# TIMSS2011のデータで遊んでみる(4)
いよいよ分析
理科学校平均，標準偏差，ランク別割合データとの結合
使うデータの読み込み
data <- read.csv("data.csv")
class.rika <- read.csv("class.rika.csv")
# リンクファイルの読み込み
astjpnm5 <- read.csv("astjpnm5.csv")
# リンクファイルの加工
id.table.u <- astjpnm5[c("IDCLASS","IDTEACH")]
id.table.u <- unique(id.table.u)
colnames(id.table.u) <- c("idclass","idteach")
# 学校学級データとリンクファイルの結合
data.d <- data[,c(-1)]
data.link <- merge(data.d, id.table.u, by="idteach")
class.rika.d <- class.rika[,c(-1)]
timss <- merge(data.link, class.rika.d, by="idclass")
timss <- timss[,c(-12)]
# 欠損値の処理
timss$ses.hi[timss$ses.hi==9] <- NA
timss$ses.lo[timss$ses.lo==9] <- NA
timss$jap.moth.tg[timss$jap.moth.tg==9] <- NA
timss$jap.konnan[timss$jap.konnan==999] <- NA
# 念のため保存
write.csv(timss,"timss.csv")
head(timss)## idclass idteach idschool sc.n.pupil gr.n.pupil ses.lo ses.hi jap.moth.tg
## 1 104 101 1 1059 189 2 NA 1
## 2 204 201 2 957 158 2 2 1
## 3 305 301 3 847 142 1 4 1
## 4 401 401 4 845 141 1 4 1
## 5 501 501 5 724 137 3 1 1
## 6 601 601 6 788 132 1 1 1
## jinko chiiki shotoku keiken t.kyodo.1 t.kyodo.2 t.kyodo.3 t.kyodo.4
## 1 2 1 2 3 3 3 2 2
## 2 1 1 2 5 4 3 3 2
## 3 1 1 1 18 2 3 3 1
## 4 1 1 1 3 3 3 2 1
## 5 1 1 3 28 2 2 4 1
## 6 1 1 2 19 3 3 3 2
## t.kyodo.5 cl.n.pupil uchi.4nen jap.konnan tch.sbj.koku tch.sbj.san
## 1 2 37 37 NA 1 1
## 2 1 32 32 NA 1 1
## 3 2 30 30 NA 1 1
## 4 2 35 35 NA 1 1
## 5 2 33 33 NA 1 1
## 6 2 33 33 NA 1 1
## tch.sbj.rika gr.n.cl cs.kijun rika.mean rika.sd lv1 lv2
## 1 1 5 40 569.8817 53.97667 0.00000000 0.02702703
## 2 1 5 35 564.3780 54.67014 0.00000000 0.03225806
## 3 1 5 35 576.2101 61.08431 0.00000000 0.03571429
## 4 1 4 40 597.7882 55.92306 0.00000000 0.02857143
## 5 1 4 40 547.6221 77.69665 0.06060606 0.09090909
## 6 1 4 40 566.7242 71.60676 0.03571429 0.03571429
## lv3 lv4 lv5 lo.prop
## 1 0.3513514 0.4594595 0.1621622 0.3783784
## 2 0.2903226 0.5483871 0.1290323 0.3225806
## 3 0.3571429 0.3214286 0.2857143 0.3928571
## 4 0.1142857 0.5142857 0.3428571 0.1428571
## 5 0.2727273 0.4545455 0.1212121 0.4242424
## 6 0.1785714 0.6071429 0.1428571 0.2500000あれこれやってみよう
まずは学級規模と理科得点の学校平均の関係
plot(timss$cl.n.pupil, timss$rika.mean)
cor(timss$cl.n.pupil, timss$rika.mean)## [1] 0.1688964- 特に関係なし
では，学級規模と理科得点の標準偏差の関係ならどうかな
plot(timss$cl.n.pupil, timss$rika.sd)
cor(timss$cl.n.pupil, timss$rika.sd)## [1] 0.01940805- もっと関係なし・・・(>_<)
やはりSESがきいているんか？
plot(timss$ses.hi, timss$rika.mean)
cor(timss$ses.hi, timss$rika.mean, use="pairwise")## [1] 0.2895114plot(timss$ses.lo, timss$rika.mean)
cor(timss$ses.lo, timss$rika.mean, use="pairwise")## [1] -0.2587414plot(timss$shotoku, timss$rika.mean)
cor(timss$shotoku, timss$rika.mean)## [1] -0.351869- どうやら平均所得で層別に分析した方が良さそうですね。
ということは，日本語母語児童の少ない学校とかは除外する必要がありますね。
table(timss$jap.moth.tg)##
## 1 2
## 125 1- 一校だけ日本語以外の母語の児童が25%以上の学校を発見
- 分析データから削除しよう。
timss <- subset(timss, jap.moth.tg==1)
nrow(timss)## [1] 125学校の平均所得階層別に分析しよう
サブセットを作るよ
timss.ses.hi <- subset(timss, shotoku==1)
timss.ses.mid <- subset(timss, shotoku==2)
timss.ses.lo <- subset(timss, shotoku==3)
