Page 6

PISA 2025. Inferentiell analys

17 September 2026

I denna artikel ska vi titta lite närmare på PISA 2025. PISA administreras av OECD. Syftet är att göra det möjligt att jämföra utbildningssystem i olika länder.

PISA mäter tre kunskapsområden.

Matematik
Läsförståelse
Naturvetenskap

Ingen elev gör därför hela testet. En elev gör ett deltest. OECD använder sedan testresultatet som bas för att, med hjälp av en statistisk modell, generera tio så kallade plausibla värden som representerar elevens sannolika kompetens på hela det kunskapsområde som PISA avser att mäta.

Källa: Yamu_Jay.

Korrelationsanalys

Socioekonomisk status eller ESCS är inte en enskild variabel. Det är ett sammansatt index som bygger på tre komponenter:

Föräldrarnas utbildningsnivå
Föräldrarnas yrkesstatus
Hemresurser

OECD kombinerar dessa med hjälp av statistiska metoder till ett index.

PISA 2025

Kunskapsområde	Pearson’s r	P
Matematik	0.325	< .00001
Läsförståelse	0.322	< .00001
Naturvetenskap	0.347	< .00001

Det är viktigt att hålla i minnet att detta handlar om samvariation, inte kausal analys. Ett sambandsmått säger alltså inte att en variabel orsakar en annan variabel.

Det finns ett positivt, måttligt starkt samband mellan socioekonomisk status och prestationer på de tre kunskapsområdena. Samtliga samband är statistiskt säkerställda.

Linjär regression

Vi har här begränsat vår statistiska analys till att handla om relationen mellan ESCS, kön och invandrarbakgrund och PISA-poäng i matematik. Vi testar alltså inte samtliga tre kunskapsområden. I den första modellen använder vi socioekonomisk status som oberoende variabel och matematikresultat som beroende variabel.

Model Fit Measures
Model	R	R²
1	0.32452	0.10531
Note. Models estimated using sample size of N=6083

Model Coefficients – PV1MATH
Predictor	Estimate	SE	t	p
Intercept	460.77408	1.23725	372.41713	<.00001
ESCS	36.27850	1.35600	26.75397	<.00001

Socioekonomisk status förklarar 10,5 procent av variationen i matematikresultat. Under Modellkoefficienter noterar vi att en extra enhet ESCS predicerar drygt 36 extra matematikpoäng.

I nästa modell har vi lagt till variabeln kön.

Model Fit Measures
Model	R	R²
1	0.32627	0.10645
Note. Models estimated using sample size of N=6083

Model Coefficients – PV1MATH
Predictor	Estimate	SE	t	p
Intercept^a	457.64955	1.67005	274.03300	<.00001
ESCS	36.10431	1.35670	26.61193	<.00001
ST004D01T:
2 – 1	6.44917	2.31687	2.78357	.00539
^a Represents reference level

Totalt förklarar modellen nu 10,6 procent av variationen, en ökning med 0,11 procentenheter. ESCS förblir nästan oförändrat eftersom kön endast tillför 0,11 procentenheter förklaringskraft.

Om vi håller kön konstant och låter socioekonomisk status variera, predicerar en enhet extra ESCS drygt 36 fler PISA-poäng i matematik för samma kön. Två flickor som skiljer sig en enhet ESCS förväntas således skilja sig cirka 36 PISA-poäng i matematik.

PISA klassificerar kön på följande sätt:

1. Flicka
2. Pojke

Det innebär att om vi i stället håller ESCS konstant och låter kön variera prediceras pojkar få drygt 6,4 fler PISA-poäng i matematik än flickor.

Vad händer om vi lägger till invandrarbakgrund?

Model Fit Measures
Model	R	R²
1	0.34200	0.11697
Note. Models estimated using sample size of N=6083

Model Coefficients – PV1MATH
Predictor	Estimate	SE	t	p
Intercept^a	464.87647	1.86512	249.24750	<.00001
ESCS	32.08398	1.43142	22.41409	<.00001
ST004D01T:
2 – 1	5.65504	2.30550	2.45285	.01420
IMMIG:
2 – 1	-23.36671	3.63520	-6.42791	<.00001
3 – 1	-26.73250	4.02551	-6.64077	<.00001
^a Represents reference level

Invandrarbakgrund tillför ytterligare förklaringskraft till vår modell: 1,05 procentenheter. Totalt förklarar modellen nu 11,7 procent av variationen i matematikresultat.

Låt oss nu studera modellkoefficienterna.

Om vi håller ESCS konstant och låter kön och immigrantstatus variera, predicerar modellen att pojkar kommer att ha 5,6 fler PISA-poäng än flickor i matematik. Den första och andra generationens immigranter kommer att ha cirka 27 respektive 23 PISA-poäng i matematik färre än infödda.

Om vi i stället håller kön och immigrantstatus konstant och låter ESCS variera, predicerar modellen följande: En ökning med en enhet ESCS motsvaras av 32 extra PISA-poäng i matematik för elever med samma kön och immigrantstatus.

Semipartiell analys

Fram tills nu har vi beskrivit hur mycket som de olika variablerna tillför vår modell, men det ska inte förväxlas med variablernas unika bidrag. Vi har besvarat följande fråga: Hur mycket ökar vår modells totala förklaringskraft om vi lägger till ytterligare en variabel? Kön adderade till exempel 0,11 procentenheter, invandrarbakgrund bidrog med ytterligare 1,05 procentenheter.

Den semipartiella analysen utgår ifrån den färdiga modellen och ställer frågan: Hur mycket av variationen i den beroende variabeln är unik för variabel x eller y? Om vi vill veta till exempel hur mycket kön förklarar av variationen i matematikresultat, måste vi beräkna ett semipartiellt R² för just den specifika prediktorn.

Resultatet för PISA 2025 är här jämfört med resultatet för PISA 2022.

Post	2022	2025
ESCS unik	9 %	7,3 %
Invandrarbakgrund unik	2 %	1,1 %
Kön unik	0,13 %	0,09 %
Gemensam	5,8 %	3,2 %
Totalt	16,8 %	11,7 %

Den totala förklarade variansen minskade från 16,8 procent år 2022 till 11,7 procent år 2025. Socioekonomisk status (ESCS) har mest förklaringskraft. Dess bidrag minskade emellertid från cirka 9 procent till 7,3 procent. Invandrarbakgrundens unika bidrag minskade också den, från omkring 2 procent till 1,1 procent. Kön bidrog med endast 0,09 procent av den förklarade variansen. Den gemensamt förklarade variansen eller den varians som inte entydigt kan tillskrivas våra variabler, minskade från cirka 5,8 procent till 3,2 procent.

Kommande artikel

Den fullständiga regressionsmodellen, som inkluderar alla tre variabler, förklarar cirka 11,7 procent av variationen i matematikresultat. Drygt 88 % av variationen i matematikresultat förklaras alltså inte av vår modell.