Skip to main content

PISA 2018–2025: Συγκριτική ανάλυση – Μέρος Α: το οικιακό περιβάλλον

Συγγραφέας

Δημήτρης Λάζαρης

1 Σκοπός και οργάνωση του αρχείου

Το παρόν αρχείο συγκεντρώνει τον κώδικα της συγκριτικής ανάλυσης των δεδομένων PISA 2018 και PISA 2025 για την Ελλάδα (Μέρος Α: το οικιακό περιβάλλον). Με σκοπό να διευκολύνονται η μεθοδολογική τεκμηρίωση και η αναπαραγωγή των αποτελεσμάτων, αλλά και λόγω του ότι λήφθηκαν συγκεκριμένες αποφάσεις κατά την επεξεργασία και ανάλυση των δεδομένων για αυτό και η παρουσίαση οργανώνεται σε διακριτά και ελέγξιμα βήματα. Τα βήματα που ακολουθούν στο πρώτο υποκεφάλαιο αφορούν το στάδιο προεργασίας των δεδομένων. Τα αρχικά μικροδεδομένα υπάρχουν διαθέσιμα στον ισότοτοπο https://www.oecd.org/en/about/programmes/pisa/pisa-data.html

1.0.1 Φόρτωση βιβλιοθηκών

Εμφάνιση κώδικα R
# Ανάγνωση αρχείων SPSS και διατήρηση των labels
library(haven)

# Χειρισμός και μετασχηματισμός δεδομένων
library(tidyverse)
library(janitor)
library(stringr)
library(tibble)

# Στατιστική ανάλυση σύνθετων δειγματοληπτικών σχεδιασμών
library(survey)

# Παρουσίαση πινάκων και γραφημάτων
library(gt)
library(ggpubr)
library(ggplot2)

#Αναφορές για τις βιβλιοθήκες, τα data frames, την έκδοση της R όπου έτρεξε η ανάλυση
library(report)
library(renv)

1.0.2 Ορισμός διαδρομών αρχείων

1.0.3 Επιλογή και τεκμηρίωση των μεταβλητών

Εμφάνιση κώδικα R
## 1.3. ΦΟΡΤΩΣΗ ΔΙΕΘΝΟΥΣ ΑΡΧΕΙΟΥ PISA 2025
## OECD INTERNATIONAL DATASET

oecd_vars <- c(
    "CNT",
    "OECD",
    "ST250Q01JA",
    "W_FSTUWT"
)

CY09_MS_STU_PUF <- haven::read_sav(
    file_PISA2025_OECD,
    col_select = tidyselect::all_of(oecd_vars)
)

1.0.4 Μεταβλητές που διατηρούνται

Οι μεταβλητές OECD και CNT διατηρούνται για την τεκμηρίωση και εφαρμογή του φίλτρου χώρας. Οι μεταβλητές W_FSTUWT και W_FSTURWT1–W_FSTURWT80 είναι απαραίτητες για τις σταθμισμένες εκτιμήσεις και την εκτίμηση της δειγματοληπτικής διακύμανσης με replicate weights.

Αναλυτική χρήση

PISA 2018

(Μεταβλητές)

PISA 2025

(Μεταβλητές)

Χώρα / έλεγχος επιλεξιμότητας CNT, OECD CNT, OECD
Τελικό μαθητικό βάρος W_FSTUWT W_FSTUWT
Replicate weights W_FSTURWT1–W_FSTURWT80 W_FSTURWT1–W_FSTURWT80
Προσωπικό δωμάτιο (RFYOWN) ST011Q02TA ST250Q01JA
Δείκτης κοινωνικοοικονομικής θέσης ESCS ESCS
Ήσυχος χώρος μελέτης (QPTOSTUDY) ST011Q03TA ST250Q20DA
Μεταναστευτικό υπόβαθρο IMMIG IMMIG
Αριθμός βιβλίων (BOOKSFEW / BOOKS500) ST013Q01TA ST255Q01JA
Δείκτης οικιακών πόρων HOMEPOS HOMEPOS

Έλεγχος πληρότητας: Οι παραπάνω μεταβλητές καλύπτουν τις αναλύσεις του μέρους Α (RFYOWN, QPTOSTUDY, IMMIG) και μέρους Β (HOMEPOS, BOOKSFEW και BOOKS500), καθώς και τη δημιουργία τεταρτημορίων ESCS και τους στατιστικούς ελέγχους με replicate weights. Οι μεταβλητές BOOKSFEW, BOOKS500, NO_QPTOSTUDY και ESCS_QUARTILE είναι παράγωγες.

1.0.5 Κατάλογοι μεταβλητών ανά κύκλο έρευνας (2018/2025)

Εμφάνιση κώδικα R
# Τα 80 replicate weights του PISA ανά κύκλο
replicate_weights <- paste0("W_FSTURWT", 1:80)

# Αρχικές μεταβλητές που χρειάζονται στο PISA 2018
vars_2018 <- c(
  "CNT",
  "OECD",
  "W_FSTUWT",
  replicate_weights,
  "ST011Q02TA",  # Προσωπικό δωμάτιο (RFYOWN)
  "ESCS",        # Κοινωνικοοικονομική θέση
  "ST011Q03TA",  # Ήσυχος χώρος μελέτης (QPTOSTUDY)
  "IMMIG",       # Μεταναστευτικό υπόβαθρο
  "ST013Q01TA",  # Αριθμός βιβλίων (BOOKSFEW / BOOKS500)
  "HOMEPOS"      # Δείκτης οικιακών πόρων
)

# Αρχικές μεταβλητές που χρειάζονται στο PISA 2025
vars_2025 <- c(
  "CNT",
  "OECD",
  "W_FSTUWT",
  replicate_weights,
  "ST250Q01JA",  # Προσωπικό δωμάτιο (RFYOWN)
  "ESCS",        # Κοινωνικοοικονομική θέση
  "ST250Q20DA",  # Ήσυχος χώρος μελέτης (QPTOSTUDY)
  "IMMIG",       # Μεταναστευτικό υπόβαθρο
  "ST255Q01JA",  # Αριθμός βιβλίων (BOOKSFEW / BOOKS500)
  "HOMEPOS"      # Δείκτης οικιακών πόρων
)

1.0.6 *Βοηθητική συνάρτηση: επιλεκτική ανάγνωση και φιλτράρισμα Ελλάδας

Η συνάρτηση που ακολουθεί:

  1. ελέγχει αν υπάρχουν όλες οι απαιτούμενες μεταβλητές στο αρχικό αρχείο SPSS,
  2. διαβάζει μόνο αυτές τις μεταβλητές,
  3. επιλέγει τις εγγραφές με OECD == 1 και CNT == "GRC",
  4. ελέγχει ότι το αποτέλεσμα περιλαμβάνει εγγραφές και μόνο την Ελλάδα.
Εμφάνιση κώδικα R
read_pisa_greece_compact <- function(file, required_vars, year) {

  # Έλεγχος αρχικού αρχείου
  if (!file.exists(file)) {
    stop("Δεν βρέθηκε το αρχείο PISA ", year, ": ", file)
  }

  # Ανάγνωση μόνο της δομής για έλεγχο ονομάτων μεταβλητών
  source_names <- names(
    haven::read_sav(file, n_max = 0)
  )

  missing_vars <- setdiff(required_vars, source_names)

  if (length(missing_vars) > 0) {
    stop(
      "Στο αρχείο PISA ", year,
      " λείπουν οι μεταβλητές: ",
      paste(missing_vars, collapse = ", ")
    )
  }

  # Επιλεκτική ανάγνωση: δεν φορτώνονται οι υπόλοιπες μεταβλητές
  data <- haven::read_sav(
    file,
    col_select = tidyselect::all_of(required_vars)
  )

  # Φιλτράρισμα της Ελλάδας και των χωρών του ΟΟΣΑ
  data_greece <- data %>%
    dplyr::filter(
      .data$OECD == 1,
      as.character(.data$CNT) == "GRC"
    )

  # Έλεγχος αποτελέσματος φίλτρου
  if (nrow(data_greece) == 0) {
    stop(
      "Το φίλτρο OECD == 1 και CNT == 'GRC' δεν επέστρεψε εγγραφές για το PISA ",
      year,
      ". Ελέγξτε τις τιμές των OECD και CNT στο αρχικό αρχείο."
    )
  }

  if (any(as.character(data_greece$CNT) != "GRC", na.rm = TRUE)) {
    stop("Το φιλτραρισμένο αρχείο PISA ", year,
         " περιέχει εγγραφές εκτός Ελλάδας.")
  }

  if (any(data_greece$OECD != 1, na.rm = TRUE)) {
    stop("Το φιλτραρισμένο αρχείο PISA ", year,
         " περιέχει εγγραφές με OECD διαφορετικό από 1.")
  }

  data_greece
}

1.0.7 *Βοηθητική συνάρτηση: επιλεκτική ανάγνωση ΟΟΣΑ

Εμφάνιση κώδικα R
## 1.4. ΔΗΜΙΟΥΡΓΙΑ ΣΥΜΠΑΓΟΥΣ ΑΡΧΕΙΟΥ OECD

PISA2025_OECD_compact <- CY09_MS_STU_PUF %>%
    filter(OECD == 1)

1.0.8 Ανάγνωση των ελάχιστων απαιτούμενων μεταβλητών

Εμφάνιση κώδικα R
# PISA 2018 – Ελλάδα
pisa_data_filtered_GR2018 <- read_pisa_greece_compact(
  file = file_2018,
  required_vars = vars_2018,
  year = 2018
)

# PISA 2025 – Ελλάδα
pisa_data_filtered_GR2025 <- read_pisa_greece_compact(
  file = file_2025,
  required_vars = vars_2025,
  year = 2025
)

1.0.9 Αποθήκευση των συμπαγών αρχείων

1.0.10 Επαναφόρτωση των συμπαγών αρχείων (προετοιμασία δεδομένων για ανάλυση)

Τα δεδομένα πλέον μπορούν να φορτωθούν απευθείας από τα συμπαγή αρχεία RDS:

Εμφάνιση κώδικα R
pisa_data_filtered_GR2018 <- readRDS(rds_2018)
pisa_data_filtered_GR2025 <- readRDS(rds_2025)
PISA2025_OECD_compact <- readRDS(rds_PISA2025_OECD)

2 Χωρική Συρρίκνωση

2.0.1 Υπολογισμός σταθμισμένου αριθμητικού μέσου

Εμφάνιση κώδικα R
oecd_country_estimates <- PISA2025_OECD_compact %>%
  filter(
    OECD == 1,
    ST250Q01JA %in% c(1, 2)
  ) %>%
  group_by(CNT) %>%
  summarise(
    pct_no = 100 * weighted.mean(
      ST250Q01JA == 2,
      W_FSTUWT,
      na.rm = TRUE
    ),
    .groups = "drop"
  )

oecd_country_estimates
# A tibble: 37 × 2
   CNT               pct_no
   <chr+lbl>          <dbl>
 1 AUS [Australia]     6.96
 2 AUT [Austria]      13.3 
 3 BEL [Belgium]      10.9 
 4 CAN [Canada]       10.0 
 5 CHE [Switzerland]   8.81
 6 CHL [Chile]        12.7 
 7 COL [Colombia]     33.5 
 8 CZE [Czechia]      18.5 
 9 DEU [Germany]      11.4 
10 DNK [Denmark]       3.21
# ℹ 27 more rows

