De effecten van de COVID-19-crisis op de leergroei van uw leerlingen

1

De effecten van de COVID-19-crisis op de leergroei van uw leerlingen

Rapport op basis van LVS-gegevens uit het Nationaal Cohortonderzoek Onderwijs

Technische Toelichting primair onderwijs (PO)

2

Inhoud

Inhoud... 2

1. Algemeen ... 3

2. Uitleg type figuren ... 5

3. Extra toelichting Hoofdstuk 1 – Leergroei tijdens COVID-19-crisis ... 6

4. Extra toelichting Hoofdstuk 2 – Hoe groot is de relatieve vertraging in leergroei per domein? ... 8

5. Extra toelichting Hoofdstuk 3 – De relatieve vertraging in leergroei uitgesplitst naar sociale groepen ... 10

6. De voorspelde referentiewaarde ... 12

7. Berekening infoboxen ... 14

3

1. Algemeen

Deze technische toelichting hoort bij de schoolrapportages “De effecten van de COVID-19-crisis op de leergroei van uw leerlingen”, die het Nationaal Cohortonderzoek Onderwijs (NCO) heeft uitgebracht in november 2021 over de leergroei in het primair onderwijs (PO). In dit rapport is gekeken naar de invloed van 1,5 jaar COVID-19 (met twee periodes van schoolsluiting) op de leergroei in vaardigheidsscores van leerlingen op de drie domeinen: begrijpend lezen, spelling (niet- werkwoorden) en rekenen-wiskunde. In deze technische toelichting wordt dieper ingegaan op de gebruikte definities en de berekeningswijzen.

1.1 Privacy

De leerling- en schoolgegevens uit het NCO, en de daarop gebaseerde schoolrapportages, zijn vertrouwelijk. Ze worden niet gedeeld met en zijn niet toegankelijk voor het Ministerie van Onderwijs, Cultuur en Wetenschap, de Inspectie van het Onderwijs of anderen. Alle informatie wordt door het Centraal Bureau voor de Statistiek (CBS) en onderzoekers van het Nationaal Regieorgaan Onderwijsonderzoek (NRO) in een beveiligde omgeving opgeslagen en bewerkt.

Voor dit rapport zijn bronnen gebruikt met gegevens over individuele personen. Bij de verwerking van deze gegevens zijn de privacyrichtlijnen van CBS gevolgd om anonimiteit te waarborgen. Dit betekent onder meer dat gegevens over vijf of minder leerlingen niet gepresenteerd worden. Het gaat hierbij overigens niet om het absolute totaal aantal leerlingen op uw school, maar om de grootte van de groep leerlingen die in een voor het figuur relevante categorie valt. Wanneer er voor uw school een te klein aantal leerlingen (5 of minder) is in een van de categorieën van het figuur, wordt deze categorie voor uw school niet getoond. Dit is dan aangegeven met één asterisk (*).

1.2 Data

Het NCO heeft gebruik gemaakt van de door schoolbesturen beschikbaar gestelde gegevens uit het leerlingvolgsysteem (LVS). Het gaat om toetsgegevens van de zogeheten midden- en eindtoetsen (M- en E-toetsen) van groep 3 t/m 8 voor de domeinen begrijpend lezen, spelling en rekenen-wiskunde.

Het doel is om zicht te krijgen op het effect van de schoolsluitingen op de leergroei naar aanleiding van de COVID-19-crisis. Daarnaast is er tussen de schoolsluitingen een periode geweest waarin leerlingen voor de helft van de tijd onderwijs volgden. De groepsgrootte moest beperkt blijven en daarom werden klassen in tweeën gesplitst. Door te kijken naar een langere periode van 1,5 jaar, kunnen we de gevolgen én de nasleep van de COVID-19-crisis in kaart brengen op de leergroei van leerlingen. De schoolsluitingen waren van maart t/m mei 2020 en december 2020 t/m februari 2021.

Gelet op de beperkte hoeveelheid historische data van andere toetsaanbieders dan Cito, is tot op heden besloten om voor deze dataverzameling alleen gegevens van Cito-toetsen mee te nemen.

