Programme for International Student Assessment 2006 (PISA 2006)

 

Inhaltsverzeichnis

Projektbeschreibung

Leerdatensätze

Dokumentation

Weiterführende Informationen

Hinweise zur Nutzung der Daten

Literatur

 

> Scientific Use Files beantragen

Datensatz veröffentlicht am 01.04.2010
aktuelle Version verfügbar seit 01.04.2010
Erhebungszeitraum 2006
Stichprobe Schüler*innen (15-jährig sowie der Jahrgangsstufe 9) (N=ca. 39.000) an allgemeinbildenden Schulen (N=1.448); Lehrkräfte (N=14.572)
Erhebungseinheit Eltern
Lehrkräfte
Schüler*innen
Schulleitung
erfasste Kompetenzen Deutsch - Leseverständnis, Mathematik, Naturwissenschaften
Region deutschlandweit, Baden-Württemberg, Bayern, Berlin, Brandenburg, Bremen, Hamburg, Hessen, Mecklenburg-Vorpommern, Niedersachsen, Nordrhein-Westfalen, Rheinland-Pfalz, Saarland, Sachsen, Sachsen-Anhalt, Schleswig-Holstein, Thüringen
Leitung Prenzel, Prof. Dr. Manfred
Datengebende Konferenz der Kultusminister (KMK)
Auftraggeber / Mittelgeber Kultusministerkonferenz (KMK), Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD)
Verwandte Studien PISA 2000 (DOI: 10.5159/IQB_PISA_2000_v1), PISA 2003 (DOI: 10.5159/IQB_PISA_2003_v1), PISA 2009 (DOI: 10.5159/IQB_PISA_2009_v1), PISA 2012 (DOI: 10.5159/IQB_PISA_2012_v5), PISA 2015 (DOI: 10.5159/IQB_PISA_2015_v3), PISA 2018 (DOI: 10.5159/IQB_PISA_2018_v1), PISA-I-Plus 2003-4 (DOI: 10.5159/IQB_PISA_I_Plus_v1), PISA Plus 2012-13 (DOI: 10.5159/IQB_PISA_Plus_2012-13_v2)
Zitationsvorschlag Prenzel, M., Artelt, C., Baumert, J., Blum, W., Hammann, M., Klieme, E. & Pekrun, R. (2010). Programme for International Student Assessment 2006 (PISA 2006) (Version 1) [Datensatz]. Berlin: IQB – Institut zur Qualitätsentwicklung im Bildungswesen. http://doi.org/10.5159/IQB_PISA_2006_v1
Datenrestriktion / Zugangshinweise Für die Datensätze der PISA-I-Studie liegen keine Bundesland-Variablen vor.

Kognitive Grundfähigkeiten dürfen nicht als abhängige Variable in den Analysen verwendet werden.

Digitale Dokumentation der Erhebungsinstrumente hier.

 

Projektbeschreibung

Das Programme for International Student Assessment geht mit PISA 2006 in die dritte Erhebungsrunde und beendet hiermit den ersten Erhebungszyklus. Wie in PISA 2000 und PISA 2003 wurden die Kompetenzbereiche Lesen, Mathematik und Naturwissenschaften erfasst. Der Schwerpunkt in PISA 2006 galt diesmal turnusgemäß der Erfassung des Kompetenzbereichs Naturwissenschaften. Wieder galt es zu klären, wie gut 15-jährige Schüler*innen auf die Anforderungen der Wissensgesellschaft und auf lebenslanges Lernen vorbereitet sind. In Deutschland wurde von der Option der schuljahrgangsbezogenen Erhebungen Gebrauch gemacht. Somit gibt es neben der international üblichen Stichprobe der 15-Jährigen, die aus Schüler*innen in Schulen gezogen wurden, auch eine Stichprobe, die sich aus jeweils zwei Klassen der 9. Jahrgangstufe je gezogener Schule der internationalen Stichprobe zusammen setzt. Auch 2006 wurden neben den Kompetenzbereichen Lesen, Mathematik und Naturwissenschaften weitere Daten über Einstellungen der Schüler*innen, über den Schulkontext, über demographische Merkmale und Angaben über den sozialen, kulturellen und familiären Hintergrund erhoben. Die PISA-Studie für den internationalen Vergleich Deutschlands mit anderen Teilnehmerstaaten (PISA-International; PISA-I) wurde, wie in den Jahren 2000 und 2003, im Jahr 2006 um repräsentative Erhebungen auf Länderebene ergänzt (PISA-Ergänzung; PISA-E). (Projekt/IQB)

 zurück zur Übersicht

Leerdatensätze

Um Ihnen einen ersten Überblick der Datensätze zu vermitteln, haben Sie hier die Möglichkeit, Leerdatensätze herunterzuladen.