2.0.2 Υπολογισμός αριθμητικού μέσου των χωρών ΟΟΣΑ

Εμφάνιση κώδικα R
oecd_no <- mean(
    oecd_country_estimates$pct_no,
    na.rm = TRUE
)

oecd_no
[1] 13.77846

2.0.3 Υπολογισμός αριθμητικού μέσου Ελλάδας

Εμφάνιση κώδικα R
gr_no <- 100 * weighted.mean(
    pisa_data_filtered_GR2025$ST250Q01JA == 2,
    pisa_data_filtered_GR2025$W_FSTUWT,
    na.rm = TRUE
)

gr_no
[1] 29.02934

2.0.4 Συγκριτικό γράφημα ΟΟΣΑ / Ελλάδα PISA 2025

Εμφάνιση κώδικα R
plot_data <- data.frame(
    Group = c(
        "ΟΟΣΑ (μ.ο.)",
        "Ελλάδα"
    ),
    Percent = c(
        oecd_no,
        gr_no
    )
)

plot_data
        Group  Percent
1 ΟΟΣΑ (μ.ο.) 13.77846
2      Ελλάδα 29.02934
Εμφάνιση κώδικα R
RFYOWN_NO_GR_OECD <- ggbarplot(
    plot_data,
    x = "Group",
    y = "Percent",
    fill = "Group",
    color = "black",
    palette = c("darkcyan", "darkblue"),
    width = 0.6
) +
    geom_text(
        aes(label = sprintf("%.1f%%", Percent)),
        vjust = -0.5,
        size = 5
    ) +
    labs(
        title = "Μαθητές χωρίς δικό τους δωμάτιο",
        subtitle = "Έρευνα PISA 2025 | ΟΟΣΑ / Ελλάδα",
        caption = "Επεξεργασία: Δημήτρης Λάζαρης",
        x = "",
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    ylim(0, 35) +
    theme_pubr() +
    theme(
        legend.position = "none",
        plot.title = element_text(face = "bold")
    )


RFYOWN_NO_GR_OECD

3 Διαθεσιμότητα προσωπικού δωματίου (RFYOWN): PISA 2018 vs PISA 2025 – Ελλάδα

3.0.1 Μεταβλητές και κωδικοποίηση

Χρησιμοποιούνται οι αρχικές μεταβλητές του ερωτηματολογίου:

Κύκλος Μεταβλητή Περιγραφή
PISA 2018 ST011Q02TA A room of your own
PISA 2025 ST250Q01JA A room of your own

Η κωδικοποίηση είναι κοινή:

  • 1 = Ναι, διαθέτει δικό του/της δωμάτιο.

  • 2 = Όχι, δεν διαθέτει δικό του/της δωμάτιο.

Δημιουργούμε τη δυαδική μεταβλητή ROOM_NO, όπου 1 σημαίνει απουσία προσωπικού δωματίου και 0 σημαίνει παρουσία.

Εμφάνιση κώδικα R
## 2.1.1. Έλεγχος αρχικών κωδικών

table(
    pisa_data_filtered_GR2018$ST011Q02TA,
    useNA = "ifany"
)

   1    2 <NA> 
4680 1617  106 
Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2025$ST250Q01JA,
    useNA = "ifany"
)

   1    2 <NA> 
4767 1916  175 
Εμφάνιση κώδικα R
## 2.1.2. Δημιουργία δυαδικής μεταβλητής ROOM_NO

# PISA 2018
x18 <- as.numeric(pisa_data_filtered_GR2018$ST011Q02TA)

pisa_data_filtered_GR2018$ROOM_NO <- dplyr::case_when(
    x18 == 2 ~ 1,
    x18 == 1 ~ 0,
    TRUE     ~ NA_real_
)

# PISA 2025
x25 <- as.numeric(pisa_data_filtered_GR2025$ST250Q01JA)

pisa_data_filtered_GR2025$ROOM_NO <- dplyr::case_when(
    x25 == 2 ~ 1,
    x25 == 1 ~ 0,
    TRUE     ~ NA_real_
)

table(pisa_data_filtered_GR2018$ROOM_NO, useNA = "ifany")

   0    1 <NA> 
4680 1617  106 
Εμφάνιση κώδικα R
table(pisa_data_filtered_GR2025$ROOM_NO, useNA = "ifany")

   0    1 <NA> 
4767 1916  175 

3.0.2 Δημιουργία ενιαίου σχεδιασμού με τα 160 replicate weights

Επειδή συγκρίνουμε δύο ανεξάρτητα δείγματα μαθητών, δημιουργούμε ένα ενιαίο σύνολο δεδομένων με τα 80 replicate weights του 2018 και τα 80 του 2025. Διατηρώντας από το 2018 σταθερά τα τελικά βάρη του 2025 και αντίστροφα η διακύμανση της διαφοράς λαμβάνει υπόψη τη δειγματοληπτική αβεβαιότητα και των δύο κύκλων.

Εμφάνιση κώδικα R
## 2.2.1. Εντοπισμός replicate weights

get_rep_names <- function(data) {
    
    rn <- grep(
        "^W_FSTURWT[0-9]+$",
        names(data),
        value = TRUE
    )
    
    rn <- rn[
        order(as.integer(sub("^W_FSTURWT", "", rn)))
    ]
    
    if (!identical(
        as.integer(sub("^W_FSTURWT", "", rn)),
        1:80
    )) {
        stop("Δεν εντοπίστηκαν ακριβώς 80 replicate weights.")
    }
    
    rn
}

rep18 <- get_rep_names(pisa_data_filtered_GR2018)
rep25 <- get_rep_names(pisa_data_filtered_GR2025)

3.0.3 Δημιουργία των δύο επιμέρους datasets

Εμφάνιση κώδικα R
make_rfyown_data <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        ROOM_NO = as.numeric(data$ROOM_NO),
        
        Year = factor(
            rep(as.character(year), n),
            levels = c("2018", "2025")
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights PISA 2018
        out[[paste0("RW18_", j)]] <-
            if (year == 2018) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
        
        # Replicate weights PISA 2025
        out[[paste0("RW25_", j)]] <-
            if (year == 2025) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
    }
    
    out
}

# PISA 2018
rfyown_2018 <- make_rfyown_data(
    pisa_data_filtered_GR2018,
    2018,
    rep18
)

# PISA 2025
rfyown_2025 <- make_rfyown_data(
    pisa_data_filtered_GR2025,
    2025,
    rep25
)

3.0.4 Συνένωση

Εμφάνιση κώδικα R
rfyown_combined <- dplyr::bind_rows(
    rfyown_2018,
    rfyown_2025
)

# Διατήρηση μόνο έγκυρων απαντήσεων και βαρών
rfyown_combined <- rfyown_combined %>%
    filter(
        !is.na(ROOM_NO),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    )

# Έλεγχος
table(rfyown_combined$Year)

2018 2025 
6297 6683 
Εμφάνιση κώδικα R
table(rfyown_combined$ROOM_NO, rfyown_combined$Year)
   
    2018 2025
  0 4680 4767
  1 1617 1916

3.0.5 Ορισμός replicate-weight design

Εμφάνιση κώδικα R
rw_names <- c(
    paste0("RW18_", 1:80),
    paste0("RW25_", 1:80)
)

rw_formula <- as.formula(
    paste("~", paste(rw_names, collapse = " + "))
)

des_rfyown <- svrepdesign(
    weights = ~W_FSTUWT,
    repweights = rw_formula,
    data = rfyown_combined,
    type = "other",
    combined.weights = TRUE,
    scale = 0.05,
    rscales = rep(1, 160),
    mse = TRUE
)

3.0.6 Σταθμισμένα ποσοστά μαθητών χωρίς προσωπικό δωμάτιο

Εμφάνιση κώδικα R
## 2.3.1. Εκτίμηση ανά ερευνητικό κύκλο

results_rfyown <- svyby(
    ~ROOM_NO,
    ~Year,
    design = des_rfyown,
    FUN = svymean,
    vartype = c("se", "ci"),
    na.rm = TRUE
)

results_rfyown <- as.data.frame(results_rfyown)

# Μετατροπή σε ποσοστά
results_rfyown <- results_rfyown %>%
    mutate(
        across(
            c(ROOM_NO, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

results_rfyown
     Year  ROOM_NO        se     ci_l     ci_u
2018 2018 25.73570 0.7180636 24.32832 27.14308
2025 2025 29.02934 0.8443953 27.37435 30.68432

3.0.7 Έλεγχος στατιστικής σημαντικότητας

Ο έλεγχος svyttest() υπολογίζει τη διαφορά των σταθμισμένων μέσων και λαμβάνει υπόψη τον δηλωμένο δειγματοληπτικό σχεδιασμό. Στην περίπτωση της δυαδικής ROOM_NO, η διαφορά των μέσων ισοδυναμεί με τη διαφορά των ποσοστών. Βλ. σχετικά: https://r-survey.r-forge.r-project.org/pkgdown/docs/reference/svyttest.html

Εμφάνιση κώδικα R
## 2.4.1. Survey-weighted t-test

tt_rfyown <- svyttest(
    ROOM_NO ~ Year,
    design = des_rfyown
)

tt_rfyown

    Design-based t-test

data:  ROOM_NO ~ Year
t = 2.9714, df = 158, p-value = 0.003428
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 0.01104383 0.05482889
sample estimates:
difference in mean 
        0.03293636 

3.0.8 Συγκεντρωτικός πίνακας αποτελεσμάτων

Εμφάνιση κώδικα R
results_rfyown_test <- tibble::tibble(
    
    Difference_pp = as.numeric(tt_rfyown$estimate) * 100,
    
    t_value = as.numeric(tt_rfyown$statistic),
    
    df = as.numeric(tt_rfyown$parameter),
    
    p_value = tt_rfyown$p.value,
    
    CI_lower = as.numeric(tt_rfyown$conf.int[1]) * 100,
    
    CI_upper = as.numeric(tt_rfyown$conf.int[2]) * 100
    
)

results_rfyown_test %>%
    mutate(
        across(
            c(Difference_pp, t_value, CI_lower, CI_upper),
            ~ round(.x, 3)
        ),
        p_value = signif(p_value, 4)
    )
# A tibble: 1 × 6
  Difference_pp t_value    df p_value CI_lower CI_upper
          <dbl>   <dbl> <dbl>   <dbl>    <dbl>    <dbl>
1          3.29    2.97   158 0.00343     1.10     5.48

Γραφική απεικόνιση: PISA 2018 vs PISA 2025

Εμφάνιση κώδικα R
## 2.5.1. Δημιουργία δεδομένων γραφήματος

plot_data_rfyown <- results_rfyown %>%
    transmute(
        Year,
        Percent = ROOM_NO,
        ci_l,
        ci_u
    )

plot_data_rfyown
     Year  Percent     ci_l     ci_u
2018 2018 25.73570 24.32832 27.14308
2025 2025 29.02934 27.37435 30.68432
Εμφάνιση κώδικα R
### 2.5. ΓΡΑΦΗΜΑ ΜΕ BRACKET ΚΑΙ 95% CI ###


# 1. Δεδομένα γραφήματος από τα πραγματικά αποτελέσματα
plot_data_NO <- results_rfyown %>%
    transmute(
        Year = factor(
            Year,
            levels = c("2018", "2025")
        ),
        Percent = ROOM_NO,
        ci_l = ci_l,
        ci_u = ci_u
    )

# 2. Δυναμική επισήμανση στατιστικής σημαντικότητας
p_value <- tt_rfyown$p.value

significance_label <- if (p_value < 0.001) {
    "***"
} else if (p_value < 0.01) {
    "**"
} else if (p_value < 0.05) {
    "*"
} else {
    "ns"
}

# 3. Θέση bracket
bracket_y <- max(plot_data_NO$ci_u) + 2

# 4. Δημιουργία γραφήματος
Barplot_noroom_2018_2025 <- ggbarplot(
    plot_data_NO,
    x = "Year",
    y = "Percent",
    fill = "Year",
    color = "black",
    palette = c("#2E86AB", "#E74C3C"),
    width = 0.6
) +
    
    # Error bars: 95% confidence intervals
    geom_errorbar(
        aes(
            ymin = ci_l,
            ymax = ci_u
        ),
        width = 0.12,
        linewidth = 0.7, 
        color = "grey"
    ) +
    
    # Ποσοστά πάνω από τις μπάρες
    geom_text(
        aes(label = sprintf("%.1f%%", Percent)),
        vjust = -0.6,
        size = 4
    ) +
    
    # Bracket στατιστικής σημαντικότητας
    geom_bracket(
        xmin = 1,
        xmax = 2,
        y.position = bracket_y,
        label = significance_label,
        tip.length = 0.01,
        label.size = 5,
        inherit.aes = FALSE
    ) +
    
    labs(
        title = "Μαθητές χωρίς δικό τους δωμάτιο",
        subtitle = "Ελλάδα: PISA 2018 / PISA 2025",
        caption = paste0(
            significance_label,
            " Στατιστική σημαντικότητα: survey-weighted t-test ",
            "με 160 replicate weights.\n",
            "95% CI: Διαστήματα εμπιστοσύνης 95%.\n",
            "Επεξεργασία: Δημήτρης Λάζαρης"
        ),
        x = "Κύκλος PISA",
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    
    coord_cartesian(
        ylim = c(
            0,
            bracket_y + 5
        )
    ) +
    
    theme_pubr() +
    
    theme(
        legend.position = "none",
        plot.title = element_text(face = "bold"),
        panel.grid = element_blank()
    )

# Εμφάνιση γραφήματος
Barplot_noroom_2018_2025

4 Χωρικές Ανισότητες Μάθησης

4.0.1 Μεταβλητές και κωδικοποίηση

Χρησιμοποιούμε τις ακόλουθες μεταβλητές από το PISA2025_Greece_compact.rds:

Μεταβλητή Περιγραφή
ST250Q01JA A room of your own
IMMIG Μεταναστευτικό υπόβαθρο
W_FSTUWT Τελικό μαθητικό βάρος
W_FSTURWT1–80 Replicate weights

Η εξαρτημένη μεταβλητή είναι η ROOM_NO:

  • 1 = Δεν διαθέτει δικό του/της δωμάτιο.