Daarbij zijn – voor zover mogelijk – de scores van oudere generaties van een toets omgezet naar de meest recente generatie. In totaal bedraagt de dataset ongeveer 700.00 leerlingen van zo’n 1.900 basisscholen. Dit betekent dat meer dan 30% van de scholen in primair onderwijs zich hebben aangemeld.

1.3 Procedure

Schoolbesturen in het PO zijn benaderd met het verzoek om gegevens uit het leerlingvolgsysteem (LVS) beschikbaar te stellen aan het NCO. Aangemelde besturen hebben eerst een contract getekend met het NRO; de besturen zijn immers juridisch verantwoordelijk en ‘eigenaar’ van de data. Omdat

4 het om niet-bijzondere persoonsgegevens gaat was het niet nodig dat ouders hiervoor toestemming gaven. Wel hebben de deelnemende scholen alle ouders geïnformeerd over het voornemen om de toetsgegevens te leveren aan CBS met het doel deze te koppelen aan het NCO¹. Hiervoor zijn voorbeeldbrieven beschikbaar gesteld. Ouders zijn in de gelegenheid gesteld om daar bezwaar tegen te maken gedurende een bepaalde periode. De scholen hebben deze bezwaren geregistreerd in het LeerlingAdministratieSysteem (LAS). De softwareleveranciers van de LAS-en in het PO (Cito, ParnasSys en ESIS) hebben hiervoor een aparte ‘bezwaarknop’ ingebouwd. Voordat de feitelijke upload naar het CBS plaatsvond, moesten de scholen op een ‘verzendknop’ drukken, om aan te geven dat men alle procedures doorlopen heeft en de softwareleveranciers tot levering over konden gaan. De softwareleveranciers hebben vervolgens de gegevens via een beveiligd kanaal aan het CBS geleverd.

Het CBS heeft deze gegevens ‘verrind’ (proces van pseudonimisering) en heeft de data beschikbaar gesteld aan het NCO-team. Op deze manier kunnen de onderzoekers nooit achterhalen om welke leerling en om welke school het gaat. Vervolgens heeft het NCO-team deze data bewerkt en hier zijn de leergroei-rapportages op gebaseerd.

In de drie losse datasets van Cito, ParnasSys en ESIS zitten gegevens die de school in hun softwaresysteem over de leerling heeft geregistreerd zoals:

 Brinnummer (CBS pseudonimiseert deze)

 Vestigingsnummer

 Postcode school

 LeerlingID (CBS pseudonimiseert deze)

 Inschrijfdatum op school

 Eventuele uitschrijfdatum van school

 Jaargroep

 Klasnaam

 Vaardigheidsscore

 OSOtoetscode

 Jaargroep van afname toets

 Afnamedatum toets

 Geslacht

 Geboortemaand en -jaar

Scholen in het speciaal basisonderwijs zijn niet meegenomen in onze rapportage omdat de leergroei van deze leerlingen in grote mate afwijkt van de indicatoren die in de figuren worden gepresenteerd.

1 Voor meer informatie over de NCO-dataset, zie: Haelermans, C., Huijgen, T., Jacobs, M., Levels, M., van der Velden, R., van Vugt, L., van Wetten, S., (2020). Using Data to Advance Educational Research, Policy, and Practice:

Design, Content, and Research Potential of the Netherlands Cohort Study on Education. European Sociological Review 36(4), p. 643–662, https://doi.org/10.1093/esr/jcaa027

5

2. Uitleg type figuren

Hieronder ziet u een overzicht van alle figuren die opgenomen zijn in de leergroei-rapportage.

Tabel A. Overzicht van figuren

Hoofdstuk Nr. Soort figuur Inhoud

H1 F1.1 Staafdiagram Gemiddelde absolute leergroei begrijpend lezen per jaargroep over anderhalf jaar

F1.2 Staafdiagram Gemiddelde absolute leergroei spelling per jaargroep over anderhalf jaar

F1.3 Staafdiagram Gemiddelde absolute leergroei rekenen-wiskunde per jaargroep over anderhalf jaar

H2 F2.1 Gestandaardiseerde staafdiagram

Gestandaardiseerde leergroei in vergelijking met het landelijk gemiddelde en de voorspelde referentiewaarde

