Skip to main content

PISA 2018–2025: Συγκριτική ανάλυση – Μέρος Β: οι υλικές-πολιτισμικές συνθήκες

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 Β: οι υλικές-πολιτισμικές συνθήκες). Με σκοπό να διευκολύνονται η μεθοδολογική τεκμηρίωση και η αναπαραγωγή των αποτελεσμάτων, αλλά και να καταγράφονται με σαφήνεια οι αποφάσεις που λαμβάνονται κατά την επεξεργασία και ανάλυση των δεδομένων, η παρουσίαση οργανώνεται σε διακριτά και ελέγξιμα βήματα. 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 και τεκμηρίωση αποτελεσμάτων
library(report)

# Διαχείριση και αναπαραγωγή του περιβάλλοντος R
library(renv)

Αναπαραγωγιμότητα: Το project χρησιμοποιεί το renv και το αρχείο renv.lock για την καταγραφή των εκδόσεων των πακέτων. Η αποκατάσταση του περιβάλλοντος σε νέο υπολογιστή γίνεται με renv::restore(). Η ενημέρωση του lockfile γίνεται ελεγχόμενα με renv::snapshot() και όχι αυτόματα κατά την απόδοση του Quarto.

1.0.2 Ορισμός διαδρομής αρχείων

1.0.3 Επιλογή και τεκμηρίωση των μεταβλητών

Για κάθε δείκτη θα καταγραφούν: (α) η αναλυτική έννοια, (β) η αρχική μεταβλητή PISA 2018, (γ) η αντίστοιχη μεταβλητή PISA 2025, (δ) οι κωδικοί έγκυρων απαντήσεων και (ε) ο τρόπος δημιουργίας τυχόν παράγωγων μεταβλητών.

Αναλυτική χρήση

PISA 2018

(Μεταβλητές)

PISA 2025

(Μεταβλητές)

Τελικό μαθητικό βάρος W_FSTUWT W_FSTUWT
Replicate weights W_FSTURWT1–W_FSTURWT80 W_FSTURWT1–W_FSTURWT80
Δείκτης κοινωνικοοικονομικής θέσης* ESCS ESCS
Αριθμός βιβλίων ST013Q01TA ST255Q01JA
Δείκτης οικιακών πόρων* HOMEPOS HOMEPOS
  • Ας ληφθεί υπόψη ότι, σύμφωνα με τις τεχνικές προδιαγραφές της έρευνας PISA, οι δείκτες HOMEPOS και ESCS (όπως επισημάναμε και στο Α μέρος) έχουν υποστεί ορισμένες τροποποιήσεις στον τρόπο κατασκευής και βαθμονόμησής τους από κύκλο σε κύκλο. Παρ’ όλα αυτά, επιλέχθηκε να διατηρηθούν στην παρούσα ανάλυση, με κάθε ερμηνευτική επιφύλαξη, καθώς εξακολουθούν να αποσκοπούν στη μέτρηση των ίδιων θεωρητικών κατασκευών. Βλ. τη σχετική αναφορά στις σελ. 149-151: https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/05/pisa-2025-assessment-and-analytical-framework_3abce6d6/86c36975-en.pdf
Εμφάνιση κώδικα R
# Τα 80 replicate weights του PISA ανά κύκλο
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Αναλυτικές μεταβλητές PISA 2018
analysis_vars_2018_B <- c(
    "ESCS",        # Κοινωνικοοικονομική θέση
    "ST013Q01TA",  # Αριθμός βιβλίων στο σπίτι
    "HOMEPOS"      # Δείκτης οικιακών πόρων
)

# Αναλυτικές μεταβλητές PISA 2025
analysis_vars_2025_B <- c(
    "ESCS",        # Κοινωνικοοικονομική θέση
    "ST255Q01JA",  # Αριθμός βιβλίων στο σπίτι
    "HOMEPOS"      # Δείκτης οικιακών πόρων
)
Δείκτης PISA 2018 (ST013Q01TA) PISA 2025 (ST255Q01JA)
BOOKSFEW – έως 10 βιβλία Κωδικός 1: 0–10 βιβλία Κωδικοί 1 και 2: κανένα βιβλίο / 1–10 βιβλία
BOOKS500 – περισσότερα από 500 βιβλία Κωδικός 6 Κωδικός 7
Εμφάνιση κώδικα R
# Επιλεκτική ανάγνωση μεταβλητών βιβλίων από τα αρχικά αρχεία SPSS

books_source_2018 <- haven::read_sav(
    file_2018,
    col_select = "ST013Q01TA"
)

books_source_2025 <- haven::read_sav(
    file_2025,
    col_select = "ST255Q01JA"
)

#2. Έλεγχος κωδικών και labels
#Πριν από την κωδικοποίηση, ελέγχουμε τις πραγματικές τιμές:

# Συχνότητες απαντήσεων PISA 2018
table(
    books_source_2018$ST013Q01TA,
    useNA = "ifany"
)

   1    2    3    4    5    6 <NA> 
 642  979 1990 1194  898  648   52 
Εμφάνιση κώδικα R
# Συχνότητες απαντήσεων PISA 2025
table(
    books_source_2025$ST255Q01JA,
    useNA = "ifany"
)

   1    2    3    4    5    6    7 <NA> 
 304  936 1363 1852 1021  775  473  134 
Εμφάνιση κώδικα R
# Labels των αρχικών μεταβλητών
attr(books_source_2018$ST013Q01TA, "labels")
         0-10 books         11-25 books        26-100 books       101-200 books 
                  1                   2                   3                   4 
      201-500 books More than 500 books          Valid Skip      Not Applicable 
                  5                   6                  95                  97 
            Invalid         No Response 
                 98                  99 
Εμφάνιση κώδικα R
attr(books_source_2025$ST255Q01JA, "labels")
             There are no books                      1-10 books 
                              1                               2 
                    11-25 books                    26-100 books 
                              3                               4 
                  101-200 books                   201-500 books 
                              5                               6 
            More than 500 books        valid skip (filter rule) 
                              7                              95 
                 system missing not administered/not applicable 
                             96                              97 
                        invalid                     no response 
                             98                              99 

Κωδικοποίηση BOOKSFEW και BOOKS500

Εμφάνιση κώδικα R
# Αριθμητική μετατροπή αρχικών μεταβλητών
books2018 <- as.numeric(books_source_2018$ST013Q01TA)
books2025 <- as.numeric(books_source_2025$ST255Q01JA)

# BOOKSFEW: Έως 10 βιβλία

BOOKS2018_FEW <- dplyr::case_when(
    books2018 == 1 ~ 1,
    books2018 %in% 2:6 ~ 0,
    TRUE ~ NA_real_
)

BOOKS2025_FEW <- dplyr::case_when(
    books2025 %in% c(1, 2) ~ 1,
    books2025 %in% 3:7 ~ 0,
    TRUE ~ NA_real_
)

# BOOKS500: Περισσότερα από 500 βιβλία

BOOKS2018_500 <- dplyr::case_when(
    books2018 == 6 ~ 1,
    books2018 %in% 1:5 ~ 0,
    TRUE ~ NA_real_
)

BOOKS2025_500 <- dplyr::case_when(
    books2025 == 7 ~ 1,
    books2025 %in% 1:6 ~ 0,
    TRUE ~ NA_real_
)

1.0.4 Μεταβλητές που διατηρούνται

Ανεξάρτητα από τους επιμέρους δείκτες που θα επιλεγούν, διατηρούνται οι κοινές μεταβλητές που είναι απαραίτητες για την ταυτοποίηση της χώρας, τη στάθμιση και την εκτίμηση της δειγματοληπτικής διακύμανσης:

  • CNT: κωδικός χώρας.
  • W_FSTUWT: τελικό μαθητικό βάρος.
  • W_FSTURWT1–W_FSTURWT80: τα 80 replicate weights.

1.0.5 Κατάλογοι μεταβλητών ανά κύκλο έρευνας (2018/2025)

Εμφάνιση κώδικα R
# Κοινές τεχνικές μεταβλητές για τους δύο κύκλους
technical_vars_B <- c(
    "CNT",
    "W_FSTUWT",
    replicate_weights_B
)

# Τελικοί κατάλογοι μεταβλητών PISA 2018 και PISA 2025
vars_2018_B <- unique(c(
    technical_vars_B,
    analysis_vars_2018_B
))

vars_2025_B <- unique(c(
    technical_vars_B,
    analysis_vars_2025_B
))

# Έλεγχοι πληρότητας των καταλόγων
stopifnot(length(replicate_weights_B) == 80)

stopifnot(
    all(c("ESCS", "ST013Q01TA", "HOMEPOS") %in% vars_2018_B),
    all(c("ESCS", "ST255Q01JA", "HOMEPOS") %in% vars_2025_B)
)

# Έλεγχος ότι δεν περιλαμβάνεται η μεταβλητή OECD
stopifnot(
    !("OECD" %in% vars_2018_B),
    !("OECD" %in% vars_2025_B)
)

# Εμφάνιση πλήθους μεταβλητών ανά κύκλο
length(vars_2018_B)
[1] 85
Εμφάνιση κώδικα R
length(vars_2025_B)
[1] 85

1.0.6 Βοηθητική συνάρτηση: επιλεκτική ανάγνωση και φιλτράρισμα Ελλάδας

Εμφάνιση κώδικα R
# Βοηθητική συνάρτηση: επιλεκτική ανάγνωση και φιλτράρισμα Ελλάδας

read_pisa_greece_compact_B <- function(file, required_vars, year) {
    
    if (!file.exists(file)) {
        stop("Δεν βρέθηκε το αρχείο PISA ", year, ": ", file)
    }
    
    # Έλεγχος ονομάτων μεταβλητών χωρίς ανάγνωση ολόκληρου του αρχείου
    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 των απαιτούμενων μεταβλητών
    data <- haven::read_sav(
        file,
        col_select = tidyselect::all_of(required_vars)
    )
    
    # Φιλτράρισμα αποκλειστικά με βάση τον κωδικό χώρας
    data_greece <- data %>%
        dplyr::filter(
            trimws(as.character(.data$CNT)) == "GRC"
        )
    
    if (nrow(data_greece) == 0) {
        stop(
            "Το φίλτρο CNT == 'GRC' δεν επέστρεψε εγγραφές για το PISA ",
            year,
            ". Ελέγξτε τις τιμές της μεταβλητής CNT."
        )
    }
    
    # Έλεγχος ότι όλες οι εγγραφές αφορούν την Ελλάδα
    if (any(
        trimws(as.character(data_greece$CNT)) != "GRC",
        na.rm = TRUE
    )) {
        stop(
            "Το φιλτραρισμένο αρχείο PISA ", year,
            " περιέχει εγγραφές που δεν αφορούν την Ελλάδα."
        )
    }
    
    data_greece
}

1.0.7 Ανάγνωση των ελάχιστων απαιτούμενων μεταβλητών

Εμφάνιση κώδικα R
# Έλεγχος ότι έχουν καταχωριστεί οι αναλυτικές μεταβλητές
if (length(analysis_vars_2018_B) == 0 ||
    length(analysis_vars_2025_B) == 0) {
  stop(
    "Συμπληρώστε πρώτα τις analysis_vars_2018_B και analysis_vars_2025_B " ,
    "με τις μεταβλητές που τεκμηριώθηκαν στην ενότητα 1.0.3."
  )
}

# PISA 2018 – Ελλάδα
pisa_data_filtered_GR2018_B <- read_pisa_greece_compact_B(
  file = file_2018,
  required_vars = vars_2018_B,
  year = 2018
)

# PISA 2025 – Ελλάδα
pisa_data_filtered_GR2025_B <- read_pisa_greece_compact_B(
  file = file_2025,
  required_vars = vars_2025_B,
  year = 2025
)

1.0.8 Αποθήκευση των συμπαγών αρχείων

Τα αρχεία αποθηκεύονται σε μορφή RDS με συμπίεση xz, όπως στο Μέρος Α. Η αποθήκευση γίνεται μόνο αφού ελεγχθεί ότι έχουν συμπεριληφθεί όλες οι αναλυτικές μεταβλητές, το τελικό μαθητικό βάρος και τα 80 replicate weights.

Εμφάνιση κώδικα R
# Έλεγχος πληρότητας των στηλών πριν από την αποθήκευση
stopifnot(all(vars_2018_B %in% names(pisa_data_filtered_GR2018_B)))
stopifnot(all(vars_2025_B %in% names(pisa_data_filtered_GR2025_B)))
stopifnot(sum(grepl("^W_FSTURWT[0-9]+$", names(pisa_data_filtered_GR2018_B))) == 80)
stopifnot(sum(grepl("^W_FSTURWT[0-9]+$", names(pisa_data_filtered_GR2025_B))) == 80)

# Αποθήκευση συμπαγών αρχείων Μέρους Β
saveRDS(
  pisa_data_filtered_GR2018_B,
  file = rds_2018_B,
  compress = "xz"
)

saveRDS(
  pisa_data_filtered_GR2025_B,
  file = rds_2025_B,
  compress = "xz"
)

# Επιβεβαίωση αποθήκευσης
file.exists(rds_2018_B)
file.exists(rds_2025_B)

1.0.9 Επαναφόρτωση των συμπαγών αρχείων (προετοιμασία δεδομένων για ανάλυση)

Για τις επόμενες ενότητες, τα δεδομένα θα φορτώνονται από τα συμπαγή αρχεία RDS και όχι εκ νέου από τα αρχικά μεγάλα αρχεία SPSS.