  • 0 = Διαθέτει δικό του/της δωμάτιο.

  • NA = Ελλείπουσα ή μη έγκυρη απάντηση.

Οι κατηγορίες της μεταβλητής IMMIG είναι:

  1. Γηγενείς μαθητές/τριες (Native students).

  2. Μαθητές/τριες δεύτερης γενιάς (Second-generation).

  3. Μαθητές/τριες πρώτης γενιάς (First-generation)

Εμφάνιση κώδικα R
## 3.1.1. Έλεγχος μεταβλητών

table(
    haven::as_factor(pisa_data_filtered_GR2025$IMMIG),
    useNA = "ifany"
)

                                     Native students (at least one parent born in country of test) 
                                                                                              5687 
Second-generation students (student born in country of test but parent(s) born in another country) 
                                                                                               627 
                          First-generation students (student and parent(s) born in another country 
                                                                                               160 
                                                                          valid skip (filter rule) 
                                                                                                 0 
                                                                                    system missing 
                                                                                                 0 
                                                                   not administered/not applicable 
                                                                                                 0 
                                                                                           invalid 
                                                                                                 0 
                                                                                       no response 
                                                                                                 0 
                                                                                              <NA> 
                                                                                               384 
Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2025$ST250Q01JA,
    useNA = "ifany"
)

   1    2 <NA> 
4767 1916  175 

4.0.2 Δημιουργία μεταβλητών ανάλυσης

Εμφάνιση κώδικα R
# Μετατροπή των ετικετών IMMIG σε χαρακτήρες
immig_labels <- as.character(
    haven::as_factor(
        pisa_data_filtered_GR2025$IMMIG,
        levels = "labels"
    )
)

# Κωδικοποίηση απουσίας προσωπικού δωματίου
room_code <- as.numeric(
    pisa_data_filtered_GR2025$ST250Q01JA
)

# Δημιουργία αρχικού dataset
rfyown_imig_data <- data.frame(
    
    IMMIG_label = immig_labels,
    
    ROOM_NO = case_when(
        room_code == 2 ~ 1,
        room_code == 1 ~ 0,
        TRUE ~ NA_real_
    ),
    
    W_FSTUWT = as.numeric(
        pisa_data_filtered_GR2025$W_FSTUWT
    )
)

# Ανακατάταξη μεταναστευτικού υπόβαθρου
rfyown_imig_data <- rfyown_imig_data %>%
    mutate(
        
        IMMIG_group = case_when(
            
            str_detect(
                IMMIG_label,
                regex("native students", ignore_case = TRUE)
            ) ~ "Γηγενείς",
            
            str_detect(
                IMMIG_label,
                regex("second-generation", ignore_case = TRUE)
            ) ~ "2η γενιά",
            
            str_detect(
                IMMIG_label,
                regex("first-generation", ignore_case = TRUE)
            ) ~ "1η γενιά",
            
            TRUE ~ NA_character_
        ),
        
        IMMIG_group = factor(
            IMMIG_group,
            levels = c(
                "Γηγενείς",
                "2η γενιά",
                "1η γενιά"
            )
        ),
        
        ROOM_STATUS = factor(
            ROOM_NO,
            levels = c(0, 1),
            labels = c("Διαθέτει", "Δεν διαθέτει")
        )
    )

4.0.3 Έλεγχος

Εμφάνιση κώδικα R
table(
    rfyown_imig_data$IMMIG_group,
    useNA = "ifany"
)

Γηγενείς 2η γενιά 1η γενιά     <NA> 
    5687      627      160      384 
Εμφάνιση κώδικα R
table(
    rfyown_imig_data$IMMIG_group,
    rfyown_imig_data$ROOM_NO,
    useNA = "ifany"
)
          
              0    1 <NA>
  Γηγενείς 4098 1532   57
  2η γενιά  364  253   10
  1η γενιά   98   50   12
  <NA>      207   81   96

4.0.4 Ενσωμάτωση των 80 replicate weights

Εμφάνιση κώδικα R
## Εντοπισμός των 80 replicate weights

rep_names_imig <- grep(
    "^W_FSTURWT[0-9]+$",
    names(pisa_data_filtered_GR2025),
    value = TRUE
)

rep_names_imig <- rep_names_imig[
    order(
        as.integer(
            sub("^W_FSTURWT", "", rep_names_imig)
        )
    )
]

stopifnot(length(rep_names_imig) == 80)

Προσθέτουμε τα replicate weights στο dataset:

Εμφάνιση κώδικα R
for (j in 1:80) {
    
    rfyown_imig_data[[paste0("RW_", j)]] <-
        as.numeric(
            pisa_data_filtered_GR2025[[rep_names_imig[j]]]
        )
    
}

Έγκυρες παρατηρήσεις

Εμφάνιση κώδικα R
rfyown_imig_data <- rfyown_imig_data %>%
    filter(
        !is.na(ROOM_NO),
        !is.na(IMMIG_group),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    ) %>%
    droplevels()

Ορισμός replicate-weight design

Εμφάνιση κώδικα R
rw_names_imig <- paste0("RW_", 1:80)

rw_formula_imig <- as.formula(
    paste(
        "~",
        paste(rw_names_imig, collapse = " + ")
    )
)

des_rfyown_imig <- svrepdesign(
    weights = ~W_FSTUWT,
    repweights = rw_formula_imig,
    data = rfyown_imig_data,
    type = "other",
    combined.weights = TRUE,
    scale = 0.05,
    rscales = rep(1, 80),
    mse = TRUE
)

4.0.5 Σταθμισμένα ποσοστά ανά μεταναστευτικό υπόβαθρο

Υπολογίζουμε το ποσοστό των μαθητών/τριών που δεν διαθέτουν προσωπικό δωμάτιο, ανά κατηγορία IMMIG, μαζί με τα τυπικά σφάλματα και τα διαστήματα εμπιστοσύνης 95%.

Εμφάνιση κώδικα R
results_rfyown_imig <- svyby(
    ~ROOM_NO,
    ~IMMIG_group,
    design = des_rfyown_imig,
    FUN = svymean,
    vartype = c("se", "ci"),
    na.rm = TRUE
)

results_rfyown_imig <- as.data.frame(
    results_rfyown_imig
)

# Μετατροπή σε ποσοστά
results_rfyown_imig <- results_rfyown_imig %>%
    mutate(
        across(
            c(ROOM_NO, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

results_rfyown_imig
         IMMIG_group  ROOM_NO        se     ci_l     ci_u
Γηγενείς    Γηγενείς 27.47441 0.8343008 25.83921 29.10961
2η γενιά    2η γενιά 41.31071 2.2687970 36.86395 45.75747
1η γενιά    1η γενιά 32.87677 4.6548910 23.75335 42.00018

4.0.6 Συνολικός έλεγχος διαφορών μεταξύ των τριών ομάδων

Πριν από τις επιμέρους συγκρίσεις, πραγματοποιούμε έναν συνολικό έλεγχο ανεξαρτησίας μεταξύ μεταναστευτικού υποβάθρου και διαθεσιμότητας προσωπικού δωματίου.

Χρησιμοποιούμε τον προσαρμοσμένο έλεγχο Rao–Scott με F-προσέγγιση:

Εμφάνιση κώδικα R
## Rao-Scott adjusted chi-square test

test_immig_overall <- svychisq(
    ~IMMIG_group + ROOM_STATUS,
    design = des_rfyown_imig,
    statistic = "F"
)

test_immig_overall

    Pearson's X^2: Rao & Scott adjustment

data:  svychisq(~IMMIG_group + ROOM_STATUS, design = des_rfyown_imig,     statistic = "F")
F = 17.309, ndf = 1.9566, ddf = 154.5698, p-value = 2.087e-07

4.0.7 Ζευγαρωτές συγκρίσεις (Pairwise comparisons)

Στη συνέχεια εξετάζουμε τις τρεις επιμέρους συγκρίσεις:

  1. Γηγενείς vs δεύτερη γενιά.

  2. Γηγενείς vs πρώτη γενιά.

  3. Δεύτερη γενιά vs πρώτη γενιά.

Χρησιμοποιούμε svyttest() σε κάθε ζεύγος, με τα 80 replicate weights.

Η διαφορά που επιστρέφεται είναι η διαφορά του δεύτερου από το πρώτο γκρουπ κάθε σύγκρισης. Για δυαδική μεταβλητή, αυτή ισοδυναμεί με τη διαφορά των σταθμισμένων ποσοστών.

Εμφάνιση κώδικα R
## Ζευγαρωτές συγκρίσεις μεταναστευτικών ομάδων

test_immig_pair <- function(group1, group2) {
    
    # Επιλογή των δύο ομάδων από τα δεδομένα του survey design
    keep_pair <- des_rfyown_imig$variables$IMMIG_group %in%
        c(group1, group2)
    
    # Υποσύνολο του αρχικού survey design
    des_pair <- subset(
        des_rfyown_imig,
        keep_pair
    )
    
    # Δημιουργία παράγοντα με προκαθορισμένη σειρά ομάδων
    des_pair$variables$IMMIG_pair <- factor(
        as.character(des_pair$variables$IMMIG_group),
        levels = c(group1, group2)
    )
    
    # Survey-weighted independent samples t-test
    tt <- svyttest(
        ROOM_NO ~ IMMIG_pair,
        design = des_pair
    )
    
    # Εξαγωγή αποτελεσμάτων
    data.frame(
        
        Comparison = paste(group2, "−", group1),
        
        Group1 = group1,
        
        Group2 = group2,
        
        Difference_pp = unname(as.numeric(tt$estimate)) * 100,
        
        t_value = unname(as.numeric(tt$statistic)),
        
        df = unname(as.numeric(tt$parameter)),
        
        p_value = tt$p.value,
        
        CI_lower = unname(as.numeric(tt$conf.int[1])) * 100,
        
        CI_upper = unname(as.numeric(tt$conf.int[2])) * 100
    )
}

4.0.8 Εκτέλεση των τριών ελέγχων:

Εμφάνιση κώδικα R
results_immig_pairwise <- bind_rows(
    
    test_immig_pair("Γηγενείς", "2η γενιά"),
    
    test_immig_pair("Γηγενείς", "1η γενιά"),
    
    test_immig_pair("2η γενιά", "1η γενιά")
    