H3 F3.1 Gestandaardiseerde staafdiagram

Verschillen in gestandaardiseerde leergroei voor meisjes en jongens

F3.2 Gestandaardiseerde staafdiagram

Verschillen in gestandaardiseerde leergroei voor leerlingen zonder en met een niet-westerse migratieachtergrond

F3.3 Gestandaardiseerde staafdiagram

Verschillen in gestandaardiseerde leergroei voor leerlingen afkomstig uit huishoudens met lage en hoge inkomens

F3.4 Gestandaardiseerde staafdiagram

Verschillen in gestandaardiseerde leergroei voor leerlingen afkomstig uit een- en tweeoudergezinnen

Staafdiagram

Een staafdiagram geeft de leergroei in vaardigheidsscores weer op een bepaald domein. Deze wordt uitgesplitst naar de jaargroepen (bijv. Figuur 1.1). In de figuurtitel wordt aangegeven over welk domein het gaat. In de staafdiagrammen kunt u uw school vergelijken met de voorspelde referentiewaarde en het landelijk gemiddelde.

Gestandaardiseerde staafdiagram

Gestandaardiseerde staafdiagrammen (bijv. Figuur 2.1) tonen de gestandaardiseerde leergroei in vaardigheidsscores. De drie domeinen (begrijpend lezen, spelling en rekenen-wiskunde) hebben alle drie een eigen schaal met andere minimale en maximale scores. Dit maakt de vergelijking tussen de domeinen moeilijker. Door te standaardizeren worden de schalen van de verschillende domeinen gelijk getrokken, waardoor een vergelijking tussen de domeinen wel mogelijk wordt.

6

3. Extra toelichting Hoofdstuk 1 – Leergroei tijdens COVID-19-crisis

In dit hoofdstuk hebben we gekeken naar de gemiddelde leergroei sinds de COVID-19-crisis en dit vergeleken met de periode vóór de COVID-19-crisis.

We vergelijken de M-toets van 2019/2020 met de E-toets 1,5 jaar later in schooljaar 2020/2021. Dit is de periode sinds COVID-19. Voor de periode vóór COVID-19 hebben we de M-toets van 2016/2017 vergeleken met de E-toets van 1,5 jaar later in schooljaar 2017/2018 én de M-toets van 2017/2018 met de E-toets van 2018/2019. We hebben ervoor gekozen om het COVID-19-jaar te vergelijken met twee schooljaren om rekening te houden met eventuele schommelingen in de ‘normale’ schooljaren.

Schooljaar 2019/2020 hebben we buiten beschouwing gelaten, omdat de leergroei van 1,5 jaar deels binnen en deels buiten de COVID-19-periode viel. Daardoor is dat schooljaar niet vergelijkbaar met eerdere óf latere jaren.

De absolute leergroei van M tot E+1 is berekend door per schooljaar, per leerjaar en per leerling de vaardigheidsscore op de E-toets te verminderen met de vaardigheidsscore op de M-toets 1,5 jaar daarvoor. In de meeste gevallen wordt dus de vaardigheidsscore op de E-toets in bijvoorbeeld groep 5 vergeleken met de M-toets in groep 4. Echter, dit hoeft niet altijd het geval te zijn. Indien een leerling is blijven zitten in groep 5 dan kijken we naar de E-toets in groep 5 en de M-toets in groep 5 1,5 jaar daarvoor. Vervolgens hebben we een schoolgemiddelde berekend. Dit hebben we gedaan voor de periode vóór COVID-19 en sinds COVID-19. Daarnaast geven we ook de voorspelde referentiewaarde (zie Hoofdstuk 5 voor meer uitleg hierover de voorspelde referentiewaarde) en het landelijk gemiddelde weer.

Voorbeeld: In Figuur 1.1 zien we de absolute leergroei van groep 5 voor spelling. De score boven de balken geeft het verschil in vaardigheidsscore weer tussen de M-toets en de E-toets 1,5 jaar later. In dit geval zien we dat de leerlingen in groep 5 op deze school vóór COVID-19 gemiddeld een leergroei doormaakten van 81. Dat is hoger dan het landelijk gemiddelde en hoger dan de voorspelde referentiewaarde. Sinds COVID-19 is de gemiddelde leergroei 67; dat is lager dan het landelijk gemiddelde en de voorspelde referentiewaarde. De leergroei op deze school tussen de periode vóór COVID-19 en sinds COVID-19 is dus gedaald.

