Mezinárodní vzdělávací studie a práce s jejich daty

Transkript

1 Mezinárodní vzdělávací studie a práce s jejich daty Petr Soukup Plzeň

2 Základnícíl setkání Podat stručný přehled mezinárodních vzdělávacích studií, kterých sečr účastnila v posledních 15 letech Ukázat datové zdroje, které v rámci studií vznikají a jejich složitost 1. ČÁST Upozornit na problémy, kterésouvisís daty z mezinárodních vzdělávacích výzkumů Předvést možnosti zpracovánídat, kteréna problémy v datech reagují Ukázat reálnéanalýzy na příkladu dat TALIS ČÁST 2

3 Přehled mezinárodních vzdělávacích studií 3

4 Přehledstudií A) PISA B) TIMSS C) PIRLS D) ICCS resp. CIVED E) ICILS E) PIAAC 4

5 Přehledstudií PISA TIMSS PIRLS ICCS ICILS PIAAC Testovaná oblast Mat., čtení, přírodní vědy Mat., přírodní vědy čtení Výchova k občanst. Počítačo váa IT gramot. Mat., čten. gram. a řešení probl. Testovaný ročník/věk 15 let 4./8. roč. 4. roč. 8. roč. 8. roč. dospělí Počet účastníků 2015: : : : : : 32 5

6 Periodicita a materiály PISA TIMSS PIRLS ICCS ICILS PIAAC Perioda 3 roky 4 roky 5 let 7 let 8 let???? Poslední vlna Dotazníky Ředitel, žák (rodič*) Ředitel, učitel, žák, rodič Ředitel, učitel, žák, rodič Ředitel, učitel, žák Ředitel, učitel, žák Testova ná osoba * Není povinné 6

7 Mezinárodníkoordinace I) PISA+ PIAAC -OECD II) TIMSS+PIRLS+ICCS+ICILS - IEA 7

8 Základníodkazy anglicky PISA: TIMSS a PIRLS: ICCS: ICILS: PIAAC: Rozcestník pro všechna data s výjimkou PISA a PIAAC je zde: Poznámka: Stránky obsahují podrobné informace o výzkumech včetně všech publikací,mezinárodní data, výzkumné materiály (dotazníky) 8

9 Dalšíinfočesky ESF-Kompetence-I Poznámka: Stránky obsahují informace o české realizaci výzkumu, česká data, výzkumné materiály (dotazníky) a výzkumné zprávy 9

10 Mnohostdat na národnía mezinárodníúrovni 10

11 Typ souboru Žáci 4. ročník Žáci 8. ročník Učitelé - 4. ročník Praktický problém při práci s daty -TIMSS Popis Datový soubor s výsledky testů a odpověďmi žáků z dotazníku Datový soubor s výsledky testů a odpověďmi žáků z dotazníku Datový soubor s odpověďmi učitelů 4. ročníku Učitelé - 8. ročník - matematika Učitelé - 8. ročník přírodní vědy Školy 4. ročník Datový soubor s odpověďmi učitelů matematiky v 8. ročníku Datový soubor s odpověďmi učitelů přírodních věd Datový soubor s odpověďmi ředitelů škol, kde se účastnily výzkumu 4. ročníky Školy 8. ročník Datový soubor s odpověďmi ředitelů škol, kde se účastnily výzkumu 8. ročníky 11

12 Praktický problém při práci s daty -TIMSS Za jednu zemi může být až7 souborů! Zapojeno je vícenež60 zemí Reálně je cca 250 datových souborů Co a jak spojit? Složité, může pomoci IDB Analyzer (viz 2. část) 12

13 Exkurz o identifikaci respondentů ID země ID školy ID žáka Příp. ID učitele a třídy Ukázka na datech TIMSS 13

14 Problémy v datech z mezinárodních vzdělávacích studií 14

15 Problémy v datech Data nepocházíz prostého náhodného výběru nutnost váženípro korektníodhady populačních parametrů vážení na více úrovních nutnost speciálních výpočtůrozptylu výběrových charakteristik 15

16 Problémy v datech Nutnostváženípro korektníodhady populačních parametrů,plus váženína více úrovních Data nepocházíz prostého náhodného výběru (nutnost speciálních výpočtů rozptylu výběrových charakteristik) Některéproměnnéneměříme přímo a chceme zohlednit jejich chybu měření(irt metodologie a plausiblevalues) 16