Εμφάνιση κώδικα R
# Επαναφόρτωση των compact αρχείων του Μέρους Β
pisa_data_filtered_GR2018_B <- readRDS(rds_2018_B)
pisa_data_filtered_GR2025_B <- readRDS(rds_2025_B)

# Βασικοί έλεγχοι διαστάσεων και μεταβλητών
dim(pisa_data_filtered_GR2018_B)
[1] 6403   85
Εμφάνιση κώδικα R
dim(pisa_data_filtered_GR2025_B)
[1] 6858   85
Εμφάνιση κώδικα R
stopifnot(all(vars_2018_B %in% names(pisa_data_filtered_GR2018_B)))
stopifnot(all(vars_2025_B %in% names(pisa_data_filtered_GR2025_B)))

Με την ολοκλήρωση του πρώτου υποκεφαλαίου, τα αντικείμενα pisa_data_filtered_GR2018_B και pisa_data_filtered_GR2025_B θα αποτελούν την τεκμηριωμένη βάση δεδομένων για τις αναλύσεις του Μέρους Β.

2 Δείκτης οικιακών πόρων και υλικών αγαθών (HOMEPOS)

2.0.1 Προετοιμασία δεδομένων και δημιουργία 160 replicate weights

Εμφάνιση κώδικα R
# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος ύπαρξης των απαιτούμενων μεταβλητών
stopifnot(
    all(c("HOMEPOS", "W_FSTUWT", replicate_weights_B) %in%
            names(pisa_data_filtered_GR2018_B)),
    
    all(c("HOMEPOS", "W_FSTUWT", replicate_weights_B) %in%
            names(pisa_data_filtered_GR2025_B))
)

# --------------------------------------------------
# PISA 2018 – Προετοιμασία δεδομένων
# --------------------------------------------------

homepos_2018 <- pisa_data_filtered_GR2018_B %>%
    transmute(
        Year = "2018",
        HOMEPOS = as.numeric(HOMEPOS),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# PISA 2025 – Προετοιμασία δεδομένων
# --------------------------------------------------

homepos_2025 <- pisa_data_filtered_GR2025_B %>%
    transmute(
        Year = "2025",
        HOMEPOS = as.numeric(HOMEPOS),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# Δημιουργία 160 replicate weights
# για τις δύο ανεξάρτητες έρευνες
# --------------------------------------------------

for (j in 1:80) {
    
    # PISA 2018: πραγματικά replicate weights στις στήλες 1–80
    homepos_2018[[paste0("RW_", j)]] <-
        homepos_2018[[replicate_weights_B[j]]]
    
    # PISA 2018: τελικό βάρος στις στήλες 81–160
    homepos_2018[[paste0("RW_", 80 + j)]] <-
        homepos_2018$W_FSTUWT
    
    # PISA 2025: τελικό βάρος στις στήλες 1–80
    homepos_2025[[paste0("RW_", j)]] <-
        homepos_2025$W_FSTUWT
    
    # PISA 2025: πραγματικά replicate weights στις στήλες 81–160
    homepos_2025[[paste0("RW_", 80 + j)]] <-
        homepos_2025[[replicate_weights_B[j]]]
}

# Ονομασίες των 160 replicate weights
rw_names_homepos <- paste0("RW_", 1:160)

# --------------------------------------------------
# Συνένωση των δύο κύκλων
# --------------------------------------------------

homepos_compare <- bind_rows(
    
    homepos_2018 %>%
        select(
            Year, HOMEPOS, W_FSTUWT,
            all_of(rw_names_homepos)
        ),
    
    homepos_2025 %>%
        select(
            Year, HOMEPOS, W_FSTUWT,
            all_of(rw_names_homepos)
        )
    
) %>%
    
    mutate(
        Year = factor(Year, levels = c("2018", "2025"))
    ) %>%
    
    filter(
        !is.na(HOMEPOS),
        is.finite(HOMEPOS),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0,
        if_all(
            all_of(rw_names_homepos),
            is.finite
        )
    )

# Έλεγχος παρατηρήσεων ανά κύκλο
table(homepos_compare$Year)

2018 2025 
6374 6770 
Εμφάνιση κώδικα R
# Έλεγχος πλήθους παρατηρήσεων
nrow(homepos_compare)
[1] 13144

2.0.2 Δημιουργία replicate-weight survey design

Εμφάνιση κώδικα R
# Τύπος για τα 160 replicate weights
rw_formula_homepos <- as.formula(
    paste(
        "~",
        paste(rw_names_homepos, collapse = " + ")
    )
)

# Ορισμός replicate-weight design
des_homepos <- svrepdesign(
    
    weights = ~W_FSTUWT,
    
    repweights = rw_formula_homepos,
    
    data = homepos_compare,
    
    type = "other",
    
    combined.weights = TRUE,
    
    scale = 0.05,
    
    rscales = rep(1, 160),
    
    mse = TRUE
)

2.0.3 Σταθμισμένοι μέσοι όροι ανά κύκλο PISA

Υπολογισμός των μέσων όρων HOMEPOS, των τυπικών σφαλμάτων και των 95% διαστημάτων εμπιστοσύνης.

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

results_homepos <- as.data.frame(results_homepos)

# Εμφάνιση αποτελεσμάτων
results_homepos
     Year    HOMEPOS         se       ci_l       ci_u
2018 2018 -0.2321159 0.01993089 -0.2711797 -0.1930521
2025 2025 -0.4974779 0.01831170 -0.5333682 -0.4615877

2.0.4 Έλεγχος στατιστικής σημαντικότητας της διαφοράς

Εμφάνιση κώδικα R
# Survey-weighted independent samples t-test
tt_homepos <- svyttest(
    
    HOMEPOS ~ Year,
    
    design = des_homepos
)

# Εμφάνιση αποτελεσμάτων
tt_homepos

    Design-based t-test

data:  HOMEPOS ~ Year
t = -9.8043, df = 158, p-value < 2.2e-16
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 -0.3188195 -0.2119045
sample estimates:
difference in mean 
         -0.265362 
Εμφάνιση κώδικα R
# Διαφορά μέσων όρων: 2025 - 2018
difference_homepos <- as.numeric(
    tt_homepos$estimate
)

# 95% διάστημα εμπιστοσύνης της διαφοράς
ci_homepos <- as.numeric(
    tt_homepos$conf.int
)

# p-value
p_homepos <- tt_homepos$p.value

# Επίπεδο στατιστικής σημαντικότητας
sig_homepos <- case_when(
    
    p_homepos < 0.001 ~ "***",
    
    p_homepos < 0.01 ~ "**",
    
    p_homepos < 0.05 ~ "*",
    
    TRUE ~ "ns"
)

# Συνοπτική παρουσίαση
homepos_test_results <- data.frame(
    
    Difference = difference_homepos,
    
    CI_lower = ci_homepos[1],
    
    CI_upper = ci_homepos[2],
    
    t_value = as.numeric(tt_homepos$statistic),
    
    df = as.numeric(tt_homepos$parameter),
    
    p_value = p_homepos,
    
    Significance = sig_homepos
)

homepos_test_results
         Difference   CI_lower   CI_upper   t_value  df      p_value
Year2025  -0.265362 -0.3188195 -0.2119045 -9.804321 158 5.056851e-18
         Significance
Year2025          ***

2.0.5 Δημιουργία γραφήματος HOMEPOS

Εμφάνιση κώδικα R
# --------------------------------------------------
# Προετοιμασία δεδομένων γραφήματος
# --------------------------------------------------

plot_data_HOMEPOS <- results_homepos %>%
    
    mutate(
        
        Year = factor(
            as.character(Year),
            levels = c("2018", "2025")
        ),
        
        Mean = HOMEPOS,
        
        CI_lower = ci_l,
        
        CI_upper = ci_u,
        
        Label = sprintf("%.2f", Mean)
    )

# Δυναμική τοποθέτηση της αγκύλης
bracket_y_HOMEPos <- max(
    plot_data_HOMEPOS$CI_upper,
    na.rm = TRUE
) + 0.12

# Εύρος κατακόρυφου άξονα
y_min_HOMEPos <- min(
    plot_data_HOMEPOS$CI_lower,
    na.rm = TRUE
) - 0.10

y_max_HOMEPos <- bracket_y_HOMEPos + 0.10

# Μορφοποίηση p-value
p_text_HOMEPos <- format.pval(
    p_homepos,
    digits = 3,
    eps = 0.001
)

# --------------------------------------------------
# Δημιουργία γραφήματος
# --------------------------------------------------

Barplot_HOMEPOS_2018_2025 <- ggplot(
    
    plot_data_HOMEPOS,
    
    aes(
        x = Year,
        y = Mean,
        color = Year
    )
    
) +
    
    # Σημεία μέσων όρων
    geom_point(
        size = 8
    ) +
    
    # 95% διαστήματα εμπιστοσύνης
    geom_errorbar(
        aes(
            ymin = CI_lower,
            ymax = CI_upper
        ),
        width = .2,
        linewidth = .5,
        color = "grey"
    ) +
    
    # Αριθμητικές τιμές μέσων όρων
    geom_text(
        aes(
            label = Label
        ),
        nudge_y = 0.06,
        size = 4,
        show.legend = FALSE
    ) +
    
    # Αγκύλη στατιστικής σημαντικότητας
    geom_bracket(
        xmin = 1,
        xmax = 2,
        y.position = bracket_y_HOMEPos,
        label = sig_homepos,
        tip.length = 0.01,
        label.size = 4,
        inherit.aes = FALSE
    ) +
    
    # Χρώματα των δύο κύκλων
    scale_color_manual(
        values = c(
            "2018" = "steelblue",
            "2025" = "darkred"
        )
    ) +
    
    # Τίτλοι και λεζάντα
    labs(
        
        title = "Οικιακοί πόροι και υλικά αγαθά (HOMEPOS)",
        
        subtitle = "Ελλάδα: PISA 2018 έναντι PISA 2025",
        
        x = "Κύκλος PISA",
        
        y = "Σταθμισμένος μέσος όρος HOMEPOS (WLE)",
        
        caption = paste0(
            
            "Διαφορά μέσων 2025–2018: ",
            sprintf("%.3f", difference_homepos),
            
            "\n95% ΔΕ διαφοράς: [",
            sprintf("%.3f", ci_homepos[1]),
            ", ",
            sprintf("%.3f", ci_homepos[2]),
            "]",
            
            "\nDesign-based t-test με 160 replicate weights | p = ",
            p_text_HOMEPos,
            
           "\nΕπεξεργασία: Δημήτρης Λάζαρης"
        )
    ) +
    
    coord_cartesian(
        ylim = c(
            y_min_HOMEPos,
            y_max_HOMEPos
        )
    ) +
    
    theme_pubr() +
    
    theme(
        legend.position = "none",
        
        plot.title = element_text(
            face = "bold",
            size = 14
        ),
        
        plot.subtitle = element_text(
            size = 11
        ),
        
        plot.caption = element_text(
            hjust = 0,
            size = 8.5
        )
    )

# Εμφάνιση γραφήματος
Barplot_HOMEPOS_2018_2025

2.0.6 Δείκτης HOMEPOS ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου (ESCS)

Προετοιμασία τεταρτημορίων ESCS με σταθερά όρια PISA 2018.