7

Figuur 1.1 Gemiddelde absolute leergroei spelling voor groep 5 over anderhalf jaar (van M-toets naar E-toets)

8

4. Extra toelichting Hoofdstuk 2 – Hoe groot is de relatieve vertraging in leergroei per domein?

Om te kijken in welk domein de vertraging in leergroei het grootst is geweest maken we gebruik van de gestandaardiseerde leergroei. Dit zorgt ervoor dat de drie domeinen onderling vergelijkbaar worden. We hebben de standaardisatie op het niveau van domein en jaargroep uitgevoerd omdat de leergroei binnen een domein over de groepen heen niet lineair is. Leerlingen in bepaalde jaargroepen hebben namelijk op bepaalde domeinen een grotere absolute leergroei dan leerlingen uit andere jaargroepen. Dit is met name belangrijk voor de kleinere basisscholen in de dataset en voorbasisscholen met een scheve verdeling van jaargroepen (bijv. meerdere groepen 3 en één groep 7). De gestandaardiseerde leegroei wordt uitgedrukt in standaarddeviaties, afgekort tot sd. We hebben de leergroei van ‘sinds COVID-19’ gestandaardiseerd op de leergroei van ‘vóór COVID-19’

waardoor de gestandaardiseerde score van de leergroei uitgedrukt wordt in termen van de normale groei in eenzelfde periode vóór COVID-19.

Wanneer de gestandaardiseerde leergroei 0,5 sd of minder afwijkt van het landelijk gemiddelde, beschouwen wij dit als ‘ongeveer gelijk aan het landelijk gemiddelde’. Een grotere afwijking betekent dat scholen lager/hoger scoren dan het landelijk gemiddelde. In enkele extreme gevallen bleek de sd groter te zijn dan -2 sd of +2 sd voor een school. Wanneer dit het geval is dan hebben wij deze waarde afgekapt naar -2 sd of +2 sd.

Voorbeeld: In Figuur 2.1 zien we de gestandaardiseerde leergroei van alle drie de domeinen. We kunnen bijvoorbeeld kijken hoe deze school scoort op spelling in vergelijking met rekenen-wiskunde.

Door deze vergelijking te maken kunt u bepalen of een bepaald domein eventueel extra aandacht nodig heeft. In het voorbeeldfiguur zien we dat deze school het vooral bij begrijpend lezen beter dan het landelijk gemiddelde en de voorspelde referentiewaarde doet. Voor spelling scoort deze school ook nog steeds (iets) beter dan het landelijk gemiddelde zowel vóór als sinds COVID-19, maar de voorsprong is wel iets kleiner dan bij begrijpend lezen. Voor rekenen-wiskunde zien we dat sinds COVID-19 de gestandaardiseerde leergroei net iets onder het landelijk gemiddelde belandde.

9 Figuur 2.1 Gestandaardiseerde leergroei in vergelijking met het landelijk gemiddelde en de voorspelde referentiewaarde

10

5. Extra toelichting Hoofdstuk 3 – De relatieve vertraging in leergroei uitgesplitst naar sociale groepen

In dit hoofdstuk presenteren we een aantal figuren die de verschillen in leergroei laten zien tussen diverse sociale groepen. Het gaat hier – net als in Hoofdstuk 2 – om de gestandaardiseerde leergroei, zodat de leergroei tussen de domeinen vergeleken kan worden. Ook hier kijken we naar de leergroei van uw school, de voorspelde referentiewaarde en het landelijk gemiddelde. Het landelijk gemiddelde wordt hier berekend per subgroep.

We hebben gekeken naar de volgende leerlingkenmerken:

Geslacht: meisje of jongen.