17 Váženídat a jeho podstata 17

18 Typy vah a vážení Designové víme předem o nerovné pravděpodobnosti vybrání Poststratifikační ex post dovažujeme data, sběr dat, nebyl dle představ Boost připojenídalšího datového souboru, zaměřeného jen určitou podskupinu 18

19 Pročvážíme? Díky váženílze odhadovat výsledky na celou populaci (průměry, procenta atd.) Bez vah lze pouze popisovat nášvýběrový soubor a usuzovat na rozdíly mezi skupinami, lze téžmodelovat vztahy mezi proměnnými (ty váhy příliš neovlivní 19

20 Základnísoubor výběr Příklad: 20% učitelů jsou na soukromých školách a 80% na veřejných. Ve výběru ale máme např. proporci 50%a 50% Co s tím? Řešení: váha, která disproporci napraví 20

21 Technický princip váženíi Jedna proměnná: Příklad: Vpopulaci je poměr veřejnévs. soukromé80% a 20 %, ale vsebraném výběru je 50% a 50% N: 2000 N v : 1000 N s : 1000 My chceme ale uměle snížit počet učitelůna soukromých školách a navýšit na veřejných tak, aby výsledný počet vypadal takto: N: 2000 N v : 1600 N s : 400 Výpočet váhy: W v : 1600/1000 = 1,6, tj. každý učitel z veřejnéškoly bude vdatech obsažen 1,6 krát W s : 400/1000 = 0,25, 4učiteléna soukroméškole budou tvořit jednoho človeka svým vlivem 21

22 Co je tedy váha? Hodnota přiřazenákaždému respondentovi a (v případě vzdělávacích studií je to ještě komplikovanější váha je přiřazena též škole důvod = vícestupňový výběr) Váha udávákolik jednotek v základním souboru reprezentuje vybraný jedinec (škola, učitel, apod.) Jde o hodnotu v intervalu <0; >, hodnoty nad1 značí, že danájednotka je v datech podreprezentována, hodnota pod 1 naopak značí nadreprezentaci 22

23 Váženíve vzdělávacích výzkumech 23

24 Úrovněváženíve vzdělávacích výzkumech (complexdesign) Váhy jsou kombinacídesignovýchvah a poststratifikačních Designovéváhy se uplatňujína jednotlivých úrovních, kde se vybírá a vyrovnávají nestejné pravděpodobnosti vybrání Vysoká pravděpodobnost vybrání malá váha NízkáP vybrání velkáváha. Rozlišují se tedy váhy: školní, učitelské atd. 24

25 Váhy poststratifikační úpravy neúčasti žáků Váhy se korigujídíky neúčasti žákůna výzkumu Neúčast opět může nastat na všech úrovních (vypadne škola, žák atd.) Poststratifikačníkorekce na neúčast řešítento problém (vyššíváha tam, kde se neúčastnilo více žákůa viceversa) 25

26 Shrnutík vahám Váhy napravujídesignovávychýlenía neúplnou návratnost dotazníků Váhy je nutno užívat, aby byly správné odhady charakteristik v populaci (průměrů, procent atd.) Váhy mohou být různého typu (školní, žákovská, národní), vždy musíme zvolit tu správnou případně jejich kombinaci 26

27 Jinénežnáhodnévýběry: Standardníchyby odhadu a jejich korektníodhady 27

28 Co je to standardníchyba odhadu (SE)? Pro každou odhadovanou (výběrovou) charakteristiku (průměr, procento atd.) lze stanovit standardní chybu jejího rozdělení Výběrové rozdělení je rozdělení sledované charakteristiky pro všechny potenciálně možné výběry získané stejnou technikou o stejné velikosti Samozřejmětoto je teorie, v praxi nevybíráme všechny možnévýběry, ale provádíme odhad SE za pomoci chytrých vzorců či složitějších postupů 28

29 K čemu jsou dobréstandardníchyby odhadů? Výzkumy (vč. mezin. vzděl.) vycházejíz výběrových dat Naším cílem je zobecnit výsledky na populaci (cílovou skupinu) Počítáme intervaly spolehlivosti (průměrů, procent), provádíme statistické testy (odlišností, závislostí např. t-test, regrese, korelace atd.) Pro tyto účely je třeba znát standardní chyby odhadovaných parametrů(určují přesnost našich závěrů, kterévztáhneme na populaci) 29

30 Standardníchyba odhadu a interval spolehlivosti ε sledovaná charakteristika(průměr, procento...) 95% interval spolehlivosti lze vypočítat: ε ± SE ε V tabulkách z výzkumů bývá značen jako černý pruh: 95%,interval spolehlivosti pro průměr v populaci je mezi a

