Data Quality Assessment Framework 

(DQAF) 

KENYA 

 

 19 – 30 July 2010 

 

Ma ca Mo ce 

rc BERNAL, UIS Regional Advisor for Sub‐Saharan Afriritz BILAGHER, UIS Cluster Advisor for the Nairobi OffiChris VAN WYK, University Stellenbosch, South Africa 

 

 

 

Version 3.0 

ii

L ist of acronyms 

CHE  Commission for Higher Education  

g Information System DEB  District Education Board  DEMMIS  District Education Management & MonitorinDEO  District Education Officer  DFID  Department for International Development  

ework Standards Officer 

DQAF  Data Quality Assessment Framsurance and DQASO  District Quality As

ECD  Early Childhood Development 

n System EFA  Education For All EMIS  Education Management Informatio

ducation  FPE  Free Primary Education  FTSE  Free Tuition Secondary EGER  Gross Enrolment Ratios  

ucation  IP  Investment Programme  ISCED  International Standard Classification of EdKCPE  Kenya Certificate of Primary Education  

ation  amme  

KCSE  Kenya Certificate of Secondary EducKESSP  Kenya Education Sector Support Progr

u of Statistics  uncil  

KNBS  Kenya National BureaKNEC  Kenya National Examinations CoLAN’s   Local Area Networks  MDG   Millennium Development Goals 

on  ucation Science and Technology 

MoE  Ministry of EducatiMoHEST  Ministry of Higher EdMoY  Ministry of Youth  NER  Net Enrolment Ratio 

ducation  PDE  Provincial Director of EPEB  Provincial Education Board  PS  Permanent Secretary  PTA  Parent Teachers Associations  

  

QASO  Quality Assurance and Standards Officer RDMS  Relational Database Management SystemSADC  South African Development Community  

gency  ation Quality  

SAGA  Semi Autonomous Government ASACMEQ  Southern Africa Consortium for Monitoring EducSMC  School Management Committees 

ogramme Planning   l and Entrepreneurship Training  

SWAP  Sector Wide Approach to PrTIVET  Technical Industrial, VocationaTMU  Textbook Monitoring Unit  TSC  Teachers Service Commission TTC  Teachers Training Colleges UIS  UNESCO Institute for Statistics  UNESCO  United Nations Educational, Scientific and Cultural Organisation USAID  United States Agency for International Development  

swahili is a four year initiative to improve competenciesUWEZO 

Meaning ‘capability’ in Ki  ‐16 years in numeracy and literacy among children aged 6

World Food Programme Zonal Quality Assurance and Standards Officer  

WFP ZQASO  

iii

Table of Contents  Introduction............................................................................................................................................................................1 Data Collection Method .......................................................................................................................................................1 Goals and objectives of DQAF assessment ....................................................................................................................3 An Overview of the Organisational Landscape of education in Kenya ................................................................3 D sign of the assessmente  ....................................................................................................................................................5

1.  re­reP quisites of quality ............................................................................................................................................6 1.1.  Legal and institutional environment....................................................................................................................................................... 6 1.2.  Resources: Resources are commensurate with needs of statistical programs ..................................................................... 9 1.3.  Quality awareness: Quality is a cornerstone of statistical work............................................................................................... 12 1.4.  Synthesis and score ..................................................................................................................................................................................... 13 1.5.  Recommendations ....................................................................................................................................................................................... 13 

2.  Integrity: The principle of objectivity in the collection, processing, and dissemination of statistics  firis mly adhered to.................................................................................................................................................. 17 

2.1.   Professionalism: Statistical policies and practices are guided by professional principles ........................................... 17

2.2.  Transparency: Statistical  policies and practices are transparent........................................................................................... 18 2.3.  Ethical standards: Policies and practices are guided by ethical standards.......................................................................... 20 2.4.  Synthesis and score ..................................................................................................................................................................................... 20 2.5.  Recommendations ....................................................................................................................................................................................... 21 

3.  Methodological soundness: The methodological basis for the statistics follows internationally 22accepted standards, guidelines, or good practices ........................................................................................  

3.1.  Concepts and definitions: Concepts and definitions used are in accord with standard statistical frameworks.. 22 ....... 223.2.  Scope: The scope is in accord with internationally accepted standards, guidelines, or good practices...........  

3.3. accepted standards, guidelines, or good practicesClassification / sectorisation: Classification and sectorisation systems are in accord with internationally 

. 24........................................................................................................................  3.4. 

practicesBasis for recording: Data are recorded according to internationally accepted standards, guidelines, or good 

........................................................................................................................................................................................................... 25 3.5.  Database Structure ...................................................................................................................................................................................... 27 3.6.  Synthesis and score ..................................................................................................................................................................................... 29 

4.  Accuracy and reliability: Source data and statistical techniques are sound and statistical outputs ffisu ciently portray reality..................................................................................................................................... 32 

4.1.  Source data available provide an adequate basis to compile statistics................................................................................. 32 4.1.1.  Statistics collected through a regular administrative school census program. ................................................................. 32 4.1.2.  Statistics on demand for education collected through household surveys and population censuses ..................... 36

.

 4.1.3   Statistics on the quality of learning outcomes collected through assessments of student achievement................ 38 

....... 414.2.  Assessment of source data: Source data are regularly assessed and validated..........................................................  4.3.  Statistical techniques:  Statistical techniques employed conform to sound statistical procedures, and are 

documented .................................................................................................................................................................................................... 41 

iv

4.4. provide.Revision studies: Revisions, as a gauge of reliability, are tracked and mined for the information they may 

............................................................................................................................................................................................................. 42 4.5.  Synthesis and score ..................................................................................................................................................................................... 43 4.6.  Recommendations ....................................................................................................................................................................................... 43 

5.  rv  Se iceability: Statistics are relevant, timely, consistent, and follow a predictable revisions policy45

 5.1.  Periodicity and timeliness: Periodicity and timeliness follow internationally accepted dissemination standards45

5.2.  Consistency: Statistics are consistent within a dataset and over time, and with other major data sets ................. 47 5.3.  Revision policy and practice: Data revisions follow a regular and publicized procedure............................................. 50 5.4.  Synthesis and score ..................................................................................................................................................................................... 50 5.5.  Recommendations ....................................................................................................................................................................................... 50 

6.  2Accessibility: Data and metadata are easily available and assistance to users is adequate ............ 5  6.1. 

adequate, and statistics are made available on an impartial basisData accessibility: Statistics are presented in a clear and understandable manner, forms of dissemination are 

.......................................................................................... 52 6.2.   Metadata accessibility: Up‐to‐date and pertinent metadata are made available .............................................................. 54

6.3.   Assistance with the users: Prompt knowledge support service is available....................................................................... 55

6.4.  Synthesis and score ..................................................................................................................................................................................... 55 6.5.  Recommendations ....................................................................................................................................................................................... 56 

7.  Conclusion and overall recommendations ....................................................................................................... 57 APPENDIX A: List of relevant references and documents..................................................................................... 60 APPENDIX B: Kenya DQAF –schedule .......................................................................................................................... 62 PPENDIX C: List of Persons MetA

 

................................................................................................................................... 63 

v

List of Figures 

Figure  1.1: Results of pre‐requisites of quality................................................................................................................................13 

Figure  2.1: Results of integrity ................................................................................................................................................................20 

Figure  3.1: Structure of the age table in TSC database.................................................................................................................28 

Figure   3.2: The structure of the Institutions table (master list) in TSC database ...........................................................28 

Figure   3.3: Structure of enrolment table in the Foundation database .................................................................................29 

Figure   3.4: Results of methodological soundness .........................................................................................................................29 

Figure   4.1: Tables in the TSC database...............................................................................................................................................33 

Figure  4.2: Students and teachers by gender for public primary schools in the TSC database .................................34 

Figure  4.3: Enrolment figures by grade for 2008 and 2009 (data received via a spreadsheet from the MoE)...34 

Figure  4.4 : Duplicates in the institutions table in TSC database.............................................................................................35 

6 Figure  4.5: Primary school age table for 2010 table in TSC database ...................................................................................3

Figure  4.7: Population projections for primary and secondary school going age (Source: Revised Population Projections for Kenya: 2000 – 2020, CBS . MoPND, August 2006) .........................................................................................37 

Figure  4.8: Population Census for age groups 5‐15 and 15‐19 by year................................................................................38 

Figure  4.9: KCPE Examination overall performance per subject (Source: KNEC, 2009) ..............................................39 

Figure  4.10: Mean pupil reading and maths scores by province (Source: SACMEQ)......................................................40 

Figure  4.11: Mean pupil reading and maths scores by country ...............................................................................................40 

43 Figure  4.12: Results of accuracy and reliability...............................................................................................................................

Figure  5.1: Primary School Enrolment data from TSC database for 2009 and 2010 by Province (Source TSC ....48 database).......................................................................................................................................................................................................

Figure  5.2: Comparison of primary school enrolment figures for 2009 and 2010 by province (Source: TSC database)...........................................................................................................................................................................................................49 

Figure  5.3: Results of serviceability ......................................................................................................................................................50 

Figure  6.1: Distribution of 2010 enrolment by province ( Source: TSC database)..........................................................53 

Figure  6.2: Results of accessibility.........................................................................................................................................................55 

igure  7.1: Overall results .........................................................................................................................................................................57 F

 

 

vi

List of tables 

...........................Table  1.1: Overview of education data collection processes .......................................................................... 11 

Table   3.1: Primary Schools by province and district (Source : Educational Booklet 2003‐2007) ..........................24 

Table  3.2: Institution table structure in the TSC database (Source: TSC database)........................................................24 

6 Table  3.3: Overview of data collection processes...........................................................................................................................2

Table  4.1: 2008 & 2007 KCPE Examination Overall Candidates Performance Per Subject By Gender (Source: KNEC 2009) .....................................................................................................................................................................................................39 

Table  5.1: TSC primary school enrolment for consecutive years 2009 and 2010 by province..................................47 

 

 

1

Introduction  Education  Management  Information  Systems  (EMIS)  were  established  as  one  of  the priorities of the African Union’s action plan for the Second Decade of Education for Africa, and  the  South  African  Development  Community  (SADC)  education  programme.  Their inception  and  development  aims  at  providing  quality  education  statistics  data  that  is complete, relevant, accurate, timely and accessible, as well as managed efficiently. This  in turn  makes  effective  decision‐making  possible.  In  this  vein,  the  Ministry  of  Education (MoE) of  the Republic of Kenya recognises  the significant  role  that an effective EMIS can play  in  the  provision  of  timely,  reliable  and  accurate  data  for  the  education  sector.  In particular,  EMIS  is  the  key  platform  that  provides  the  necessary  performance  data  for onitoring  and  evaluation  of  the  Kenya  Education  Sector  Support  Programme  (KESSP) m

investment programmes (IPs).   KESSP,  a  sector‐wide  approach  to  programme  planning,  was  adopted  by  MoE  and comprises twenty three investment programmes focusing on the sector as a whole in order to improve access to and quality of education in Kenya. KESSP provides the framework for support  to  the  education  sector  covering  the  period  2005‐2010  and whose  investments rogrammes  are  prioritized  and  costed  (refer  to  Kenya  Education  Sector  Support pProgramme 2005‐2010, July 2005).   It  is  important  to note  the pivotal  role  that monitoring and evaluation play as one of  the investment  programmes  of  KESSP.  Firstly,  under  KESSP,  monitoring  will  entail  the collection  of  information  and  its  analysis  to  report  on  the  progress  of  the  overall performance  of  the  KESSP  programme.  Secondly,  it  will  assess  the  impact  of  KESSP  on learners. Thirdly, it will entail collecting data and information for the general oversight and management  of  the  programme.  The  monitoring  plan  of  KESSP  will  rely  heavily  on  the continuous  or  periodic  collection  of  data  by  those  implementing  activities.  Further,  the process will focus on tracking quantitative performance data generated from the EMIS, as ell  as  complementary  reporting  systems  within  each  investment  programme  (refer  to w

Kenya Education Sector Support Programme 2005‐2010, July 2005).  In order to support the development of an effective EMIS across sub‐Saharan Africa, in line with  its  Mid‐Term  Strategy,  UNESCO  Institute  for  Statistics  (UIS)  is  in  the  process  of conducting  diagnostic  assessments  of  national  education  statistics  systems  within  the global context of UNESCO’s support to the African Union Second Decade for Education. The nsuing report summarises the findings of a situation analysis of the education data quality n Kenya, while proposing recommendations for improvement. ei  Data Collection Method  The assessment process was guided by  the Data Quality Assessment Framework (DQAF). This methodology was originally developed by the International Monetary Fund (IMF), and later  further  developed  by UIS  and  the World Bank  for  an  education  context.  The UIS  is 

2

currently  developing  the  framework  further  into  a  complete  methodology  for  assessing national education statistics systems.  