PISA 2006 E

PISA 2006 I

zurück zur Übersicht

Dokumentation

 

PISA06 Bücherbild

 

Hier finden Sie weiterführendes Material zur Studie:

zurück zur Übersicht

Weiterführende Informationen

Allgemeine Informationen, den Technical Report sowie die Daten der internationalen Studie PISA 2006 finden Sie auf der Homepage der Organisation for Economic Co-Operation and Development (OECD).

zurück zur Übersicht

Hinweise zur Nutzung der Daten

Sind die Kompetenzschätzer der PISA-, IGLU- und IQB-LV/BT-Studien miteinander vergleichbar?

Prinzipiell korrelieren die Tests aus PISA und den IQB-Ländervergleichen bzw. IQB-Bildungstrends hoch, aber die zugrunde liegenden Kompetenzmodelle unterscheiden sich. Die IQB-Tests sind an den Bildungsstandards der KMK und damit stärker am Curriculum orientiert als die PISA-Tests. Eine Testung der Vergleichbarkeit ist möglich mit IRT-Methoden auf Basis von Studien, in denen sowohl PISA als auch IQB-LV/IQB-BT Items verwendet wurden. Einige Studien zum Vergleich sind z. B.:

Das Ausmaß der Vergleichbarkeit muss für die Lese- und Mathematikkompetenzen sowie für die Sekundarstufe und Grundschule getrennt betrachtet werden. Auch wenn man davon ausgehen kann, dass sich Länderunterschiede mit beiden Maßen gut abbilden lassen, ist die Analyse von absoluten Trends auf einer gemeinsamen Metrik aber leider nicht möglich.

Die Datensätze der Studien PISA 2012 und IQB-Ländervergleich 2012 lassen sich über die ID-Variable [idstud_FDZ] miteinander verknüpfen. Dadurch können Sie Zusammenhänge zwischen den skalierten Testwerten beider Studien miteinander vergleichen.

Beachten Sie bitte zusätzlich:

1.) Anders als in den PISA-Erhebungen werden Lese- und Mathematikkompetenz in den IQB-Studien nur in der Grundschule gemeinsam getestet: Die Lesekompetenzen wurden im IQB-Ländervergleich 2009 (Sekundarstufe I) und im IQB-Ländervergleich 2011 (Grundschule) sowie im IQB-Bildungstrend 2015 (Sekundarstufe I) und im IQB-Bildungstrend 2016 (Grundschule) erfasst. Die Mathematikkompetenzen können Sie dem IQB-Ländervergleich 2012 (Sekundarstufe) und IQB-Ländervergleich 2011 (Grundschule) sowie dem IQB-Bildungstrend 2016 (Grundschule) und dem IQB-Bildungstrend 2018 (Sekundarstufe) entnehmen.

2.) Wenn Sie Analysen durchführen möchten, die unveröffentlichte, neuartige Vergleiche zwischen einzelnen Bundesländern beinhalten, gilt laut unserer Verfahrensordnung ein erweitertes Antragsverfahren mit Reviewprozess.

Gibt es in den IQB-Ländervergleichen/Bildungstrends sowie in PISA die Möglichkeit, eine (tagesgenaue) Erfassung des Alters der Schüler*innen vorzunehmen?

Angaben zum Geburtsjahr und Geburtsalter der Schüler*innen werden standardmäßig in den IQB-Ländervergleichen und PISA-Studien erhoben und stehen für Re- und Sekundäranalysen der Daten zur Verfügung. Tagesgenaue Angaben zum Geburtsdatum wurden aus datenschutzrechtlichen Gründen allerdings nicht erfasst und liegen in den Datensätzen nicht vor. Auch das genaue Testdatum ist in den meisten Datensätzen nicht enthalten (in PISA 2009 liegen diese Angaben vor). Häufig ist in den Datensätzen aber eine Altersvariable enthalten, die unter Verwendung des Geburtsjahrs und -monats in Relation zum Testdatum gebildet wurde (z. B. in den IQB-Ländervergleichen 2011, 2012 sowie in PISA 2012, 2009, 2006).

Welche nationalen PISA-Daten lassen sich mit den IQB-Ländervergleichen/Bildungstrends oder den internationalen PISA-Daten verknüpfen?