Migratieachtergrond: De migratieachtergrond van een leerling is opgesplitst in twee categorieën waarbij we een onderverdeling maken naar leerlingen zonder een migratieachtergrond of met een westerse migratieachtergrond en leerlingen met een niet-westerse migratieachtergrond. Op basis van de herkomst-indicator van het CBS vallen onder leerlingen zonder migratieachtergrond de leerlingen waarvan beide ouders in Nederland geboren zijn. Onder niet-westerse migrantenleerlingen vallen leerlingen die zelf of waarvan tenminste één van de ouders geboren is in een van de landen in Afrika, Latijns-Amerika en Azië (exclusief Indonesië en Japan) of Turkije. Leerlingen met een andere migratieachtergrond zijn in dit figuur buiten beschouwing gelaten.

Huishoudinkomen: We hebben gekeken naar lage en hoge inkomens. Bij de berekening van een laag inkomen zijn we uitgegaan van het gezamenlijk besteedbaar inkomen van de juridische vader en juridische moeder wanneer het kind bij beide ouders woont. Wanneer het kind enkel woont bij één juridische ouder wordt alleen het inkomen genomen van die juridische ouder. Hierbij wordt het inkomen van een eventuele partner die niet de juridische ouder is van het kind, buiten beschouwing gelaten. Wanneer dit inkomen tot de laagste 40% behoort in vergelijking met alle andere ouders met kinderen op de basisschool in Nederland, dan is de leerling gecodeerd als een leerling uit een gezin met een ‘laag inkomen’.

Huishoudstructuur: Er is een opsplitsing gemaakt tussen leerlingen die in tweeoudergezinnen wonen en leerlingen die in eenoudergezinnen wonen. Onder tweeoudergezinnen verstaan wij leerlingen die wonen met beide juridische ouders of een van de juridische ouders met een partner. Onder eenoudergezinnen vallen leerlingen die staan ingeschreven in een huishouden met één juridische ouder, zonder partner. Merk op dat het hier gaat om de geregistreerde inwoners bij de Gemeentelijke Basis Administratie (GBA) waardoor het kan voorkomen dat de leerling onterecht als wonend in een eenoudergezin wordt beschouwd als bijvoorbeeld de partner van de moeder (nog) niet staat ingeschreven in dit huishouden. Leerlingen die zonder ouders wonen bijvoorbeeld omdat ze begeleid wonen, zijn buiten beschouwing gelaten.

Voorbeeld: In Figuur 3.1 zien we dat op deze school vóór COVID-19 meisjes hoger dan het landelijk gemiddelde scoorden op alle drie de domeinen. Sinds COVID-19 scoorden meisjes op deze school op lager dan het landelijk gemiddelde en de voorspelde referentiewaarde op rekenen-wiskunde. Voor de jongens zien we een vergelijkbaar beeld.

11 Figuur 3.1 Verschillen in leergroei voor meisjes en jongens

12

6. De voorspelde referentiewaarde

De voorspelde referentiewaarde is een score die specifiek voor uw school is berekend, door rekening te houden met een aantal kenmerken van uw leerlingenpopulatie en kenmerken van de school zelf.

De scores zijn berekend op basis van de gegevens van alle deelnemende Nederlandse basisscholen (brin-vestiging), waarbij we berekenen hoe een school zou scoren die wat betreft bepaalde leerlingenpopulatie- en schoolkenmerken vergelijkbaar is met uw school. De scores van de voorspelde referentiewaarde op uitkomstmaten zijn berekend door de gegevens van alle deelnemende Nederlandse basisscholen (brin-vestiging) te vergelijken via een lineaire regressieanalyse.² In een regressieanalyse wordt gekeken of er een correlatie is tussen de verschillende leerlingenpopulatie- kenmerken en schoolkenmerken op een bepaalde uitkomstmaat.³ Door middel van een regressievergelijking op alle scholen wordt berekend wat de meest waarschijnlijke score is van een school met dezelfde kenmerken als uw school.