Εμφάνιση κώδικα R
# --------------------------------------------------
# 1. Υπολογισμός σταθμισμένων ορίων ESCS από το 2018
# --------------------------------------------------

des_escs_2018_B <- svydesign(
    ids = ~1,
    weights = ~W_FSTUWT,
    data = pisa_data_filtered_GR2018_B
)

q_2018 <- as.numeric(coef(
    svyquantile(
        ~ESCS,
        design = des_escs_2018_B,
        quantiles = c(0.25, 0.50, 0.75),
        na.rm = TRUE,
        ci = FALSE
    )
))

names(q_2018) <- c("Q25", "Q50", "Q75")

# Έλεγχος ορίων
q_2018
    Q25     Q50     Q75 
-0.7974 -0.1086  0.6557 
Εμφάνιση κώδικα R
stopifnot(
    length(q_2018) == 3,
    all(is.finite(q_2018)),
    all(diff(q_2018) > 0)
)

# --------------------------------------------------
# 2. Βοηθητική συνάρτηση δημιουργίας τεταρτημορίων
# --------------------------------------------------

create_quartiles_B <- 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
}

# --------------------------------------------------
# 3. Εφαρμογή των ίδιων ορίων και στους δύο κύκλους
# --------------------------------------------------

pisa_2018_quartiles_B <- create_quartiles_B(
    pisa_data_filtered_GR2018_B,
    q_2018
)

pisa_2025_quartiles_B <- create_quartiles_B(
    pisa_data_filtered_GR2025_B,
    q_2018
)

# --------------------------------------------------
# 4. Έλεγχος δημιουργίας τεταρτημορίων
# --------------------------------------------------

table(
    pisa_2018_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1529 1605 1633 1605   31 
Εμφάνιση κώδικα R
table(
    pisa_2025_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1893 1492 1902 1273  298 
Εμφάνιση κώδικα R
# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος απαραίτητων μεταβλητών
stopifnot(
    all(c(
        "HOMEPOS", "ESCS_QUARTILE",
        "W_FSTUWT", replicate_weights_B
    ) %in% names(pisa_2018_quartiles_B)),
    
    all(c(
        "HOMEPOS", "ESCS_QUARTILE",
        "W_FSTUWT", replicate_weights_B
    ) %in% names(pisa_2025_quartiles_B))
)

# Έλεγχος ύπαρξης και των τεσσάρων τεταρτημορίων
stopifnot(
    all(c("Q1", "Q2", "Q3", "Q4") %in%
            na.omit(as.character(pisa_2018_quartiles_B$ESCS_QUARTILE))),
    
    all(c("Q1", "Q2", "Q3", "Q4") %in%
            na.omit(as.character(pisa_2025_quartiles_B$ESCS_QUARTILE)))
)

2.0.7 Δημιουργία 160 replicate weights

Εμφάνιση κώδικα R
# Βοηθητική συνάρτηση προετοιμασίας δεδομένων HOMEPOS
make_homepos_quartile_data <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        HOMEPOS = as.numeric(data$HOMEPOS),
        
        Year = factor(
            rep(year, n),
            levels = c("2018", "2025")
        ),
        
        ESCS_QUARTILE = factor(
            as.character(data$ESCS_QUARTILE),
            levels = c("Q1", "Q2", "Q3", "Q4"),
            ordered = TRUE
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights του 2018
        out[[paste0("RW_", j)]] <-
            if (year == "2018") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
        
        # Replicate weights του 2025
        out[[paste0("RW_", 80 + j)]] <-
            if (year == "2025") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
    }
    
    out
}

# Δημιουργία δεδομένων PISA 2018
homepos_2018_quartile <- make_homepos_quartile_data(
    pisa_2018_quartiles_B,
    "2018",
    replicate_weights_B
)

# Δημιουργία δεδομένων PISA 2025
homepos_2025_quartile <- make_homepos_quartile_data(
    pisa_2025_quartiles_B,
    "2025",
    replicate_weights_B
)

# Συνένωση των δύο κύκλων
homepos_quartile_compare <- bind_rows(
    homepos_2018_quartile,
    homepos_2025_quartile
)

# Ονομασίες των 160 replicate weights
rw_names_homepos_q <- paste0("RW_", 1:160)

# Διατήρηση έγκυρων παρατηρήσεων
homepos_quartile_compare <- homepos_quartile_compare %>%
    filter(
        !is.na(HOMEPOS),
        is.finite(HOMEPOS),
        !is.na(ESCS_QUARTILE),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0,
        if_all(
            all_of(rw_names_homepos_q),
            is.finite
        )
    )

# Έλεγχος παρατηρήσεων ανά έτος και τεταρτημόριο
table(
    homepos_quartile_compare$Year,
    homepos_quartile_compare$ESCS_QUARTILE
)
      
         Q1   Q2   Q3   Q4
  2018 1529 1605 1633 1605
  2025 1890 1487 1901 1272

2.0.8 Ορισμός replicate-weight survey design

Εμφάνιση κώδικα R
# Τύπος για τα 160 replicate weights
rw_formula_homepos_q <- as.formula(
    paste(
        "~",
        paste(rw_names_homepos_q, collapse = " + ")
    )
)

# Ορισμός replicate-weight design
des_homepos_escs <- svrepdesign(
    
    weights = ~W_FSTUWT,
    
    repweights = rw_formula_homepos_q,
    
    data = homepos_quartile_compare,
    
    type = "other",
    
    combined.weights = TRUE,
    
    scale = 0.05,
    
    rscales = rep(1, 160),
    
    mse = TRUE
)

2.0.9 Υπολογισμός μέσου HOMEPOS ανά τεταρτημόριο και έτος

Εμφάνιση κώδικα R
# Σταθμισμένοι μέσοι όροι HOMEPOS
# ανά τεταρτημόριο ESCS και κύκλο PISA

results_homepos_escs <- svyby(
    
    ~HOMEPOS,
    
    ~ESCS_QUARTILE + Year,
    
    design = des_homepos_escs,
    
    FUN = svymean,
    
    vartype = c("se", "ci"),
    
    na.rm = TRUE
)

results_homepos_escs <- as.data.frame(
    results_homepos_escs
)

# Έλεγχος αποτελεσμάτων
results_homepos_escs
        ESCS_QUARTILE Year     HOMEPOS         se       ci_l        ci_u
Q1.2018            Q1 2018 -1.00105633 0.01981773 -1.0398984 -0.96221429
Q2.2018            Q2 2018 -0.40294653 0.01479004 -0.4319345 -0.37395859
Q3.2018            Q3 2018 -0.08641983 0.01468137 -0.1151948 -0.05764487
Q4.2018            Q4 2018  0.56793813 0.02635918  0.5162751  0.61960117
Q1.2025            Q1 2025 -1.07024436 0.02341270 -1.1161324 -1.02435631
Q2.2025            Q2 2025 -0.55078621 0.01879475 -0.5876232 -0.51394919
Q3.2025            Q3 2025 -0.39149083 0.01523248 -0.4213459 -0.36163571
Q4.2025            Q4 2025  0.37606110 0.02521596  0.3266387  0.42548347

2.0.10 Προετοιμασία δεδομένων γραφήματος

Εμφάνιση κώδικα R
plot_data_HOMEPOS_ESCS <- results_homepos_escs %>%
    
    transmute(
        
        ESCS_QUARTILE = factor(
            as.character(ESCS_QUARTILE),
            levels = c("Q1", "Q2", "Q3", "Q4"),
            ordered = TRUE
        ),
        
        Year = factor(
            as.character(Year),
            levels = c("2018", "2025")
        ),
        
        Mean = HOMEPOS,
        
        SE = se,
        
        CI_lower = ci_l,
        
        CI_upper = ci_u
    )

# Έλεγχος τελικών δεδομένων γραφήματος
plot_data_HOMEPOS_ESCS
        ESCS_QUARTILE Year        Mean         SE   CI_lower    CI_upper
Q1.2018            Q1 2018 -1.00105633 0.01981773 -1.0398984 -0.96221429
Q2.2018            Q2 2018 -0.40294653 0.01479004 -0.4319345 -0.37395859
Q3.2018            Q3 2018 -0.08641983 0.01468137 -0.1151948 -0.05764487
Q4.2018            Q4 2018  0.56793813 0.02635918  0.5162751  0.61960117
Q1.2025            Q1 2025 -1.07024436 0.02341270 -1.1161324 -1.02435631
Q2.2025            Q2 2025 -0.55078621 0.01879475 -0.5876232 -0.51394919
Q3.2025            Q3 2025 -0.39149083 0.01523248 -0.4213459 -0.36163571
Q4.2025            Q4 2025  0.37606110 0.02521596  0.3266387  0.42548347

2.0.11 Δημιουργία γραφήματος HOMEPOS ανά τεταρτημόριο ESCS

Εμφάνιση κώδικα R
ggplot(
    plot_data_HOMEPOS_ESCS,
    aes(
        x = ESCS_QUARTILE,
        y = Mean,
        color = Year,
        group = Year
    )
) +
    
    # Γραμμές που συνδέουν τα τεταρτημόρια
    geom_line(
        position = position_dodge(width = 0.25),
        linewidth = 0.9
    ) +
    
    # Διαστήματα εμπιστοσύνης 95%
    geom_errorbar(
        aes(
            ymin = CI_lower,
            ymax = CI_upper
        ),
        position = position_dodge(width = 0.25),
        width = 0.15,
        linewidth = 0.6,
        color = "grey"
    ) +
    
    # Σημεία μέσων όρων
    geom_point(
        position = position_dodge(width = 0.25),
        size = 3
    ) +
    
    # Χρώματα των δύο κύκλων
    scale_color_manual(
        values = c(
            "2018" = "steelblue",
            "2025" = "darkred"
        )
    ) +
    
    labs(
        title = "Οικιακοί πόροι και αγαθά (HOMEPOS) ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου (ESCS)",
        
        subtitle = "Ελλάδα: PISA 2018 και PISA 2025",
        
        x = "Τεταρτημόρια κοινωνικοοικονομικού υποβάθρου (ESCS)",
        
        y = "Σταθμισμένος μέσος όρος HOMEPOS (WLE)",
        
        color = "Κύκλος PISA",
        
        caption = paste0(
            "Οι κατακόρυφες γραμμές απεικονίζουν τα διαστήματα εμπιστοσύνης 95%.",
            "\nΕπεξεργασία: Δημήτρης Λάζαρης"
        )
    ) +
    
    theme_light(base_size = 11) +
    
    theme(
        legend.position = "top",
        
        panel.grid = element_blank(),
        
        plot.title = element_text(
            face = "bold",
            size = 10
        ),
        
        plot.subtitle = element_text(
            size = 11
        ),
        
        axis.title = element_text(
            face = "bold"
        ),
        
        plot.caption = element_text(
            hjust = 0,
            size = 8.5
        )
    )

3 Βιβλία στο σπίτι: δείκτης πολιτισμικών πόρων του νοικοκυριού

3.0.1 Δημιουργία αναλυτικών δεικτών

3.0.2 Εναρμόνιση και κωδικοποίηση του αριθμού βιβλίων στο σπίτι

Έλεγχος στις κατηγορίες απαντήσεων των δύο αρχικών μεταβλητών.

Εμφάνιση κώδικα R
# Έλεγχος κατηγοριών PISA 2018
table(
    haven::as_factor(pisa_data_filtered_GR2018_B$ST013Q01TA),
    useNA = "ifany"
)

         0-10 books         11-25 books        26-100 books       101-200 books 
                642                 979                1990                1194 
      201-500 books More than 500 books          Valid Skip      Not Applicable 
                898                 648                   0                   0 
            Invalid         No Response                <NA> 
                  0                   0                  52 
Εμφάνιση κώδικα R
# Έλεγχος κατηγοριών PISA 2025
table(
    haven::as_factor(pisa_data_filtered_GR2025_B$ST255Q01JA),
    useNA = "ifany"
)

             There are no books                      1-10 books 
                            304                             936 
                    11-25 books                    26-100 books 
                           1363                            1852 
                  101-200 books                   201-500 books 
                           1021                             775 
            More than 500 books        valid skip (filter rule) 
                            473                               0 
                 system missing not administered/not applicable 
                              0                               0 
                        invalid                     no response 
                              0                               0 
                           <NA> 
                            134 
Εμφάνιση κώδικα R
# Έλεγχος αριθμητικών κωδικών PISA 2018
table(
    as.numeric(pisa_data_filtered_GR2018_B$ST013Q01TA),
    useNA = "ifany"
)

   1    2    3    4    5    6 <NA> 
 642  979 1990 1194  898  648   52 
Εμφάνιση κώδικα R
# Έλεγχος αριθμητικών κωδικών PISA 2025
table(
    as.numeric(pisa_data_filtered_GR2025_B$ST255Q01JA),
    useNA = "ifany"
)

   1    2    3    4    5    6    7 <NA> 
 304  936 1363 1852 1021  775  473  134 

3.0.3 Δημιουργία των παράγωγων δεικτών BOOKSFEW και BOOKS500

Διατληρηση της αρχικής εννοιολογικής κωδικοποίησης που χρησιμοποιήθηκε στη συγκριτική ανάλυση:

Δείκτης PISA 2018 PISA 2025 Ερμηνεία
BOOKSFEW = 1 1 1 ή 2 Έως 10 βιβλία
BOOKSFEW = 0 2–6 3–7 Περισσότερα από 10 βιβλία
BOOKS500 = 1 6 7 Περισσότερα από 500 βιβλία
BOOKS500 = 0 1–5 1–6 Έως 500 βιβλία

Σημείωση: Οι ελλείπουσες ή μη έγκυρες τιμές παραμένουν NA και δε μετατρέπονται σε μηδενικές τιμές.