Die PISA-2012-Datensätze lassen sich mit den Daten des IQB-Ländervergleichs 2012 kombinieren. Die Schüler*innen-IDs wurden in den am FDZ am IQB verfügbaren Datensätzen schon so rekodiert, dass eine Verknüpfung beider Datenquellen möglich ist. Eine Verknüpfung der anderen PISA-Wellen mit den Daten der IQB-Ländervergleichen/IQB-Bildungstrends ist leider nicht möglich, da sich die ID-Variablen nicht einheitlich rekodieren lassen.

Auf welchen Ebenen wurden die Deutschland-PISA-Daten erfasst?

In den deutschen PISA-Studien liegen lediglich Informationen auf Bundeslandebene vor. Bitte beachten Sie, dass bei der Analyse von Bundesland-Daten besondere Nutzungsbedingungen eingehalten werden müssen. Diese können Sie hier nachlesen:

Wie hoch ist die Anzahl der gezogenen Klassen pro Schule in PISA-Erhebungen?

Informationen zur Stichprobenziehung in den Studien finden Sie in den Ergebnisberichten bzw. Skalenhandbüchern.
Hier eine kurze Zusammenfassung zur Stichprobenziehung in PISA:

PISA 2000:
zufällige Auswahl von 28 15-Jährigen sowie 10 nicht 15-Jährigen Neuntklässlern pro Schule; es wurden also nicht vollständige Klassen gezogen, Analysen können nur auf Schulebene durchgeführt werden

PISA 2003:
zufällige Auswahl von 15-Jährigen pro Schule; zusätzlich wurden für die nationale Erweiterung zwei komplette 9. Klassen pro Schule gezogen; in den PISA-E-Daten wurde allerdings keine klassenbasierte Stichprobenziehung realisiert.

PISA 2006:
schulbasierte Stichprobenziehung, anschließend zufällige Auswahl von 15-Jährigen pro Schule, an den Schulen der internationalen Stichprobe (PISA_I) wurden zusätzlich Schüler*innen aus zwei kompletten 9. Klassen getestet

PISA 2009:
schulbasierte Stichprobenziehung, zusätzlich wurden Schüler*innen aus zwei kompletten 9. Klassen pro Schule getestet

PISA 2012:
schulbasierte Stichprobenziehung, zusätzlich wurden Schüler*innen aus zwei kompletten 9. Klassen pro Schule getestet

PISA 2015:
schulbasierte Stichprobenziehung, anschließend zufällige Auswahl von 15 Schüler*innen einer 9. Klasse innerhalb einer Schule

PISA 2018:
schulbasierte Stichprobenziehung, anschließend zufällige Auswahl von 15 Schüler*innen einer 9. Klasse innerhalb einer Schule

Wie viele Schüler*innen an Förder- und Berufsschulen sind in den PISA-Daten enthalten?

Die Förder- und Berufsschüler*innen wurden in den genannten PISA-Erhebungen getrennt erfasst. Nachfolgend finden Sie die Stichprobenumfänge für diese Teilgruppen. Sie basieren auf den Angaben in den deutschen PISA-Erweiterungsstichproben (PISA-E) in den Schüler*innen- und Schulleitungsdatensätzen. Gegebenenfalls kann es zu leichten Abweichungen zu den berichteten Stichproben in den Ergebnisberichten kommen.

PISA 2000 E:
- 9. Klasse: n= 11 Schüler*innen an Berufsschulen, n= 22 Schüler*innen an Förderschulen von insgesamt n = 34.754 Schüler*innen
- 15-Jährige: n= 241 Schüler*innen an Berufsschulen, n= 799 Schüler*innen an Förderschulen von insgesamt n= 35.584 Schüler*innen
- Schuldatensatz: n= 18 Berufsschulen,  n= 4 Förderschulen von insgesamt n= 1.342 Schulen

PISA 2003 E (hier keine Differenzierung zwischen Datensätzen für 9. Klasse & 15-Jährige möglich)
- 9. Klasse: n= 654 Schüler*innen an Berufsschulen, n= 1.712 Schüler*innen an Förderschulen von insgesamt n= 46.185 Schüler*innen
- Schuldatensatz: n= 43 Berufsschulen, keine Förderschulen von insgesamt n= 1.411 Schulen

PISA 2006 E:
- 9. Klasse: keine Schüler*innen an Berufsschulen oder Förderschulen im Datensatz
- 15-Jährige: n= 625 Schüler*innen an Berufsschulen, n= 2.560 Schüler*innen an Förderschulen von insgesamt n= 39.573 Schüler*innen
- Schuldatensatz: n= 42 Berufsschulen, keine Förderschulen von insgesamt n= 1.496 Schulen

PISA 2009 E:
- 9. Klasse: keine Schüler*innen an Berufsschulen oder Förderschulen im Datensatz von insgesamt n= 9.461
- Schuldatensatz: n= 9 Berufsschulen, n= 13 Förderschulen von insgesamt n= 226 Schulen