The DQAF  for Kenya was planned  in  coordination between UIS and  the MoE  in Kenya. A consultant from the University of Stellenbosch, South Africa, was contracted by the United Kingdom Department  for  International Development  (DFID)  to  assist with  the diagnostic ssessment. The  fieldwork and on‐site  situation analysis  for Kenya was  carried out  from 9‐30 July 201a1 

0. It consisted of:  

• Field  visits  during  which  interviews  and meetings  were  held  with  key  stakeholders, such as Ministries responsible for education and training, their agencies at national and regional  level  and  other  government  agencies  in  charge  of  data  and  educational institutions  as  well  as  development  partners  and  national  non‐governmental organisations (NGOs) involved in data collection, processing and use (Refer to appendix   for  a  list  of  persons met).  The  interview  sessions were  the  largest  and  single most Cvaluable source of qualitative information collection.  

• A Round Table meeting with the Permanent Secretary of MoE, on 28 July 2010, during which the preliminary findings of the country visit were presented and discussed.  

 • Archival Analysis:  This  observational method was  used  to  examine  the  accumulated documents  as  part  of  the  research  method  to  enhance  the  report.  The  documents included,  but  were  not  limited  to:  promulgated  Acts;  Policies;  documents,  official publications,  reports  on  EMIS  in  Kenya,  strategic  plans  of  the  agencies  and questionnaires used to collect data. A list of the documents that formed the basis of the analysis is attached as appendix A. 

  Database  Analysis:  The  analysis  of  databases  of  key  stakeholders  such  as  Teachers 

m ( ) M•Service Co mission  TSC  and E IS / MoE was undertaken to inform the investigation. 

 The  mission  schedule  and  list  of  individuals  met  during  the  consultation  sessions  are attached as appendices B and C, respectively. The mission was conducted by Marc Bernal, UIS  Regional  Advisor,  Moritz  Bilagher,  UIS  Cluster  Advisor,  Chris  Van  Wyk,  private consultant, University of Stellenbosch, and Charles Obiero from the EMIS Unit / MoE. The analysis and this report were contingent on the cooperation, consultation and input  from national and sub‐national staff of the key government departments and agencies, as well as school staff and other partners. The relevant stakeholders for this exercise were identified in  coordination between Mr.  Charles Obiero  and  the UIS  advisors. They  included,  among others,  units  within  the  Ministry  of  Education,  Ministry  of  Youth,  Ministry  of  Higher Education,  Science  and  Technology  and  their  agencies  such  as  TSC,  Kenya  National Examinations Council (KNEC), Kenya National Bureau of Statistics (KNBS) and Commission for Higher Education (CHE) and partners such as WFP, USAID and UWEZO. Representatives from these organisations have been more than helpful, and thanks are due for their time. Special  gratitude  is  also  due  to  the  Head  of  EMIS  Mr.  Charles  Obiero  for  his  important support to this mission. 

3

 Goals and objectives of DQAF assessment  The situational analysis was not intended as an academic research paper or an audit.  The intention was rather to create a realistic picture of the practical state of education statistics in  Kenya  at  local,  provincial  and  national  level  from  an  implementation  and  application point of  view and how consistent  it  is  in  comparison with what  the DQAF proposes. The im is to try to inform the recommendations made towards improving education statistics n Kai 

enya. As such, the objectives of the situational analysis are the following: 

• To develop an accurate picture of the availability, level and extent of the use of education statistics in Kenya 

•  To identify and understand the challenges that provinces and districts face in their drive to optimally implement EMIS in their respective areas 

• To  identify  gaps  in  the  current  situation  and  key  priorities  for  future  development through the DQAF  

To put forward recommendations to the MoE on ways to improve education statistics in Kenya 

•

  An Overview of the Organisational Landscape of education in Kenya   general overview of the education  landscape in the country  is outlined in the following A

paragraphs:   The formal education system in Kenya comprises of early childhood education; 8 years of compulsory  schooling  in  primary  education;  4  years  in  secondary  education  and  a minimum of four years in the university depending on the degree pursued. This is widely referred  to  as  the  8‐4‐4  system.  Other  education  and  training  programmes  include  the Technical  Industrial,  Vocational  and  Entrepreneurship  Training  (TIVET),  Special  Needs Education, Adult and Continuing Education, Non‐formal Education and Youth Polytechnics.  Progression from primary to secondary school and from secondary to university is through selection on the basis of performance in the national examinations for the Kenya Certificate f  Primary  Education  (KCPE)  and  the  Kenya  Certificate  of  Secondary  Education  (KCSE) orespectively which are administered by the Kenya National Examinations Council.   The education data cut across, mainly, the three central government Ministries responsible for  the  education  and  training  sector,  namely  Ministry  of  Education  (MoE),  Ministry  of Higher Education Science and Technology (MoHEST) and the Ministry of Youth (MoY) each with  their  own  mandates  and  responsibilities.  The  three  ministries  were  identified  as relevant to the DQAF exercise. Their roles within the national statistical system, and their interrelations, will be discussed in greater detail in the relevant sections of this report. The egal framework for the educational and statistical functions of government bodies are laid own, mainly, in the Statistics Act, the Education Act and the University Act. ld 

4

The management and implementation of the education and training sector is decentralized both inICT in E

stitutionally and in terms of decision making with four broad levels (Refer to Kenya: ducation Situational Analysis, September 2009):  

At the central level, the ministries responsible for education and training (the MoE, MoHEST and MoY) are responsible primarily for policy and strategy.  

At  the  provincial  level,  there  is  a  Provincial  Director  of  Education  (PDE)  and  a Provincial Education Board (PED) in each of the 8 provinces. They are responsible 

vfor  monitoring  and  coordinating  all  education  activities  in  the  pro ince  and supervision of all district education programs.  

At  the  district  level,  there  is  a  District  Education  Officer  (DEO)  and  a  District Education  Board  (DEB)  responsible  for  the  management  of  education  services, teachers,  schools,  funds  and  quality  assurance.  Quality  Assurance  and  Standards Officer (QASO) is a recent term coined to refer to the education officer responsible for supervision of curriculum implementation in schools.  

At  the  Zone,  which  is  a  sub‐division  of  a  district  ,  the  Zonal  Quality  Assurance Officers  (ZQASOs)  will  be  link  pin  between  the  district  and  the  education 

 institutions (See KESSP revised report: EMIS Chapter, May 2010). These officers are also responsible for data quality through their verification function. 

At  institutional  level,  there  are  Boards  of  Governors  responsible  for  policy  and strategy,  School Management  Committees  (SMC’s)  responsible  for  developing  and implementing  school  plans  and  implementing  education  and  training  policies  and Parent  Teachers  Associations  (PTAs)  responsible  for  monitoring  school  activities and  mobilizing  additional  resources.  Each  school  has  a  head‐teacher,  who  is  the secretary  to  each  institutional  management  board,  a  deputy  head‐teacher  and several heads of departments.  

 The  recent  establishment  of  Kenya  National  Bureau  of  Statistics  (KNBS)  as  a  Semi Autonomous  Government  Agency  (SAGA),  from  previously  being  a  component  of  the Ministry  of  Planning,  is  mandated  by  law  to  collect,  analyze  and  disseminate  socio‐econom eded  for  planning  and  policy  formulation  in  the  country.  The functio ies: 

ic  statistics  ne

ns of the KNBS fall into the following four categor

Data collection  

tics   ers of data  Data analysis and production of official statisDissemination of results to users and produc

Archiving of survey and census results data   KNBS  is  ideally  situated  to  fulfil  the  data  coordinating  function  between  all  the  data producing agencies in the country. KNBS is, among others, responsible for the population ensus  in Kenya and  this dataset  is  also  relevant  to education, particularly  in developing ducation indicators, such as enrolment ratios. ce    

5

Design of the assessment  The principal objective of the DQAF evaluation is to produce a qualitative assessment of the statistics used and produced by the education sector in Kenya. As indicated, the tools and methodologies  applied  have  been  adapted  from  earlier  evaluations  undertaken  by  the International Monetary  Fund.  Further  adaptations  by  the UIS  and World Bank  sought  to ensure  a  comprehensive  evaluation,  specifically  focused  on  the  quality  of  education tatistics. To underpin the DQAF evaluation, a participatory and needs‐based approach was sadopted. The diagnostic consisted of two phases: 1) data collection and 2) data analysis.   The  team  could  conduct  all  required  procedures  as  planned,  for  which  the  relevant authorities  should  be  commended.  The  evaluation  framework  covers  the  different  steps included  in  the statistical business process model at  the national and sub‐national  levels, and  as weaknesses  of  the  available  structures,  based  on  the  six DQAF d

sesses  the  strengths  and : 

imensions

pre‐requisites of quality;  

s;  integrity;  

ndnes ility;  methodological sou

 reliab ; and  accuracy andserviceability

accessibility   Narrative  descriptions  are  given  of  the  state  of  the  system  in  Kenya  as  per  these dimensions  and  sub‐dimensions,  in  addition  to  scores  on  each  of  the  sub‐dimensions. Scores  are attributed according  to  international norms pertaining  to  the  functions of  the different  elements  of  the  statistical  system.  The  scores  on  the  sub‐dimensions  are  then aggregated so as to arrive at scores on each of the dimensions. They should be indicative of where efforts for improvement of the statistical function could focus. In order to make this more explicit, specific recommendations are made. This diagnostic  is  intended to provide inputs for an action plan to improve the system of educational statistics in Kenya. 

6

 

1. ­requisites of quality Pre

 Data  quality  is  regulated  by  a  framework  of  statistical  laws,  policies,  standards  and practices,  and  technical and human resources. This  framework cannot exist  in a vacuum. Pre‐requisites  of  quality,  as  one  of  the  dimension  of  data  quality,  do  not  comprise  a qualitative  dimension,  but  refer  to  the  evaluation  and  understanding  of  the  institutional context  in  which  the  statistical  processes  exist  and  which  is  essential  to  the  other dimensions.  This  dimension  presents  the  integrated  nature  in which  available  statistical laws,  as  well  as  essential  human  and  technical  resources,  impact  on  other  quality dimensions.  