Εμφάνιση κώδικα R
# PISA 2018 – Δημιουργία BOOKSFEW και BOOKS500

pisa_data_filtered_GR2018_B <- pisa_data_filtered_GR2018_B %>%
    mutate(
        
        # Έως 10 βιβλία
        BOOKSFEW = case_when(
            as.numeric(ST013Q01TA) == 1 ~ 1,
            as.numeric(ST013Q01TA) %in% 2:6 ~ 0,
            TRUE ~ NA_real_
        ),
        
        # Περισσότερα από 500 βιβλία
        BOOKS500 = case_when(
            as.numeric(ST013Q01TA) == 6 ~ 1,
            as.numeric(ST013Q01TA) %in% 1:5 ~ 0,
            TRUE ~ NA_real_
        )
    )


# PISA 2025 – Δημιουργία BOOKSFEW και BOOKS500

pisa_data_filtered_GR2025_B <- pisa_data_filtered_GR2025_B %>%
    mutate(
        
        # Έως 10 βιβλία
        BOOKSFEW = case_when(
            as.numeric(ST255Q01JA) %in% c(1, 2) ~ 1,
            as.numeric(ST255Q01JA) %in% 3:7 ~ 0,
            TRUE ~ NA_real_
        ),
        
        # Περισσότερα από 500 βιβλία
        BOOKS500 = case_when(
            as.numeric(ST255Q01JA) == 7 ~ 1,
            as.numeric(ST255Q01JA) %in% 1:6 ~ 0,
            TRUE ~ NA_real_
        )
    )

3.0.4 Έλεγχος των νέων μεταβλητών

Εμφάνιση κώδικα R
# Συχνότητες BOOKSFEW – PISA 2018
table(
    pisa_data_filtered_GR2018_B$BOOKSFEW,
    useNA = "ifany"
)

   0    1 <NA> 
5709  642   52 
Εμφάνιση κώδικα R
# Συχνότητες BOOKSFEW – PISA 2025
table(
    pisa_data_filtered_GR2025_B$BOOKSFEW,
    useNA = "ifany"
)

   0    1 <NA> 
5484 1240  134 
Εμφάνιση κώδικα R
# Συχνότητες BOOKS500 – PISA 2018
table(
    pisa_data_filtered_GR2018_B$BOOKS500,
    useNA = "ifany"
)

   0    1 <NA> 
5703  648   52 
Εμφάνιση κώδικα R
# Συχνότητες BOOKS500 – PISA 2025
table(
    pisa_data_filtered_GR2025_B$BOOKS500,
    useNA = "ifany"
)

   0    1 <NA> 
6251  473  134 

3.0.5 Έλεγχοι εγκυρότητας

Εμφάνιση κώδικα R
# Έλεγχος ότι οι δείκτες έχουν μόνο τιμές 0, 1 ή NA
stopifnot(
    all(na.omit(unique(pisa_data_filtered_GR2018_B$BOOKSFEW)) %in% c(0, 1)),
    all(na.omit(unique(pisa_data_filtered_GR2018_B$BOOKS500)) %in% c(0, 1)),
    all(na.omit(unique(pisa_data_filtered_GR2025_B$BOOKSFEW)) %in% c(0, 1)),
    all(na.omit(unique(pisa_data_filtered_GR2025_B$BOOKS500)) %in% c(0, 1))
)

# Έλεγχος ότι οι δύο δείκτες δεν χαρακτηρίζουν ταυτόχρονα
# τον ίδιο μαθητή ως έχοντα έως 10 και περισσότερα από 500 βιβλία
stopifnot(
    sum(
        pisa_data_filtered_GR2018_B$BOOKSFEW == 1 &
            pisa_data_filtered_GR2018_B$BOOKS500 == 1,
        na.rm = TRUE
    ) == 0,
    
    sum(
        pisa_data_filtered_GR2025_B$BOOKSFEW == 1 &
            pisa_data_filtered_GR2025_B$BOOKS500 == 1,
        na.rm = TRUE
    ) == 0
)

Οι δύο δείκτες είναι δυαδικοί και εκτιμούν διαφορετικά τμήματα της κατανομής των βιβλίων. Δεν είναι συμπληρωματικές κατηγορίες μεταξύ τους: μαθητές με 11–499 βιβλία έχουν BOOKSFEW = 0 και BOOKS500 = 0.

3.0.6 Μαθητές σε νοικοκυριά με περισσότερα από 500 βιβλία

Διατηρούμε τα 80 replicate weights κάθε κύκλου.

Εμφάνιση κώδικα R
# Έλεγχος ύπαρξης του παράγωγου δείκτη
stopifnot(
    "BOOKS500" %in% names(pisa_data_filtered_GR2018_B),
    "BOOKS500" %in% names(pisa_data_filtered_GR2025_B)
)

# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος ύπαρξης των replicate weights
stopifnot(
    all(replicate_weights_B %in% names(pisa_data_filtered_GR2018_B)),
    all(replicate_weights_B %in% names(pisa_data_filtered_GR2025_B))
)

# --------------------------------------------------
# PISA 2018 – Προετοιμασία δεδομένων
# --------------------------------------------------

books500_2018 <- pisa_data_filtered_GR2018_B %>%
    transmute(
        Year = "2018",
        BOOKS500 = as.numeric(BOOKS500),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# PISA 2025 – Προετοιμασία δεδομένων
# --------------------------------------------------

books500_2025 <- pisa_data_filtered_GR2025_B %>%
    transmute(
        Year = "2025",
        BOOKS500 = as.numeric(BOOKS500),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# Δημιουργία 160 replicate weights
# για τις δύο ανεξάρτητες έρευνες
# --------------------------------------------------

for (j in 1:80) {
    
    # PISA 2018: πραγματικά replicate weights στις στήλες 1–80
    books500_2018[[paste0("RW_", j)]] <-
        books500_2018[[replicate_weights_B[j]]]
    
    # PISA 2018: τελικό βάρος στις στήλες 81–160
    books500_2018[[paste0("RW_", 80 + j)]] <-
        books500_2018$W_FSTUWT
    
    # PISA 2025: τελικό βάρος στις στήλες 1–80
    books500_2025[[paste0("RW_", j)]] <-
        books500_2025$W_FSTUWT
    
    # PISA 2025: πραγματικά replicate weights στις στήλες 81–160
    books500_2025[[paste0("RW_", 80 + j)]] <-
        books500_2025[[replicate_weights_B[j]]]
}

# Ονομασίες των 160 replicate weights
rw_names_books500 <- paste0("RW_", 1:160)

# --------------------------------------------------
# Συνένωση των δύο κύκλων
# --------------------------------------------------

books500_compare <- bind_rows(
    
    books500_2018 %>%
        select(
            Year, BOOKS500, W_FSTUWT,
            all_of(rw_names_books500)
        ),
    
    books500_2025 %>%
        select(
            Year, BOOKS500, W_FSTUWT,
            all_of(rw_names_books500)
        )
    
) %>%
    
    mutate(
        Year = factor(Year, levels = c("2018", "2025"))
    ) %>%
    
    filter(
        !is.na(BOOKS500),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    )

# --------------------------------------------------
# Δημιουργία replicate survey design
# --------------------------------------------------

rw_formula_books500 <- as.formula(
    paste(
        "~",
        paste(rw_names_books500, collapse = " + ")
    )
)

des_books500 <- svrepdesign(
    
    weights = ~W_FSTUWT,
    
    repweights = rw_formula_books500,
    
    data = books500_compare,
    
    type = "other",
    
    combined.weights = TRUE,
    
    scale = 0.05,
    
    rscales = rep(1, 160),
    
    mse = TRUE
)

# --------------------------------------------------
# Σταθμισμένα ποσοστά ανά κύκλο PISA
# με 95% διαστήματα εμπιστοσύνης
# --------------------------------------------------

results_books500 <- svyby(
    
    ~BOOKS500,
    
    ~Year,
    
    design = des_books500,
    
    FUN = svymean,
    
    vartype = c("se", "ci"),
    
    na.rm = TRUE
)

results_books500 <- as.data.frame(results_books500)

# Μετατροπή εκτιμήσεων και διαστημάτων σε ποσοστά
results_books500 <- results_books500 %>%
    
    mutate(
        
        Percent = BOOKS500 * 100,
        
        CI_lower = ci_l * 100,
        
        CI_upper = ci_u * 100
    )

# Εμφάνιση αποτελεσμάτων
results_books500
     Year   BOOKS500          se       ci_l       ci_u   Percent CI_lower
2018 2018 0.10248313 0.005438296 0.09182427 0.11314200 10.248313 9.182427
2025 2025 0.06877607 0.004021384 0.06089430 0.07665783  6.877607 6.089430
      CI_upper
2018 11.314200
2025  7.665783

3.0.7 Έλεγχος στατιστικής σημαντικότητας της διαφοράς

Εμφάνιση κώδικα R
# Survey-weighted independent samples t-test
tt_books500 <- svyttest(
    
    BOOKS500 ~ Year,
    
    design = des_books500
)

# Εμφάνιση αποτελεσμάτων
tt_books500

    Design-based t-test

data:  BOOKS500 ~ Year
t = -4.9836, df = 158, p-value = 1.624e-06
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 -0.04706585 -0.02034829
sample estimates:
difference in mean 
       -0.03370707 
Εμφάνιση κώδικα R
# Διαφορά σταθμισμένων ποσοστών:
# PISA 2025 - PISA 2018

difference_books500 <- as.numeric(
    tt_books500$estimate
) * 100

# 95% διάστημα εμπιστοσύνης της διαφοράς
ci_books500 <- as.numeric(
    tt_books500$conf.int
) * 100

# p-value
p_books500 <- tt_books500$p.value

# Επίπεδο στατιστικής σημαντικότητας
sig_books500 <- case_when(
    
    p_books500 < 0.001 ~ "***",
    
    p_books500 < 0.01 ~ "**",
    
    p_books500 < 0.05 ~ "*",
    
    TRUE ~ "ns"
)

# Συνοπτική παρουσίαση
books500_test_results <- data.frame(
    
    Difference_pp = difference_books500,
    
    CI_lower = ci_books500[1],
    
    CI_upper = ci_books500[2],
    
    t_value = as.numeric(tt_books500$statistic),
    
    df = as.numeric(tt_books500$parameter),
    
    p_value = p_books500,
    
    Significance = sig_books500
)

books500_test_results
         Difference_pp  CI_lower  CI_upper   t_value  df      p_value
Year2025     -3.370707 -4.706585 -2.034829 -4.983582 158 1.624046e-06
         Significance
Year2025          ***

3.0.8 Δημιουργία γραφήματος BOOKS500

Εμφάνιση κώδικα R
# --------------------------------------------------
# Προετοιμασία δεδομένων γραφήματος
# --------------------------------------------------

plot_data_BOOKS500 <- results_books500 %>%
    
    mutate(
        
        Year = factor(
            as.character(Year),
            levels = c("2018", "2025")
        ),
        
        Label = sprintf("%.1f%%", Percent)
    )

# Θέση αγκύλης και ορίων γραφήματος
bracket_y_BOOKS500 <- max(
    plot_data_BOOKS500$CI_upper,
    na.rm = TRUE
) + 3

# Μορφοποίηση p-value
p_text_BOOKS500 <- format.pval(
    p_books500,
    digits = 3,
    eps = 0.001
)

# --------------------------------------------------
# Δημιουργία γραφήματος
# --------------------------------------------------

Barplot_BOOKS500_2018_2025 <- ggbarplot(
    
    plot_data_BOOKS500,
    
    x = "Year",
    
    y = "Percent",
    
    fill = "Year",
    
    palette = c("#2E86AB", "#E74C3C"),
    
    width = 0.6
    
) +
    
    # 95% διαστήματα εμπιστοσύνης
    geom_errorbar(
        
        aes(
            ymin = CI_lower,
            ymax = CI_upper
        ),
        
        width = 0.12,
        
        linewidth = 0.6,
        color = "grey"
    ) +
    
    # Εμφάνιση ποσοστών πάνω από τα διαστήματα εμπιστοσύνης
    geom_text(
        
        aes(
            y = CI_upper + 0.6,
            label = Label
        ),
        
        size = 3.8
    ) +
    
    # Αγκύλη στατιστικής σημαντικότητας
    geom_bracket(
        
        xmin = 1,
        
        xmax = 2,
        
        y.position = bracket_y_BOOKS500,
        
        label = sig_books500,
        
        tip.length = 0.01,
        
        label.size = 4
    ) +
    
    # Τίτλοι και λεζάντα
    labs(
        
        title = "Μαθητές σε νοικοκυριά με περισσότερα από 500 βιβλία",
        
        subtitle = "Ελλάδα: PISA 2018 έναντι PISA 2025",
        
        caption = paste0(
            
            "Διαφορά 2025–2018: ",
            sprintf("%.2f", difference_books500),
            " ποσοστιαίες μονάδες",
            
            "\n95% ΔΕ διαφοράς: [",
            sprintf("%.2f", ci_books500[1]),
            ", ",
            sprintf("%.2f", ci_books500[2]),
            "]",
            
            "\nDesign-based t-test με 160 replicate weights | p = ",
            p_text_BOOKS500,
            
            "\nΕπεξεργασία: Δημήτρης Λάζαρης"
        ),
        
        x = "Κύκλος PISA",
        
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    
    # Όρια κατακόρυφου άξονα
    coord_cartesian(
        
        ylim = c(
            0,
            bracket_y_BOOKS500 + 3
        )
    ) +
    
    theme_pubr() +
    
    theme(
        
        legend.position = "none",
        
        plot.title = element_text(
            face = "bold",
            size = 13
        ),
        
        plot.subtitle = element_text(
            size = 11
        ),
        
        plot.caption = element_text(
            hjust = 0,
            size = 9
        )
    )

# Εμφάνιση γραφήματος
Barplot_BOOKS500_2018_2025

3.0.9 BOOKSFEW – Μαθητές σε νοικοκυριά με ελάχιστα βιβλία (έως 10)

Σταθμισμένα ποσοστά και εκτίμηση δειγματοληπτικής διακύμανσης

Εμφάνιση κώδικα R
# Έλεγχος ύπαρξης του παράγωγου δείκτη
stopifnot(
    "BOOKSFEW" %in% names(pisa_data_filtered_GR2018_B),
    "BOOKSFEW" %in% names(pisa_data_filtered_GR2025_B)
)

# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος ύπαρξης των replicate weights
stopifnot(
    all(replicate_weights_B %in% names(pisa_data_filtered_GR2018_B)),
    all(replicate_weights_B %in% names(pisa_data_filtered_GR2025_B))
)

# --------------------------------------------------
# PISA 2018 – Προετοιμασία δεδομένων
# --------------------------------------------------

booksfew_2018 <- pisa_data_filtered_GR2018_B %>%
    transmute(
        Year = "2018",
        BOOKSFEW = as.numeric(BOOKSFEW),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# PISA 2025 – Προετοιμασία δεδομένων
# --------------------------------------------------

booksfew_2025 <- pisa_data_filtered_GR2025_B %>%
    transmute(
        Year = "2025",
        BOOKSFEW = as.numeric(BOOKSFEW),
        W_FSTUWT = as.numeric(W_FSTUWT),
        across(all_of(replicate_weights_B), as.numeric)
    )

# --------------------------------------------------
# Έλεγχος πληρότητας των replicate weights
# --------------------------------------------------

stopifnot(
    all(vapply(
        booksfew_2018[replicate_weights_B],
        function(x) all(is.finite(x)),
        logical(1)
    )),
    
    all(vapply(
        booksfew_2025[replicate_weights_B],
        function(x) all(is.finite(x)),
        logical(1)
    ))
)

# --------------------------------------------------
# Δημιουργία 160 replicate weights
# για τις δύο ανεξάρτητες έρευνες
# --------------------------------------------------

for (j in 1:80) {
    
    # PISA 2018: πραγματικά replicate weights στις στήλες 1–80
    booksfew_2018[[paste0("RW_", j)]] <-
        booksfew_2018[[replicate_weights_B[j]]]
    
    # PISA 2018: τελικό βάρος στις στήλες 81–160
    booksfew_2018[[paste0("RW_", 80 + j)]] <-
        booksfew_2018$W_FSTUWT
    
    # PISA 2025: τελικό βάρος στις στήλες 1–80
    booksfew_2025[[paste0("RW_", j)]] <-
        booksfew_2025$W_FSTUWT
    
    # PISA 2025: πραγματικά replicate weights στις στήλες 81–160
    booksfew_2025[[paste0("RW_", 80 + j)]] <-
        booksfew_2025[[replicate_weights_B[j]]]
}

# Ονομασίες των 160 replicate weights
rw_names_booksfew <- paste0("RW_", 1:160)

# --------------------------------------------------
# Συνένωση των δύο κύκλων
# --------------------------------------------------

booksfew_compare <- bind_rows(
    
    booksfew_2018 %>%
        select(
            Year, BOOKSFEW, W_FSTUWT,
            all_of(rw_names_booksfew)
        ),
    
    booksfew_2025 %>%
        select(
            Year, BOOKSFEW, W_FSTUWT,
            all_of(rw_names_booksfew)
        )
    
) %>%
    
    mutate(
        Year = factor(Year, levels = c("2018", "2025"))
    ) %>%
    
    filter(
        !is.na(BOOKSFEW),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0
    )

# --------------------------------------------------
# Δημιουργία replicate survey design
# --------------------------------------------------

rw_formula_booksfew <- as.formula(
    paste(
        "~",
        paste(rw_names_booksfew, collapse = " + ")
    )
)

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

# --------------------------------------------------
# Σταθμισμένα ποσοστά ανά κύκλο PISA
# με 95% διαστήματα εμπιστοσύνης
# --------------------------------------------------

results_booksfew <- svyby(
    
    ~BOOKSFEW,
    
    ~Year,
    
    design = des_booksfew,
    
    FUN = svymean,
    
    vartype = c("se", "ci"),
    
    na.rm = TRUE
)

results_booksfew <- as.data.frame(results_booksfew)

# Μετατροπή εκτιμήσεων και διαστημάτων σε ποσοστά
results_booksfew <- results_booksfew %>%
    
    mutate(
        
        Percent = BOOKSFEW * 100,
        
        CI_lower = ci_l * 100,
        
        CI_upper = ci_u * 100
    )

# Εμφάνιση αποτελεσμάτων
results_booksfew
     Year  BOOKSFEW          se       ci_l      ci_u  Percent  CI_lower
2018 2018 0.1051901 0.005531709 0.09434815 0.1160321 10.51901  9.434815
2025 2025 0.1983573 0.006962029 0.18471194 0.2120026 19.83573 18.471194
     CI_upper
2018 11.60321
2025 21.20026

3.0.10 Έλεγχος στατιστικής σημαντικότητας της διαφοράς

Εμφάνιση κώδικα R
# Survey-weighted independent samples t-test
tt_booksfew <- svyttest(
    
    BOOKSFEW ~ Year,
    
    design = des_booksfew
)

# Εμφάνιση αποτελεσμάτων
tt_booksfew

    Design-based t-test

data:  BOOKSFEW ~ Year
t = 10.478, df = 158, p-value < 2.2e-16
alternative hypothesis: true difference in mean is not equal to 0
95 percent confidence interval:
 0.07560443 0.11072991
sample estimates:
difference in mean 
        0.09316717 
Εμφάνιση κώδικα R
# Διαφορά σταθμισμένων ποσοστών:
# PISA 2025 - PISA 2018

difference_booksfew <- as.numeric(
    tt_booksfew$estimate
) * 100

# 95% διάστημα εμπιστοσύνης της διαφοράς
ci_booksfew <- as.numeric(
    tt_booksfew$conf.int
) * 100

# p-value
p_booksfew <- tt_booksfew$p.value

# Επίπεδο στατιστικής σημαντικότητας
sig_booksfew <- case_when(
    
    p_booksfew < 0.001 ~ "***",
    
    p_booksfew < 0.01 ~ "**",
    
    p_booksfew < 0.05 ~ "*",
    
    TRUE ~ "ns"
)

# Συνοπτική παρουσίαση αποτελεσμάτων
booksfew_test_results <- data.frame(
    
    Difference_pp = difference_booksfew,
    
    CI_lower = ci_booksfew[1],
    
    CI_upper = ci_booksfew[2],
    
    t_value = as.numeric(tt_booksfew$statistic),
    
    df = as.numeric(tt_booksfew$parameter),
    
    p_value = p_booksfew,
    
    Significance = sig_booksfew
)

booksfew_test_results
         Difference_pp CI_lower CI_upper  t_value  df      p_value Significance
Year2025      9.316717 7.560443 11.07299 10.47751 158 7.787592e-20          ***

3.0.11 Δημιουργία γραφήματος BOOKSFEW

Εμφάνιση κώδικα R
# --------------------------------------------------
# Προετοιμασία δεδομένων γραφήματος
# --------------------------------------------------

plot_data_BOOKS_FEW <- results_booksfew %>%
    
    mutate(
        
        Year = factor(
            as.character(Year),
            levels = c("2018", "2025")
        ),
        
        Label = sprintf("%.1f%%", Percent)
    )

# Θέση αγκύλης και ορίων γραφήματος
bracket_y_BOOKSFEW <- max(
    plot_data_BOOKS_FEW$CI_upper,
    na.rm = TRUE
) + 3

# Μορφοποίηση p-value
p_text_BOOKSFEW <- format.pval(
    p_booksfew,
    digits = 3,
    eps = 0.001
)

# --------------------------------------------------
# Δημιουργία γραφήματος
# --------------------------------------------------

Barplot_BOOKS_FEW_2018_2025 <- ggbarplot(
    
    plot_data_BOOKS_FEW,
    
    x = "Year",
    
    y = "Percent",
    
    fill = "Year",
    
    palette = c("#2E86AB", "#E74C3C"),
    
    width = 0.6
    
) +
    
    # 95% διαστήματα εμπιστοσύνης
    geom_errorbar(
        
        aes(
            ymin = CI_lower,
            ymax = CI_upper
        ),
        
        width = 0.12,
        
        linewidth = 0.6,
        color = "grey"
    ) +
    
    # Ποσοστά πάνω από τα διαστήματα εμπιστοσύνης
    geom_text(
        
        aes(
            y = CI_upper + 0.6,
            label = Label
        ),
        
        size = 3.8
    ) +
    
    # Αγκύλη στατιστικής σημαντικότητας
    geom_bracket(
        
        xmin = 1,
        
        xmax = 2,
        
        y.position = bracket_y_BOOKSFEW,
        
        label = sig_booksfew,
        
        tip.length = 0.01,
        
        label.size = 4
    ) +
    
    # Τίτλοι και λεζάντα
    labs(
        
        title = "Μαθητές σε νοικοκυριά με ελάχιστα βιβλία",
        
        subtitle = "Ελλάδα: PISA 2018 έναντι PISA 2025",
        
        caption = paste0(
            
            "Διαφορά 2025–2018: ",
            sprintf("%.2f", difference_booksfew),
            " ποσοστιαίες μονάδες",
            
            "\n95% ΔΕ διαφοράς: [",
            sprintf("%.2f", ci_booksfew[1]),
            ", ",
            sprintf("%.2f", ci_booksfew[2]),
            "]",
            
            "\nDesign-based t-test με 160 replicate weights | p = ",
            p_text_BOOKSFEW,
            
            "\nΕπεξεργασία: Δημήτρης Λάζαρης"
        ),
        
        x = "Κύκλος PISA",
        
        y = "Σταθμισμένο ποσοστό (%)"
    ) +
    
    # Όρια κατακόρυφου άξονα
    coord_cartesian(
        
        ylim = c(
            0,
            bracket_y_BOOKSFEW + 3
        )
    ) +
    
    theme_pubr() +
    
    theme(
        
        legend.position = "none",
        
        plot.title = element_text(
            face = "bold",
            size = 13
        ),
        
        plot.subtitle = element_text(
            size = 11
        ),
        
        plot.caption = element_text(
            hjust = 0,
            size = 9
        )
    )

# Εμφάνιση γραφήματος
Barplot_BOOKS_FEW_2018_2025

3.1 Νοικοκυριά με ελάχιστα βιβλία ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου (ESCS)

Εμφάνιση κώδικα R
# Σταθμισμένο survey design για τον υπολογισμό των ορίων ESCS του 2018
des_escs_2018 <- svydesign(
    ids = ~1,
    weights = ~W_FSTUWT,
    data = pisa_data_filtered_GR2018_B
)

# Υπολογισμός σταθμισμένων τεταρτημορίων ESCS
q_2018 <- as.numeric(coef(
    svyquantile(
        ~ESCS,
        design = des_escs_2018,
        quantiles = c(0.25, 0.50, 0.75),
        na.rm = TRUE,
        ci = FALSE
    )
))

# Έλεγχος των ορίων
names(q_2018) <- c("Q25", "Q50", "Q75")

q_2018
    Q25     Q50     Q75 
-0.7974 -0.1086  0.6557 
Εμφάνιση κώδικα R
stopifnot(
    length(q_2018) == 3,
    all(is.finite(q_2018)),
    all(diff(q_2018) > 0)
)

Τα όρια μεταξύ των τεταρτημορίων:

Όριο Τιμή ESCS
Q25 −0,7974
Q50 −0,1086
Q75 0,6557

3.1.1 Δημιουργία τεταρτημορίων και στους δύο κύκλους

Εφαρμογή των ίδιων ορίων και για τα δύο datasets (PISA 2018 & PISA 2025).