PISA 2012 E:
- 9. Klasse: keine Schüler*innen an Berufsschulen, n= 153 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 9.998 Schüler*innen
- 15-Jährige: n= 99 Schüler*innen an Berufsschulen, n= 139 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 5.001 Schüler*innen
- Schuldatensatz: n= 7 Berufsschulen, n= 12 Förderschulen von insgesamt n= 230 Schulen

PISA 2015 E:
- 9. Klasse: keine Schüler*innen an Berufsschulen, n= 165 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 4.149 Schüler*innen
- 15-Jährige: n= 160 Schüler*innen an Berufsschulen, n= 134 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 6.504 Schüler*innen
- Schuldatensatz: n= 8 Berufsschulen, n= 12 Förderschulen von insgesamt n= 205 Schulen

PISA 2018 E:
- 9. Klasse: keine Schüler*innen an Berufsschulen, n= 115 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 3.567 Schüler*innen
- 15-Jährige: n= 184 Schüler*innen an Berufsschulen, n= 98 Schüler*innen an Förderschulen im Datensatz von insgesamt n= 5.451 Schüler*innen
- Schuldatensatz: n= 10 Berufsschulen, n= 7 Förderschulen von insgesamt n= 191 Schulen

Lassen sich Lehrkräfte- und Schüler*innendaten in PISA verknüpfen?

Leider ist eine Verknüpfung nur für die Teildatensätze der 9. Klässler*innen möglich (die Datensätze der 15-Jährigen umfassen schulübergreifende Stichproben). In den meisten PISA-Wellen wurden zwei 9. Klassen gezogen, aber in den Teildatensätzen fehlt häufig eine eindeutige Klassen-ID.

Hier eine Übersicht in Stichpunkten zu den einzelnen PISA-Wellen:

PISA 2000:
hier wurde kein Lehrkräfte-Fragebogen eingesetzt

PISA 2003:
Teildatensatz "PISA-I-9.Klasse": Lehrkräfte-Fragebögen beinhalten Fragen auf Schulebene, nicht auf Klassenebene; eine Verknüpfung über die Variable [idclass_FDZ] ist möglich, aber im Lehrkräftedatensatz gibt es auf dieser Variable einen hohen Anteil fehlender Werte (vermutlich, da viele Lehrkräfte pro Schule befragt wurden); Teildatensatz "PISA-E": keine Lehrkräftefragebogen vorhanden

PISA Plus 2003-2004:
eine Verknüpfung ist prinzipiell möglich, aber Lehrkräftedaten müssten aus PISA-2003-Daten herangespielt werden und liegen nur zum ersten Messzeitpunkt vor

PISA 2006:
Teildatensatz "PISA-E": kein Lehrkräftedatensatz für 9.Klassen vorhanden, Verknüpfung nur auf Schulebene möglich; Teildatensatz "PISA-I": keine eindeutige Verknüpfung möglich, da im Lehrkräftedatensatz keine Klassen-ID enthalten ist

PISA 2009:
ebenfalls keine Klassen-ID im Lehrkräftedatensatz, aber Verknüpfung über idsch und Variable [LF39M01] (Deutsch in PISA Klasse unterrichtet: ja vs. nein) teilweise möglich; es wurden allerdings pro Schule zwei 9. Klassen gezogen

PISA 2012:
Verknüpfung ist prinzipiell über Variablen zur Klassenbezeichnung möglich (Lehrkräfte-Datensatz: klasse_FDZ; Schüler*innendatensatz: ClassName_FDZ) aber praktisch schwierig zu bewerkstelligen, da Metrik der Schul-ID zwischen beiden Teildatensätzen nicht korrespondiert und auf Variablen zur Klassenbezeichnung hoher Anteil fehlender Werte vorliegt (Erfahrungsberichte der PISA-Mitarbeiter*innen interpretiere ich so, dass Verknüpfung in Mehrheit der Fällen nicht gelingt)

PISA 2015:
Verknüpfung ist nicht direkt möglich, da alle Lehrkräfte der gezogenen Schulen befragt wurden

PISA 2018:
Eine Zuordnung zwischen Lehrkräften und Schüler*innen über die Variable "TEACHCLASS_ID" ist bis Ende 2022 aufgrund eines Sperrvermerks nicht möglich. Diese Variable beinhaltet aber auch nur die Information, ob die Lehrkraft eine neunte Klasse unterrichtet hat oder nicht. Das liegt daran, dass nahezu alle Lehrkräfte in der gezogenen Schule befragt wurden. Alternativ kann die Variable "TEACHERID" verwenden werden, aber auch diese Variable ermöglicht keine eindeutige Zuordnung zwischen Schüler*innen und dazugehöriger Lehrkraft. 