 

1.1.  and institutional environment Legal

 1. Education and training  in Kenya  is governed by  the Education Act of 1968 and other 

related  Acts  of  Parliament,  including  TSC  Act,  KNEC  Act,  Adult  Education  Act, University Act, and various Acts and Charters for universities. The Education Act gives the MoE the mandate to manage the provision of education to all Kenyan children. To fulfill this mandate, the MoE needs quality data. That is data that is complete, relevant, accurate,  timely  and  accessible.  Teachers  Service  Commission  (TSC),  Kenya National Examination Council (KNEC) and Textbook Monitoring Unit (TMU) are examples of key data  collection  centers  (TMU  is  integral  to MoE  and TSC  and KNEC  are  SAGA’s)  that assist  to  realise  the  goal  of  obtaining  quality  data.    Additional  data  sources  on education are obtained  through  the Ministry of Higher Education  (and CHE) and  the Ministry of Youth Affairs. However, this does not seem to be underpinned legally by the Education Act. It seemed during the visits that MoE through the EMIS Unit attempts to consolidate  these  education  data  sources  and  acts  as  a  link  to  the  Kenya  National Bureau of Statistics (KNBS). KNBS has primary responsibility for census and household surveys (which is underpinned by the Statistics Act). The authority of the Commission for  Higher  Education  is  underpinned  by  the  University  Act  Chapter  210B which  has amongst its mandate and functions to collect, examine and publish information relating to university  education. These Acts  of  parliament  seem  to provide  an  adequate  legal framework.  However,  on  a  more  critical  note,  it  should  be  mentioned  that  the ducation Act, which defines the work of MoE, does not, in any way, mention statistics Eor any data collection activity.  

2. The  division  of  responsibility  seems  largely  invoked  as  per  the  stipulations  in  the above mentioned Acts. However, some key arrangements have been operationalized in n  informal manner.  For  example,  the  incumbent  in  the  position  of  the  Head  of  the MIS has been seconded from the KNBS.  aE 

7

3. A critical need  for  a proper  institutional  framework was  identified,  and  the  strategic involvement of a central agency such as KNBS in data‐related work of the Ministries is essential.  KNBS  indicated  that  they  are,  at  present,  not  satisfied with  their  strategic nvolvement  in education data affairs.  It appeared during  the mission  that data  flows iare largely dependent on informal arrangements.  

4. During  the  consultation process,  it  appeared as  if  no  systematic  and  formal  (official) rrangements are in place to ensure consistency with regard to data management and adata sharing between KNBS, MoE and even TSC.  

5. The investigation could not find evidence of regular formal coordination meetings and orkshops between the data producing agencies with the specific aim to establish the w

different data requirements and to avoid duplication.   

6. In collecting data, the Statistics Act part III clearly states that individual responses are to be treated as confidential, and shall not be disclosed or used for other than statistical purposes  unless  disclosure  is  agreed  to  in  writing  by  the  respondent.  This  is  in ccordance  with  the  Statistics  Act  under  number  22:  restriction  on  disclosure  of ainformation.  There does not seem to be a similar section in the Education Act.  

7. Respondents were not always adequately informed of their rights and obligations with egard  to  the  provision  of  information.  For  example,  the  EMIS  /  TSC  survey rinstruments include such information whilst the CHE instrument does not.  

8. Statutory statements and compliance contingencies:    there appears to be variation  in terms of clearly stating under which acts  information is being  collected. For example, the survey  instruments of MoE and TSC clearly stated that the statistics are collected under  the  Statistics  Act,  Cap  112,  the  regulations  of  the  Ministry  of  Education,  the Teachers  Service  Commission  and  the  regulations  of  the  Department  of  Adult Education. Such a clause is not included on the survey instrument of the Commission of Higher Education. Subsequently respondents are not always reminded or informed of their  legal  responsibility  to provide  information accurately and  the  contingencies  for non‐compliance.  For  example,  the  survey  instruments  of MoE and  TSC  clearly  stated that  the  information provided  in  these  forms must be correct, and that  the supply of any  false  information will  lead  to  disciplinary  action.  Furthermore,  these  forms  also specify a line function for verifying information once completed. For example, the form must  be  certified  by  the  head  teacher,  zonal  quality  assurance  and  standards  officer (ZQASO)  and  the  district  education  officer  (DEO)  or  municipal  education  officer,  or director  of  city  education  or  district  adult  education  officer,  upon  completion.  However, during the site visits and interviews with participants, limited evidence was ound of the execution of the prescribed line function to ensure veracity of information fobtained.  

9. Provisions  for  contingencies  in  the  event  of  unlawful  disclosures  exist  in  the  Public Officer Ethics Act, but  they do not refer  to disclosure of data per se. For example,  the Statistics Act in Part III – Statistical Information stipulates a few regulations to prevent 

8

disclosure  of  confidential  information  by which  any  person  commits  an  offence  and shall be liable on conviction to a fine or to imprisonment under number 26: Offences. There also exist such provisions in the Public Officers Ethics Act, specifically in Part VI – General, under number 41‐ obstructing or hindering ‐ Divulging information acquired under Act, where it states: A person who, without lawful excuse, divulges information acquired in the course of acting under this Act  is guilty of an offence and is  liable, on conviction, to a fine not exceeding five million shillings or to imprisonment for a term ot exceeding five years or to both. This however has no direct reference to disclosure nof statistical data.  

10. Access to data at KNEC seems highly secured with solid provisions, as well as at TSC; ood  efforts  at MoE  /  EMIS were  noted,  but  provisions  found were  not  of  the  same glevel.  

11. During  the  investigation,  the  premises  seemed  to  be  sufficiently  secured.  There  are security gates  that are  locked after hours. The physical  space within which  the EMIS nit  is  situated,  is  not  conducive  to  receiving members  of  the  public  and  deal  with U

information of such high significance for the MoE.  

12. Specific  regulations  governing  the  storage  and  back‐up  of  data  do  not  seem  to  exist across the board, although, in practice, this seems to be reasonably well taken care of. However,  there  are  some  doubts  about  the  rules  for  data  destruction.  At  the  MoE, owever,  the  Human  Resources  section  has  to  be  informed  when  documents  are hdisposed of.  

13. There appears to be no strong evidence for the legal underpinning of the work of the EMIS Unit. Specifically, it is not clear which agency or unit has been legally mandated to produce  or  collect  data  for  the  purposes  of  compiling  the  statistical  data  for  use  in education.  Findings  from  the  investigation  indicate  that  EMIS  often  produced  and published  the  relevant  education  data.  However,  data  was  also  collected  by  other gencies,  such  as  TSC,  KNEC, Ministry  of  Higher  Education,  CHE  and  the Ministry  of aYouth.  

14. he team did not find confirmation of formal timelines for publications (for the EMIS TUnit), nor for penalties with non‐compliance with such timelines.  

15. The three most important central government Ministries responsible for the education and  training  sector,  i.e.  Ministry  of  Education  (MoE),  Ministry  of  Higher  Education (MoHEST)  and Ministry  of  Youth  (MoY),  each with  their  own  distinct mandates  and roles  and  responsibilities,  have  devoted  considerable  effort  to  addressing  the major challenges  facing  the  sector.  It  is  important  to  note  that  until  recently  the MoE  and MoHEST  were  one  Ministry.  There  are  nine  core  EMIS  data  collection  instruments attempting to cover all levels of education (see Table 1.1 below). There are materials such as a data collection manual and data entry guides that provide respondents with good paper assistance. However, three data collection cycles per year for MoE and TSC imply that respondent burden is not always optimally considered.   

9

 

1.2.  Resources are commensurate with needs of statistical programs Resources:

 16. The  number  of  staff  and  the  capacity  to  perform  data  management  functions  differ 

from agency to agency. While the overall impression is that staffing in TSC, KNEC and CHE seems adequate, this seems certainly not the case for the EMIS Unit at MoE. The EMIS Unit seems to rely heavily on interns and external consultants ‐ a situation that seems  hardly  sustainable.  In  addition,  the  estimated  six  clerks  attached  to  the  EMIS nit  are  said  not  to  be  excessively  effective,  specifically with  regard  to  data  related U

functions. As a consequence, TSC sometimes has to lend clerks to the EMIS Unit.   

17. he lack of data analysis at national and district level was raised as a concern in many Tof the interviews and training is required in this regard.  

18. ome efforts are being made at a decentralised level to ensure the retention of staff, but Sit needs to be increased at the EMIS unit.  

19. There exists an ICT Unit in the MoE which takes care of individual computers and local area networks (LAN’s) and  intends  to exploit national  fibre optic backbone. As  far as ould be ascertained, the LAN is operational at provincial level and being implemented cat district level and benefits the data capturing systems.  

20. The quality of  the  software  for data  capturing and  reporting purposes varies  across organisational  units.  The  school  census data  returns process  has  been based  on  two independent  data  capturing  systems,  one  for  the  TSC  and  one  for  EMIS  (MoE).  The EMIS data capture system developed by COPY CAT has specific weaknesses in meeting the  user  requirements  at  district  and  national  level.  The  TSC  system  is  not  robust enough to cater for dynamic data needs. Due to the stated weakness it is not possible to have  one  common  data  capturing  system  at  district  level.  The  system  requires  new reports  in  each  cycle  (Refer  to KESSP  revised  report:  EMIS Chapter, May 2010). The software  used  by  the  EMIS  Unit  for  the  capturing  of  survey  data  is  currently  being discarded.  It  is  not  well  designed  and  difficult  to  use,  and  with  no  direct  support available,  this  results  in non‐completion of  data  capturing  exercises.  The  software of the TSC currently makes it possible to complete data capturing although it needs to be reviewed.  The  CHE  seems  to  use  data  analysis  software  (SPSS)  for  purposes  of  a database system, which is not ideal solution, while the MoY uses spreadsheets, such as Excel to capture the data, which is far from ideal. The development of the Foundation Database  in  the MoE seems  to be a step  in  the right direction.  The greatest hurdle  is aving ICT skilled staff in handling data entry and related data management issues at hdistrict and institutional level.  

21. There appear to be sufficient computers provided to districts and laptops provided to districts without electricity. According to the EMIS Unit, each district has at  least one computer and one printer. An inventory of computers, printers and LAN’s  in districts 

10

exists  and  is maintained.    In  some  of  the  districts  that were  visited,  the  officials  use their personal modems to communicate via e‐mail with head quarters.   

22. While EMIS is an Investment Programme (IP) under KESSP (refer to “Introduction” for more detail) in its own right, there are no dedicated budget lines for data management ithin  the various Ministries. Despite  the  efforts made  in  rolling out,  EMIS  IP  is  still w

faced with challenges including weak processing and low data sharing and utilization.   

23. The allocation of budgetary resources for future statistical development seems to be a weak  point  due  to  a  lack  of  clarity  of  the  nature  of  KESSP,  which  is  treated  as  a rogramme  but  seems  to  be  a  project.  Mainstreaming  of  KESSP,  and  the  EMIS pcomponent within it, would help increase the sustainability of the EMIS Unit's function.  