Εμφάνιση κώδικα R
# Βοηθητική συνάρτηση δημιουργίας τεταρτημορίων ESCS
create_quartiles_B <- 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
}

# Εφαρμογή των ορίων του 2018 σε κάθε κύκλο
pisa_2018_quartiles_B <- create_quartiles_B(
    pisa_data_filtered_GR2018_B,
    q_2018
)

pisa_2025_quartiles_B <- create_quartiles_B(
    pisa_data_filtered_GR2025_B,
    q_2018
)

# Έλεγχος κατανομής τεταρτημορίων
table(
    pisa_2018_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1529 1605 1633 1605   31 
Εμφάνιση κώδικα R
table(
    pisa_2025_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1893 1492 1902 1273  298 

3.1.2 Προετοιμασία δεδομένων και 160 replicate weights

Εμφάνιση κώδικα R
# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος ύπαρξης μεταβλητών
stopifnot(
    all(c(
        "ESCS_QUARTILE", "BOOKSFEW", "W_FSTUWT",
        replicate_weights_B
    ) %in% names(pisa_2018_quartiles_B)),
    
    all(c(
        "ESCS_QUARTILE", "BOOKSFEW", "W_FSTUWT",
        replicate_weights_B
    ) %in% names(pisa_2025_quartiles_B))
)

# Βοηθητική συνάρτηση δημιουργίας δεδομένων ελέγχου
make_test_data_booksfew <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        BOOKSFEW = as.numeric(data$BOOKSFEW),
        
        Year = factor(
            rep(year, n),
            levels = c("2018", "2025")
        ),
        
        ESCS_QUARTILE = factor(
            as.character(data$ESCS_QUARTILE),
            levels = c("Q1", "Q2", "Q3", "Q4"),
            ordered = TRUE
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights του 2018
        out[[paste0("RW18_", j)]] <-
            if (year == "2018") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
        
        # Replicate weights του 2025
        out[[paste0("RW25_", j)]] <-
            if (year == "2025") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
    }
    
    out
}

# Δημιουργία δεδομένων ανά κύκλο
test_2018_booksfew <- make_test_data_booksfew(
    pisa_2018_quartiles_B,
    "2018",
    replicate_weights_B
)

test_2025_booksfew <- make_test_data_booksfew(
    pisa_2025_quartiles_B,
    "2025",
    replicate_weights_B
)

# Συνένωση των δύο κύκλων
test_data_booksfew <- bind_rows(
    test_2018_booksfew,
    test_2025_booksfew
)

# Ονομασίες των 160 replicate weights
rw_names_booksfew_escs <- c(
    paste0("RW18_", 1:80),
    paste0("RW25_", 1:80)
)

# Διατήρηση έγκυρων παρατηρήσεων
test_data_booksfew <- test_data_booksfew %>%
    filter(
        !is.na(BOOKSFEW),
        !is.na(ESCS_QUARTILE),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0,
        if_all(
            all_of(rw_names_booksfew_escs),
            is.finite
        )
    )

# Έλεγχος πλήθους παρατηρήσεων ανά έτος και τεταρτημόριο
table(
    test_data_booksfew$Year,
    test_data_booksfew$ESCS_QUARTILE
)
      
         Q1   Q2   Q3   Q4
  2018 1513 1603 1630 1603
  2025 1882 1480 1888 1272

3.1.3 Δημιουργία replicate-weight survey design

Εμφάνιση κώδικα R
# Δημιουργία τύπου για τα 160 replicate weights
rw_formula_booksfew_escs <- as.formula(
    paste(
        "~",
        paste(rw_names_booksfew_escs, collapse = " + ")
    )
)

# Ορισμός replicate-weight design
des_booksfew_escs <- svrepdesign(
    
    weights = ~W_FSTUWT,
    
    repweights = rw_formula_booksfew_escs,
    
    data = test_data_booksfew,
    
    type = "other",
    
    combined.weights = TRUE,
    
    scale = 0.05,
    
    rscales = rep(1, 160),
    
    mse = TRUE
)

3.1.4 Τέσσερις συγκρίσεις ανά τεταρτημόριο ESCS

Για κάθε τεταρτημόριο υπολογίζουμε τα σταθμισμένα ποσοστά του 2018 και του 2025 και ελέγχουμε τη διαφορά τους με svyttest().

Εμφάνιση κώδικα R
test_booksfew_quartile <- function(q) {
    
    # Επιλογή του συγκεκριμένου τεταρτημορίου
    des_q <- subset(
        des_booksfew_escs,
        ESCS_QUARTILE == q
    )
    
    # Σταθμισμένο ποσοστό 2018
    des_18 <- subset(
        des_q,
        Year == "2018"
    )
    
    p18 <- svymean(
        ~BOOKSFEW,
        design = des_18,
        na.rm = TRUE
    )
    
    # Σταθμισμένο ποσοστό 2025
    des_25 <- subset(
        des_q,
        Year == "2025"
    )
    
    p25 <- svymean(
        ~BOOKSFEW,
        design = des_25,
        na.rm = TRUE
    )
    
    # Survey-weighted independent samples t-test
    tt <- svyttest(
        BOOKSFEW ~ Year,
        design = des_q
    )
    
    data.frame(
        
        ESCS_QUARTILE = q,
        
        BOOKS2018 = as.numeric(coef(p18)) * 100,
        
        BOOKS2025 = as.numeric(coef(p25)) * 100,
        
        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 = as.numeric(tt$conf.int[1]) * 100,
        
        CI_upper = as.numeric(tt$conf.int[2]) * 100
    )
}

# Εκτέλεση των τεσσάρων ελέγχων
results_booksfew_escs <- bind_rows(
    
    test_booksfew_quartile("Q1"),
    
    test_booksfew_quartile("Q2"),
    
    test_booksfew_quartile("Q3"),
    
    test_booksfew_quartile("Q4")
    
)

# Διόρθωση Holm για τις τέσσερις συγκρίσεις
results_booksfew_escs <- results_booksfew_escs %>%
    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"
        )
    )

# Εμφάνιση αποτελεσμάτων
results_booksfew_escs
             ESCS_QUARTILE BOOKS2018 BOOKS2025 Difference_pp  t_value  df
Year2025...1            Q1 23.066844 34.417886     11.351043 6.840698 158
Year2025...2            Q2 11.544699 18.678804      7.134105 5.492098 158
Year2025...3            Q3  6.092256 11.818684      5.726428 5.137813 158
Year2025...4            Q4  1.463929  4.745565      3.281636 4.312609 158
                  p_value CI_lower  CI_upper   p_adjusted Significance
Year2025...1 1.634589e-10 8.073694 14.628392 6.538355e-10          ***
Year2025...2 1.555656e-07 4.568507  9.699703 4.666969e-07          ***
Year2025...3 8.098238e-07 3.525059  7.927797 1.619648e-06          ***
Year2025...4 2.831247e-05 1.778710  4.784562 2.831247e-05          ***

3.2 Παρουσίαση αποτελεσμάτων – Πίνακας 1

Εμφάνιση κώδικα R
# Βοηθητική συνάρτηση για ελληνική δεκαδική μορφοποίηση
format_decimal_gr <- function(x, digits = 2) {
    
    gsub(
        "\\.",
        ",",
        sprintf(paste0("%.", digits, "f"), x)
    )
}

# Δημιουργία του τελικού πίνακα παρουσίασης
booksfew_table_data <- results_booksfew_escs %>%
    mutate(
        
        PISA_2018 = format_decimal_gr(BOOKS2018),
        
        PISA_2025 = format_decimal_gr(BOOKS2025),
        
        Difference = ifelse(
            Difference_pp > 0,
            paste0("+", format_decimal_gr(Difference_pp)),
            format_decimal_gr(Difference_pp)
        ),
        
        CI_difference = paste0(
            "[",
            format_decimal_gr(CI_lower),
            " – ",
            format_decimal_gr(CI_upper),
            "]"
        ),
        
        p_Holm = ifelse(
            p_adjusted < 0.001,
            "<0,001",
            format_decimal_gr(p_adjusted, 3)
        )
    ) %>%
    
    transmute(
        
        Quartile = as.character(ESCS_QUARTILE),
        
        PISA_2018,
        
        PISA_2025,
        
        Difference,
        
        CI_difference,
        
        p_Holm
    )

# Παρουσίαση με gt
table_BOOKSFEW_ESCS <- booksfew_table_data %>%
    
    gt() %>%
    
    cols_label(
        
        Quartile = "Τεταρτημόριο ESCS",
        
        PISA_2018 = "2018 (%)",
        
        PISA_2025 = "2025 (%)",
        
        Difference = "Μεταβολή (ποσοστ. μονάδες)",
        
        CI_difference = "95% ΔΕ",
        
        p_Holm = "p (Holm)"
    ) %>%
    
    tab_header(
        
        title = "Πίνακας 1",
        
        subtitle = "Νοικοκυριά με ελάχιστα βιβλία (έως 10) ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου"
    ) %>%
    
    cols_align(
        align = "center",
        columns = everything()
    ) %>%
    
    tab_style(
        
        style = cell_text(weight = "bold"),
        
        locations = cells_body(
            columns = Difference
        )
    ) %>%
    
    tab_options(
        
        table.font.size = px(13),
        
        heading.title.font.size = px(16),
        
        heading.subtitle.font.size = px(13),
        
        table.border.top.width = px(2),
        
        column_labels.border.bottom.width = px(1.5)
    )

table_BOOKSFEW_ESCS
Πίνακας 1
Νοικοκυριά με ελάχιστα βιβλία (έως 10) ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου
Τεταρτημόριο ESCS 2018 (%) 2025 (%) Μεταβολή (ποσοστ. μονάδες) 95% ΔΕ p (Holm)
Q1 23,07 34,42 +11,35 [8,07 – 14,63] <0,001
Q2 11,54 18,68 +7,13 [4,57 – 9,70] <0,001
Q3 6,09 11,82 +5,73 [3,53 – 7,93] <0,001
Q4 1,46 4,75 +3,28 [1,78 – 4,78] <0,001

3.3 Νοικοκυριά με περισσότερα από 500 βιβλία ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου (ESCS)

3.3.1 Προετοιμασία δεδομένων και έλεγχοι

Χρησιμοποιούμε τα αντικείμενα pisa_2018_quartiles_B και pisa_2025_quartiles_B, τα οποία έχουν ήδη δημιουργηθεί με τα σταθερά όρια ESCS του 2018.

Εμφάνιση κώδικα R
# Έλεγχος ύπαρξης των απαραίτητων μεταβλητών
stopifnot(
    all(c("BOOKS500", "ESCS_QUARTILE", "W_FSTUWT") %in%
            names(pisa_2018_quartiles_B)),
    all(c("BOOKS500", "ESCS_QUARTILE", "W_FSTUWT") %in%
            names(pisa_2025_quartiles_B))
)

# Έλεγχος κωδικοποίησης BOOKS500
stopifnot(
    all(na.omit(unique(pisa_2018_quartiles_B$BOOKS500)) %in% c(0, 1)),
    all(na.omit(unique(pisa_2025_quartiles_B$BOOKS500)) %in% c(0, 1))
)

# Έλεγχος τεταρτημορίων
table(
    pisa_2018_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1529 1605 1633 1605   31 
Εμφάνιση κώδικα R
table(
    pisa_2025_quartiles_B$ESCS_QUARTILE,
    useNA = "ifany"
)

  Q1   Q2   Q3   Q4 <NA> 
1893 1492 1902 1273  298 
Εμφάνιση κώδικα R
# Έλεγχος συχνοτήτων BOOKS500
table(
    pisa_2018_quartiles_B$BOOKS500,
    useNA = "ifany"
)

   0    1 <NA> 
5703  648   52 
Εμφάνιση κώδικα R
table(
    pisa_2025_quartiles_B$BOOKS500,
    useNA = "ifany"
)

   0    1 <NA> 
6251  473  134 

3.3.2 Δημιουργία ενιαίων δεδομένων για τους στατιστικούς ελέγχους

Δημιουργία τα 160 replicate weights

Εμφάνιση κώδικα R
# Ονομασίες των 80 replicate weights
replicate_weights_B <- paste0("W_FSTURWT", 1:80)

# Έλεγχος ύπαρξης και των 80 replicate weights ανά κύκλο
stopifnot(
    all(replicate_weights_B %in% names(pisa_2018_quartiles_B)),
    all(replicate_weights_B %in% names(pisa_2025_quartiles_B))
)

# Βοηθητική συνάρτηση δημιουργίας δεδομένων ελέγχου
make_test_data_books500 <- function(data, year, rep_names) {
    
    n <- nrow(data)
    
    out <- data.frame(
        
        BOOKS500 = as.numeric(data$BOOKS500),
        
        Year = factor(
            rep(year, n),
            levels = c("2018", "2025")
        ),
        
        ESCS_QUARTILE = factor(
            as.character(data$ESCS_QUARTILE),
            levels = c("Q1", "Q2", "Q3", "Q4"),
            ordered = TRUE
        ),
        
        W_FSTUWT = as.numeric(data$W_FSTUWT)
    )
    
    for (j in 1:80) {
        
        # Replicate weights του 2018
        out[[paste0("RW18_", j)]] <-
            if (year == "2018") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
        
        # Replicate weights του 2025
        out[[paste0("RW25_", j)]] <-
            if (year == "2025") {
                as.numeric(data[[rep_names[j]]])
            } else {
                out$W_FSTUWT
            }
    }
    
    out
}

# Δημιουργία δεδομένων για το PISA 2018
test_2018_books500 <- make_test_data_books500(
    pisa_2018_quartiles_B,
    "2018",
    replicate_weights_B
)

# Δημιουργία δεδομένων για το PISA 2025
test_2025_books500 <- make_test_data_books500(
    pisa_2025_quartiles_B,
    "2025",
    replicate_weights_B
)

# Συνένωση των δύο κύκλων
test_data_books500 <- bind_rows(
    test_2018_books500,
    test_2025_books500
)

# Ονομασίες των 160 replicate weights
rw_names_books500_escs <- c(
    paste0("RW18_", 1:80),
    paste0("RW25_", 1:80)
)

# Διατήρηση έγκυρων παρατηρήσεων
test_data_books500 <- test_data_books500 %>%
    filter(
        !is.na(BOOKS500),
        !is.na(ESCS_QUARTILE),
        !is.na(W_FSTUWT),
        is.finite(W_FSTUWT),
        W_FSTUWT > 0,
        if_all(
            all_of(rw_names_books500_escs),
            is.finite
        )
    )

# Έλεγχος αριθμού παρατηρήσεων ανά έτος και τεταρτημόριο
table(
    test_data_books500$Year,
    test_data_books500$ESCS_QUARTILE
)
      
         Q1   Q2   Q3   Q4
  2018 1513 1603 1630 1603
  2025 1882 1480 1888 1272

3.3.3 Ορισμός replicate-weight survey design

Εμφάνιση κώδικα R
# Δημιουργία τύπου για τα 160 replicate weights
rw_formula_books500_escs <- as.formula(
    paste(
        "~",
        paste(rw_names_books500_escs, collapse = " + ")
    )
)