Für welche PISA-Daten liegt ein Messwiederholungsdatensatz vor?

Ein Messwiederholungsdatensatz liegt für PISA-2003 (PISA-Plus 2003, 2004) und PISA-2012 (PISA-Plus 2012, 2013)

Wie wurden die Tests zur naturwissenschaftlichen Kompetenz in PISA entwickelt?

Im Gegensatz zu den IQB-Ländervergleichen sind die naturwissenschaftlichen Tests in PISA nicht curricular verankert bzw. fachspezifisch konzipiert. Deshalb gibt es in PISA keine Subtests für Biologie, Physik und Chemie. Vielmehr wird in PISA eine naturwissenschaftliche Grundbildung (Scientific Literacy, siehe z. B. OECD, 2006) getestet. Dabei handelt es sich um Fähigkeiten, die in Situationen bedeutsam sind, in denen man mit Naturwissenschaften und Technik konfrontiert ist. Diese Situationen beziehen sich auf physikalische Systeme, lebende Systeme, Erd- und Weltraumsysteme und technologische Systeme. Konkret werden die folgenden Kompetenzen getestet:


a) naturwissenschaftliche Fragestellungen erkennen
b) naturwissenschaftliche Phänomene beschreiben, erklären und vorherzusagen
c) naturwissenschaftliche Evidenz nutzen, um Entscheidungen zu treffen

Nähere Informationen zur Konzeption und zum Test (inklusive Beispielaufgaben) finden Sie hier:

zurück zur Übersicht

Literatur

Unter folgenden Links können Sie mit freundlicher Genehmigung des Waxmann-Verlages Auszüge aus den abgebildeten Büchern einsehen:

Eine Auswahl an weiteren Publikationen finden Sie in dieser PDF Literaturliste (Stand: 16.03.2023).

2022

Camarero Garcia, S. (2022). Inequality of Educational Opportunities and the Role of Learning Intensity. Labour Economics, 74(4), 102084. https://doi.org/10.1016/j.labeco.2021.102084

Gutfleisch, T., & Kogan, I. (2022). Parental occupation and students’ STEM achievements by gender and ethnic origin: Evidence from Germany. Research in Social Stratification and Mobility, 82(100735). https://doi.org/10.1016/j.rssm.2022.100735

2020

Camarero Garcia, S. (2020). Inequality of Educational Opportunities and the Role of Learning Intensity (ZEW Discussion Paper No. 18-021). Mannheim: Zentrum für Europäische Wirtschaftsforschung. Retrieved from Zentrum für Europäische Wirtschaftsforschung website: http://ftp.zew.de/pub/zew-docs/dp/dp18021.pdf   

Roller, M., & Steinberg, D. (2020). The distributional effects of early school stratification - non-parametric evidence from Germany. European Economic Review, 125, 103422. https://doi.org/10.1016/j.euroecorev.2020.103422

2019

Andrietti, V., & Su, X. (2019). Education curriculum and student achievement: Theory and evidence. Education Economics, 27(1), 4–19. https://doi.org/10.1080/09645292.2018.1527894

Güntherodt, S. (2019). Resilienz beeinflussende Faktoren im Unterricht von Schülerinnen und Schülern mit sonderpädagogischem Förderbedarf in der Lernentwicklung unter Bezugnahme der PISA Forschung (Unveröffentlichte Staatsexamensarbeit): Universität Leipzig, Leipzig.

2018

Autorengruppe Bildungsberichterstattung. (2018). Bildung in Deutschland 2018: Ein indikatorengestützter Bericht mit einer Analyse zu Bildung und Migration [Education in Germany 2018. An indicator-based report including an analysis of education and migration]. Bielefeld: wbv. https://doi.org/10.3278/6001820fw

Böker, K., King, V., Koller, H.‑C., & Tressat, M. (2018). Migrationsgeschichte, Familienbeziehungen und Adoleszenz: (Bildungs-)biographische Entwicklungen junger Männer aus italienischen Familien. In M. S. Baader, P. Götte, & W. Gippert (Eds.), Migration und Familie: Historische und aktuelle Analysen (1st ed., pp. 207–221). Wiesbaden: Springer Fachmedien. https://doi.org/10.1007/978-3-658-15021-1_12

Huebener, M., Kuger, S., & Marcus, J. (2018). G8-Schulreform verbessert PISA-Testergebnisse: Insbesondere leistungsstarke SchülerInnen profitieren. DIW-Wochenbericht, 85(13/14), 265–275. https://doi.org/10.18723/diw_wb:2018-13-1

Jores, D., & Leiss, L. M. (2018). Die Kontroversen um PISA und Co. sowie eine Untersuchung zur Einstellung von Lehrkräften und Schulleitern zu Large Scale Assessments (Unveröffentlichte Bachelorarbeit): Johannes-Gutenberg-Universität Mainz, Mainz.