nrow(timss.ses.hi)## [1] 11nrow(timss.ses.mid)## [1] 97nrow(timss.ses.lo)## [1] 17ses.hi
plot(timss.ses.hi$cl.n.pupil, timss.ses.hi$rika.mean)
cor(timss.ses.hi$cl.n.pupil, timss.ses.hi$rika.mean)## [1] -0.5860547plot(timss.ses.hi$cl.n.pupil, timss.ses.hi$rika.sd)
cor(timss.ses.hi$cl.n.pupil, timss.ses.hi$rika.sd)## [1] -0.328518plot(timss.ses.hi$cl.n.pupil, timss.ses.hi$lo.prop)
cor(timss.ses.hi$cl.n.pupil, timss.ses.hi$lo.prop)## [1] 0.3532275ses.mid
plot(timss.ses.mid$cl.n.pupil, timss.ses.mid$rika.mean)
cor(timss.ses.mid$cl.n.pupil, timss.ses.mid$rika.mean)## [1] 0.1869622plot(timss.ses.mid$cl.n.pupil, timss.ses.mid$rika.sd)
cor(timss.ses.mid$cl.n.pupil, timss.ses.mid$rika.sd)## [1] 0.03146559plot(timss.ses.mid$cl.n.pupil, timss.ses.mid$lo.prop)
cor(timss.ses.mid$cl.n.pupil, timss.ses.mid$lo.prop)## [1] -0.2178488ses.lo
plot(timss.ses.lo$cl.n.pupil, timss.ses.lo$rika.mean)
cor(timss.ses.lo$cl.n.pupil, timss.ses.lo$rika.mean)## [1] 0.5028253plot(timss.ses.lo$cl.n.pupil, timss.ses.lo$rika.sd)
cor(timss.ses.lo$cl.n.pupil, timss.ses.lo$rika.sd)## [1] 0.168337plot(timss.ses.lo$cl.n.pupil, timss.ses.lo$lo.prop)
cor(timss.ses.lo$cl.n.pupil, timss.ses.lo$lo.prop)## [1] -0.5467852- まぁ，そんなもんだろう。
- それにしても学級規模が大きいほど下位層が少ないって出てるよ・・・
地域類型で見たらどうなんだろう？
tapply(timss$rika.mean, timss$chiiki, mean)## 1 2 3 4
## 566.6555 563.6579 559.1527 547.5105- 町の規模が小さくなるほど点数が低くなる傾向があるんですね。
内訳は？
table(timss$chiiki)##
## 1 2 3 4
## 22 24 64 15- さらなる層化をしてみるか・・・
table(timss$chiiki,timss$shotoku)##
## 1 2 3
## 1 4 14 4
## 2 2 21 1
## 3 5 50 9
## 4 0 12 3- 地域類型別に平均所得中くらいを取り出してみようかな。
- ここで正気に戻る。
学級規模と学年学級数とでカテゴリ分けしてみよう
切り口を決めよう
table(timss$gr.n.cl,timss$cl.n.pupil)##
## 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
## 1 1 0 0 3 0 0 0 0 1 0 1 0 0 0 0 0 2 1 2 0
## 2 3 2 1 1 1 1 5 1 2 1 4 1 4 1 3 1 2 2 0 2
## 3 0 0 0 0 0 2 3 2 1 4 2 7 4 5 2 0 4 5 1 0
## 4 0 0 0 0 0 0 0 0 2 1 3 4 4 3 3 0 1 1 0 1
## 5 0 0 0 1 0 0 0 0 0 2 1 2 2 0 0 0 2 0 0 0
## 6 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0- 学級規模を32以下と32以上で，学年学級数を3以下と4以上で分けると良さそうだ。
- エクセルでデータ作った
timss2 <- read.csv("timss2.csv")- とはいえ，所得は無視できないから，クロス集計してみる。
table(timss2$shotoku,timss2$cat.csns)##
## 11 12 21 22
## 1 1 2 5 4
## 2 41 15 30 12
## 3 8 0 8 1- 小少で低所得，大多で高所得という関係がありそうで。 #### 単学級サンプルは抜いた方がよさそうなので。
timss2.1 <- subset(timss2, gr.n.cl>1)少人数学級実施校は抜いた方がよさそうなので。
timss2.1 <- subset(timss2.1, cs.kijun>35)
table(timss2.1$cs.kijun)##
## 40
## 106小さな町村は学力が低い傾向にあるので除外。
timss2.2 <- subset(timss2.1, chiiki==3)平均所得は中くらいの学校に限定
tim <- subset(timss2, shotoku==2)
table(tim$shotoku)##
## 2
## 98バランスはどうなっているかな
table(tim$cat.csns)##
## 11 12 21 22
## 41 15 30 12- 悪くはなさそうです。
得点の平均の比較
tapply(tim$rika.mean, tim$cat.csns, mean)## 11 12 21 22
## 556.4677 561.3257 559.0337 566.0654得点の標準偏差の比較
tapply(tim$rika.sd, tim$cat.csns, mean)## 11 12 21 22
## 61.04954 58.45276 63.84131 56.93858下位層の割合の比較
tapply(tim$lo.prop, tim$cat.csns, mean)## 11 12 21 22
## 0.4208365 0.4084519 0.4071225 0.3559835- 過去の学力データがあると違うのだが・・・
- ちょっとした演習用には悪くないデータかもしれない