) %>%
    
    mutate(
        
        p_adj = p.adjust(p_value, method = "holm"),
        
        Significance = case_when(
            p_adj < 0.001 ~ "***",
            p_adj < 0.01  ~ "**",
            p_adj < 0.05  ~ "*",
            TRUE          ~ "ns"
        )
    )

results_immig_pairwise
                                Comparison   Group1   Group2 Difference_pp
IMMIG_pair2η γενιά     2η γενιά − Γηγενείς Γηγενείς 2η γενιά     13.836305
IMMIG_pair1η γενιά...2 1η γενιά − Γηγενείς Γηγενείς 1η γενιά      5.402357
IMMIG_pair1η γενιά...3 1η γενιά − 2η γενιά 2η γενιά 1η γενιά     -8.433947
                         t_value df      p_value   CI_lower  CI_upper
IMMIG_pair2η γενιά      5.675077 78 2.264353e-07   8.982456 18.690153
IMMIG_pair1η γενιά...2  1.153051 78 2.524108e-01  -3.925302 14.730017
IMMIG_pair1η γενιά...3 -1.714970 78 9.032123e-02 -18.224612  1.356717
                              p_adj Significance
IMMIG_pair2η γενιά     6.793059e-07          ***
IMMIG_pair1η γενιά...2 2.524108e-01           ns
IMMIG_pair1η γενιά...3 1.806425e-01           ns

4.0.9 Διόρθωση Holm

Εμφάνιση κώδικα R
results_immig_pairwise <- results_immig_pairwise %>%
    mutate(
        
        p_adjusted = p.adjust(
            p_value,
            method = "holm"
        ),
        
        Significance = case_when(
            p_adjusted < 0.001 ~ "***",
            p_adjusted < 0.01  ~ "**",
            p_adjusted < 0.05  ~ "*",
            TRUE ~ "ns"
        )
        
    )

4.0.10 Τελικοί πίνακες

Σταθμισμένα ποσοστά ανά μεταναστευτικό υπόβαθρο

Εμφάνιση κώδικα R
results_rfyown_imig %>%
    transmute(
        IMMIG = IMMIG_group,
        Percent = round(ROOM_NO, 2),
        SE = round(se, 2),
        CI95 = paste0(
            round(ci_l, 2), "% - ",
            round(ci_u, 2), "%"
        )
    )
            IMMIG Percent   SE            CI95
Γηγενείς Γηγενείς   27.47 0.83 25.84% - 29.11%
2η γενιά 2η γενιά   41.31 2.27 36.86% - 45.76%
1η γενιά 1η γενιά   32.88 4.65    23.75% - 42%

Συνολικός έλεγχος Rao–Scott

Εμφάνιση κώδικα R
test_immig_overall

    Pearson's X^2: Rao & Scott adjustment

data:  svychisq(~IMMIG_group + ROOM_STATUS, design = des_rfyown_imig,     statistic = "F")
F = 17.309, ndf = 1.9566, ddf = 154.5698, p-value = 2.087e-07

Ζευγαρωτές συγκρίσεις

Εμφάνιση κώδικα R
results_immig_pairwise %>%
    transmute(
        Comparison,
        Difference_pp = round(Difference_pp, 2),
        CI95 = paste0(
            round(CI_lower, 2), " - ",
            round(CI_upper, 2)
        ),
        t = round(t_value, 3),
        df,
        p_value = signif(p_value, 4),
        p_adjusted = signif(p_adjusted, 4),
        Significance
    )
                                Comparison Difference_pp          CI95      t
IMMIG_pair2η γενιά     2η γενιά − Γηγενείς         13.84  8.98 - 18.69  5.675
IMMIG_pair1η γενιά...2 1η γενιά − Γηγενείς          5.40 -3.93 - 14.73  1.153
IMMIG_pair1η γενιά...3 1η γενιά − 2η γενιά         -8.43 -18.22 - 1.36 -1.715
                       df   p_value p_adjusted Significance
IMMIG_pair2η γενιά     78 2.264e-07  6.793e-07          ***
IMMIG_pair1η γενιά...2 78 2.524e-01  2.524e-01           ns
IMMIG_pair1η γενιά...3 78 9.032e-02  1.806e-01           ns

4.0.11 Γραφική απεικόνιση: Διαθεσιμότητα προσωπικού δωματίου ανά μεταναστευτικό υπόβαθρο

Εμφάνιση κώδικα R
## 3.2.1. Δημιουργία δεδομένων γραφήματος

plot_data_imig_RFYOWN_NO <- results_rfyown_imig %>%
    transmute(
        Group = factor(
            as.character(IMMIG_group),
            levels = c("Γηγενείς", "2η γενιά", "1η γενιά")
        ),
        Percent = ROOM_NO,
        ci_l,
        ci_u
    )
Εμφάνιση κώδικα R
## 3.2.2. Προετοιμασία brackets

bracket_data <- results_immig_pairwise %>%
    mutate(
        
        xmin = c(1, 1, 2),
        
        xmax = c(2, 3, 3),
        
        y.position = max(plot_data_imig_RFYOWN_NO$ci_u) +
            c(4, 10, 7)
        
    )

Δημιουργία γραφήματος:

Εμφάνιση κώδικα R
## 3.2.3. Barplot με 95% CI και brackets

barplot_data_imig_RFYOWN_NO <- ggbarplot(
    plot_data_imig_RFYOWN_NO,
    x = "Group",
    y = "Percent",
    fill = "Group",
    color = "black",
    palette = c("#1F77B4", "yellowgreen", "gold"),
    width = 0.65
) +
    
    # Error bars: 95% confidence intervals
    geom_errorbar(
        aes(
            ymin = ci_l,
            ymax = ci_u
        ),
        width = 0.12,
        linewidth = 0.7,
        color = "grey"
    ) +
    
    # Ποσοστά
    geom_text(
        aes(
            label = sprintf("%.1f%%", Percent)
        ),
        vjust = -0.5,
        size = 4
    ) +
    
    # Στατιστικές συγκρίσεις
    geom_bracket(
        data = bracket_data,
        aes(
            xmin = xmin,
            xmax = xmax,
            y.position = y.position,
            label = Significance
        ),
        inherit.aes = FALSE,
        tip.length = 0.01,
        label.size = 4
    ) +
    
    coord_cartesian(
        ylim = c(
            0,
            max(bracket_data$y.position) + 5
        )
    ) +
    
    labs(
        title = "Μαθητές/τριες χωρίς δικό τους δωμάτιο",
        subtitle = "Μεταναστευτικό υπόβαθρο – PISA 2025, Ελλάδα",
        x = NULL,
        y = "Σταθμισμένο ποσοστό (%)",
        caption = paste0(
            "* p < .05 | ** p < .01 | *** p < .001 | ns = μη σημαντικό.\n",
            "Pairwise survey-weighted t-tests, με διόρθωση Holm.\n",
            "Επεξεργασία: Δημήτρης Λάζαρης"
        )
    ) +
    
    theme_pubr() +
    
    theme(
        legend.position = "none",
        plot.title = element_text(face = "bold"),
        panel.grid = element_blank()
    )

barplot_data_imig_RFYOWN_NO

5 Στεγαστικός χώρος, χώρος μάθησης;

5.0.1 Διαθεσιμότητα ήσυχου χώρου μελέτης: PISA 2018 vs PISA 2025 – Ελλάδα

5.0.2 Μεταβλητές και κωδικοποίηση

Κύκλος Μεταβλητή Περιγραφή
PISA 2018 ST011Q03TA A quiet place to study
PISA 2025 ST250Q20DA A quiet place to study
Και οι δύο W_FSTUWT Τελικό μαθητικό βάρος
Και οι δύο W_FSTURWT1–80 Replicate weights

Ορίζουμε τη δυαδική μεταβλητή NO_QPTOSTUDY:

  • 1 = Δεν διαθέτει ήσυχο χώρο μελέτης.

  • 0 = Διαθέτει ήσυχο χώρο μελέτης.

  • NA = Μη έγκυρη ή ελλείπουσα απάντηση.

Εμφάνιση κώδικα R
## 4.1.1. Έλεγχος αρχικών κωδικών

table(
    pisa_data_filtered_GR2018$ST011Q03TA,
    useNA = "ifany"
)

   1    2 <NA> 
5545  743  115 
Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2025$ST250Q20DA,
    useNA = "ifany"
)

   1    2 <NA> 
5588 1065  205 

5.0.3 Δημιουργία δυαδικής μεταβλητής

Εμφάνιση κώδικα R
## PISA 2018

x18 <- as.numeric(
    pisa_data_filtered_GR2018$ST011Q03TA
)

pisa_data_filtered_GR2018$NO_QPTOSTUDY <- dplyr::case_when(
    x18 == 2 ~ 1,
    x18 == 1 ~ 0,
    TRUE ~ NA_real_
)


## PISA 2025

x25 <- as.numeric(
    pisa_data_filtered_GR2025$ST250Q20DA
)

pisa_data_filtered_GR2025$NO_QPTOSTUDY <- dplyr::case_when(
    x25 == 2 ~ 1,
    x25 == 1 ~ 0,
    TRUE ~ NA_real_
)

Έλεγχος:

Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2018$NO_QPTOSTUDY,
    useNA = "ifany"
)

   0    1 <NA> 
5545  743  115 
Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2025$NO_QPTOSTUDY,
    useNA = "ifany"
)

   0    1 <NA> 
5588 1065  205 

5.0.4 Δημιουργία ενιαίου σχεδιασμού με 160 replicate weights

Εντοπισμός replicate weights

Εμφάνιση κώδικα R
get_rep_names <- function(data) {
    
    rn <- grep(
        "^W_FSTURWT[0-9]+$",
        names(data),
        value = TRUE
    )
    
    rn <- rn[
        order(as.integer(sub("^W_FSTURWT", "", rn)))
    ]
    
    if (!identical(
        as.integer(sub("^W_FSTURWT", "", rn)),
        1:80
    )) {
        stop("Δεν εντοπίστηκαν ακριβώς 80 replicate weights.")
    }
    
    rn
}

rep18 <- get_rep_names(pisa_data_filtered_GR2018)
rep25 <- get_rep_names(pisa_data_filtered_GR2025)

5.0.5 Δημιουργία επιμέρους datasets

Εμφάνιση κώδικα R
make_qpto_data <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        NO_QPTOSTUDY = as.numeric(data$NO_QPTOSTUDY),
        
        Year = factor(
            rep(as.character(year), n),
            levels = c("2018", "2025")
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights PISA 2018
        out[[paste0("RW18_", j)]] <-
            if (year == 2018) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
        
        # Replicate weights PISA 2025
        out[[paste0("RW25_", j)]] <-
            if (year == 2025) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
    }
    
    out
}


# PISA 2018
qpto_2018 <- make_qpto_data(
    pisa_data_filtered_GR2018,
    2018,
    rep18
)

# PISA 2025
qpto_2025 <- make_qpto_data(
    pisa_data_filtered_GR2025,
    2025,
    rep25
)

5.0.6 Συνένωση των δεδομένων

Εμφάνιση κώδικα R
qpto_combined <- dplyr::bind_rows(
    qpto_2018,
    qpto_2025
)

# Διατήρηση έγκυρων απαντήσεων
qpto_combined <- qpto_combined %>%
    filter(
        !is.na(NO_QPTOSTUDY),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    )

# Έλεγχος κατανομής
table(qpto_combined$Year)

2018 2025 
6288 6653 
Εμφάνιση κώδικα R
table(
    qpto_combined$Year,
    qpto_combined$NO_QPTOSTUDY
)
      
          0    1
  2018 5545  743
  2025 5588 1065

5.0.7 Ορισμός replicate-weight design

Εμφάνιση κώδικα R
rw_names <- c(
    paste0("RW18_", 1:80),
    paste0("RW25_", 1:80)
)

rw_formula <- as.formula(
    paste("~", paste(rw_names, collapse = " + "))
)

des_qpto <- svrepdesign(
    weights = ~W_FSTUWT,
    repweights = rw_formula,
    data = qpto_combined,
    type = "other",
    combined.weights = TRUE,
    scale = 0.05,
    rscales = rep(1, 160),
    mse = TRUE
)

Ο συντελεστής scale = 0.05 αντιστοιχεί στη μέθοδο Fay’s BRR με 80 replicates (https://en.wikipedia.org/wiki/Balanced_repeated_replication) και συντελεστή Fay 0,5. Η προσέγγιση είναι σύμφωνη με την τεκμηρίωση του PISA για τη χρήση των 80 επαναληπτικών βαρών. Βλ. https://www.oecd.org/en/about/programmes/pisa/how-to-prepare-and-analyse-the-pisa-database.html

5.0.8 Σταθμισμένα ποσοστά ανά έτος

Υπολογίζουμε τα ποσοστά μαθητών/τριών που δεν διαθέτουν ήσυχο χώρο μελέτης, καθώς και τα διαστήματα εμπιστοσύνης 95%.