24. The fact that timeliness of the delivery of data has lagged for years, seems to indicate that  education  statistics  have  not  received  enough  attention  from  the  educational leadership  so  far.  However,  recently  a  new  Director  of  Policy  and  Planning  was recruited,  and  this may  change  the  importance  attributed  to  educational  data  use.  A ew Permanent  Secretary  (PS) was  also  retained  and  during  a  consultation meeting nwith him, it was communicated that this will take priority.  

25. A  data  collection  manual  was  prepared  in  an  attempt  to  encourage  consistency  in concepts,  definitions  and  methodologies  across  the  different  units  within  the  data‐producing  agency.  Concerns  are  being  raised,  especially  at  district  level,  about  the number  of  requests  for  the  same  information  from  different  directorates  at  head quarters.  It  is  also  important  to  note  that  education  data  straddles  three Ministries: MoE, MoHEST and MoYS with leading data producers being MoE, TSC and CHE. There is a need for a more coordinated approach in data collection, as there already is some level of coordination between MoE and the TSC. This lends itself for the harmonization of  concepts  and  the  elimination  of  unnecessary  duplication  and  repetition.  Thus ncreasing  efficiencies  of  data  collection  and  improving  the  comparability  of  the idifferent surveys.    

26. Education  Management  Information  Systems  (EMIS)  is  an  investment  plan  in  the Kenya  Education  Sector  Support  Programme  (KESSP),  with  the  aim  to  harmonise collection, processing, analysis and dissemination of data. Although KESSP places great emphasis on the collection, collation and production of quality data,  in practice, there seems  to  be  weak  collaboration  between  data  collection  agencies.  Furthermore,  the lack of capacity within the MoE makes the efficient and effective management of these survey  processes  very  difficult.  The  investigation  indicated  that  the  following  data collection instruments exist for education institutions in the various ministries, such as MoE, MoHEST, Ministry of Youth.  The surveys  for 1) ECD, 2) Primary schools and 3) Secondary  schools  are  termly,  to  meet  the  TSC  teacher  management  data  with reference months being March, July and October. The first survey is a short one whilst the  second  one  updates  the  changes  in  terms  of  teachers  and  enrolment.  The  third survey for these sectors is a comprehensive data collection survey. There are also other surveys  such as 4) an Adult  education  survey which  is quarterly  (August, December, 

11

March  and  June).  Surveys  are  also  conducted  for  tertiary  institutions,  such  as  5) Teacher  Training  Colleges,  6)  Technical  Industrial  Vocational  and  Entrepreneurship (TIVET), and 7) Universities. There is a survey instrument for 8) Non‐Formal Centres and 9) a survey for Education Officers. All these surveys have an annual data collection cycle. During the  interviews  it was established that  the same information  is collected by different agencies, for example, enrolment is collected by TSC and TMU. Table 1.1 below outlines the various data collection  instruments that were encountered during he consultation interviews and points to the need for harmonization of some of these rocesses. tp 

Table  1.1: Overview of education data collection processes Unit  TARGET  Frequency  Objective 

MoE: EMIS 

PRIMARY AND SECONDARY SCHOOLS (PUBLIC AND, PRIVATE) 

3 To obtain national education data (enrolment, teachers, pupil ages, 

ial repeaters, dropouts, classes, speceducation)  

EMIS  EARLY  CHILDHOOD DEVELOPMENT (ECD)  1 To collect statistical data on ECD 

EMIS ADULT EDUCATION  1 Collect data on adult learners by 

age, teachers  EMIS  NON‐FORMAL (PUBLIC, PRIVATE)  1 To collect statistical data on no

formal institutions n‐

MoE: TMU  PRI MARY(PUBLIC)  2 For budgeting and accounting purposes 

TSC  PRIMARY, SECONDARY (PUBLIC)  2 To obtain teacher‐related information? 

USAID: DEMMIS 

PRIMARY (PUBLIC, PRIVATE) –NATIONAL; A PILOT PROJECT 

 NOT  Monthly For school‐level mgmt. capacity development 

CHE TERTIARY (PUBLIC, PRIVATE)  1 To obtain national statistical data 

(universities only) 

MoHEST TIVET (PUBLIC)  ? To obtain national statistical dat

(TIVET) a 

WFP ? – NOT NATIONAL (COVERING SCHOOLS 

SCHOOL FEEDING PARTICIPATING IN THE PROGRAMME) 

Monthly For planning and allocation of purposes 

MoY YOUTH POLYTECHNICS  1 To obtain national statistic

(YP only) al data 

KNEC PRIMARY, SECONDARY (PUBLIC, PRIVATE)  1 To obtain school data and 

achievement data 

UWEZO PRIMARY SCHOOLS (PUBLIC)  To document the competencies of 

hildren in literacy and numeracy c

Others (incl. KNBS) 

CENSUS; HOUSEHOLDS SURVEYS   

Summary  of  the  data  collection  instruments  indicating  the  responsible  unit,  the  target population, the frequency of the survey and the aim of the survey questionnaire.  

 

12

27. Comprehensive guidelines exist in the form of EMIS manuals (data collection manual, data analysis and reporting manual, facilitator's guide). However, it appears as if these guidelines  have  not  all  been  properly  implemented.  An  attempt  is  being  made  to tandardise  the  technical  processes  through  the  implementation  of  the  Foundation sDatabase, which is in development.  

28. The team did not  find evidence of periodic review of work processes, but  the Needs Assessment  Report  for  the  Establishment  of  Education  Management  Information ystems  (EMIS),  funded  by  the  World  Bank,  and  the  support  for  the  current  DQAF xercise can be seen as an attempt to review existing work processes. Se 

1.3.  awareness: Quality is a cornerstone of statistical work Quality

 29. There is a general concern about quality of education data at management level. 

 30. It was apparent during the investigation that KNBS as the umbrella body has no formal 

arrangement  with  other  data  collection  agencies  in  terms  of  data  processes  and procedures or any data audit practices to ensure the production and dissemination of quality data. There is also no formal process and procedure in place to determine when data becomes official. However, during the visits it was observed that a Quality Policy Statement of  the MoE was displayed at head quarters and district offices. The policy, although  not  with  specific  reference  to  data,  reads  that  the  MoE  is  “commited  to perate  a  quality management  system  in  line  with  ISO9001  International  standards 

oaimed at providing high quality products”.  

31. Although the MoE (EMIS) consolidates education data from the various sources, such as  Teachers  Service  Centre  (TSC),  Kenya  National  Education  Examination  Council (KNEC), Ministry of Higher Education, and Ministry of Youth, and acts as a link to the enya  Nation  Bureau  of  Statistics  (KNBS),  there  is  no  formal  agreement  in  place  to K

support this arrangement.  

32. Several checks of data quality are conducted at various levels and various stages of the data collection process. District staff and DQASO’s, in particular, were found to be the first ‘line of defence' for EMIS. During the site visits, the participants at district offices explained the data collection process in detail. It appeared that a good data collection flow structure is in place, and managers and officials are aware of these data collection processes. The survey instruments are disseminated by the district education officers (DEO)  via  the  zones  through  the  zonal  quality  assurance  and  standards  officers (ZQASOs)  to  the  schools.  The  district  education  officer  then  disseminates  the  survey forms according to an official list of schools. The forms are then returned via the same dissemination  procedures.  The  data  entry  takes  place  at  school  level  and  is  checked and verified at the zones by the ZQASO, and then sent to the district office and to head quarters where further checks are being conducted.  Similarly, the data in the Textbook Monitoring  Unit  (TMU)  in  the  directorate  of  Basic  Education  are  checked  to  ensure 

13

quality data is provided for capitation grants. This Unit has a sound verification process n place to check the existence of an institution, as well as a validation process to check ithe enrolment totals.   

33. There is no evidence that a coordinating entity or group exists to provide guidance on quality  of  statistical  data.  This  function  is  mostly  done  by  Quality  Assurance  and tandards Officials at district and zonal  level with, seemingly, no or  little data quality Sskills.  

34. Although  the  KESSP  revised  report  (see  EMIS  Chapter,  May  2010)  refers  to  the statistical quality assurance framework (SQAF) as one of its implementation strategies in  an  attempt  to  get  feedback  from  users,  no  evidence was  found  of  periodic  users’ surveys or other  systematic processes  to obtain  feedback  from users on data quality issues. This strategy envisages monitoring the data collection procedures, data validity nd support systems at all levels. It seems as if it is merely a reference to the current QAF exercise.  

aD 

1.4.

0.46

0.410.39

Legal and   institutional environment

RessourcesQuality  awareness

Kenya International Norms

Synthesis and score ) Based on an assessment of all the DQAF sub‐dimensions, a global score of 42% has een assigned for the pre‐requisites of quality dimension. ab 

Figure  1.1: Results of pre­requisites of quality 

1.5. Recommendations  

The experience in the field revealed that there were some positive aspects regarding data collection processes and awareness.  It also seemed as  if officials at  the  institutional  level 

14

are not overburdened as one might have thought, taking into account  all the data collection processes that take place during one calendar year in these institutions. 

 Nr.  Recommendation  Priority 

1.1.1  The  arrangement  between  MoE  and  KNBS,  in  relation  to  the Head  of  EMIS  Unit,  needs  to  be  clarified.  A  Memorandum  of Understanding (MoU) is said to have been drafted in this regard, but this now appears to be outdated. A new MoU regulating this arrangement  seems  a  minimum  pre‐requisite,  but  more rigorous discussion may be useful to clarify respective roles. 

High 

1.1.2  An  institutional  framework,  relating  to  and  describing  the national statistical system for education, should be established. This  should  indicate  the approximate  functions of  all  actors  in the  system;  promote  the  strategic  involvement  of  KNBS;  and formalise  data‐sharing  /  coordination  arrangements  between the  different  organisational  elements  /  units  of  the  system. Regular  coordination  meetings  between  relevant  actors  are strongly advised as a first step into this direction. 

High 

1.1.3  Kenya  is  encouraged  to  include  a  statistical  element  in  the Education Act. 

Medium 

1.1.4  Survey and census instruments in general, and for example that of  the Commission  for Higher Education (CHE),  should remind respondents  of  their  rights  and  obligations.  They  should indicate that information is to be treated confidentially, but also inform respondents of their duty to comply, where applicable. 

Medium 

1.1.5  The  (physical)  space  for  the  EMIS  Unit  should  urgently  be improved,  to adequately house the staff working there, as well as provide storage for critical files. 

High 

1.1.6  A  policy  outlining  guidelines  for  storage  /  archiving  and destruction of data and documents  should be  formulated,  and, where possible, widely adopted. 

Low 

1.1.7  Data  collection  schedules  and procedures  are  to be optimised, with a suggested reduction of  three to two cycles  for  the EMIS Unit / TSC surveys and integration of Textbook Monitoring Unit 

High 

15

(TMU) survey in the mainstream data collection cycle. 

1.2.1  At  least  one  to  two  mid‐level  officers  (planners)  should  be recruited  for  the  EMIS  Unit,  to  ensure  continuity  and  enable succession planning. These may be sourced from the Provincial Officers,  for  example.  The Head  of  the  EMIS  Unit  should  train these officers. 

High 

1.2.2  The  efforts  in  provision  of  information  and  communication technology  (ICT)  resources  should  be  realigned,  focusing  on doing the necessary and realistic first, rather than attempting at such projects as connecting every school. Functioning local area networks  (LANs)  in  districts  and  provinces  should  be considered  as  critical  tools  to  enable  an  effective  EMIS. Prioritisation is highly recommended. 

