Odev5

Pısa 2015 Verileri ile calısmak icin yukleme islemi

df <- read_csv("pisa2015.csv")

## New names:
## Rows: 5895 Columns: 223
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," chr
## (2): CNT, STRATUM dbl (221): ...1, CNTRYID, CNTSCHID, CNTSTUID, BOOKID,
## W_FSTUWT, W_FSTURWT1, ...
## 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.
## • `` -> `...1`

head(df)

## # A tibble: 6 × 223
##    ...1 CNT   CNTRYID CNTSCHID CNTSTUID BOOKID W_FSTUWT W_FSTURWT1 W_FSTURWT2
##   <dbl> <chr>   <dbl>    <dbl>    <dbl>  <dbl>    <dbl>      <dbl>      <dbl>
## 1     1 TUR       792 79200001 79200939     31     193.       290.       296.
## 2     2 TUR       792 79200001 79206774     96     193.       290.       296.
## 3     3 TUR       792 79200001 79204670     43     193.       290.       296.
## 4     4 TUR       792 79200001 79201647     32     193.       290.       296.
## 5     5 TUR       792 79200001 79203718     89     193.       290.       296.
## 6     6 TUR       792 79200001 79204968     91     193.       290.       296.
## # ℹ 214 more variables: W_FSTURWT3 <dbl>, W_FSTURWT4 <dbl>, W_FSTURWT5 <dbl>,
## #   W_FSTURWT6 <dbl>, W_FSTURWT7 <dbl>, W_FSTURWT8 <dbl>, W_FSTURWT9 <dbl>,
## #   W_FSTURWT10 <dbl>, W_FSTURWT11 <dbl>, W_FSTURWT12 <dbl>, W_FSTURWT13 <dbl>,
## #   W_FSTURWT14 <dbl>, W_FSTURWT15 <dbl>, W_FSTURWT16 <dbl>, W_FSTURWT17 <dbl>,
## #   W_FSTURWT18 <dbl>, W_FSTURWT19 <dbl>, W_FSTURWT20 <dbl>, W_FSTURWT21 <dbl>,
## #   W_FSTURWT22 <dbl>, W_FSTURWT23 <dbl>, W_FSTURWT24 <dbl>, W_FSTURWT25 <dbl>,
## #   W_FSTURWT26 <dbl>, W_FSTURWT27 <dbl>, W_FSTURWT28 <dbl>, …

Degiskenlerin düzenlenmesi

# Science (Fen Basarisi) 
pv_scie <- df %>% 
  select(matches("^PV[0-9]+SCIE$")) %>% 
  names()

df <- df %>%
  mutate(science_mean = rowMeans(select(., all_of(pv_scie)), na.rm = TRUE))

# Self-efficacy ( OZ Yeterlilik) 
st129_items <- df %>% select(matches("^ST129")) %>% names()

df <- df %>%
  mutate(selfeff_mean = rowMeans(select(., all_of(st129_items)), na.rm = TRUE))

# Gender(Cinsiyet)

df$gender <- df$ST004D01T

Turkiye Verilerinin Filtrelenmesi

df_sub <- df %>% filter(CNT %in% c("TUR"))

df_sub <- df_sub %>%
  mutate(
    selfeff_c = selfeff_mean - mean(selfeff_mean, na.rm = TRUE),
    ESCS_c     = ESCS - mean(ESCS, na.rm = TRUE)
  )

 dfAnaliz <- df_sub %>% 
    select(science_mean, selfeff_c, ESCS_c, gender) 

Öğrencinin fen başarısı; öz yeterliliği, sosyoekonomik düzeyi ve cinsiyetine göre ne kadar değişiyor?

model_TUR <- lm(science_mean ~ selfeff_c + ESCS_c + gender, data = dfAnaliz)
summary(model_TUR)

## 
## Call:
## lm(formula = science_mean ~ selfeff_c + ESCS_c + gender, data = dfAnaliz)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -223.039  -50.058   -2.653   48.498  209.183 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 426.0437     2.8921 147.314   <2e-16 ***
## selfeff_c   -12.2926     1.3841  -8.881   <2e-16 ***
## ESCS_c       18.9282     0.7939  23.843   <2e-16 ***
## gender       -1.1828     1.8376  -0.644     0.52    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 68.77 on 5614 degrees of freedom
##   (277 observations deleted due to missingness)
## Multiple R-squared:  0.1096, Adjusted R-squared:  0.1091 
## F-statistic: 230.2 on 3 and 5614 DF,  p-value: < 2.2e-16

Öğrencilerin fen başarı puanlarını yordamak amacıyla, öz yeterlik, sosyoekonomik durum ve cinsiyet değişkenlerini içeren bir çoklu doğrusal regresyon modeli kurulmuştur.

selfeff_c (öz-yeterlik) Estimate = -12.29 -> Bir birim öz-yeterlik artışı, fen puanını ortalama 12 puan azaltmaktadır. Öz yeterlik yükseldikçe fen başarısı düşmektedir ve bu beklenenin tersi bir sonuç. p < .001 -> istatistiksel olarak anlamlı

ESCS_c (Sosyoekonomik düzey) Estimate = 18.93 -> Bir birim sosyoekonomik düzey artışı, fen puanını yaklaşık 19 puan artırmaktadır. Sosyoekonomik düzey arttıkça fen başarısı artmaktadır. p < .001 -> istatistiksel olarak anlamlı

gender (cinsiyet) Estimate = -1.18 -> Cinsiyetin fen başarısı üzerinde anlamlı bir etkisi yoktur.

p = .52 -> istatistiksel olarak anlamlı değil.