31 Jak spočítat st. chybu? Prostý náhodný výběr: Směrodatná odchylka sledované proměnné(s) se dělíodmocninou počtu pozorování(n) ^ SE ε = V reálných výběrech (complex samples), kterése realizujíto ale nejde tak snadno s n 31

32 Základníefekty Vybírání ve školách (tzv. clustered sample): Žáci v jednéškole jsou si navzájem podobnějšínež z různých škol (vliv učitele, prostředí, sousedství atd.) Tento proces vede k navýšenístandardníchyby (pokles přesnosti odhadů) Stratifikovaný výběr Vybíráme separátněv různých skupinách škol (např. v ČR soukromévs. veřejnéatd.) Tento proces vede ke sníženístandardníchyby (nárůst přesnosti odhadů) 32

33 I váhy majídopad Platí(prokázáno zejména simulacemi, zde už vzorce nestačí): Při užití vah roste standardní chyba (klesá přesnost odhadů) Samozřejmě se komplikují výpočty Závěr: Je nutno vše zohlednit a počítat s tím, že běžnějsou standardníchyby většínežv prostém náhodném výběru 33

34 Jak lze řešit? Statistici vyvinuli v zásadě dva základní postupy: Replikace Užití Taylorových polynomů Běžný software často toto neumí (platilo donedávna i o SPSS), případně užívájednoduššípostup (Taylor), který je zpravidla horší Řešení: Lze užít speciálnísoftware (např. VESVAR), případně doplňkové programy k běžnému software (tak pracuje IDB Analyzer) 34

35 Jackknife Repeated Replication Jedna z možnostíreplikace: Jackknife Repeated Replication (JRR), uplatněna v IDB Analyzer Lze užít pro odhad standardních chyb v tzv. complex designs Základní postup: provést výpočet sledované charakteristiky (průměru, procenta) na mnoha výběrech (z výběru): Tak, že nastavíme váhy pro některéškoly na nulu, A naopak pro jinéna dvojnásobek Odhad standardní chyby vychází z rozptylu sledované charakteristiky z těchto replikovaných výběrů 35

36 JRR-ukázka *2 *0 36

37 Shrnutí důvody užívání speciálních swk odhadu SE Běžněužívanévýběrovédesigny jsou výrazněodlišnéod prostého náhodného výběru, standardní chyba je díky tomu větší než udávají běžné výpočty Běžný software nemá postupy pro korektní odhad standardních chyb, případně neužívá úplně nejvhodnější postupy 37

38 Latentníproměnné, IRT a chyba měření 38

39 Latentníproměnné, IRT Mnoho věcí neměříme přímo (příklady) Běžnétestovánía počítánívýsledků(skrze CTT) nezohledňujeobtížnost jednotlivých úloh, jejich diskriminačníschopnost, možnost hádání atd. Běžnétestováníneumípodchytit chybu měření Řešení: IRT metodologie, kterátyto problémy bere v potaz přiodhadu výsledného skóre (více viz Urbánek, Šimeček) 39

40 ReálnévyužitíIRT ve vzdělávacíchstudiích Běžně pro odhad výsledků testované gramostnosti čtení, matika atd. V datech pak mámezpravidla5 proměnných, kterécharakterizujíjedincovuschopnost a chybu měření(tzv. plausible values) Korektnípráce s daty: 5x spočti analýzu a výsledky potézprůměruj(to je ale trochu moc práce a takse to automatizuje viz dále IDB Analyzer) Poznámka: Pro proxyvýsledky lze pracovat i s jedinou hodnotou PV, když náš SW více neumí 40

41 Reálnáukázka IRT v TIMSS Rozdíl =64 bodů, tj. velká chyba měření u konkrétního žáka Poznámka: Mezinárodní výzkumy většinou testové výsledky standardizují, mezinárodní průmer činí 500 jednotek a mezinárodní směrodatná odchylka činí 100 jednotek (toto pomáhá interpretaci výsledků). 41

42 IDB Analyzer(dále jen IA ) 42

43 IA základníinformace Software vyvinutý IEA DPC (Hamburg) pro SPOJOVÁNÍa ANALÝZU dat z velkých mezinárodních výzkumů(talis, TIMMS, ICCS, nověi PISA) Spolupracuje se statistickými pakety (konkrétněs SPSS od verze 15) a dále umožňuje export výsledků též do Excelu Ke staženína PISA existuje modifikovaná verze) V současnosti verze (září 2015) 43