# Ορισμός replicate-weight design
des_books500_escs <- svrepdesign(
    
    weights = ~W_FSTUWT,
    
    repweights = rw_formula_books500_escs,
    
    data = test_data_books500,
    
    type = "other",
    
    combined.weights = TRUE,
    
    scale = 0.05,
    
    rscales = rep(1, 160),
    
    mse = TRUE
)

3.3.4 Σταθμισμένα ποσοστά ανά τεταρτημόριο και κύκλο

Εμφάνιση κώδικα R
# Σταθμισμένα ποσοστά BOOKS500 ανά τεταρτημόριο και έτος
results_books500_pct <- svyby(
    
    ~BOOKS500,
    
    ~ESCS_QUARTILE + Year,
    
    design = des_books500_escs,
    
    FUN = svymean,
    
    vartype = c("se", "ci"),
    
    na.rm = TRUE
)

results_books500_pct <- as.data.frame(
    results_books500_pct
)

# Μετατροπή σε ποσοστά
results_books500_pct <- results_books500_pct %>%
    mutate(
        across(
            c(BOOKS500, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

# Εμφάνιση αποτελεσμάτων
results_books500_pct
        ESCS_QUARTILE Year  BOOKS500        se       ci_l      ci_u
Q1.2018            Q1 2018  2.308927 0.4112670  1.5028588  3.114996
Q2.2018            Q2 2018  4.940885 0.5597315  3.8438314  6.037939
Q3.2018            Q3 2018  9.409747 0.8641173  7.7161080 11.103386
Q4.2018            Q4 2018 24.235221 1.3043673 21.6787080 26.791734
Q1.2025            Q1 2025  1.197154 0.2771938  0.6538644  1.740444
Q2.2025            Q2 2025  4.745934 0.7754409  3.2260977  6.265770
Q3.2025            Q3 2025  7.739332 0.6304628  6.5036478  8.975017
Q4.2025            Q4 2025 17.213833 1.1448837 14.9699020 19.457764

3.3.5 Τέσσερις survey-weighted συγκρίσεις ανά τεταρτημόριο

Υπολογισμός για κάθε τεταρτημόριο της διαφοράς των σταθμισμένων ποσοστών μεταξύ 2018 και 2025.

Εμφάνιση κώδικα R
test_books500_quartile <- function(q) {
    
    # Επιλογή συγκεκριμένου τεταρτημορίου
    des_q <- subset(
        des_books500_escs,
        ESCS_QUARTILE == q
    )
    
    # Survey-weighted independent samples t-test
    tt <- svyttest(
        BOOKS500 ~ 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 = as.numeric(tt$conf.int[1]) * 100,
        
        CI_upper = as.numeric(tt$conf.int[2]) * 100
    )
}

# Εκτέλεση των τεσσάρων ελέγχων
results_books500_ttest <- bind_rows(
    
    test_books500_quartile("Q1"),
    
    test_books500_quartile("Q2"),
    
    test_books500_quartile("Q3"),
    
    test_books500_quartile("Q4")
)

# Διόρθωση Holm για τις τέσσερις συγκρίσεις
results_books500_ttest <- results_books500_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"
        )
    )

# Εμφάνιση αποτελεσμάτων
results_books500_ttest
             ESCS_QUARTILE Difference_pp    t_value  df      p_value   CI_lower
Year2025...1            Q1    -1.1117730 -2.2416558 158 2.637631e-02  -2.091341
Year2025...2            Q2    -0.1949511 -0.2038489 158 8.387339e-01  -2.083833
Year2025...3            Q3    -1.6704146 -1.5616249 158 1.203771e-01  -3.783100
Year2025...4            Q4    -7.0213881 -4.0456277 158 8.142488e-05 -10.449259
               CI_upper   p_adjusted Significance
Year2025...1 -0.1322051 0.0791289277           ns
Year2025...2  1.6939308 0.8387339349           ns
Year2025...3  0.4422712 0.2407542696           ns
Year2025...4 -3.5935175 0.0003256995          ***

3.3.6 Δημιουργία τελικού συγκεντρωτικού πίνακα

Εμφάνιση κώδικα R
# Μετατροπή των αποτελεσμάτων σε ευρεία μορφή
books500_wide <- results_books500_pct %>%
    select(
        ESCS_QUARTILE,
        Year,
        BOOKS500,
        ci_l,
        ci_u
    ) %>%
    pivot_wider(
        names_from = Year,
        values_from = c(BOOKS500, ci_l, ci_u),
        names_glue = "{.value}_{Year}"
    )

# Συνδυασμός ποσοστών και στατιστικών ελέγχων
results_books500_final <- books500_wide %>%
    left_join(
        results_books500_ttest,
        by = "ESCS_QUARTILE"
    )

# Έλεγχος αποτελεσμάτων
results_books500_final
# A tibble: 4 × 15
  ESCS_QUARTILE BOOKS500_2018 BOOKS500_2025 ci_l_2018 ci_l_2025 ci_u_2018
  <chr>                 <dbl>         <dbl>     <dbl>     <dbl>     <dbl>
1 Q1                     2.31          1.20      1.50     0.654      3.11
2 Q2                     4.94          4.75      3.84     3.23       6.04
3 Q3                     9.41          7.74      7.72     6.50      11.1 
4 Q4                    24.2          17.2      21.7     15.0       26.8 
# ℹ 9 more variables: ci_u_2025 <dbl>, Difference_pp <dbl>, t_value <dbl>,
#   df <dbl>, p_value <dbl>, CI_lower <dbl>, CI_upper <dbl>, p_adjusted <dbl>,
#   Significance <chr>

3.4 Παρουσίαση αποτελεσμάτων – Πίνακας 2

Ίδια μορφοποίηση με τον Πίνακα 1.

Εμφάνιση κώδικα R
# Δημιουργία δεδομένων παρουσίασης
books500_table_data <- results_books500_final %>%
    mutate(
        
        PISA_2018 = format_decimal_gr(BOOKS500_2018),
        
        PISA_2025 = format_decimal_gr(BOOKS500_2025),
        
        Difference = ifelse(
            Difference_pp > 0,
            paste0("+", format_decimal_gr(Difference_pp)),
            format_decimal_gr(Difference_pp)
        ),
        
        CI_difference = paste0(
            "[",
            format_decimal_gr(CI_lower),
            " – ",
            format_decimal_gr(CI_upper),
            "]"
        ),
        
        p_Holm = ifelse(
            p_adjusted < 0.001,
            "<0,001",
            format_decimal_gr(p_adjusted, 3)
        )
    ) %>%
    transmute(
        
        Quartile = as.character(ESCS_QUARTILE),
        
        PISA_2018,
        
        PISA_2025,
        
        Difference,
        
        CI_difference,
        
        p_Holm
    )

# Παρουσίαση με gt
table_BOOKS500_ESCS <- books500_table_data %>%
    
    gt() %>%
    
    cols_label(
        
        Quartile = "Τεταρτημόριο ESCS",
        
        PISA_2018 = "2018 (%)",
        
        PISA_2025 = "2025 (%)",
        
        Difference = "Μεταβολή (ποσοστ. μονάδες)",
        
        CI_difference = "95% ΔΕ",
        
        p_Holm = "p (Holm)"
    ) %>%
    
    tab_header(
        
        title = "Πίνακας 2",
        
        subtitle = "Νοικοκυριά με περισσότερα από 500 βιβλία ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου"
    ) %>%
    
    cols_align(
        align = "center",
        columns = everything()
    ) %>%
    
    tab_style(
        
        style = cell_text(weight = "bold"),
        
        locations = cells_body(
            columns = Difference
        )
    ) %>%
    
    tab_options(
        
        table.font.size = px(13),
        
        heading.title.font.size = px(16),
        
        heading.subtitle.font.size = px(13),
        
        table.border.top.width = px(2),
        
        column_labels.border.bottom.width = px(1.5)
    )

table_BOOKS500_ESCS
Πίνακας 2
Νοικοκυριά με περισσότερα από 500 βιβλία ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου
Τεταρτημόριο ESCS 2018 (%) 2025 (%) Μεταβολή (ποσοστ. μονάδες) 95% ΔΕ p (Holm)
Q1 2,31 1,20 -1,11 [-2,09 – -0,13] 0,079
Q2 4,94 4,75 -0,19 [-2,08 – 1,69] 0,839
Q3 9,41 7,74 -1,67 [-3,78 – 0,44] 0,241
Q4 24,24 17,21 -7,02 [-10,45 – -3,59] <0,001

Η μείωση της παρουσίας μεγάλου αριθμού βιβλίων στο οικιακό περιβάλλον εμφανίζεται εντονότερη στο ανώτερο τεταρτημόριο κοινωνικοοικονομικού υποβάθρου.

3.5 Ενιαίο γράφημα BOOKSFEW και BOOKS500 ανά τεταρτημόριο ESCS

3.5.1 Υπολογισμός σταθμισμένων ποσοστών BOOKSFEW ανά έτος και τεταρτημόριο

Εμφάνιση κώδικα R
# Σταθμισμένα ποσοστά BOOKSFEW ανά τεταρτημόριο και έτος
results_booksfew_pct <- svyby(
    ~BOOKSFEW,
    ~ESCS_QUARTILE + Year,
    design = des_booksfew_escs,
    FUN = svymean,
    vartype = c("se", "ci"),
    na.rm = TRUE
)

results_booksfew_pct <- as.data.frame(results_booksfew_pct)

# Μετατροπή εκτιμήσεων και διαστημάτων σε ποσοστά
results_booksfew_pct <- results_booksfew_pct %>%
    mutate(
        across(
            c(BOOKSFEW, se, ci_l, ci_u),
            ~ .x * 100
        )
    )

# Έλεγχος αποτελεσμάτων
results_booksfew_pct
        ESCS_QUARTILE Year  BOOKSFEW        se       ci_l      ci_u
Q1.2018            Q1 2018 23.066844 1.1774646 20.7590555 25.374632
Q2.2018            Q2 2018 11.544699 0.7883720  9.9995181 13.089880
Q3.2018            Q3 2018  6.092256 0.6952263  4.7296377  7.454875
Q4.2018            Q4 2018  1.463929 0.2618465  0.9507192  1.977139
Q1.2025            Q1 2025 34.417886 1.1691815 32.1263327 36.709440
Q2.2025            Q2 2025 18.678804 1.0323802 16.6553757 20.702232
Q3.2025            Q3 2025 11.818684 0.8711580 10.1112457 13.526122
Q4.2025            Q4 2025  4.745565 0.7144688  3.3452317  6.145898

3.5.2 Συνδυασμός αποτελεσμάτων των δύο δεικτών

Ενοποιούμε τα αποτελέσματα των δύο προηγούμενων αναλύσεων σε ένα κοινό dataset με στόχο τη δημιουργία ενός ενιαίου γραφήματος.

Εμφάνιση κώδικα R
# Προετοιμασία αποτελεσμάτων BOOKS500
plot_books500 <- results_books500_pct %>%
    transmute(
        ESCS_QUARTILE = as.character(ESCS_QUARTILE),
        Year = as.character(Year),
        Indicator = "BOOKS500",
        p = BOOKS500,
        ci_l = ci_l,
        ci_u = ci_u
    )

# Προετοιμασία αποτελεσμάτων BOOKSFEW
plot_booksfew <- results_booksfew_pct %>%
    transmute(
        ESCS_QUARTILE = as.character(ESCS_QUARTILE),
        Year = as.character(Year),
        Indicator = "BOOKSFEW",
        p = BOOKSFEW,
        ci_l = ci_l,
        ci_u = ci_u
    )

# Συνένωση των δύο δεικτών
plot_books_all <- bind_rows(
    plot_books500,
    plot_booksfew
)

# Έλεγχος και ταξινόμηση παραγόντων
plot_books_f <- plot_books_all %>%
    mutate(
        ESCS_QUARTILE = factor(
            ESCS_QUARTILE,
            levels = c("Q1", "Q2", "Q3", "Q4")
        ),
        Year = factor(
            Year,
            levels = c("2018", "2025")
        ),
        Indicator = factor(
            Indicator,
            levels = c("BOOKS500", "BOOKSFEW")
        )
    )

# Έλεγχος τελικών δεδομένων γραφήματος
plot_books_f
             ESCS_QUARTILE Year Indicator         p       ci_l      ci_u
Q1.2018...1             Q1 2018  BOOKS500  2.308927  1.5028588  3.114996
Q2.2018...2             Q2 2018  BOOKS500  4.940885  3.8438314  6.037939
Q3.2018...3             Q3 2018  BOOKS500  9.409747  7.7161080 11.103386
Q4.2018...4             Q4 2018  BOOKS500 24.235221 21.6787080 26.791734
Q1.2025...5             Q1 2025  BOOKS500  1.197154  0.6538644  1.740444
Q2.2025...6             Q2 2025  BOOKS500  4.745934  3.2260977  6.265770
Q3.2025...7             Q3 2025  BOOKS500  7.739332  6.5036478  8.975017
Q4.2025...8             Q4 2025  BOOKS500 17.213833 14.9699020 19.457764
Q1.2018...9             Q1 2018  BOOKSFEW 23.066844 20.7590555 25.374632
Q2.2018...10            Q2 2018  BOOKSFEW 11.544699  9.9995181 13.089880
Q3.2018...11            Q3 2018  BOOKSFEW  6.092256  4.7296377  7.454875
Q4.2018...12            Q4 2018  BOOKSFEW  1.463929  0.9507192  1.977139
Q1.2025...13            Q1 2025  BOOKSFEW 34.417886 32.1263327 36.709440
Q2.2025...14            Q2 2025  BOOKSFEW 18.678804 16.6553757 20.702232
Q3.2025...15            Q3 2025  BOOKSFEW 11.818684 10.1112457 13.526122
Q4.2025...16            Q4 2025  BOOKSFEW  4.745565  3.3452317  6.145898