2017

Bartig, S., Bosswick, W., & Heckmann, F. (2017). Vielfaltsmonitor: Studie zum Umgang mit ethnischer und religiöser Vielfalt in Deutschland. Bericht an die Bertelsmann Stiftung. Bamberg: Europäisches Forum für Migrationsstudien.

Chevalier, A., & Marie, O. (2017). Economic Uncertainty, Parental Selection, and Children’s Educational Outcomes. Journal of Political Economy, 125(2), 393–430. https://doi.org/10.1086/690830

Homuth, C. (2017). Die G8-Reform in Deutschland: Auswirkungen auf Schülerleistungen und Bildungsungleichheit (1st ed.). Wiesbaden: Springer Fachmedien. Retrieved from https://link.springer.com/content/pdf/10.1007%2F978-3-658-15378-6.pdf  https://doi.org/10.1007/978-3-658-15378-6

Huebener, M., Kuger, S., & Marcus, J. (2017). Increased instruction hours and the widening gap in student performance. Labour Economics, 47, 15–34. https://doi.org/10.1016/j.labeco.2017.04.007

Roller, M., & Steinberg, D. (2017). The Distributional Effects of Early School Stratification - Non-Parametric Evidence from Germany (WWZ Working Paper No. 2017/20). Basel: Center of Business and Economics - University of Basel. Retrieved from Center of Business and Economics - University of Basel website: https://ideas.repec.org/p/bsl/wpaper/2017-20.html

2016

Andrietti, V. (2016). The causal effects of an intensified curriculum on cognitive skills : Evidence from a natural experiment (UC3M WP Economic Series No. 16-06). Madrid: Universidad Carlos III de Madrid. Retrieved from Universidad Carlos III de Madrid website: http://hdl.handle.net/10016/22880   

Autorengruppe Bildungsberichterstattung. (2016). Bildung in Deutschland 2016: Ein indikatorengestützter Bericht mit einer Analyse zu Bildung und Migration [Education in Germany 2016. An indicator-based report including an analysis of education and migration]. Bielefeld: Bertelsmann. Retrieved from http://www.oapen.org/search?identifier=640941 https://doi.org/10.3278/6001820ew

Nikolaus, J. (2016). Soziale Ungleichheit im deutschen Bildungssystem: Welche herkunftsspezifischen Einflüsse auf die Lesekompetenz von 15-jährigen Schülerinnen und Schülern gibt es in Deutschland und haben sie sich im Zeitverlauf verringert?: Eine Analyse der PISA-Daten im Zeitvergleich [Social inequality in the German education system: What are the (family) background-specific influences on the reading skills of 15-year-old students in Germany and have they decreased over time?] (Unveröffentlichte Masterarbeit): Universität Kassel, Kassel.

Voß, H. (2016). Zum Einfluss der Schulpolitik der Bundesländer auf den Schulerfolg: Eine bildungsökonomische Analyse. Schriftenreihe Volkswirtschaftliche Forschungsergebnisse: Vol. 211. Hamburg: Verlag Dr. Kovac.

2015

Chevalier, A., & Marie, O. (2015). Economic Uncertainty, Parental Selection, and Children’s Educational Outcomes (IZA Discussion Paper Series No. 9004). Bonn: Institut zur Zukunft der Arbeit.

Korthals, R. A. (2015). Tracking Students in Secondary Education: Consequences for Student Performance and Inequality. Dissertation (1st ed.). ROA Dissertation Series. Maastricht: ROA. Retrieved from https://cris.maastrichtuniversity.nl/en/publications/tracking-students-in-secondary-education-consequences-for-student  https://doi.org/10.26481/dis.20150618rk

Plieninger, H., & Dickhäuser, O. (2015). The female fish is more responsive: Gender moderates the BFLPE in the domain of science. Educational Psychology, 35(2), 213–227. https://doi.org/10.1080/01443410.2013.814197

Tressat, M., Böker, K., King, V., & Koller, H.‑C. (2015). Vater-Sohn-Dynamiken im Kontext von Migration: Adoleszente Entwicklung und Bildungsverläufe am Beispiel von Söhnen aus italienischen Migrantenfamilien. In K. Bueschges (Ed.), Internationale Frauen- und Genderforschung in Niedersachsen: Teilband 17. Bildung - Selbst(bild) - Geschlechterbilder (pp. 249–277). Berlin, Münster: LIT.

