PISA andmeanalüüsi metoodika tutvustamine ja selle rakendamine

Abstract

Käesoleva bakalaureusetöö eesmärk on kirjeldada PISA (Programme for International Student Assessment) andmete analüüsimise protsessi ning töötada välja korduvkasutatav analüüsiraamistik, mis toetab metoodiliselt korrektset andmeanalüüsi. PISA uuringu keeruka valimidisaini tõttu on andmete statistiline analüüs nõudlik ning praktikas võidakse kasutada lihtsustatud lähenemist, mis võib viia ebatäpsete tulemusteni. Töös kirjeldatakse PISA uuringu andmestruktuuri ning rakendatavaid statistilisi meetodeid, pöörates erilist tähelepanu tõepäraväärtuste ja replikatsioonide kaalude korrektsele kombineerimisele. Selle tulemusena töötatakse R tarkvara abil välja funktsioonide kogum, mis võimaldab läbi viia kirjeldavat statistikat ning korrelatsiooni- ja regressioonianalüüse vastavalt PISA metoodilistele nõuetele. Loodud lahendus on suunatud eeskätt tudengitele ja teistele huvilistele, kes soovivad PISA andmeid korrektselt analüüsida. Töö loob aluse edaspidiseks metoodiliselt keerukamate analüüside laiendamiseks. The aim of this bachelor’s thesis is to describe the process of analysing PISA (Programme for International Sudent Assesment) data and to develop a reusable analytical framework that supports methodologically sound data analysis. Due to the complex sampling design of the PISA study, statistical analyses of the data is demanding, and simplified approaches are sometimes applied in practice, which may lead to inaccurate results. The thesis describes the structure of PISA data and the statistical methods used in their analysis, with particular emphasis on the correct combination of plausible values and replication weights. As a result, a set of functions is developed using the R software environment, enabling the application of descriptive statistics as well as correlation and regression analyses in accordance with PISA methodological requirements. The developed solution is primarily intended for students and other users who lack formal statistical training but require a methodologically correct approach to analysing PISA data. The proposed framework provides a foundation for the future development of more methodologically advanced analyses.