High 

1.2.3  In terms of software, unification of the different systems under one  software  application  is  recommended.  The  present application is not working well. A sustainable solution should be sought. Harmonised databases across responsible bodies should underpin the whole education statistics system. 

High 

1.2.4  Training in generic ICT skills, as well as in (using software for) data  analysis  is  urgently  required,  in  particular  at  the  district level. This should target staff critical to data processing related to EMIS,  for  example,  secretarial  staff.  It  should be  targeted  in 

 durasuch a way as to ensure capabilities are bly developed. 

High 

1.2.5  While  at  present  there  seem  to  be  sufficient  computers  at district  level,  even  in  areas  with  limited  electricity  (laptops), connectivity should be prioritarily provided. This will become of particular importance once the EMIS application (see 1.2.3) will be accessible online. 

Medium 

1.2.6  The exact status of the EMIS Unit, apart from the EMIS IP, is to be clarified, mainstreamed and provided with adequate funding. 

High 

1.2.7  Harmonisation  of  concepts, methodologies  and  surveys  /  data collection  cycles  should  be  sought,  where  possible;  this  drive should  be  led  by  a  central  coordinating  body  such  as  a  data quality  group  (see  1.1.2).  KNBS  should  probably  play  a  key 

Medium 

16

leadership role in such a group (see 1.3.1). 

1.2.8  Regular  training  in  completing  survey  instruments,  for  both school‐based  and  district‐based  staff,  as  well  as  regular  data quality checks and audits of completed  instruments,  should be implemented. This is of particular importance at recruitment. 

Medium 

1.3.1  KNBS  should,  to  a  greater  extent,  fulfill  a  role  of  guardian  of quality at relevant line Ministries and SAGAs. It should attain a leadership role in coordination activities (see 1.2.7). 

Medium 

1.3.2  Surveys  of  user  satisfaction  with  education  statistics  (where users  may  be  defined  as  intra‐Ministerial  clients  or  external individuals or entities, such as development partners) should be conducted to assist a greater understanding of whether relevant data provision is timely, accurate and accessible. 

Low 

 

17

2. Integrity:  The  principle  of  objectivity  in  the  collection,  processing, and dissemination of statistics is firmly adhered to 

 This dimension captures the notion that statistical systems should be based on adherence to the principle of objectivity in the collection, compilation, and dissemination of statistics. The  dimension  encompasses  institutional  arrangements  that  ensure  professionalism  in statisti ractices,  transparency, and ethical  standards. The  three elements for this ity are: 

cal policies and p

 dimension of qual

professionalism, transparency, and 

ethical standards.  

2.1. Professionalism:  Statistical  policies  and  practices  are  guided  by  professional 

s principle

 35. The MoE recognizes the critical role of an effective Education Management Information 

System (EMIS) in the provision of timely, reliable and accurate data for the education sector, as it is acknowledged in KESSP. It should be mentioned that the Education Act, which defines  the work of MoE,  does not,  in  any way, mention  statistics  or  any data collection  activity,  while  it  could  be  the  vehicle  to  address  the  general  need  for  the professional  independence of  the data producing agency. As mentioned before, KNBS has  the  primary  responsibility  for  census  and  household  surveys  (which  is underpinned by the Statistics Act) and there  is an attempt by MoE, through the EMIS nit,  to consolidate the education data sources and acts as a formal  link to the Kenya uNational Bureau of Statistics (KNBS).  

36. The recent establishment of KNBS as a Semi Autonomous Government Agency (SAGA), from formerly being a component of the Ministry of Planning, indicates the recognition of  the  importance  of  its  independence  with  the  full  authority  to  compile  and disseminate statistical  information. This function is underpinned by the Statistics Act, 2006, and clearly states  it  is an Act of Parliament to provide  for  the establishment of Kenya National Bureau of Statistics for the collection, compilation, analysis, publication nd  dissemination  of  statistical  information,  and  the  co‐ordination  of  the  national astatistical system and for connected purposes.  

37. KNBS  as  the  umbrella  agency  is  supportive  of  the  work  of  the  EMIS  unit  with  no interference in the compilation and dissemination of statistical data.  EMIS consolidates the education data for Kenya National Bureau of Statistics (KNBS) for purposes of the publication  of  the  Statistical  Abstract  and  Economic  Surveys.  In  fact,  from  the 

18

db 

iscussions  with  participants  it  was  apparent  that  an  informal  collaboration  exists etween these two data producing agencies. 

2.2.  Statistical policies and practices are transparent Transparency:

 38. Based  on  evidence  from  the  analysis  of  current  documentation  (See  KESSP  revised 

report:  EMIS  Chapter,  May  2010)  with  regard  to  the  recruitment  and  promotion practices it  is stated that a systematic and aggressive capacity building programme is in  place  and  will  be  continuously  carried  out  to  equip  the  staff  with  skills  and ompetencies  necessary  to  support  electronic‐based  systems  particularly  at  the cdistrict, province and headquarters levels.   

39. It does not seem that professionalism is promoted by the publication of methodological papers and by encouraging participation in or organizing lectures and conferences and hat constraints due to lack of capacity are a very real inhibitor at this level. However, it tis a necessity that should be emphasised.  

40. In discussions with interview participants it was indicated that the choice of core data survey  instruments of  the MoE (refer  to Table 1.1 above) and the population census are considered  for  the development of education  indicators such as Gross Enrolment Ratios  (GER),  Net  Enrolment  Ratios  (NER),  repeaters,  dropouts,  transition  rates, completion  rates,  gender  parity  and  tracking  of  MDG  goals  and  EFA  progress.  The publications  Education  Facts  and  Figures  and  the  Educational  Statistical  Booklet include these education indicators. When the team visited one of the schools, the head‐teacher indicated that the source data for age is obtained from the birth certificates of learners.  In  fact  she  kept  a  file  with  all  these  documents.  In  our  discussion  with participants  it was apparent that there  is a drive in the country to make sure that all learners  get  their  birth  certificates.  Furthermore,  there  is  an  awareness  of  the statistical  chain  (instrument  design  and  dissemination,  data  cleaning  and  reporting) with some limitations in data validation and data analysis. There is also an attempt to validate and compare certain data elements on the survey instrument. For example, the comparison of enrolment figures with age totals on the survey instrument will increase the quality of the data. However it must be said that the experience during these few discussion  sessions  is  that  there  is  a  definite  need  to  improve  data  processing  (data collection activities and scheduling) and data validation procedures. 

41. It was ascertained during the investigation that members are generally not encouraged o present their reasoning for the choice of methodologies in documents that are made tpublic.   

42. here seems to be very little evidence for that the data‐producing agency commenting ublicly on erroneous interpretations or misuse of the statistical data. Tp 

19

43. A  representative  of  KNBS  indicated  that  there  is  a  media  interest  in  the  leading economic indicators published on a monthly basis, and the KNBS website is therefore an important link in this regard. On the website of KNEC there is a speech by the chief executive  officer  during  the  release  of  the  2009  KCSE  results,  and  a  speech  by  the Minister  of  Education  during  the  release  of  the  2009  KCPE  results.  A  report  on  the 008 KCPE examination with question papers and answers to the objective questions 2is also available. There is no clipping service or media division in the MoE.  

44. The Kenya National  Examinations  Council  has  a  service  charter  as  a  commitment  to provide  quality  service  to  its  clients  and  KNBS  has  a  data  access  and  dissemination policy clearly specified that  the objective of the micro‐data release policy  is  to define the nature of the anonymised micro‐data files that will be released, the intended use of these  files,  and  the  conditions  under  which  these  files  will  be  released.  The  policy urther  outlines  terms  and  conditions  of  use  of  public  data  files. We  could  not  find fsimilar documentation for the MoE.  

45. There does not seem to be a public and official  schedule  for reporting of  statistics at MoE. However, KNBS has a catalogue (39 pages), an ad‐hoc publication which presents descriptive information of KNBS publications which includes the following details: The title;  Short  summary of  each publication; The unit price/method of distribution; The number  of  pages;  Whether  available  in  other  formats;  International  standard  book umber where necessary; KNBS website  and whose  link all  other KNBS publications ncan be accessed; and a list of Geographic information Maps of 1999 Census.  

46. n  the  case of MoE,  the public  is  not made aware of  the  approval process  for official Istatistics.  

47. Most  publications  that  are  available  have  been  clearly  identified,  and  the  data producing agency is usually acknowledged as the source. Refer to publications of MoE ch as Education Statistical Booklet and Education Facts and Figures and publications, su

and of KNBS such as Statistical Abstract 2007 and Economic Survey 2009 as examples.    

48. In most cases, it appears that, in the case of joint publications, the part attributable to the  data‐producing  agency  is  identified.  However,  the  KNBS  logo  seems  not  to  have been indicated on the MoE publications. 

49. Oversights were noted during the visits with regard to requests by the data agency for attribution when  its statistics are used or reproduced.  It seems that  the MoY has not requested  attribution  for  publication  of  their  data.  Data  from  KNEC  is  available  for outside  users  but  the  obligations  and  responsibilities  of  their  customers  are  clearly outlined in their Service Charter (June 2006). It  is stated that they should “recognize, cknowledge and respect intellectual property rights and any materials acquired in the acourse of duty with KNEC”.  

50. The team did not find any evidence that advance notice is given when major changes in methodology, sources, and statistical techniques are introduced. 

20

2.3.  standards: Policies and practices are guided by ethical standards Ethical

 51. lear guidelines outlining correct staff behaviour exist, for example in the Public Officer C

Ethics Act, but these are not focused on statistics and tend to be on the generic side.  

52. anagement  acknowledges  its  status  as  role  model  and  is  vigilant  in  following  the Mguidelines.   

53. ost staff members in the EMIS Unit are interns or consultants. There does not seem to Mbe an induction process in place that is available for new staff members.  

54. o  specific  guidelines  seem  to  exist  to  remind  staff  members  periodically  of  the uidelines (ethical standards). Ng 

0.32

0.320.28

Professionalism

TransparencyEthical standards

Kenya International Norms

2.4. Synthesis and score  

Based on an assessment of all  the DQAF sub‐dimensions, a global score of 31% has been assigned for the integrity dimension. 

 Figure  2.1: Results of integrity 

21

2.5. dations Recommen 

Nr.  Recommendation  Priority 

2.1.1  Further  participation  in  technical  conferences  and  publication of  (methodological)  papers,  by  concerned  EMIS  staff,  is encouraged. 

Medium 

2.1.2  More  can  be  done  in  terms  of  preventing  erroneous interpretation  of  statistical  data  in  the  press,  through  e.g. briefings and a ‘clipping service’. 

Low 

2.2.1  The  KNBS’  contribution  to  MoE  publications  should  be  made e oexplicit with a logo, wherev r p ssible. 

Medium 

2.2.2  Advance  notice  needs  to  be  given  when  major  changes  in methodology, sources, and statistical techniques are introduced. Prior  to  that,  however,  the  current  way  of  calculating  data should be clarified publicly. 

Medium 

2.3.1  More  explicit  guidelines  on  ethical  behaviour  of  relevant  staff would be helpful.  This  should be  an  important  element of  any induction process (see 1.2.8 and 2.3.2).  

Medium 

2.3.2  The introduction of induction for new staff members, targeting all staff involved in the statistical data chain seems called for. 