3.5.3 Δημιουργία ενιαίου γραφήματος

Εμφάνιση κώδικα R
ggplot(
    plot_books_f,
    aes(
        x = ESCS_QUARTILE,
        y = p,
        color = Year,
        group = Year
    )
) +
    
    # Γραμμές που συνδέουν τα τεταρτημόρια
    geom_line(
        position = position_dodge(width = 0.25),
        linewidth = 0.9
    ) +
    
    # Διαστήματα εμπιστοσύνης 95%
    geom_errorbar(
        aes(
            ymin = ci_l,
            ymax = ci_u
        ),
        position = position_dodge(width = 0.25),
        width = 0.12,
        linewidth = 0.7
    ) +
    
    # Σημεία εκτιμώμενων ποσοστών
    geom_point(
        position = position_dodge(width = 0.25),
        size = 3
    ) +
    
    # Δύο διακριτά πλαίσια
    facet_wrap(
        ~Indicator,
        nrow = 1,
        labeller = as_labeller(c(
            BOOKS500 = "Νοικοκυριά με περισσότερα από 500 βιβλία",
            BOOKSFEW = "Νοικοκυριά με ελάχιστα βιβλία"
        ))
    ) +
    
    # Χρώματα των δύο κύκλων
    scale_color_manual(
        values = c(
            "2018" = "steelblue",
            "2025" = "darkred"
        )
    ) +
    
    # Κλίμακα ποσοστών
    scale_y_continuous(
        breaks = seq(0, 40, 5),
        labels = function(x) paste0(x, "%")
    ) +
    
    coord_cartesian(
        ylim = c(0, 40)
    ) +
    
    labs(
        title = "Κατανομή βιβλίων στο νοικοκυριό ανά τεταρτημόριο κοινωνικοοικονομικού υποβάθρου (ESCS)",
        subtitle = "Σύγκριση PISA 2018 και PISA 2025 – Ελλάδα",
        x = "Τεταρτημόρια κοινωνικοοικονομικού υποβάθρου (ESCS)",
        y = "Σταθμισμένο ποσοστό (%)",
        color = "Κύκλος PISA",
        caption = paste0(
            "*Οι κατακόρυφες γραμμές απεικονίζουν τα διαστήματα εμπιστοσύνης 95%.",
            "\nΕπεξεργασία: Δημήτρης Λάζαρης"
        )
    ) +
    
    theme_light(base_size = 12) +
    
    theme(
        legend.position = "top",
        plot.title = element_text(face = "bold", size = 11),
        plot.subtitle = element_text(size = 11),
        strip.text = element_text(face = "bold", size = 11),
        axis.title = element_text(face = "bold"),
        panel.grid = element_blank()
    )

4 Σύνοψη/Τεκμηρίωση Β μέρους

Οι μεταβολές που καταγράφει το Β Μέρος αυτής της σύντομης ανάλυσης στα υλικά και πολιτισμικά αγαθά των νοικοκυριών αποτυπώνουν ενδείξεις επιδείνωσης του οικιακού μαθησιακού περιβάλλοντος μεταξύ 2018 και 2025. Επίσης, η συγκεκριμενοποίηση της ανάλυσης ανά κοινωνικοοικονομική θέση δείχνει υψηλότερα ποσοστά μαθητών που διαθέτουν έως ελάχιστα βιβλία και χαμηλότερα ποσοστά μαθητών που διαθέτουν περισσότερα από 500 βιβλία στο νοικοκυριό, σε όλα τα τεταρτημόρια ESCS.

4.0.1 Εκδόσεις βιβλιοθηκών R

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

Εμφάνιση κώδικα R
## ΤΕΚΜΗΡΙΩΣΗ ΚΑΙ ΑΝΑΠΑΡΑΓΩΓΙΜΟΤΗΤΑ
## Εκδόσεις βιβλιοθηκών R

# Βιβλιοθήκες που χρησιμοποιήθηκαν στο Μέρος Β
packages_used <- c(
    "haven",
    "tidyverse",
    "dplyr",
    "tidyr",
    "janitor",
    "stringr",
    "tibble",
    "tidyselect",
    "survey",
    "ggplot2",
    "ggpubr",
    "gt",
    "gtsummary",
    "report",
    "renv",
    "quarto",
    "jsonlite"
)

# 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 B"
    ) %>%
    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 B
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
tidyselect 1.2.1
survey 4.5
ggplot2 4.0.2
ggpubr 1.0.0
gt 1.4.0
gtsummary 2.6.1
report 0.6.4
renv 1.3.1
quarto 1.5.1
jsonlite 2.0.0
Εμφάνιση κώδικα R
# Αποθήκευση εκδόσεων σε CSV
write.csv(
    library_versions,
    file.path(processed_dir, "R_library_versions_PartB.csv"),
    row.names = FALSE
)

Σημείωση: Η βιβλιοθήκη gtsummary διατηρείται στον κατάλογο για κοινή τεκμηρίωση με το Μέρος Α.

4.0.2 Περιβάλλον εκτέλεσης και έκδοση R

Εμφάνιση κώδικα R
## ΠΛΗΡΟΦΟΡΙΕΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ

runtime_info <- tibble::tibble(
    
    Parameter = c(
        "Ημερομηνία εκτέλεσης",
        "R version",
        "Platform",
        "Operating system",
        "Quarto version",
        "renv 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"
        ),
        
        as.character(packageVersion("renv"))
    )
)

runtime_info %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Περιβάλλον εκτέλεσης της ανάλυσης"
    ) %>%
    gt::cols_label(
        Parameter = "Παράμετρος",
        Value = "Τιμή"
    )
Περιβάλλον εκτέλεσης της ανάλυσης
Παράμετρος Τιμή
Ημερομηνία εκτέλεσης 2026-11-22
R version R version 4.4.1 (2024-06-14 ucrt)
Platform x86_64-w64-mingw32
Operating system Windows
Quarto version 1.11.9
renv version 1.3.1

4.0.3 Πλήρης καταγραφή του περιβάλλοντος R

Εμφάνιση κώδικα R
## 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] gtable_0.3.6       xfun_0.62          htmlwidgets_1.6.4  processx_3.8.6    
 [5] insight_1.4.6      rstatix_1.1.0      lattice_0.22-9     tzdb_0.5.0        
 [9] ps_1.9.3           vctrs_0.7.2        tools_4.4.1        generics_0.1.4    
[13] pkgconfig_2.0.3    RColorBrewer_1.1-3 S7_0.2.1           lifecycle_1.0.5   
[17] compiler_4.4.1     farver_2.1.2       mitools_2.7        carData_3.0-6     
[21] snakecase_0.11.1   sass_0.4.10        htmltools_0.5.9    yaml_2.3.12       
[25] Formula_1.2-5      later_1.4.8        pillar_1.11.1      car_3.1-5         
[29] abind_1.4-8        tidyselect_1.2.1   digest_0.6.37      stringi_1.8.7     
[33] quarto_1.5.1       labeling_0.4.3     splines_4.4.1      fastmap_1.2.0     
[37] cli_3.6.5          magrittr_2.0.4     utf8_1.2.6         broom_1.0.12      
[41] withr_3.0.2        scales_1.4.0       backports_1.5.0    timechange_0.4.0  
[45] rmarkdown_2.30     otel_0.3.0         ggsignif_0.6.4     hms_1.1.4         
[49] evaluate_1.0.5     knitr_1.51         rlang_1.2.0        Rcpp_1.1.2        
[53] glue_1.8.0         DBI_1.3.0          xml2_1.5.2         rstudioapi_0.18.0 
[57] jsonlite_2.0.0     R6_2.6.1           fs_2.0.1          
Εμφάνιση κώδικα R
# Αποθήκευση σε αρχείο κειμένου
writeLines(
    session_report,
    file.path(
        processed_dir,
        "PISA_PartB_sessionInfo.txt"
    )
)

*Σημείωση: Η έκδοση Quarto αφορά το εκτελέσιμο περιβάλλον Quarto και όχι απλώς την έκδοση του R package quarto.

4.0.4 Τεκμηρίωση αρχείων δεδομένων

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

Εμφάνιση κώδικα R
## DATA PROVENANCE

input_files <- c(
    "PISA 2018 Greece – Part B" = rds_2018_B,
    "PISA 2025 Greece – Part B" = rds_2025_B
)

# Βοηθητική συνάρτηση για το μέγεθος αρχείων
get_file_size <- function(path) {
    
    if (file.exists(path)) {
        round(file.info(path)$size / 1024^2, 2)
    } else {
        NA_real_
    }
}

# Βοηθητική συνάρτηση για MD5 checksum
get_file_md5 <- function(path) {
    
    if (file.exists(path)) {
        unname(tools::md5sum(path))
    } else {
        NA_character_
    }
}

# Δημιουργία manifest
data_manifest <- tibble::tibble(
    
    Dataset = names(input_files),
    
    File = basename(input_files),
    
    Exists = file.exists(input_files),
    
    Size_MB = vapply(
        input_files,
        get_file_size,
        numeric(1)
    ),
    
    MD5 = vapply(
        input_files,
        get_file_md5,
        character(1)
    )
)

# Παρουσίαση
data_manifest %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Αρχεία δεδομένων και ψηφιακή ταυτοποίηση",
        subtitle = "PISA Study – Part B"
    ) %>%
    gt::cols_label(
        Dataset = "Dataset",
        File = "Αρχείο",
        Exists = "Υπάρχει",
        Size_MB = "Μέγεθος (MB)",
        MD5 = "MD5 checksum"
    )
Αρχεία δεδομένων και ψηφιακή ταυτοποίηση
PISA Study – Part B
Dataset Αρχείο Υπάρχει Μέγεθος (MB) MD5 checksum
PISA 2018 Greece – Part B PISA2018_Greece_PartB_compact.rds TRUE 0.32 ba1bb683c00dc518446c300bf9e27161
PISA 2025 Greece – Part B PISA2025_Greece_PartB_compact.rds TRUE 0.15 f703cb951f87b9447a5e6bf6d9a4f502
Εμφάνιση κώδικα R
# Αποθήκευση αρχείου καταγραφής
write.csv(
    data_manifest,
    file.path(
        processed_dir,
        "PISA_PartB_data_manifest.csv"
    ),
    row.names = FALSE
)

# Υποχρεωτικός έλεγχος ύπαρξης αρχείων
stopifnot(
    all(data_manifest$Exists)
)

4.0.5 Διαχείριση και αναπαραγωγή του περιβάλλοντος R – renv

Εμφάνιση κώδικα R
## ΤΕΚΜΗΡΙΩΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ renv

# Εντοπισμός του renv.lock
lockfile_path <- file.path(
    getwd(),
    "renv.lock"
)

# Έλεγχος ύπαρξης lockfile
if (!file.exists(lockfile_path)) {
    stop(
        "Δεν εντοπίστηκε το renv.lock στον φάκελο του project."
    )
}

# Ανάγνωση lockfile
lock <- jsonlite::fromJSON(
    lockfile_path,
    simplifyVector = FALSE
)

# Συνοπτική καταγραφή
renv_report <- tibble::tibble(
    
    Parameter = c(
        "Έκδοση R στο lockfile",
        "Έκδοση renv στο lockfile",
        "Καταγεγραμμένα πακέτα",
        "Αρχείο περιβάλλοντος",
        "MD5 renv.lock"
    ),
    
    Value = c(
        
        lock$R$Version,
        
        lock$Packages$renv$Version,
        
        as.character(length(lock$Packages)),
        
        basename(lockfile_path),
        
        unname(tools::md5sum(lockfile_path))
    )
)

renv_report %>%
    gt::gt() %>%
    gt::tab_header(
        title = "Τεκμηρίωση περιβάλλοντος R – renv"
    ) %>%
    gt::cols_label(
        Parameter = "Παράμετρος",
        Value = "Τιμή"
    )
Τεκμηρίωση περιβάλλοντος R – renv
Παράμετρος Τιμή
Έκδοση R στο lockfile 4.4.1
Έκδοση renv στο lockfile 1.3.1
Καταγεγραμμένα πακέτα 177
Αρχείο περιβάλλοντος renv.lock
MD5 renv.lock 7cfdc93b0524be0ab4457165d4048407

Για τη διαχείριση των εξαρτήσεων του υπολογιστικού περιβάλλοντος χρησιμοποιήθηκε η βιβλιοθήκη renv, με το αρχείο renv.lock να καταγράφει τις συγκεκριμένες εκδόσεις των πακέτων που χρησιμοποιήθηκαν.