2014

Debuschewitz, P., & Bujard, M. (2014). Determinanten von Bildungsdifferenzen in Deutschland: Lehren und Grenzen der PISA-Studie. Bildungsforschung, 11(1), 1–16. https://doi.org/10.25656/01:11396

Tatsi, E. (2014). Essays in Social and Spatial Interactions (Dissertation): Johann Wolfgang Goethe-Universität Frankfurt am Main, Frankfurt, Main.

2013

Bachsleitner, A. (2013). Welchen Einfluss hat die Zusammensetzung der Schülerschaft auf die Schulleistung im Lesen und in Mathematik (Unveröffentlichte Masterarbeit): Universität zu Köln, Köln.

Lüdemann, E., & Schwerdt, G. (2013). Migration Background and Educational Tracking: Is there a Double Disadvantage for Second-Generation Immigrants? Journal of Population Economics, 26(2), 455–481. https://doi.org/10.1007/s00148-012-0414-z

Nikolai, R., & Helbig, M. (2013). Schulautonomie als Allheilmittel? Über den Zusammenhang von Schulautonomie und schulischen Kompetenzen der Schüler. Zeitschrift für Erziehungswissenschaft, 16(2), 381–403. https://doi.org/10.1007/s11618-013-0359-3

Wolff, C. A. (2013). Education, Development and Labor Markets (Dissertation): Stockholm School of Economics Göteborg, Stockholm.

2012

Berkemeyer, N., Bos, W., & Manitius, V. (2012). Chancenspiegel: Zur Chancengerechtigkeit und Leistungsfähigkeit der deutschen Schulsysteme (1st ed.). Chancenspiegel: Vol. 1. Gütersloh: Bertelsmann Stiftung.

Faber, S. (2012). Der Einfluss des Fernsehkonsums auf die Lesekompetenz von Jugendlichen in Deutschland: Eine Sekundäranalyse der PISA-Daten (Unveröffentlichte Masterarbeit): Universität Leipzig, Leipzig.

Helbig, M., & Leuze, K. (2012). Ich will Feuerwehrmann werden!: Wie Eltern, individuelle Leistungen und schulische Fördermaßnahmen geschlechts(un-)typische Berufsaspirationen prägen. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 64(1), 91–122. https://doi.org/10.1007/s11577-012-0154-9

Homuth, C. (2012). Der Einfluss des achtjährigen Gymnasiums auf den Kompetenzerwerb: Bamberg Graduate School of Social Sciences Working Paper.

Jungbauer-Gans, M., Lohmann, H., & Spieß, C. K. (2012). Bildungsungleichheiten und Privatschulen in Deutschland. In R. Becker & H. Solga (Eds.), Kölner Zeitschrift für Soziologie und Sozialpsychologie Sonderhefte: Vol. 52. Soziologische Bildungsforschung (1st ed., pp. 64–85). Wiesbaden: Springer Fachmedien. https://doi.org/10.1007/978-3-658-00120-9_3

Legewie, J. (2012). Die Schätzung von kausalen Effekten: Überlegungen zu Methoden der Kausalanalyse anhand von Kontexteffekten in der Schule. Kölner Zeitschrift für Soziologie und Sozialpsychologie, 64(1), 123–153. https://doi.org/10.1007/s11577-012-0158-5

Legewie, J., & DiPrete, T. A. (2012). School Context and the Gender Gap in Educational Achievement. American Sociological Review, 77(3), 463–485. https://doi.org/10.1177/0003122412440802

Prokic-Breuer, T., & Dronkers, J. (2012). The high performance of Dutch and Flemish 15-year-old native pupils: Explaining country differences in math scores between highly stratified educational systems. Educational Research and Evaluation, 18(8), 749–777. https://doi.org/10.1080/13803611.2012.727359

2011

Lüdemann, E., & Schwerdt, G. (2011). Zuwanderer der zweiten Generation: Im deutschen Schulsystem doppelt benachteiligt? ifo Schnelldienst, 64(4), 19–25. Retrieved from http://hdl.handle.net/10419/164923

Möller, G. (2011). Jeder Vierte gehört zu den Risikoschülern in Mathematik oder Lesen. Verteilung der Leistungsschwächsten in Lesen, Mathematik und Naturwissenschaften in PISA 2006. Schulverwaltung. Nordrhein-Westfalen, 22(2), 60–62.

OECD. (2011). Quality Time for Students: Learning In and Out of School. Paris: OECD Publishing.