Medium 

 

22

 

3. Methodological  soundness:  The  methodological  basis  for  the statistics  follows  internationally  accepted  standards,  guidelines,  or good practices 

 This  dimension  covers  the  idea  that  the  methodological  basis  for  the  production  of statistics  should  be  sound  and  that  this  can  be  attained  by  following  internationally accepted  standards,  guidelines,  or  good  practices.  This  dimension  is  necessarily  dataset‐specific hodologies for different datasets. This dimension has four elemen

, reflecting different metely: 

ts, nam

concepts and definitions, 

ization, and scope, classification/sector

basis for recording.  

3.1. Concepts  and  definitions:  Concepts  and  definitions  used  are  in  accord  with 

 statistical frameworks standard

 55. At the time of fact finding mission, the mapping of education system in Kenya does not 

completely align with the International Standard Classification of Education (ISCED) of UNESCO. Kenya is one of the countries who have submitted a Questionnaire on National Education  Programmes  (UIS/ISCED)  to  the  UIS  and whose mappings  are  in  progress (available at: http://www.uis.unesco.org).

56.  No important deviations from international standards and concepts were found.  

57. The  Education Act,  as well  as  available  publications,  do  not  describe  the  compulsory beginning and end age of education.    

58. Data  is  collected  for  repeaters  via  the  primary  and  secondary  school  survey instruments,  indicating  that  there  is  no  automatic  promotion  in  Kenya.  Furthermore,  progression from primary to secondary school and from secondary school to university is  through  selection on  the basis of performance  in  the national  examinations  for  the Kenya Certificate of Primary Education (KCPE) and the Kenya Certificate of Secondary Education(KCSE), respectively.  

3.2. Scope: The scope is in accord with internationally accepted standards, guidelines, 

 good practices or

 

23

59. The formal education system in Kenya comprises of Early Childhood Education, 8 years of  compulsory  schooling  in  primary  education,  4  years  in  secondary  education  and  a minimum  of  four  years  in  the  University  depending  on  the  degree  pursued.  This  is widely  referred  to  as  the  8‐4‐4  system which  has  been  operational  since  1985.  Data collection  instruments  were  harmonized  with  nine  core  EMIS  data  collection instruments in an attempt to cover all levels of education. The data collection for ECD, primary  and  secondary  is  termly  to  meet  the  TSC  teacher  management  data  with reference months being March,  July and October. Tertiary  institutions have an annual data collection cycle while adult education is quarterly (refer to EMIS documentation).  

60. Analysis of  the core annual  survey  instruments  indicates  that data of  teaching staff  is mostly collected by the MoE, in collaboration with TSC. The Textbook Monitoring Unit, within  the  MoE  also  collects  data  (enrolment)  for  the  capitation  grants  and  keeps records of the current textbooks in institutions. The Free Primary Education return was designed in 2003 to support the Free Primary Education programme and the target is public primary schools. The key data collected is enrolment, which is, used as a basis for disbursements of Free Primary Support Funds. The enrolment statistics are compiled at the  school  and  forwarded  to  the  District  Education  Office  for  further  tabulation  and transmission to the Ministry headquarters to Text Book unit under Directorate of Basic Education for allocation of funds.  

61. Kenya National Examination Council (KNEC) is responsible for examination data in the country  with  one  of  the  core  functions  being  the  co‐ordination  of  examination  data. Kenya National Examination Council (KNEC) is responsible for examination data in the country with one of the core functions the co‐ordination of examination data. The only performance  data  that  is  collected  appeared  to  be  through  the  Teachers  Training Colleges  annual  survey  instrument  asking  for  the  institutions mean  score.  The  South and Eastern Africa Consortium for Monitoring Education Quality (SACMEQ) is a dataset that contains information on schools based surveys,  including students’ tests,  from 15 countries that belong to SACMEQ and Kenya is one of them.  

62. The data collection process is coordinated by provincial, district and zonal officials. The datasets make  provision  for  these  geographical  boundaries  and  is  published  as  such, namely  per  institution  by  district  and  province.  Table  3.1  below,  indicates  the geographical  boundaries  (Education  Statistical  Booklet  2003‐2007)  by  Province  and district.  Table  3.2  below,  shows  that  the  structure  of  the  TSC  database  also  makes provision for geographical boundaries (refer to provincial and district code in the table) and is used at institutional level (see school code) to capture the survey data.  

24

Table  3.1: Primary Schools by province and district (Source: Educational Booklet 2003­2007) Table A3.1 Number of Primary Schools by Type and District, 2003-2007PROVINCE/ 2003 2004 2005 2006 2007DISTRICT Public Private Total Publ ic Private Total Public Pri vate Total Publi c Private Total Public Pri vate Total

COASTT aitaT aveta 177 7 184 178 7 185 179 9 188 179 9 188 179 27 206Kilifi 227 29 256 230 33 263 229 25 254 235 50 285 235 98 333T ana River 114 3 117 114 3 117 121 7 128 121 8 129 121 15 136Lamu 67 4 71 65 2 67 66 3 69 69 4 73 69 1 70Kwale 272 9 281 271 9 280 271 12 283 269 18 287 269 80 349Mombasa 83 51 134 81 64 145 85 87 172 91 104 195 91 341 432Malindi 95 17 112 100 20 120 97 40 137 105 43 148 105 67 172Total 1,035 120 1,155 1,039 138 1,177 1,048 183 1,231 1,069 236 1,305 1,069 629 1,698CENTRAL  (Geographical boundaries, such as province and district are indicated in the table above) 

 Table  3.2: Institution table structure in the TSC database (Source: TSC database) 

Institutes SchoolCode Scode schoolname Provcode Distcode DISTNAME 800104013 0104013 A. K. MAGUGU PRIMARY SCHOOL 2 0201 KIAMBU 900033034 0033034 A.B.C ACADEMY 7 0733 KISI I 900006019 0006019 A.B.C ACADEMY GIRLS 3 0306 MACHAKOS 820611072 0611072 A.B.C GIRLS ACADEST MARYMY 3 0768 NYANDO 820612056 0612056 A.B.C KATHEKA PRI SCH 3 0306 MACHAKOS 000009140 0009140 A.B.C KISOVO 3 0348 MWINGI 824301154 4301154 A.B.C THWAKE PRI 3 0343 MAKUENI 830905017 0905017 A.C KIGARI SCH 3 0309 EMBU 830905025 0905025 A.C KIRIGI PRI SCH 3 0309 EMBU 830902039 0902039 A.C NDUMARI PRI SCH 3 0309 EMBU 810506009 0506009 A.C OLKALOU PRI SCH 2 0205 NYANDARUA  

(The fields in the institutions table of TSC, such as provcode, distcode and schoolcode indicate that   provision is made for geographical boundaries in the data collection process) 

 63. The  data  collection  instruments  as  listed  in  Table  3.3  below  include  groups  such  as 

male,  female private and public. Table 3.1 above  is an example  of data  for public and private institutions. The enrolment and teacher data can also be categorized in groups such as gender and sector (public and private).  

3.3. Classification / sectorisation:  Classification  and  sectorisation  systems  are  in 

 with internationally accepted standards, guidelines, or good practices accord

 64. Statistics,  in  general,  do  not  seem  to  be  underpinned  by  an  overall  classification 

framework or system. For example, data on Youth Polytechnics are collected, processed and published  separately  from TIVET‐data, while  these  concern,  in essence,  the  same sub‐sector.  This  is  due  to  historical  and  organisational  factors,  rather  than  statistical 

25

ones.  In addition, some databases are recreated on a yearly basis, without conversion keys, leading to lack of consistency of classifications over time, as well as to challenges to compatibility and trends analyses.  

65. The  recording  of  educational  expenditure  from  public  sources  (for  example,  data collected  by  the  Textbook Monitoring  Unit)  allows  for  disaggregation  by  ISCED  level without  significant  challenges.  As  submissions  of  international  questionnaires  even reflect  household  expenditures  by  ISCED  levels,  the  situation  regarding  private c uontrib tions is also satisfactory.  

66. There  are  nine  core  data  collection  instruments  in  an  attempt  to  cover  the  entire ducation spectrum (from ECD, primary, secondary, TIVET, TTCs, University) in terms eof students (enrolment), teachers, and educational institutions.   

67. Documentation is available for respondents who need assistance  in the form of a Data Collection Manual (DCM) that covers all  levels of education stating the data collection procedures,  definition  of  terms,  terminology,  data  collection  reference  dates  and detailed explanation of the instruments. However, it appeared that the manual was not yet implemented.   

3.4. Basis  for  recording:  Data  are  recorded  according  to  internationally  accepted 

 guidelines, or good practices standards,

 68. Although  not  providing  all  elements  to  identify  the  full  set  of  ISCED  level,  the 

questionnaires for data collection, over the whole, provide adequate data to submit the international  questionnaires.  The  nine  core  data  collection  instruments  attempt  to 

 cover all levels of the education spectrum, including the Youth Polytechnics. 

69. Although  not  strictly  according  to  the  ISCED  classification  the  data  is  categorized according  to public  and private; ECD,  primary,  secondary  and  tertiary  education. The data collection  instruments  for universities are  in  the process of being developed and implemented.  In  this  section  there  exists  a  strong willingness  to  implement  the  data collection  activity.  The  data  collection  instruments  for  primary,  secondary  education collect data also by gender, age and class.  

70. Table 3.3 below presents a detailed analysis of all the data collection instruments that the team could obtain during its investigation. It must be noted that although some of the instruments exist, the datasets are not necessary complete or available. For example the  3rd  term  data  instrument  for  primary  and  secondary  schools  is  a  comprehensive survey but  the datasets  for  this survey were not available. From the Table below  it  is evident  that  education  finances  data  was  not  readily  available  and  the  investigation confirmed this.  

26

Table  3.3: Overview of da a collection processes t  

ECD – 3rd Term 2008 

Primary ­1

st Term 2010 

Secondary­ 1st Term 2010 

Non­Formal ­1

st Term 2010 

Teacher Training Colleges ­ 

2010 

TIVET ­2008 

University­ CHE ­2010 

Adult Education­ 2010 

TSC – 2nd  Term 2010 

DEM

MIS – ECD & Primary 

Gender  X  X  X  X  X  X  X  X  X  X Public  X  X  X  X  X  X  X  X  X  X Private  X  X  X  X  X  X  X  X     

Enrolment 

Grade/level  X  X  X  X  X    X  X  X  X Gender    X  X      X         Public    X  X      X         Private    X  X      X         Repeaters 

Grade/level    X  X      X         Gender              X       Public              X       Private              X       Graduates 

Grade/level              X       Gender  X  X    X  X  X    X     Public  X  X    X  X  X    X     Private  X  X    X  X  X    X     Enrolment by age 

Grade/level    X    X  X  X    X     Gender                     Public                     Private                     Field of Study 

Grade/level                     Gender  X  X    X  X  X  X  X  X  X Public  X  X    X  X  X  X  X  X  X Private  X  X    X  X  X  X  X     Level of education    X  X  X  X  X    X  X   Length of service    X  X  X  X  X    X  X   Full‐time/part‐time    X  X  X  X  X    X  X   Full time equivalents                     

Teachers 

Trained/untrained    X  X  X  X  X    X  X   Gender    X  X               Public    X  X               Private    X  X               

Non‐Teaching Staff‐  3rd  Term 2008 where applicable 

Grade/level                     Public   X  X  X  X  X  X  X  X  X  X Private  X  X  X  X  X  X  X  X  X   Education 

Institutions  Grade/Level                     Public     X  X  X             Private    X  X  X             

Education Finances‐ 3rd  Term 2008 where applicable  Grade/Level                     

27

(The columns in the table above indicate the particular sector with the term and year the survey was conducted. The rows in the table indicate the elements included in the questionnaire by gender, by private and public and by grade/ level of education). 