Er wordt voor iedere berekening rekening gehouden met de volgende leerlingenpopulatiekenmerken:

 Het percentage leerlingen met een niet-westerse migratieachtergrond

 Het percentage leerlingen uit eenpersoonshuishoudens

 Het percentage meisjes

 Het percentage leerlingen waarvan de vader werkt

 Het percentage leerlingen waarvan de moeder werkt

 De gemiddelde gezinsgrootte

 Het percentage leerlingen uit huishoudens met een laag inkomen (laagste 40%)

 Het percentage leerlingen uit huishoudens met een hoog inkomen (hoogste 40%)

 Het percentage leerlingen uit huishoudens met een laag eigen vermogen (laagste 40%)

 Het percentage leerlingen uit huishoudens met een hoog eigen vermogen (hoogste 40%)

We houden ook rekening met de volgende schoolkenmerken:

 Totaal aantal leerlingen op de school (schoolgrootte)

 Grondslag: openbaar, algemeen bijzonder, confessioneel bijzonder, gemengd

2Voor meer informatie over de berekening van een lineaire regressieanalyse zie: Howitt & Cramer (2007).

3De bijbehorende formule is als volgt:

Y’ = α + β1X1 + β2X2 + β3X3 …+ β12X12 + β13X13 + ε Met de bijbehorende variabelen:

Y’ = voorspelde score op de uitkomstmaat

X1= percentage leerlingen met een niet-westerse migratieachtergrond X2= percentage leerlingen uit eenpersoonshuishoudens

X3= percentage meisjes

X4= percentage leerlingen waarvan de vader werkt X5= percentage leerlingen waarvan de moeder werkt X6= gemiddelde gezinsgrootte

X7= percentage leerlingen uit huishoudens met een laag inkomen (laagste 40%) X8= percentage leerlingen uit huishoudens met een hoog inkomen (hoogste 40%) X9= percentage leerlingen uit huishoudens met een laag eigen vermogen (laagste 40%) X10= percentage leerlingen uit huishoudens met een hoog eigen vermogen (hoogste 40%) X11= totaal aantal leerlingen op de school (schoolgrootte)

X12= grondslag: openbaar (=Referentie), algemeen bijzonder, confessioneel bijzonder, gemengd

X13= stedelijkheidsgraad: minder dan 500 adressen/km² (=Referentie), tussen 500 en 1000 adressen/km², tussen 1000-1500 adressen/km², tussen 1500-2500 adressen/km², meer dan 2500 adressen/km²

13

 Stedelijkheid van de vestigingsplaats

Indien een voorspelde referentiewaarde door de regressieanalyse onder de 0% en boven de 100% is geschat, zijn deze waarden afgerond op respectievelijk 0% en 100%.

Een fictief en vereenvoudigd voorbeeld van een regressieanalyse is te zien in onderstaande grafiek.

Gebaseerd op de leerlingenpopulatie- en schoolkenmerken (x-as) en de uitkomstmaat (y-as) krijgt iedere school een puntje in deze grafiek. Wanneer dit gedaan wordt voor alle deelnemende scholen in Nederland ontstaat er een puntenwolk en kan er een regressielijn getrokken worden door alle verschillende scholen. Deze regressielijn geeft aan wat, gebaseerd op alle deelnemende scholen in Nederland, de verwachte score zou zijn op de uitkomstmaat onder controle van alle leerlingenpopulatie- en schoolkenmerken. Deze regressielijn is de score van de voorspelde referentiewaarde.

Voorbeeld: De uitkomstmaat op de y-as is de leergroei van leerlingen. Voor alle deelnemende basisscholen in Nederland weten we de leergroei van leerlingen en iedere school heeft met zijn specifieke achtergrondkenmerken hiervoor een punt gekregen in de grafiek. De bijbehorende regressielijn is de voorspelde referentiewaarde en laat zien wat de verwachte leergroei zou zijn op basis van deze specifieke combinatie van leerlingenpopulatie- en schoolkenmerken. We zien dan dat de rode school een hogere leergroei heeft dan verwacht, en dat de groene school een lagere leergroei heeft dan op basis van zijn leerlingenpopulatie- en schoolkenmerken verwacht zou worden. De oranje school heeft precies evenveel leergroei als verwacht zou worden want deze school ligt op de regressielijn en verschilt dus niet van de voorspelde referentiewaarde.

14

7. Berekening infoboxen

In elk hoofdstuk vindt u omkaderde boxen met kijktips en algemene bevindingen uit ons eigen landelijke onderzoek. De kijktips helpen u bij het lezen en interpreteren van de figuren. De infoboxen met algemene bevindingen geven u meer inzicht in bepaalde onderzoeksvragen die wij niet specifiek voor uw school konden beantwoorden, maar wel op landelijk niveau. In deze paragraaf leggen wij uit hoe we deze algemene bevindingen onderzocht hebben.