Εμφάνιση κώδικα R
results_qpto <- svyby(
    ~NO_QPTOSTUDY,
    ~Year,
    design = des_qpto,
    FUN = svymean,
    vartype = c("se", "ci"),
    na.rm = TRUE
)

results_qpto <- as.data.frame(results_qpto)

# Μετατροπή σε ποσοστά
results_qpto <- results_qpto %>%
    mutate(
        across(
            c(NO_QPTOSTUDY, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

results_qpto
     Year NO_QPTOSTUDY        se     ci_l     ci_u
2018 2018     12.23724 0.5187673 11.22048 13.25401
2025 2025     16.21746 0.4949986 15.24728 17.18764

5.0.9 Έλεγχος στατιστικής σημαντικότητας

Εφαρμογή survey-weighted independent samples t-test.

Εμφάνιση κώδικα R
tt_qpto <- svyttest(
    NO_QPTOSTUDY ~ Year,
    design = des_qpto
)

tt_qpto

    Design-based t-test

data:  NO_QPTOSTUDY ~ Year
t = 5.5509, df = 158, p-value = 1.175e-07
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 0.02563999 0.05396430
sample estimates:
difference in mean 
        0.03980214 

5.0.10 Συγκεντρωτικός πίνακας ελέγχου

Εμφάνιση κώδικα R
results_qpto_test <- tibble::tibble(
    
    Difference_pp = as.numeric(tt_qpto$estimate) * 100,
    
    t_value = as.numeric(tt_qpto$statistic),
    
    df = as.numeric(tt_qpto$parameter),
    
    p_value = tt_qpto$p.value,
    
    CI_lower = as.numeric(tt_qpto$conf.int[1]) * 100,
    
    CI_upper = as.numeric(tt_qpto$conf.int[2]) * 100
    
)

results_qpto_test %>%
    mutate(
        across(
            c(Difference_pp, t_value, CI_lower, CI_upper),
            ~ round(.x, 3)
        ),
        p_value = signif(p_value, 4)
    )
# A tibble: 1 × 6
  Difference_pp t_value    df     p_value CI_lower CI_upper
          <dbl>   <dbl> <dbl>       <dbl>    <dbl>    <dbl>
1          3.98    5.55   158 0.000000118     2.56     5.40

5.0.11 Τελικός συγκεντρωτικός πίνακας

Εμφάνιση κώδικα R
results_qpto_final <- results_qpto %>%
    
    transmute(
        Year,
        NO_QPTOSTUDY,
        ci_l,
        ci_u
    )

results_qpto_final
     Year NO_QPTOSTUDY     ci_l     ci_u
2018 2018     12.23724 11.22048 13.25401
2025 2025     16.21746 15.24728 17.18764
Εμφάνιση κώδικα R
results_qpto_final %>%
    mutate(
        NO_QPTOSTUDY = round(NO_QPTOSTUDY, 2),
        ci_l = round(ci_l, 2),
        ci_u = round(ci_u, 2)
    )
     Year NO_QPTOSTUDY  ci_l  ci_u
2018 2018        12.24 11.22 13.25
2025 2025        16.22 15.25 17.19

5.0.12 Γραφική απεικόνιση με error bars και bracket

Εμφάνιση κώδικα R
### BARPLOT WITH BRACKET AND 95% CI ###

library(ggpubr)
library(ggplot2)

# 1. Δεδομένα γραφήματος
plot_data_QPTOSTUDY <- results_qpto %>%
    transmute(
        Year = factor(
            Year,
            levels = c("2018", "2025")
        ),
        Percent = NO_QPTOSTUDY,
        ci_l,
        ci_u
    )

# 2. Δυναμική επισήμανση στατιστικής σημαντικότητας
p_value <- tt_qpto$p.value

significance_label <- if (p_value < 0.001) {
    "***"
} else if (p_value < 0.01) {
    "**"
} else if (p_value < 0.05) {
    "*"
} else {
    "ns"
}

# 3. Δυναμική θέση bracket
bracket_y <- max(
    plot_data_QPTOSTUDY$ci_u,
    na.rm = TRUE
) + 2

# 4. Δημιουργία γραφήματος
Barplot_QPTOSTUDY_2018_2025 <- ggbarplot(
    plot_data_QPTOSTUDY,
    x = "Year",
    y = "Percent",
    fill = "Year",
    color = "black",
    palette = c("steelblue", "#E74C3C"),
    width = 0.6
) +
    
    # Error bars: 95% CI
    geom_errorbar(
        aes(
            ymin = ci_l,
            ymax = ci_u
        ),
        width = 0.12,
        linewidth = 0.7,
        color = "grey"
    ) +
    
    # Ποσοστά
    geom_text(
        aes(
            label = sprintf("%.1f%%", Percent)
        ),
        vjust = -0.6,
        size = 4
    ) +
    
    # Bracket
    geom_bracket(
        xmin = 1,
        xmax = 2,
        y.position = bracket_y,
        label = significance_label,
        tip.length = 0.01,
        label.size = 5
    ) +
    
    coord_cartesian(
        ylim = c(0, bracket_y + 5)
    ) +
    
    labs(
        title = "Μαθητές χωρίς ήσυχο χώρο μελέτης στο σπίτι",
        subtitle = "Ελλάδα: PISA 2018 vs PISA 2025",
        caption = paste0(
            significance_label,
            " | Survey-weighted t-test με 160 replicate weights.\n",
            "95% CI: Διαστήματα εμπιστοσύνης 95%.\n",
            "Επεξεργασία: Δημήτρης Λάζαρης"
        ),
        x = "Κύκλος PISA",
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    
    theme_pubr() +
    
    theme(
        legend.position = "none",
        plot.title = element_text(face = "bold"),
        plot.caption = element_text(size = 9),
        panel.grid = element_blank()
    )

Barplot_QPTOSTUDY_2018_2025

5.0.13 Σύγκριση των απαντήσεων για ήσυχο χώρο μελέτης και προσωπικό δωμάτιο στον κύκλο έρευνας PISA 2018

5.0.14 Μεταβλητές και κωδικοποίηση

Μεταβλητή Περιγραφή Κωδικός 1 Κωδικός 2
ST011Q03TA A quiet place to study Ναι Όχι
ST011Q02TA A room of your own Ναι Όχι

Δημιουργούμε δύο δυαδικές μεταβλητές:

  • NO_QPTOSTUDY: απουσία ήσυχου χώρου μελέτης.

  • NO_RFYOWN: απουσία προσωπικού δωματίου.

Έλεγχος αρχικών κωδικών

Εμφάνιση κώδικα R
## Έλεγχος απαντήσεων PISA 2018

table(
    pisa_data_filtered_GR2018$ST011Q03TA,
    useNA = "ifany"
)

   1    2 <NA> 
5545  743  115 
Εμφάνιση κώδικα R
table(
    pisa_data_filtered_GR2018$ST011Q02TA,
    useNA = "ifany"
)

   1    2 <NA> 
4680 1617  106 

5.0.15 Δημιουργία δυαδικών μεταβλητών

Εμφάνιση κώδικα R
## Απουσία ήσυχου χώρου μελέτης

x_quiet <- as.numeric(
    pisa_data_filtered_GR2018$ST011Q03TA
)

## Απουσία προσωπικού δωματίου

x_room <- as.numeric(
    pisa_data_filtered_GR2018$ST011Q02TA
)

## Δημιουργία dataset ανάλυσης

rfyown_qpto_2018 <- data.frame(
    
    NO_QPTOSTUDY = dplyr::case_when(
        x_quiet == 2 ~ 1,
        x_quiet == 1 ~ 0,
        TRUE ~ NA_real_
    ),
    
    NO_RFYOWN = dplyr::case_when(
        x_room == 2 ~ 1,
        x_room == 1 ~ 0,
        TRUE ~ NA_real_
    ),
    
    W_FSTUWT = as.numeric(
        pisa_data_filtered_GR2018$W_FSTUWT
    )
    
)

Έλεγχος:

Εμφάνιση κώδικα R
table(
    rfyown_qpto_2018$NO_QPTOSTUDY,
    useNA = "ifany"
)

   0    1 <NA> 
5545  743  115 
Εμφάνιση κώδικα R
table(
    rfyown_qpto_2018$NO_RFYOWN,
    useNA = "ifany"
)

   0    1 <NA> 
4680 1617  106 

5.0.16 Εντοπισμός των 80 replicate weights

Χρησιμοποιούμε τη συνάρτηση get_rep_names() που έχουμε ήδη ορίσει στις προηγούμενες ενότητες του Quarto.

Εμφάνιση κώδικα R
rep18 <- get_rep_names(
    pisa_data_filtered_GR2018
)

stopifnot(length(rep18) == 80)

Προσθέτουμε τα 80 replicate weights στο dataset:

Εμφάνιση κώδικα R
for (j in 1:80) {
    
    rfyown_qpto_2018[[paste0("RW_", j)]] <-
        
        as.numeric(
            pisa_data_filtered_GR2018[[rep18[j]]]
        )
    
}

5.0.17 Επιλογή έγκυρων παρατηρήσεων

Για την άμεση σύγκριση των δύο χαρακτηριστικών χρησιμοποιούμε το κοινό δείγμα μαθητών με έγκυρες απαντήσεις και στις δύο ερωτήσεις.

Έτσι, οι δύο εκτιμήσεις βασίζονται στους ίδιους συμμετέχοντες και μπορούν να συγκριθούν λαμβάνοντας υπόψη τη μεταξύ τους συνδιακύμανση.

Εμφάνιση κώδικα R
## Αρχικό μέγεθος δείγματος
n_initial <- nrow(rfyown_qpto_2018)

## Κοινό έγκυρο δείγμα
rfyown_qpto_2018 <- rfyown_qpto_2018 %>%
    
    filter(
        !is.na(NO_QPTOSTUDY),
        !is.na(NO_RFYOWN),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    )

## Έλεγχος απωλειών δείγματος
n_valid <- nrow(rfyown_qpto_2018)

data.frame(
    Initial_N = n_initial,
    Valid_N = n_valid,
    Excluded_N = n_initial - n_valid,
    Valid_Percent = round(
        100 * n_valid / n_initial, 2
    )
)
  Initial_N Valid_N Excluded_N Valid_Percent
1      6403    6249        154         97.59

5.0.18 Ορισμός replicate-weight design

Εμφάνιση κώδικα R
rw_names <- paste0("RW_", 1:80)

rw_formula <- as.formula(
    paste(
        "~",
        paste(rw_names, collapse = " + ")
    )
)

des_rfyown_qpto_2018 <- svrepdesign(
    weights = ~W_FSTUWT,
    repweights = rw_formula,
    data = rfyown_qpto_2018,
    type = "other",
    combined.weights = TRUE,
    scale = 0.05,
    rscales = rep(1, 80),
    mse = TRUE
)

5.0.19 Υπολογισμός σταθμισμένων ποσοστών

Υπολογίζουμε τα δύο ποσοστά στον ίδιο δειγματοληπτικό σχεδιασμό.