 

3.5.  Structure Database

 71.  Prior  to  the  analysis  of  the  different  database  systems  currently  used  for  data 

collection,  a  few  general  statements  about  Relational  Database Management  Systems (RDMS) are offered. A Relational Database Management System (RDMS) is a system in which data is stored in the form of tables and the relationship among the tables is also stored  in  the  form  of  tables.  The  relational  structure  makes  it  easy  to  query  the database  and  to  integrate  large  datasets  from  multiple  sources.  Data  integration generally  means  linking  different  data  sources  through  a  common  field  across  a collection  of  data  sources.  To  be  able  to  do  this,  unique  identifier  codes  must  be assigned to the datasets that are used for the integration. Another key concept in RDMS is referential integrity a concept that ensures that relationships between tables remain consistent, in other words when one table has a foreign key to another table referential integrity states that one may not add a record to the table that contains the foreign key unless there is a corresponding record in the linked table (it  includes concepts such as cascading  delete  and  cascading  update).  Normalization  is  another  important  concept that ensures that the data in the database is efficiently organized, namely by eliminating redundant data and ensuring that dependencies make sense. With the above in mind we can now look at the databases we encountered during our visits:  The  COPY  CAT  database,  designed  and  developed  to  capture  the  data  for  MoE,  was complex and difficult to access and could not meet user needs at the district and national levels. No historical data can be stored in the database. For every data collection process a new database has to be physically installed. This seems to be the main reasons why the MoE is planning to discard it in favour of a more stable and standardized system, such as StatEduc2  on  top  of  the  Foundation  Database.  StatEduc  is  a  statistical  data  entry  and processing software generator that was developed by UNESCO Institute of Statistics  to answer  member  states  needs.  This  system  has  been  deeply  tested  and  is  currently working in several countries in Sub‐Saharan Africa.  The  database  used  by  TSC  was  available  and  seems  to  work  for  the  purpose  it  was developed. However  it was not designed  for  the purpose of statistical needs,  including efficient storage and retrieval of historical data. A new database has to be installed every time a data collection process starts. The structure of the database also does not adhere to the principles of RDMS. Figure 3.1 below is an example of some of the fields in the age table that is in the form of a flat file which makes data querying difficult. There is also no primary key assigned and no naming conventions are  followed such as  to  indicate  the primary  key  or  foreign  key  fields  in  the  table.  Figure  3.2  is  the  table  with  all  the institutions (master list). There is a unique identifier for each institution, but no link to 

28

any other dataset. Remember that there are three unique identifiers for each institution, namely a code for TSC, MoE and KNEC.  

Figure  3.1: Structure of the age table in TSC database 

 (The table indicates the fields in the TSC database with a flat file structure. The fields, such as std1m5 and std1f5 indicate the age 5 by standard and gender). 

 Figure   3.2: The structure of the Institutions table (master list) in TSC database 

 (The master  list table  in TSC database  indicates the unique  identifier  for  institutions with the field name schoolcode)

 The  structure  of  the  Foundation  database,  although  not  yet  fully  implemented,  is  in  line with RDMS principles. The principles of referential integrity were evident in the design of 

29

the  oundation database and specific naming conventions are followed as indicated in the Figure 3.3 below. Specific documentation for the Foundation Database was also available.  

f

 Figure  3.3: Structure of enrolment table in the Foundation database 

(Referential integrity is applied in the Foundation database. Notice how field fk_age_group in the enrolment table refers to the age_group table) 

 

3.6.  and score Synthesis

0.33

0.67

0.28

0.46

0.06

Concepts and definitions

Scope

Classification/sectorizationBasis for recording

Data Base structure

Kenya International Norms

 Based on an assessment of all  the DQAF sub‐dimensions, a global score of 49% has been assigned for the methodological soundness dimension. 

 Figure   3.4: Results of methodological soundness 

30

 

3.7  Recommendations 

An  overall  view  on  the  methodological  soundness  indicates  that  many  data  collections activities  are  initiated  and  implemented  throughout  the  system.  It  did  not  appear, considering  the  outcomes  of  the  evaluation  of  this  section,  as  if  there  was  an  endemic problem with  the collection of data. Questionnaires are developed, designed, printed and disseminated.  Though  survey  instruments  are  distributed,  data  captured  and  returned, when one delves deeper it was evident during our investigation that response rates need to be increased and data collection processes need to be improved and completed. 

.  

 Nr.  Recommendation  Priority 

3.1.1  It  is  recommended  that  the main  characteristics  of  the  Kenya education  system,  an  understanding  of  which  will  assist  the interpretation  of  the  data,  are  briefly  explained  in  important statistical publications.  

Low 

3.2.1  Several improvements can be made in terms of the scope of the collected  data.  In  terms  of  sectors,  large  parts  of  the  TVET establishments do not seem to be covered by any surveys – i.e., the  private  TVET  institutions.  The  separation  of  Youth Polytechnics  in  terms  of  EMIS,  from  general  TVET,  while understandable  from  an  organisational  and  historical  point  of view, creates inefficiencies too large to ignore. 

Medium 

3.3.1  Some documentation of a mapping to Kenya’s education system to  International Standard Classification  in Education  (ISCED) at the KNBS and MoE is highly recommended. (Kenya’s ISCED map is  published  at  the  UIS  website.)  This  will  not  only  aid consistency  and  coverage  in  the  future  submissions  of international  data,  but  also  international  comparisons  on education indicators. 

Low 

3.3.2  Implementation of  the data collection manual, as developed,  is encouraged, but this should preferably be harmonised with the possible  changes  following  a  revision  of  data  collection instruments and procedures, underpinned by a general review of information requirements (see 3.5.3). 

Low 

31

3.4.1  It  is  recommended  to  optimise  the  data  collection  procedures for  education  statistics,  e.g.  by  reducing EMIS’  data  collections to  two  cycles  a  year  (see  1.1.7).  A  snapshot  of  data  at  the beginning of the year1 to provide teachers and pupil enrolment data  for  education  planning  purposes  and  a  more comprehensive survey later in the year, is considered the ideal model. 

High 

3.5.1  Unique  identifiers  for  educational  establishments  across organisational units involved in educational data collection and processing,  are  highly  recommended  (note:  steps  in  this direction  have  been  taken  through  the  ‘MoE‐number’).  These should  be  sourced  from  a  Master  List  that  is  used  across organisational units, e.g. such as that of the MoE / Registration Department. 

High 

3.5.2  A  full  redesign  and  integration  of  existing  database  systems, according  to  standards  in  vigour,  is  advised,  involving  the application  of  referential  integrity.  The  Foundation  Database aims to realise this 

Medium / High 

3.5.3  A global inventory of information / data requirements is highly recommended, to underpin the redesign mentioned under 3.5.2. 

High 

 

1 Kenya’s academic year follows the calendar year.

32

 

4. Accuracy  and  reliability:  Source data  and  statistical  techniques  are sound and statistical outputs sufficiently portray reality 

 This dimension covers the idea that statistical outputs sufficiently portray the reality of the economy.  It  relates  to  the  notion  that  source  data  provide  an  adequate  basis  to  compile statistics that statistical techniques are sound, and that source data, intermediate data, and statisti re  regularly assessed and validated,  inclusive of  revision  studies. The five ele n cover: 

cal outputs a

ments of this dimensio

source data, 

statistical techniques, 

alidation of source data,  alidation of intermediate data and statistical outputs, and assessment and vassessment and v

revision studies.  

4.1.  data available provide an adequate basis to compile statistics Source

 4.1.1. Statistics  collected  through  a  regular  administrative  school  census 

program. 

rough analysis of databases by TSC and datasets of MoE has shown   oA th  the following:  

72. The  structure  of  educational  system,  students  and  teachers:  The  nine  core  data survey instruments cover the education system (ECD, primary, secondary and tertiary) in  terms  of  data  such  as  enrolment  and  teachers.  School  data  on  educational expenditure was not always available. The database of TSC that we obtained, although not well designed,  included  the  tables  for  secondary and primary education  for  three consecutive years (2008, 2009, 2010) as presented in Figure 4.1 below. The database of EMIS  (MoE)  was  not  operational  at  the  time  of  the  investigation.  The  Foundation database in EMIS (MoE) is an attempt to have a functional system in place that contains adequate  source  data  on  education  system,  students,  teachers,  and  educational expenditure to compile statistics  

 

 

 

 

 

33

Figure   4.1: Tables in the TSC database  

 

 

 

 

 

 

 

 

 

 

 

 

 

 

(The names of the tables in the TSC database are displayed in the figure above, such as PriStudentsEnrolment20101, indicating the enrolment table for primary school students in 2010 for the first term data collection) 

 73.  Geographic  areas  (local,  regional,  central):  The  structure  of  the  MoE  is  based  on 

clearly defined geographical areas at a  local (institution), regional (districts, divisions and  zones)  and  central  level  (national).  The MoE  consists  of  8  Provinces  and within each  province  are  a  number  of  districts.  Currently  there  are  272  districts  in  the country. Within each district there are a number of divisions (600 in the country) and within  each  division  there  are  a  number  of  zones.  Each  zone  consists  of  about  23 institutions.  The data  collection process  (questionnaire  dissemination,  collection  and capturing) is managed along these geographical areas. The institution table in the TSC database  has  fields  for  institutions,  provinces  and  districts  to  accommodate  the geographical  areas of  education  system as  indicated  in Figure 3.2 above. The master ist of  institutions with unique identifiers for MoE was in the process of development uring our consultation interviews. ld 

74. Coverage  of  relevant  sub­groups  of  units  of  collection  (e.g.  male  and  female students and teachers): Student and teacher data in the TSC database are according to 

34

0

100000

200000

300000

400000

500000

600000

1 2 3 4 5 6 7

2008

2009

gender. The data was available only  for public  institutions  as  presented  in Figure 4.2 below.  Figure  4.3  shows  a  big  inconsistency between  the  enrolment  by  grade  for  the years  2008  and  2009  of  the  MoE  (received  a  spreadsheet  from  MoE  with  their enrolment figures for 2008 and 2009).  

Figure  4.2: Students and teachers by gender for public primary schools in the TSC database 

Figure  4.3: Enrolment figures by grade for 2008 and 2009 (data received via a spreadsheet from the MoE) 

Figure 4.3:  

35

75. School list reliability in the data base: There is a unique identifier for each institution in  the  TSC  database  which  is  used  in  all  correspondence  and  processes  for  that institution. When  we  analysed  the  TSC  database  that  we  received,  there  were  some duplicates in the institution table as indicated in Figure 4.4 below. Institutions have the same TSC unique number but the name of the school differs.  