Om de voorspellers te berekenen voor de informatie in de boxen is gebruik gemaakt van een logistische regressieanalyse.⁴ Deze analysetechniek heeft een voorspellend karakter en werkt met kansenverhoudingen. Dit betekent dat er rekening wordt gehouden met in hoeverre meerdere kenmerken correleren met de uitkomstmaat, om zodoende de uitkomstmaat te kunnen voorspellen.

Vervolgens wordt de uitkomstmaat uitgedrukt in een kans, bijvoorbeeld de kans dat leerlingen vertraging in leergroei oplopen. Het relatieve belang wordt vastgesteld door de sterkte van de samenhang tussen kenmerken en uitkomsten te vergelijken.

Voor het berekenen van de voorspellers in de boxen is gekeken per domein naar de volgende leerlingenkenmerken:

 Geslacht

 Migratieachtergrond: we onderscheiden leerlingen zonder migratieachtergrond, eerste- en tweedegeneratiemigranten uit westerse herkomstlanden en eerste- en tweedegeneratie- migranten uit niet-westerse herkomstlanden

 Gewichtenleerling

 Huishoudsamenstelling: we onderscheiden huishoudens waar twee volwassenen aanwezig zijn (twee juridische ouders, of een juridische ouder met een partner), huishoudens waar één juridische ouder woont en huishoudens zonder juridische ouders

 Werkstatus vader: we onderscheiden actief op arbeidsmarkt, ontvanger uitkering en inactief

 Werkstatus moeder: we onderscheiden actief op arbeidsmarkt, ontvanger uitkering en inactief

 Gezinsgrootte: aantal broers/zussen

 Hoog huishoudinkomen: leerlingen die wonen in een gezin dat behoort tot de 40% huishoudens met de hoogste inkomens

 Hoog eigen vermogen: leerlingen die wonen in een gezin dat behoort tot de 40% huishoudens met de hoogste vermogens

We houden ook rekening met leerlingenpopulatie- en schoolkenmerken:

 Het percentage leerlingen met een niet-westerse migratieachtergrond

 Het percentage gewichtenleerlingen

 Het percentage leerlingen uit eenpersoonshuishoudens

 Het percentage leerlingen uit huishoudens met een hoog inkomen (hoogste 40%)

 Het percentage leerlingen uit huishoudens met een hoog eigen vermogen (hoogste 40%)

 Schoolgrootte

 Grondslag: openbaar, algemeen bijzonder, confessioneel bijzonder, gemengd

 Stedelijkheid van de vestigingsplaats

4Voor meer informatie over de berekening van een logistische regressieanalyse zie: Howitt & Cramer (2007).

15 Vervolgens zijn per figuur de bovenstaande leerlingen- en schoolkenmerken in één model opgenomen om te bepalen welke van deze leerlingen- en schoolkenmerken het meest van belang zijn voor een uitkomstmaat. De kenmerken die het sterkst samenhangen met de uitkomstmaat worden in de infoboxen besproken. De totale verklaarde variantie, van alle leerlingen- en schoolkenmerken die zijn toegevoegd aan het model, is niet heel hoog. Dit houdt in dat er naast de toegevoegde leerlingen- en schoolkenmerken ook andere kenmerken zijn die de uitkomstmaat kunnen beïnvloeden. Informatie over deze kenmerken hebben we niet tot onze beschikking en we kunnen deze kenmerken zodoende ook niet meenemen in de analyse.

Voorbeeld: In ieder hoofdstuk staat een infobox waarbij we per domein hebben gekeken naar de effecten van de COVID-19-crisis op de leergroei naar leerlingen- en schoolkenmerken. We zijn geïnteresseerd in welke specifieke leerlingen wat betreft hun leergroei het hardst getroffen worden door de COVID-19-crisis. De in de infobox genoemde kenmerken zijn van alle in het model opgenomen kenmerken de kenmerken die de grootste invloed hebben op de leergroei van leerlingen.