Εμφάνιση κώδικα R
results_qpto_rfyown_2018 <- svymean(
    ~NO_QPTOSTUDY + NO_RFYOWN,
    design = des_rfyown_qpto_2018,
    na.rm = FALSE
)

results_qpto_rfyown_2018
                mean     SE
NO_QPTOSTUDY 0.12261 0.0052
NO_RFYOWN    0.25876 0.0073

Εξαγωγή μέσων, τυπικών σφαλμάτων και διαστημάτων εμπιστοσύνης 95%:

Εμφάνιση κώδικα R
## Εκτιμήσεις
estimates <- coef(
    results_qpto_rfyown_2018
)

## Τυπικά σφάλματα
standard_errors <- SE(
    results_qpto_rfyown_2018
)

## Διαστήματα εμπιστοσύνης 95%
ci_estimates <- confint(
    results_qpto_rfyown_2018,
    df = degf(des_rfyown_qpto_2018)
)

## Πίνακας αποτελεσμάτων
results_qpto_rfyown_pct <- data.frame(
    
    Indicator = c(
        "Απουσία ήσυχου χώρου για μελέτη",
        "Απουσία προσωπικού δωματίου"
    ),
    
    Percent = 100 * as.numeric(estimates),
    
    SE = 100 * as.numeric(standard_errors),
    
    CI_lower = 100 * ci_estimates[, 1],
    
    CI_upper = 100 * ci_estimates[, 2]
    
)

results_qpto_rfyown_pct
                                   Indicator  Percent        SE CI_lower
NO_QPTOSTUDY Απουσία ήσυχου χώρου για μελέτη 12.26144 0.5210024 11.22441
NO_RFYOWN        Απουσία προσωπικού δωματίου 25.87552 0.7309134 24.42068
             CI_upper
NO_QPTOSTUDY 13.29846
NO_RFYOWN    27.33037

5.0.20 Έλεγχος στατιστικής διαφοράς μεταξύ των δύο ποσοστών

Χρησιμοποιούμε το svycontrast(), το οποίο υπολογίζει τη διαφορά δύο σταθμισμένων εκτιμήσεων, λαμβάνοντας υπόψη τη συνδιακύμανσή τους.

Εμφάνιση κώδικα R
contrast_qpto_rfyown <- svycontrast(
    results_qpto_rfyown_2018,
    
    list(
        Quiet_minus_Room = c(
            NO_QPTOSTUDY = 1,
            NO_RFYOWN = -1
        )
    )
)

contrast_qpto_rfyown
                 contrast     SE
Quiet_minus_Room -0.13614 0.0086

5.0.21 Υπολογισμός διαφοράς

Εμφάνιση κώδικα R
contrast_qpto_rfyown <- svycontrast(
    results_qpto_rfyown_2018,
    
    list(
        Quiet_minus_Room = c(
            NO_QPTOSTUDY = 1,
            NO_RFYOWN = -1
        )
    )
)

contrast_qpto_rfyown
                 contrast     SE
Quiet_minus_Room -0.13614 0.0086

Η διαφορά υπολογίζεται ως: NO_QPTOSTUDY − NO_RFYOWN

Η αρνητική τιμή σημαίνει ότι περισσότεροι μαθητές στερούνται δικό τους δωμάτιο σε σχέση με εκείνους που δε διαθέτουν έναν ήσυχο χώρο μελέτης.

5.0.22 Έλεγχος στατιστικής σημαντικότητας

Εμφάνιση κώδικα R
## Διαφορά
difference <- as.numeric(
    coef(contrast_qpto_rfyown)
)

## Τυπικό σφάλμα της διαφοράς
difference_se <- as.numeric(
    SE(contrast_qpto_rfyown)
)

## Βαθμοί ελευθερίας
df_test <- degf(
    des_rfyown_qpto_2018
)

## t-statistic
t_value <- difference / difference_se

## p-value (two-sided)
p_value <- 2 * pt(
    abs(t_value),
    df = df_test,
    lower.tail = FALSE
)

## 95% CI
ci_difference <- confint(
    contrast_qpto_rfyown,
    df = df_test
)

## Συγκεντρωτικός πίνακας
results_contrast_qpto_rfyown <- data.frame(
    
    Difference_pp = difference * 100,
    
    SE = difference_se * 100,
    
    t_value = t_value,
    
    df = df_test,
    
    p_value = p_value,
    
    CI_lower = ci_difference[1, 1] * 100,
    
    CI_upper = ci_difference[1, 2] * 100
    
)

results_contrast_qpto_rfyown
  Difference_pp        SE  t_value df      p_value  CI_lower CI_upper
1     -13.61409 0.8558818 -15.9065 79 2.396304e-26 -15.31768 -11.9105

5.0.23 Δημιουργία γραφήματος

Προετοιμασία δεδομένων

Εμφάνιση κώδικα R
plot_data_QPTOSTUDY_RFYOWN <- results_qpto_rfyown_pct %>%
    
    mutate(
        
        Group = factor(
            c(
                "Απουσία ήσυχου χώρου\nγια μελέτη",
                "Απουσία προσωπικού\nδωματίου"
            ),
            levels = c(
                "Απουσία ήσυχου χώρου\nγια μελέτη",
                "Απουσία προσωπικού\nδωματίου"
            )
        )
        
    )

Αυτόματος προσδιορισμός σημαντικότητας

Εμφάνιση κώδικα R
p_value <- results_contrast_qpto_rfyown$p_value

significance_label <- if (p_value < 0.001) {
    "***"
} else if (p_value < 0.01) {
    "**"
} else if (p_value < 0.05) {
    "*"
} else {
    "ns"
}

bracket_y <- max(
    plot_data_QPTOSTUDY_RFYOWN$CI_upper
) + 2

Barplot με 95% CI και bracket

Εμφάνιση κώδικα R
library(ggpubr)
library(ggplot2)

barplot_QPTOSTUDY_RFYOWN <- ggbarplot(
    plot_data_QPTOSTUDY_RFYOWN,
    x = "Group",
    y = "Percent",
    fill = "Group",
    color = "black",
    palette = c("darkgrey", "steelblue"),
    width = 0.4
) +
    
    # Error bars: 95% CI
    geom_errorbar(
        aes(
            ymin = CI_lower,
            ymax = CI_upper
        ),
        width = 0.12,
        linewidth = 0.6,
        color = "grey"
    ) +
    
    # Ετικέτες ποσοστών
    geom_text(
        aes(
            label = sprintf("%.1f%%", Percent)
        ),
        vjust = -0.6,
        size = 3.5
    ) +
    
    # Bracket στατιστικής σημαντικότητας
    geom_bracket(
        xmin = 1,
        xmax = 2,
        y.position = bracket_y,
        label = significance_label,
        tip.length = 0.01,
        label.size = 4
    ) +
    
    coord_cartesian(
        ylim = c(
            0,
            bracket_y + 5
        )
    ) +
    
    labs(
        title = "Έλλειψη προσωπικού δωματίου και ήσυχου χώρου μελέτης",
        subtitle = "Ελλάδα: PISA 2018",
        caption = paste0(
            significance_label,
            " | Survey-weighted contrast με 80 replicate weights.\n",
            "95% CI: Διαστήματα εμπιστοσύνης 95%.\n",
            "Κοινό δείγμα μαθητών με έγκυρες απαντήσεις και στις δύο ερωτήσεις.\n",
            "Επεξεργασία: Δημήτρης Λάζαρης"
        ),
        x = NULL,
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    
    theme_pubr() +
    
    theme(
        legend.position = "none",
        plot.title = element_text(face = "bold"),
        plot.caption = element_text(size = 9),
        panel.grid = element_blank(),
        axis.text.x = element_text(size = 9)
    )

barplot_QPTOSTUDY_RFYOWN

5.1 Απουσία ήσυχου χώρου μελέτης ανά κοινωνικοοικονομικό υπόβαθρο (ESCS)

Υπολογισμός τεταρτημορίων με έτος βάσης το 2018

Εμφάνιση κώδικα R
des_2018 <- svydesign(
    ids = ~1,
    weights = ~W_FSTUWT,
    data = pisa_data_filtered_GR2018
)


des_2025 <- svydesign(
    ids = ~1,
    weights = ~W_FSTUWT,
    data = pisa_data_filtered_GR2025
)



q_2018 <- as.numeric(coef(
    svyquantile(
        ~ESCS,
        design = des_2018,
        quantiles = c(0.25, 0.50, 0.75),
        na.rm = TRUE,
        ci = FALSE
    )
))

q_2018
[1] -0.7974 -0.1086  0.6557

Εφαρμόζουμε τα ίδια όρια και στους δύο κύκλους:

Εμφάνιση κώδικα R
# Συνάρτηση δημιουργίας τεταρτημορίων
create_quartiles <- function(data, q) {
    
    data$ESCS_QUARTILE <- cut(
        as.numeric(data$ESCS),
        breaks = c(-Inf, q, Inf),
        labels = c("Q1", "Q2", "Q3", "Q4"),
        include.lowest = TRUE
    )
    
    data$ESCS_QUARTILE <- factor(
        data$ESCS_QUARTILE,
        levels = c("Q1", "Q2", "Q3", "Q4"),
        ordered = TRUE
    )
    
    data
}

# PISA 2018
pisa_2018_quartiles <- create_quartiles(
    pisa_data_filtered_GR2018,
    q_2018
)

# PISA 2025
pisa_2025_quartiles <- create_quartiles(
    pisa_data_filtered_GR2025,
    q_2018
)

5.1.1 Κωδικοποίηση NO_QPTOSTUDY

Ορίζουμε:

  • 1 = Δεν διαθέτει ήσυχο χώρο μελέτης.

  • 0 = Διαθέτει ήσυχο χώρο μελέτης.

  • NA = Ελλείπουσα ή μη έγκυρη απάντηση.

Εμφάνιση κώδικα R
library(dplyr)
library(survey)

# PISA 2018: ST011Q03TA

x18 <- as.numeric(
    pisa_2018_quartiles$ST011Q03TA
)

pisa_2018_quartiles$NO_QPTOSTUDY <- case_when(
    x18 == 2 ~ 1,
    x18 == 1 ~ 0,
    TRUE     ~ NA_real_
)


# PISA 2025: ST250Q20DA

x25 <- as.numeric(
    pisa_2025_quartiles$ST250Q20DA
)

pisa_2025_quartiles$NO_QPTOSTUDY <- case_when(
    x25 == 2 ~ 1,
    x25 == 1 ~ 0,
    TRUE     ~ NA_real_
)

Έλεγχος:

Εμφάνιση κώδικα R
table(
    pisa_2018_quartiles$NO_QPTOSTUDY,
    useNA = "ifany"
)

   0    1 <NA> 
5545  743  115 
Εμφάνιση κώδικα R
table(
    pisa_2025_quartiles$NO_QPTOSTUDY,
    useNA = "ifany"
)

   0    1 <NA> 
5588 1065  205 

5.1.2 Εντοπισμός των 80 replicate weights

Εμφάνιση κώδικα R
get_rep_names <- function(data) {
    
    rn <- grep(
        "^W_FSTURWT[0-9]+$",
        names(data),
        value = TRUE
    )
    
    rn[order(as.integer(sub("^W_FSTURWT", "", rn)))]
}

rep18 <- get_rep_names(pisa_2018_quartiles)
rep25 <- get_rep_names(pisa_2025_quartiles)

stopifnot(length(rep18) == 80)
stopifnot(length(rep25) == 80)

5.1.3 Δημιουργία ενιαίων δεδομένων για τον έλεγχο

Εμφάνιση κώδικα R
make_test_data_qpto <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        NO_QPTOSTUDY = as.numeric(data$NO_QPTOSTUDY),
        
        Year = factor(
            rep(as.character(year), n),
            levels = c("2018", "2025")
        ),
        
        ESCS_QUARTILE = factor(
            as.character(data$ESCS_QUARTILE),
            levels = c("Q1", "Q2", "Q3", "Q4")
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights PISA 2018
        out[[paste0("RW18_", j)]] <-
            if (year == 2018) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
        
        # Replicate weights PISA 2025
        out[[paste0("RW25_", j)]] <-
            if (year == 2025) {
                as.numeric(data[[rep_names[j]]])
            } else {
                as.numeric(data$W_FSTUWT)
            }
    }
    
    out
}

Εφαρμογή:

Εμφάνιση κώδικα R
test_2018_qpto <- make_test_data_qpto(
    pisa_2018_quartiles,
    "2018",
    rep18
)

test_2025_qpto <- make_test_data_qpto(
    pisa_2025_quartiles,
    "2025",
    rep25
)

test_data_qpto <- dplyr::bind_rows(
    test_2018_qpto,
    test_2025_qpto
)

5.1.4 Δημιουργία replicate-weight design

Εμφάνιση κώδικα R
rw_names <- c(
    paste0("RW18_", 1:80),
    paste0("RW25_", 1:80)
)

rw_formula <- as.formula(
    paste("~", paste(rw_names, collapse = " + "))
)

des_qpto_compare <- svrepdesign(
    weights = ~W_FSTUWT,
    repweights = rw_formula,
    data = test_data_qpto,
    type = "other",
    combined.weights = TRUE,
    scale = 0.05,
    rscales = rep(1, 160),
    mse = TRUE
)

5.1.5 Υπολογισμός σταθμισμένων ποσοστών ανά τεταρτημόριο και έτος

Υπολογίζουμε τα ποσοστά των μαθητών/τριών που δεν διαθέτουν ήσυχο χώρο μελέτης, μαζί με τα αντίστοιχα διαστήματα εμπιστοσύνης 95%.