44 IA technickéinformace Nutno mít instalován MS Excel a.net4 Nutno mít administrátorská práva Poměrněmalý program,který jen generuje programovací kódy (syntax) pro SPSS 44

45 Spojovánídat (MergeModule) 45

46 IA MergeModule I Lze spojovat data za různé země Lze spojovat data z různých instrumentů Lze vybrat jen některéproměnnéke spojení Automaticky se do spojených dat kopírují váhy, replikační proměnné a identifikační proměnné(idschool, IDSTUD, aj.) Výstupem je datový soubor pro SPSS (*.sav) nebo syntaxe pro spojení(*.sps) 46

47 IA MergeModule II Jak funguje? Připravísyntax pro SPSS, krerýse odkazuje na makra předem napsanáv IEA DPC (uložíse při instalaci IDB Analyzerna C:\Program Files\IEA\IDBAnalyzer\data\templates Výstupem jsou syntaxe pro SPSS a po jejich spuštěnídata, kteráse ukládajído adresáře WORK (ten se automaticky vytvářípři instalaci IDB Analyzer) 47

48 IA technickéfinty spojování Jedna šipka přesun proměnné, dvojitášipka přesun všech proměnných Nutno vždy stisknout tlačítko Start SPSS (pak se otevře SPSS) V proměnných se dávyhledávat (buďv technických názvech NAME nebo v popiscích DESCRIPTION) S připraveným spojeným souborem lze provádět analýzy! Zrada nejdříve nutno naklikattypy souborůke spojení(učita žákovské) a pak teprve přesouvat proměnné Spouštění syntaxu SPSS: Ctrl+A a poté Ctrl+R 48

49 Analýza dat (AnalysisModule) 10. září 2015 Mezinárodnístudie občanskévýchovy (ICCS 2009) 49

50 IA AnalysisModule I Proč jej užívat? Zohledňuje design (pracuje se správnými vahami), odhady charakteristik pro populaci jsou správně(samozřejmějen pokud váhy jsou správně ) Počítá korektně standardní chyby odhadů (JRR replikací) díky tomu jsou korektní testy a intervaly spolehlivosti Umožňuje pracovat se škálami vzniklými z IRT modelů 50

51 IA AnalysisModule II Co umí? Výpočet procent Výpočet průměrů Korelace (dle Pearsona) Lineární regresi (tj. i ANOVA) Výpočet skupin znalostídle testů(tzv. benchmark) Průměry, regrese, korelace jsou možnéi s tzv. plausiblevaluesz IRT 51

52 IA AnalysisModule III Jak pracuje? Připravísyntax pro SPSS či SAS Tento syntax za pomoci předdefinovaných maker provádí JRR replikace případně jiné potřebné výpočty Výsledky se vytvoříjako textový výstup do SPSS nebo se uložído Excelu(dle požadavku, který zadáme v okénku Output Files) Poznámka: Výstup v Exceluje pro další editace (zejména automatické) vhodnější) Spouštění syntaxu SPSS: Ctrl+A a poté Ctrl+R 52

53 IA AnalysisModule IV Jaké má nedostatky? Umíze statistiky poměrněmálo (nutno tak užívat dalšísoftware či doplňkové pomůcky) Při zadáníjakékoli volby smaže vše ostatní Spolupracuje jen s jedním komerčním balíkem (SPSS) Výstupy jsou v mírně neobvyklé podobě 53

54 1. Vybrat soubor 2. Typ analýzy 3. Co chci počítat IA ukázka 54

55 IA ukázka 4. Poté vybírám proměnné, které chci analyzovat (různé procedury různé počty) 5. Na konci musím určit, kam chci uložit výsledky Poznámka: Váha se mi vybere automaticky a správně sama 55

56 Užitečnéinformace 56

57 IDB Analyzer dalšíinfo Obsahuje Help (viz 3. nabídka při spouštěníprogramu) Verze lze aktualizovat opět přes spouštěníprogramu přes web IEA (při instalaci novějšíverze se automaticky odinstaluje verze předchozí) 57

58 Ukázky práce 58

59 Ukázky v IDB Analyzer Spojení českých dat TIMSS Průměry po skupinách Korelace s 5 PV hodnotami mat. dovedností(listwise/pairwisepro MV) Regreses 5 PV hodnotami mat. dovedností 59

60 Díky za pozornost 60