PISA 2018データを読む

これはPISAデータを読む，PISA 2015データを読むのPISA 2018年版（2019年12月3日公開）である。生徒のアンケート個票をRで読んで分析するのが目的である。

取得から読み込みまで

OECD の PISA (Programme for International Student Assessment) の2018年版データは PISA 2018 Database から得られる。例えば SPSS Data Files の Student questionnaire data file (494MB, ファイル名 SPSS_STU_QQQ.zip) をダウンロードして展開すると CY07_MSU_STU_QQQ.sav という1.8Gバイトほどのファイルになる。これをRで読むには次のようにする（かなり時間がかかる）：

library(haven)
data = read_sav("CY07_MSU_STU_QQQ.sav")
object.size(data)  # 約5.5Gバイト

回答の分析

データの大きさを調べてみよう：

dim(data)
[1] 612004   1118

612004行1118列のデータだとわかる。確かに大きい。項目名（列名）を一覧してみよう：

names(data)
   [1] "CNTRYID"      "CNT"          "CNTSCHID"     "CNTSTUID"    
   [5] "CYC"          "NatCen"       "STRATUM"      "SUBNATIO"    
   [9] "OECD"         "ADMINMODE"    "LANGTEST_QQQ" "LANGTEST_COG"
  [13] "LANGTEST_PAQ" "BOOKID"       "ST001D01T"    "ST003D02T"   
  [17] "ST003D03T"    "ST004D01T"    "ST005Q01TA"   "ST006Q01TA"  
  [21] "ST006Q02TA"   "ST006Q03TA"   "ST006Q04TA"   "ST007Q01TA"  
  [25] "ST008Q01TA"   "ST008Q02TA"   "ST008Q03TA"   "ST008Q04TA"  
  [29] "ST011Q01TA"   "ST011Q02TA"   "ST011Q03TA"   "ST011Q04TA"  
  [33] "ST011Q05TA"   "ST011Q06TA"   "ST011Q07TA"   "ST011Q08TA"  
  [37] "ST011Q09TA"   "ST011Q10TA"   "ST011Q11TA"   "ST011Q12TA"  
  [41] "ST011Q16NA"   "ST011D17TA"   "ST011D18TA"   "ST011D19TA"  
....(後略)....

コードブックに書かれているが，先頭のいくつかの項目は次の通りである：

• CNTRYID: 国コード（番号）
• CNT: 国（3文字）
• CNTSCHID: 学校コード
• CNTSTUID: 生徒コード
• OECD: OECD加盟国であるか（0: No, 1: Yes）

さらに下に見ていくと，例えば IC001Q01TA Available for you to use at home: Desktop computer という項目があり，1 が Yes, and I use it，2 が Yes, but I dont use it，3 が No である。それぞれの回答数を表にしてみよう：

table(data$IC001Q01TA)

     1      2      3 
207182  50529  97676 

日本の生徒についての内訳を見るには

table(data$IC001Q01TA[data$CNT=="JPN"])

   1    2    3 
2200 1790 2029 

とする。国とのクロス集計をしてみよう：

x = table(data$CNT, data$IC001Q01TA)
head(x)
     
         1    2    3
  ALB 3940  558 1589
  ARE    0    0    0
  ARG    0    0    0
  AUS 6858 2406 2738
  AUT 4797  626  972
  BEL 5098  925 1585

手抜き棒グラフにしてみよう：

barplot(sort(x[,1] / rowSums(x[,1:3])), horiz=TRUE, las=1)

日本は下から3番目である。

3文字国名の表 countries.csv（UTF-8）を使って日本語にしてみよう：

cnt = read.csv("https://okumuralab.org/~okumura/stat/data/countries.csv",
               fileEncoding="UTF-8")
tcnt = cnt$国名
names(tcnt) = cnt$三字
s = sort(x[,1] / rowSums(x[,1:3]))
par(mar=c(5,15,1,2)) # 下左上右マージン（要調整）
barplot(s, horiz=TRUE, las=1, names.arg=tcnt[names(s)])

（未完）