Εμφάνιση κώδικα R
results_qpto_pct <- svyby(
    ~NO_QPTOSTUDY,
    ~ESCS_QUARTILE + Year,
    design = des_qpto_compare,
    FUN = svymean,
    vartype = c("se", "ci"),
    na.rm = TRUE
)

results_qpto_pct <- as.data.frame(results_qpto_pct)

# Μετατροπή σε ποσοστά
results_qpto_pct <- results_qpto_pct %>%
    mutate(
        across(
            c(NO_QPTOSTUDY, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

results_qpto_pct
        ESCS_QUARTILE Year NO_QPTOSTUDY        se      ci_l      ci_u
Q1.2018            Q1 2018    20.276824 0.9682447 18.379099 22.174549
Q2.2018            Q2 2018    11.598392 0.8533870  9.925784 13.271000
Q3.2018            Q3 2018    10.740942 0.8667653  9.042114 12.439771
Q4.2018            Q4 2018     6.458299 0.6602445  5.164243  7.752354
Q1.2025            Q1 2025    24.325883 1.0307255 22.305698 26.346068
Q2.2025            Q2 2025    13.519643 0.9475214 11.662535 15.376751
Q3.2025            Q3 2025    13.858233 0.7137167 12.459374 15.257092
Q4.2025            Q4 2025     7.555467 0.7425048  6.100184  9.010749

5.1.6 Τέσσερα survey-weighted t-tests

Εμφάνιση κώδικα R
test_qpto_quartile <- function(q) {
    
    des_q <- subset(
        des_qpto_compare,
        ESCS_QUARTILE == q & !is.na(NO_QPTOSTUDY)
    )
    
    tt <- svyttest(
        NO_QPTOSTUDY ~ Year,
        design = des_q
    )
    
    data.frame(
        
        ESCS_QUARTILE = q,
        
        Difference_pp = as.numeric(tt$estimate) * 100,
        
        t_value = as.numeric(tt$statistic),
        
        df = as.numeric(tt$parameter),
        
        p_value = tt$p.value,
        
        CI_lower = tt$conf.int[1] * 100,
        
        CI_upper = tt$conf.int[2] * 100
    )
}

Εκτέλεση:

Εμφάνιση κώδικα R
results_qpto_ttest <- bind_rows(
    test_qpto_quartile("Q1"),
    test_qpto_quartile("Q2"),
    test_qpto_quartile("Q3"),
    test_qpto_quartile("Q4")
)

results_qpto_ttest
             ESCS_QUARTILE Difference_pp  t_value  df     p_value   CI_lower
Year2025...1            Q1      4.049059 2.863194 158 0.004763413  1.2559320
Year2025...2            Q2      1.921251 1.506659 158 0.133894826 -0.5973333
Year2025...3            Q3      3.117290 2.776361 158 0.006161786  0.8996624
Year2025...4            Q4      1.097168 1.104238 158 0.271168829 -0.8652787
             CI_upper
Year2025...1 6.842186
Year2025...2 4.439835
Year2025...3 5.334918
Year2025...4 3.059615

5.1.7 Διόρθωση Holm

Εμφάνιση κώδικα R
results_qpto_ttest <- results_qpto_ttest %>%
    mutate(
        
        p_adjusted = p.adjust(
            p_value,
            method = "holm"
        ),
        
        Significance = case_when(
            p_adjusted < 0.001 ~ "***",
            p_adjusted < 0.01  ~ "**",
            p_adjusted < 0.05  ~ "*",
            TRUE ~ "ns"
        )
    )

5.1.8 Δημιουργία τελικού συγκεντρωτικού πίνακα

Εμφάνιση κώδικα R
library(tidyr)

qpto_wide <- results_qpto_pct %>%
    dplyr::select(
        ESCS_QUARTILE,
        Year,
        NO_QPTOSTUDY,
        ci_l,
        ci_u
    ) %>%
    pivot_wider(
        names_from = Year,
        values_from = c(NO_QPTOSTUDY, ci_l, ci_u),
        names_glue = "{.value}_{Year}"
    )

results_qpto_final <- qpto_wide %>%
    left_join(
        results_qpto_ttest,
        by = "ESCS_QUARTILE"
    )

Παρουσίαση

Εμφάνιση κώδικα R
results_qpto_final %>%
    transmute(
        
        ESCS = ESCS_QUARTILE,
        
        PISA2018 = round(NO_QPTOSTUDY_2018, 2),
        
        CI2018 = paste0(
            round(ci_l_2018, 2), "–",
            round(ci_u_2018, 2), "%"
        ),
        
        PISA2025 = round(NO_QPTOSTUDY_2025, 2),
        
        CI2025 = paste0(
            round(ci_l_2025, 2), "–",
            round(ci_u_2025, 2), "%"
        ),
        
        Difference_pp = round(Difference_pp, 2),
        
        CI_Difference = paste0(
            round(CI_lower, 2), "–",
            round(CI_upper, 2)
        ),
        
        t = round(t_value, 3),
        
        p_adjusted = signif(p_adjusted, 4),
        
        Significance
    )
# A tibble: 4 × 10
  ESCS  PISA2018 CI2018       PISA2025 CI2025  Difference_pp CI_Difference     t
  <chr>    <dbl> <chr>           <dbl> <chr>           <dbl> <chr>         <dbl>
1 Q1       20.3  18.38–22.17%    24.3  22.31–…          4.05 1.26–6.84      2.86
2 Q2       11.6  9.93–13.27%     13.5  11.66–…          1.92 -0.6–4.44      1.51
3 Q3       10.7  9.04–12.44%     13.9  12.46–…          3.12 0.9–5.33       2.78
4 Q4        6.46 5.16–7.75%       7.56 6.1–9.…          1.1  -0.87–3.06     1.10
# ℹ 2 more variables: p_adjusted <dbl>, Significance <chr>

5.1.9 Προετοιμασία αποτελεσμάτων

Διατηρούμε δύο δεκαδικά ψηφία στα ποσοστά και στις διαφορές, τρία δεκαδικά στην τιμή t και τέσσερα στο p-value.

Εμφάνιση κώδικα R
# Συνάρτηση μορφοποίησης με ελληνικό δεκαδικό διαχωριστικό
fmt_num <- function(x, digits = 2) {
    formatC(
        x,
        format = "f",
        digits = digits,
        decimal.mark = ","
    )
}

qpto_table_data <- results_qpto_final %>%
    transmute(
        
        ESCS = as.character(ESCS_QUARTILE),
        
        PISA_2018 = fmt_num(NO_QPTOSTUDY_2018, 2),
        
        CI_2018 = paste0(
            fmt_num(ci_l_2018, 2), "–",
            fmt_num(ci_u_2018, 2), "%"
        ),
        
        PISA_2025 = fmt_num(NO_QPTOSTUDY_2025, 2),
        
        CI_2025 = paste0(
            fmt_num(ci_l_2025, 2), "–",
            fmt_num(ci_u_2025, 2), "%"
        ),
        
        Difference_pp = fmt_num(Difference_pp, 2),
        
        CI_Difference = paste0(
            fmt_num(CI_lower, 2), "–",
            fmt_num(CI_upper, 2)
        ),
        
        t = fmt_num(t_value, 3),
        
        p_adjusted = ifelse(
            p_adjusted < 0.001,
            "<0,001",
            fmt_num(p_adjusted, 4)
        ),
        
        Significance
    )

Δημιουργία πίνακα gtsummary

Εμφάνιση κώδικα R
table_QPTOSTUDY_ESCS <- qpto_table_data %>%
    
    gtsummary::as_gtsummary() %>%
    
    gtsummary::as_gt() %>%
    
    # Τίτλος και υπότιτλος
    gt::tab_header(
        title = gt::md(
            "**Απουσία ήσυχου χώρου μελέτης ανά κοινωνικοοικονομικό επίπεδο**"
        ),
        subtitle = gt::md(
            "Ελλάδα: Σύγκριση PISA 2018 και PISA 2025"
        )
    ) %>%
    
    # Επικεφαλίδες στηλών
    gt::cols_label(
        ESCS = "Τεταρτημόριο ESCS",
        PISA_2018 = "Ποσοστό (%)",
        CI_2018 = "95% ΔΕ",
        PISA_2025 = "Ποσοστό (%)",
        CI_2025 = "95% ΔΕ",
        Difference_pp = "Μεταβολή (μ.μ.)",
        CI_Difference = "95% ΔΕ",
        t = "t",
        p_adjusted = "p-value (Holm)",
        Significance = "Σημαντικότητα"
    ) %>%
    
    # Ομαδοποίηση επικεφαλίδων
    gt::tab_spanner(
        label = "PISA 2018",
        columns = c(PISA_2018, CI_2018)
    ) %>%
    
    gt::tab_spanner(
        label = "PISA 2025",
        columns = c(PISA_2025, CI_2025)
    ) %>%
    
    gt::tab_spanner(
        label = "Διαχρονική μεταβολή",
        columns = c(Difference_pp, CI_Difference)
    ) %>%
    
    gt::tab_spanner(
        label = "Στατιστικός έλεγχος",
        columns = c(t, p_adjusted, Significance)
    ) %>%
    
    # Στοίχιση
    gt::cols_align(
        align = "center",
        columns = everything()
    ) %>%
    
    # Μορφοποίηση τίτλων
    gt::tab_options(
        table.font.size = 12,
        heading.title.font.size = 15,
        heading.subtitle.font.size = 12,
        column_labels.font.weight = "bold",
        table.border.top.style = "solid",
        table.border.bottom.style = "solid",
        data_row.padding = gt::px(8)
    ) %>%
    
    # Σημειώσεις κάτω από τον πίνακα
    gt::tab_source_note(
        source_note = gt::md(
            "**Σημείωση:** Τα ποσοστά αφορούν μαθητές/τριες που δεν διαθέτουν ήσυχο χώρο μελέτης. Τα διαστήματα εμπιστοσύνης είναι 95%. Οι διαφορές υπολογίζονται ως PISA 2025 − PISA 2018. Οι τιμές p έχουν διορθωθεί με τη μέθοδο Holm. * p < 0,05 · ** p < 0,01 · *** p < 0,001 · ns = μη στατιστικά σημαντικό."
        )
    ) %>%
    
    gt::tab_source_note(
        source_note = "Πηγή: Μικροδεδομένα PISA 2018 και PISA 2025. Επεξεργασία: Δημήτρης Λάζαρης."
    )

# Εμφάνιση πίνακα
table_QPTOSTUDY_ESCS
Απουσία ήσυχου χώρου μελέτης ανά κοινωνικοοικονομικό επίπεδο
Ελλάδα: Σύγκριση PISA 2018 και PISA 2025
Τεταρτημόριο ESCS
PISA 2018
PISA 2025
Διαχρονική μεταβολή
Στατιστικός έλεγχος
Ποσοστό (%) 95% ΔΕ Ποσοστό (%) 95% ΔΕ Μεταβολή (μ.μ.) 95% ΔΕ t p-value (Holm) Σημαντικότητα
Q1 20,28 18,38–22,17% 24,33 22,31–26,35% 4,05 1,26–6,84 2,863 0,0191 *
Q2 11,60 9,93–13,27% 13,52 11,66–15,38% 1,92 -0,60–4,44 1,507 0,2678 ns
Q3 10,74 9,04–12,44% 13,86 12,46–15,26% 3,12 0,90–5,33 2,776 0,0191 *
Q4 6,46 5,16–7,75% 7,56 6,10–9,01% 1,10 -0,87–3,06 1,104 0,2712 ns
Σημείωση: Τα ποσοστά αφορούν μαθητές/τριες που δεν διαθέτουν ήσυχο χώρο μελέτης. Τα διαστήματα εμπιστοσύνης είναι 95%. Οι διαφορές υπολογίζονται ως PISA 2025 − PISA 2018. Οι τιμές p έχουν διορθωθεί με τη μέθοδο Holm. * p < 0,05 · ** p < 0,01 · *** p < 0,001 · ns = μη στατιστικά σημαντικό.
Πηγή: Μικροδεδομένα PISA 2018 και PISA 2025. Επεξεργασία: Δημήτρης Λάζαρης.