Prokic-Breuer, T., & Dronkers, J. (2011). Why 15-year old pupils in the Netherlands and Flanders have such high scores in international comparisons of educational outcomes? A first analysis with one German educational system, Maastricht.

2010

Lüdemann, E., & Schwerdt, G. (2010). Migration Background and Educational Tracking: Is there a Double Disadvantage for Second-Generation Immigrants? (CESifo Working Paper No. 3256).

Lüdemann, E., & Schwerdt, G. (2010). Migration Background and School Tracking: Is there a Double Disadvantage for Second-Generation Immigrants? (Beiträge zur Jahrestagung des Vereins für Socialpolitik 2010: Ökonomie der Familie - Session: Empirical Studies of Training and Education No. D10-V3). Frankfurt am Main: Verein für Socialpolitik. Retrieved from Verein für Socialpolitik website: https://www.econstor.eu/handle/10419/37284  

Penk, C. (2010). Effekte von Varianzheterogenität bei der Erzeugung von Plausible Values im Rasch-Modell: Eine Simulationsstudie (Unveröffentlichte Masterarbeit): Humboldt-Universität zu Berlin, Berlin.

Prenzel, M., Artelt, C., Baumert, J., Blum, W., Hammann, M., Klieme, E., & Pekrun, R. (2010). Programme for International Student Assessment 2006 (PISA 2006) (Version 1) [Data set]. Berlin: IQB - Institut zur Qualitätsentwicklung im Bildungswesen. https://doi.org/10.5159/IQB_PISA_2006_v1

2009

Frey, A., Taskinen, P. H., Schütte, K., Prenzel, M., Artelt, C., Baumert, J., . . . Drechsel, B. (Eds.). (2009). PISA 2006 Skalenhandbuch: Dokumentation der Erhebungsinstrumente [PISA 2006 scaling manual. Documentation of the survey instruments]. Münster: Waxmann.

OECD. (2009). Green at fifteen?: How 15-year-olds perform in environmental science and geoscience in PISA 2006. Paris: OECD Publishing.

OECD. (2009). Pisa 2006 Technical Report. Paris: OECD Publishing.

OECD. (2009). Pisa data analysis manual. Paris: OECD Publishing.

2008

Carstensen, C. H., Prenzel, M., & Baumert, J. (2008). Trendanalysen in PISA: Wie haben sich die Kompetenzen in Deutschland zwischen PISA 2000 und PISA 2006 entwickelt? In M. Prenzel & J. Baumert (Eds.), Zeitschrift für Erziehungswissenschaft: Sonderheft 10. Vertiefende Analysen zu PISA 2006 (Zeitschrift für Erziehungswissenschaft: Sonderheft No. 10) (pp. 11–34). Wiesbaden: Springer VS.

Hammann, M., & Prenzel, M. (2008). Ergebnisse des internationalen PISA Naturwissenschaftstests 2006. Der mathematische und naturwissenschaftliche Unterricht, 61(2), 67–74.

Prenzel, M., Artelt, C., Baumert, J., Blum, W., Hammann, M., Klieme, E., & Pekrun, R. (Eds.). (2008). PISA 2006 in Deutschland: Die Kompetenzen der Jugendlichen im dritten Ländervergleich. Münster, München: Waxmann. Retrieved from http://archiv.ipn.uni-kiel.de/PISA/Zusfsg_PISA2006_national.pdf

Prenzel, M., & Baumert, J. (2008). Unbekanntes PISA: Über den Nutzen der internationalen Vergleichsstudie für die Hochschulen. Forschung & Lehre, 15(3), 168–169.

Prenzel, M., & Baumert, J. (Eds.). (2008). Zeitschrift für Erziehungswissenschaft: Sonderheft 10. Vertiefende Analysen zu PISA 2006 (Zeitschrift für Erziehungswissenschaft: Sonderheft No. 10). Wiesbaden: Springer VS.

2007

OECD. (2007). Pisa 2006: Schulleistungen im internationalen Vergleich. Naturwissenschaftliche Kompetenzen für die Welt von morgen. Bielefeld: Bertelsmann.

OECD. (2007). Pisa 2006: Science Competencies for Tomorrow's World: Volume 2: Data. Paris: OECD Publishing.

OECD. (2007). Pisa 2006: Science Competencies for Tomorrow's World: Volume 1: Analysis. Paris: OECD Publishing.

Prenzel, M., Artelt, C., Baumert, J., Blum, W., Hammann, M., Klieme, E., & Pekrun, R. (Eds.). (2007). PISA 2006: Die Ergebnisse der dritten internationalen Vergleichsstudie. Münster, München: Waxmann.

zurück zur Übersicht