data = _)
fit_2 <- d_sel |> 
  lm(gpa_sum ~ income + exam_positive_dev + meduy, data = _)
fit_3 <- d_sel |> 
  lm(gpa_sum ~ income + exam_positive_dev * meduy, data = _)
AIC <- round(c(AIC(fit_1),AIC(fit_2), AIC(fit_3)),1)

# 結果を表にまとめる
stargazer(fit_1, fit_2, fit_3, 
          se = starprep(fit_1, fit_2, fit_3), 
          title = "表2：回帰分析の結果",
          type = "text",
          star.char = c("+", "*", "**", "***"),
          star.cutoffs = c(0.1, 0.05, 0.01, 0.001),
          notes = c("+ p<0.1; * p<0.05; ** p<0.01; *** p<0.001"), 
          notes.append = FALSE,
          add.lines = list(c("AIC", AIC)),
          no.space = TRUE)

表2：回帰分析の結果
==================================================================================================
                                                   Dependent variable:                            
                        --------------------------------------------------------------------------
                                                         gpa_sum                                  
                                  (1)                      (2)                      (3)           
--------------------------------------------------------------------------------------------------
income                          0.262***                 0.164***                 0.165***        
                                (0.038)                  (0.040)                  (0.040)         
exam_positive_dev               0.937***                 0.855***                  1.851          
                                (0.144)                  (0.142)                  (1.359)         
meduy                                                    0.720***                 0.721***        
                                                         (0.088)                  (0.088)         
exam_positive_dev:meduy                                                            -0.074         
                                                                                  (0.100)         
Constant                       15.231***                 6.120***                 6.116***        
                                (0.289)                  (1.144)                  (1.146)         
--------------------------------------------------------------------------------------------------
AIC                             10487.4                  10424.3                  10425.7         
Observations                     1,713                    1,713                    1,713          
R2                               0.059                    0.094                    0.094          
Adjusted R2                      0.058                    0.093                    0.092          
Residual Std. Error        5.159 (df = 1710)        5.063 (df = 1709)        5.064 (df = 1708)    
F Statistic             53.692*** (df = 2; 1710) 59.212*** (df = 3; 1709) 44.548*** (df = 4; 1708)
==================================================================================================
Note:                                                    + p<0.1; * p<0.05; ** p<0.01; *** p<0.001

結論と議論

結果の要約

世帯収入及び母親教育年数の影響を統制しても、母親受験志向は成績と関連していた。母親教育年数が高くなるほど母親受験志向が高くなると仮定したが、10%水準で有意な差はなかった。

考察

これは、母親が受験競争に対して肯定的であるほど子どもに充実した教育環境を整備し、受験を意識した教育選択を行っているためであると考えられる。 母親教育年数によって母親受験志向と成績の関連に統計的に有意な変化がみられなかったのは、母親の教育年数の量によって傾向が異なるためであると考えられる。

課題

今回の分析では地域特性を考慮できていないため、「受験競争」の程度の認識の相違や受験と聞いて想起される受験段階が回答者によって異なっている可能性が否定できない。このような母親と子どもの周辺環境は相対評価をされる母親受験志向と自己評価による回答となっている成績に影響を与えている可能性がある。

付記

二次分析にあたり，2024年度教育調査分析法の実習用データとして「中学生と母親パネル調査」の個票データの提供を受けた.

参考文献

• 藤原翔．2016．「中学生と母親パネル調査の設計と標本特性」『東京大学社会科学研究所パネル調査プロジェクトディスカッションペーパーシリーズ』95:1-14．
• 本田由紀.2008.『「家庭教育」の隘路――子育てに脅迫される母親たち』勁草書房.
• 石川由香里.2009.「子どもの教育に対する母親の地域移動効果――地域間ジェンダー格差との関わり」『教育社会学研究』85: 113-133.
• 石川由香里・杉原名穂子・喜多加実代・中西祐子.2011.『格差社会を生きる家族――教育意識と地域・ジェンダー』有信堂高文社.
• 志水宏吉.2022.『ペアレントクラシーーー「親格差時代」の衝撃』朝日新書.
• 山下絢.2016.「義務教育段階における保護者の学校選択行動」『教育学研究』83(4). ]