6 Σύνοψη/Τεκμηρίωση Α μέρους

Οι μεταβολές που καταγράφει το Α μέρος αυτής της σύντομης ανάλυσης στη διαθεσιμότητα προσωπικού δωματίου, ήσυχου χώρου μελέτης μεταξύ του κύκλου έρευνας του 2018 με αυτόν του 2025 αποτυπώνουν ενδείξεις επιδείνωσης των χωρικών συνθηκών που πλαισιώνουν τη μαθησιακή διαδικασία. Επίσης, η συγκεκριμενοποίηση της ανάλυσης ανά κοινωνικοοικονομική θέση και μεταναστευτικό υπόβαθρο αναδεικνύει τη σημασία της εξέτασης των ανισοτήτων στο οικιακό μαθησιακό περιβάλλον.

6.0.1 Εκδόσεις βιβλιοθηκών R

Ο πίνακας θα καταγράφει τις εκδόσεις όλων των βασικών βιβλιοθηκών που χρησιμοποιήθηκαν στην ανάλυση.

Εμφάνιση κώδικα R
## 7. ΤΕΚΜΗΡΙΩΣΗ ΚΑΙ ΑΝΑΠΑΡΑΓΩΓΙΜΟΤΗΤΑ

### 7.1. Εκδόσεις βιβλιοθηκών R

# Βιβλιοθήκες που χρησιμοποιήθηκαν
packages_used <- c(
    "haven",
    "tidyverse",
    "dplyr",
    "tidyr",
    "janitor",
    "stringr",
    "tibble",
    "survey",
    "ggplot2",
    "ggpubr",
    "gt",
    "gtsummary",
    "quarto"
)

# Έλεγχος εγκατάστασης
installed_packages <- rownames(
    installed.packages()
)

missing_packages <- setdiff(
    packages_used,
    installed_packages
)

if (length(missing_packages) > 0) {
    stop(
        "Δεν έχουν εγκατασταθεί οι βιβλιοθήκες: ",
        paste(missing_packages, collapse = ", ")
    )
}

# Καταγραφή εκδόσεων
library_versions <- tibble::tibble(
    Package = packages_used,
    Version = vapply(
        packages_used,
        function(x) as.character(packageVersion(x)),
        character(1)
    )
)

# Παρουσίαση
library_versions %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Βιβλιοθήκες και εκδόσεις R",
        subtitle = "PISA Study – Part A"
    ) %>%
    gt::cols_label(
        Package = "Βιβλιοθήκη",
        Version = "Έκδοση"
    ) %>%
    gt::cols_align(
        align = "center",
        columns = everything()
    ) %>%
    gt::tab_options(
        table.font.size = 12,
        column_labels.font.weight = "bold"
    )
Βιβλιοθήκες και εκδόσεις R
PISA Study – Part A
Βιβλιοθήκη Έκδοση
haven 2.5.5
tidyverse 2.0.0
dplyr 1.2.0
tidyr 1.3.2
janitor 2.2.1
stringr 1.6.0
tibble 3.3.1
survey 4.5
ggplot2 4.0.2
ggpubr 1.0.0
gt 1.4.0
gtsummary 2.6.1
quarto 1.5.1
Εμφάνιση κώδικα R
# Αποθήκευση εκδόσεων σε CSV
write.csv(
    library_versions,
    file.path(processed_dir, "R_library_versions.csv"),
    row.names = FALSE
)

6.0.2 Περιβάλλον εκτέλεσης και έκδοση R

Εμφάνιση κώδικα R
### 7.2. ΠΛΗΡΟΦΟΡΙΕΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ

runtime_info <- tibble::tibble(
    Parameter = c(
        "Ημερομηνία εκτέλεσης",
        "R version",
        "Platform",
        "Operating system",
        "Quarto version"
    ),
    
    Value = c(
        as.character(Sys.Date()),
        R.version.string,
        R.version$platform,
        Sys.info()[["sysname"]],
        tryCatch(
            as.character(quarto::quarto_version()),
            error = function(e) "Μη διαθέσιμη"
        )
    )
)

runtime_info %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Περιβάλλον εκτέλεσης της ανάλυσης"
    )
Περιβάλλον εκτέλεσης της ανάλυσης
Parameter Value
Ημερομηνία εκτέλεσης 2026-11-17
R version R version 4.4.1 (2024-06-14 ucrt)
Platform x86_64-w64-mingw32
Operating system Windows
Quarto version 1.11.9

6.0.3 Πλήρης καταγραφή του περιβάλλοντος R

Εμφάνιση κώδικα R
### 7.3. ΠΛΗΡΗΣ ΚΑΤΑΓΡΑΦΗ SESSION INFO

session_report <- capture.output(
    sessionInfo()
)

# Εμφάνιση στο Quarto
cat(
    paste(session_report, collapse = "\n")
)
R version 4.4.1 (2024-06-14 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26300)

Matrix products: default


locale:
[1] LC_COLLATE=Greek_Greece.utf8  LC_CTYPE=Greek_Greece.utf8   
[3] LC_MONETARY=Greek_Greece.utf8 LC_NUMERIC=C                 
[5] LC_TIME=Greek_Greece.utf8    

time zone: Europe/Athens
tzcode source: internal

attached base packages:
[1] grid      stats     graphics  grDevices datasets  utils     methods  
[8] base     

other attached packages:
 [1] renv_1.3.1      report_0.6.4    ggpubr_1.0.0    gt_1.4.0       
 [5] survey_4.5      survival_3.8-6  Matrix_1.7-5    janitor_2.2.1  
 [9] lubridate_1.9.5 forcats_1.0.1   stringr_1.6.0   dplyr_1.2.0    
[13] purrr_1.2.1     readr_2.2.0     tidyr_1.3.2     tibble_3.3.1   
[17] ggplot2_4.0.2   tidyverse_2.0.0 haven_2.5.5    

loaded via a namespace (and not attached):
 [1] tidyselect_1.2.1   farver_2.1.2       S7_0.2.1           fastmap_1.2.0     
 [5] digest_0.6.37      timechange_0.4.0   lifecycle_1.0.5    processx_3.8.6    
 [9] magrittr_2.0.4     compiler_4.4.1     rlang_1.2.0        sass_0.4.10       
[13] tools_4.4.1        utf8_1.2.6         yaml_2.3.12        knitr_1.51        
[17] ggsignif_0.6.4     labeling_0.4.3     htmlwidgets_1.6.4  xml2_1.5.2        
[21] RColorBrewer_1.1-3 abind_1.4-8        withr_3.0.2        gtsummary_2.6.1   
[25] scales_1.4.0       insight_1.4.6      cli_3.6.5          rmarkdown_2.30    
[29] crayon_1.5.3       generics_0.1.4     otel_0.3.0         rstudioapi_0.18.0 
[33] tzdb_0.5.0         commonmark_2.0.0   DBI_1.3.0          splines_4.4.1     
[37] base64enc_0.1-6    mitools_2.7        vctrs_0.7.2        jsonlite_2.0.0    
[41] carData_3.0-6      car_3.1-5          litedown_0.9       hms_1.1.4         
[45] rstatix_1.1.0      Formula_1.2-5      glue_1.8.0         ps_1.9.3          
[49] stringi_1.8.7      gtable_0.3.6       later_1.4.8        quarto_1.5.1      
[53] pillar_1.11.1      htmltools_0.5.9    R6_2.6.1           evaluate_1.0.5    
[57] lattice_0.22-9     markdown_2.0       backports_1.5.0    cards_0.9.0       
[61] broom_1.0.12       snakecase_0.11.1   Rcpp_1.1.2         xfun_0.62         
[65] fs_2.0.1           pkgconfig_2.0.3   
Εμφάνιση κώδικα R
# Αποθήκευση σε αρχείο κειμένου
writeLines(
    session_report,
    file.path(
        processed_dir,
        "PISA_PartA_sessionInfo.txt"
    )
)

6.0.4 Τεκμηρίωση αρχείων δεδομένων

Η καταγραφή των εκδόσεων και των checksums εξασφαλίζει την ιχνηλασιμότητα των δεδομένων και του περιβάλλοντος ανάλυσης.

Εμφάνιση κώδικα R
### 7.4. DATA PROVENANCE

input_files <- c(
    "PISA 2018 Greece" = rds_2018,
    "PISA 2025 Greece" = rds_2025,
    "PISA 2025 OECD" = rds_PISA2025_OECD
)

data_manifest <- tibble::tibble(
    Dataset = names(input_files),
    File = basename(input_files),
    Exists = file.exists(input_files),
    Size_MB = ifelse(
        file.exists(input_files),
        round(file.info(input_files)$size / 1024^2, 2),
        NA_real_
    ),
    MD5 = ifelse(
        file.exists(input_files),
        unname(tools::md5sum(input_files)),
        NA_character_
    )
)

data_manifest %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Αρχεία δεδομένων και ψηφιακή ταυτοποίηση",
        subtitle = "PISA Study – Part A"
    ) %>%
    gt::cols_label(
        Dataset = "Dataset",
        File = "Αρχείο",
        Exists = "Υπάρχει",
        Size_MB = "Μέγεθος (MB)",
        MD5 = "MD5 checksum"
    )
Αρχεία δεδομένων και ψηφιακή ταυτοποίηση
PISA Study – Part A
Dataset Αρχείο Υπάρχει Μέγεθος (MB) MD5 checksum
PISA 2018 Greece PISA2018_Greece_compact.rds TRUE 0.33 27f1ce16200a2e27079b3b2a1396b3bf
PISA 2025 Greece PISA2025_Greece_compact.rds TRUE 0.15 934cc0d3422aba4b2ca500b09585dbdb
PISA 2025 OECD PISA2025_OECD_compact.rds TRUE 0.31 597a2e4bbd9a0ad8ef4c18cb92d5745a
Εμφάνιση κώδικα R
# Αποθήκευση αρχείου καταγραφής
write.csv(
    data_manifest,
    file.path(
        processed_dir,
        "PISA_PartA_data_manifest.csv"
    ),
    row.names = FALSE
)

6.0.5 Εγκατάσταση και αρχικοποίηση του renv στο project

6.0.6 Διαχείριση και αναπαραγωγή του περιβάλλοντος R

Για την αναπαραγωγιμότητα της ανάλυσης χρησιμοποιήθηκε η βιβλιοθήκη renv. Το αρχείο renv.lock καταγράφει τις εκδόσεις των βιβλιοθηκών R και τις σχετικές πληροφορίες εξαρτήσεων των πακέτων.