Figure  4.4 : Duplicates in the institutions table in TSC database SchoolCode schoolname942903084 NAKWAPUA PRY SCH942903084 NGOTUT PRY SCH942903081 NASAL PRY SCH942903081 KASAKA PRY SCH942903083 KOSIA PRY SCH942903083 OROLWO PRY SCH942903085 KOTOPOTON PRY SCH942903085 KATOPOTON PRY SCH942903086 CHEPCHIKARAR PRY SCH942903086 MBARU PRY SCH942903082 LOCHERIAMONYANG PRY SCH942903082 KAPKEWA PRY SCH810501079 Grace Primary810501079 KOINANGE PRY SCH810501078 GRACE PRY810501078 KANYUGI PRY SCH000009238 KIVANI S.S.000009238 YIKITAA SEC SCHOOL820612016 KIKAMBUANI PRI SCH820612016 kalacha nomadic000008350 NUU S.S.000008350 KITOO SEC SCHOOL933801117 BIRKAN PRY SCH933801117 DARIKA PRY SCH

Same school code but the name of the school is different

 

76. Reliability of age distribution: The age table in the TSC database in Figure 4.5 below for  primary  schools  has  a  flat  file  format  not  complying  with  relational  database structure  standards.  This  makes  it  extremely  difficult  querying  data.  When  we compared the totals of the enrolment figures as collected in the 2010 survey with the age totals in the same survey,  large discrepancies appeared. The scatter plot in Figure 4.6 below shows the discrepancies between these figures.  

 

 

 

 

36

Figure  4.5: Primary school age table for 2010 table in TSC database   

 

 

 

Figure  4.6 :  Scatterplot for age totals and enrolment collected in the 2010 survey instrument 

4.1.2. Statistics on demand  for education collected  through household surveys and population censuses 

 77. School enrolment, educational attainment (literacy  level and highest educational 

level  attained)  and  attendance:  Kenya  National  Bureau  of  Statistics  has  two publications “Economic Survey 2009” and “Statistical Abstract” wherein the enrolment figures  for  ECD,  primary  and  secondary  schools  are  published.  These  figures  are obtained from the MoE and not through household surveys and population censuses.  

37

0

1,000,000

2,000,000

3,000,000

4,000,000

5,000,000

6,000,000

7,000,000

8,000,000

9,000,000

10,000,000

2000 2001 2002 2003 2004 200 2006 2007 2008 20 2015 09 0

Primary School Age

Secondary School-going Age

The  population  projections  by  age  range  (ref.  Revised  Population  Projections  for Kenya: 2000 – 2020, CBS . MoPND, August 2006) is an important dataset for EMIS and is  presented  in  Figure  4.7  below.  The  Kenya  Integrated  Household  Budget  Survey (KIHBS), 2004/05 (available from: http://www.knbs.or.ke/, 2010) includes important enrolment  elements  that  could  allow  for  triangulation  of  EMIS data.  This Household Questionnaire has 23 sections and aims to provide data on socio‐economic aspects of the  Kenyan  population  including  education,  health,  energy,  housing,  water  and sanitation.  Important  enrolment  items  included  in  the  questionnaire  are  province, district,  division,  names  of  school,  gender  and  age.    The  education  section  in  the Household Questionnaire also has questions on literacy levels, such as ever attended school, highest school grade completed and  in which year, and questions on highest educational  levels  attained  such  as,  highest  vocational  training  completed  and highest  educational  qualification  acquired.  The  education  section  in  the  Kenya Integrated Household Budget Survey (KIHBS) also has questions on attendance such s how many days was school  in  session over  the past 2 weeks and how many days 

attending school in the past 2 weeks. awas spent  

Figure  4.7: Population projections for primary and secondary school going age (Source: Revised Population Projections for Kenya: 2000 – 2020, CBS . MoPND, August 2006) 

               

78. Educational expenditure: The above mentioned household survey (Kenya Integrated Household  Budget  Survey  (KIHBS)  also  has  detailed  information  on  how much  was spent  on  a  particular  child’s  education  in  the  last  12  months  by  members  of  the household under the education section. Expenditure include items such as, tuition fees, books and other fees, uniforms, boarding fees, transport costs, contribution for school building  or maintenance,  extra  tuition  fees,  examination  fees,  PTA  and  other  related fee , pocket money ans d shopping.   

79. Population analysis: From Figure 4.8 below, projections by age group (5‐15 and 15‐19) seem to be coherent (ref. Revised Population Projections for Kenya: 2000 – 2020, CBS  .  MoPND,  August  2006).  However,  we  couldn’t  be  provided  by  projections  by single age used for education indicators calculation. In addition,  it  is to be noted that 

38

0

2,000,000

4,000,000

6,000,000

8,000,000

10,000,000

12,000,000

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

5-15

15-19

the projections by around 3 million a 

recent  census  (2009,  published  2010)  revealed  that  projections  underestimated s presented in Figure 4.8 below.  

Figure  4.8: Population Census for age groups 5­15 and 15­19 by year      

          

 4.1.3. Statistics  on  the  quality  of  learning  outcomes  collected  through 

assessments of student achievement  

80. Regular programme assessment of student achievement: The Kenya Examinations Council  (KNEC)  is  responsible  for  examinations  at  the  end  of  each  school  cycle.  The Kenya  Certificate  of  Primary  Education  (KCPE)  and  Kenya  Certificate  of  Secondary Education  (KCSE)  are  the  main  formative  assessment  in  measuring  the  level  of attainment  during  the  primary  and  secondary  cycles.  The  Council  administers 

for  over  1,000,000  students  annually,  of  which  around  650,000  for ucation and around 350,000 for

examinations primary ed  post‐primary education.  

81. Assessments  national  or  international:  The  Service  Charter,  2006  of  The  Kenya Examinations  Council  (KNEC)  states  that  the  Council  was  established  by  the government in 1980 through an Act of Parliament (CAP 225A) as a non‐profit making institution to conduct school and post‐school national examinations except university examinations.  Kenya  is  one  of  the  countries  in  the  Southern  and  Eastern  Africa Consortium  for Monitoring Education Quality  (SACMEQ)  survey.    SACMEQ  has  a dataset  that  contains  information  on  school‐based  surveys,  including  students’  tests, 

15  countries  that  belong  to  the  Southern  and  Eastern  African  Consortium  for Educational Quality. 

from Monitoring  

82. Assessments  cover  key  competencies  in  areas  of  learning  such  as  reading  and writing,  mathematics,  and  science:  The  year  2008  Kenya  Certificate  of  Primary Education  (KCPE)  examination  report  that was published  confirms  that  assessments cover  key  competencies  in  learning  areas  such  as  reading, writing, mathematics  and science. Table 4.1 and Figure 4.9  indicate overall performance  per subject by gender for the years 2007 and 2008 KCPE examination. SACMEQ also covers the reading and 

39

All Female Male All Female Male1 English Objective 41.58 41.40 41.72 47.02 46.72 47.282 E3

nglish Composition 40.48 42.15 38.98 39.68 41.11 38.40Kiswahili Objective 56.60 56.56 56.66 51.02 50.07 51.30

4 Kiswahili Composition 46.00 47.75 44.45 42.45 44.33 40.785 Mathematics 47.16 44.44 49.58 49.24 46.00 52.146 Science 55.24 52.16 58.00 59.44 55.52 62.927 Social Studies 61.35 58.48 63.92 60.13 56.58 63.288 Religious Education 60.41 58.90 61.56 58.83 58.43 59.17

MEAN PERFORMANCE (%)2007 2008

mathematics  of  pupils’  competencies  as  presented  in  Figure  4.10 below.  Figure  4.11 indicates the performance of Kenya relative to other countries in the mathematics and reading  scores  of  SAQMECII  results.  There  is  also  an  annual  learning  assessment  by UWEZO.  The  aim  of  the  assessment  is  to  document  and  improve  competencies  in 

and  literacy  among  children  aged  6‐16  years  in  Kenya  (UWEZO,  Annual sessment Report 2010, Summary and Key Findings, 2010). 

numeracy Learning As 

Table  4.1: 2008 & 2007 KCPE Examination Overall Candidates Performance Per Subject By Gender (Source: KNEC 2009) 

0.00

10.00

20.00

30.00

40.00

50.00

60.00

70.00

English Objective

English Co

mpo

sitio

n

Kisw

ahili Objective

Kisw

ahili Com

positio

n

Mathe

matics

Science

Social Studies

Religious Edu

catio

n

2007

2008

Figure  4.9: KCPE Examination overall performance per subject (Source: KNEC, 2009) 

40

450

0

0

0

0

0

0

0

0

0

0

Central Coast Eastern Nairobi North Eastern

Nyanza Rift Valley Western All

Mean pupil Reading and Maths scores

47

49

51

53

55

57

59

61

63

65

SACMEQ I - Reading SACMEQ II - Reading SACMEQ II - Maths

300

350

400

450

500

550

600

Bot

swan

a

Ken

ya

Les

otho

Mal

awi

Mau

ritiu

s

Moz

ambi

que

Nam

ibia

Seyc

helle

s

Sout

h A

fric

a

Swaz

iland

Tanz

aina

Uga

nda

Zam

bia

Zan

ziba

r

All

part

icpa

nts

Mean pupil Reading and Maths scores by country, SACMEQ II

Reading Mathematics

 

Figure  4.10: Mean pupil reading and maths scores by province (Source: SACMEQ) 

Figure  4.11: Mean pupil reading and maths scores by country 

41

4.2.  of source data: Source data are regularly assessed and validated Assessment

 83. Administrative  and  survey  data  are  audited:  During  the  field  visits  the  interview 

participants confirmed that there are data quality checks by the Quality Assurance and Standards Officers at the zones. However,  the regularity of these checks could not be determined. In other words, there is no certainty that administrative and survey data re regularly audited to check the accuracy of source data (e.g., through inspection of 

ions, randomafield collect  post‐enumeration checks).  

84.   is  provided:  Training  to  improve  accuracy  has  been  insufficient  over  the Trainingyears.  

85. Students  dropping  out  are  removed  from  the  register:  Although  school  registers seem to constitute an accurate source of data  for completing  the survey  instruments issues  such  as  birth  certificates  still  need  to  be  addressed  (not  compulsory  and  not 

available). It was confirmed by head teachers visited that students dropping out emoved from the register. 

freely are r 

86. Students  moving  or  changing  schools  are  removed  from  the  register:  It  was confirmed  by  head  teachers  and  the  registers  of  the  school  confirmed  that  students oving  schools  are  removed  from  the  register.  There  is  an  official  form  used  to 

fer students. mtrans 

87.   register  includes  all  students  currently  enrolled:  The  school  register  is  the  all the students at the school. 

Theofficial document as a record of 

4.3. Statistical  techniques:    Statistical  techniques  employed  conform  to  sound 

l procedures, and are documented statistica

 88. Data compilation procedures minimize processing errors: Some cross‐table checks 

and data entry formats are integrated in the system. The enrolment data collected for enrolment can be validated with the age data on the same survey instrument. When we 

these  totals  large  discrepancies  are  evident  as  presented  by  Figure  4.6 compared above.  

89. The  report  forms  are  designed  in  a  way  that  makes  them  easy:  Consultation participants  generally  felt  that  the  data  collection  instruments  are  relatively  easy  to complete and that they are not at all burdened by these processes. However there was a  concern  amongst  participants  that  not  sufficient  training  is  provided  on  how  to omplete  these  survey  forms.  In  addition,  during  the  investigation  it was  found  that 

erpreted some of the tables in the survey questionnaire.  ckey officials misint 

42

90. Enrolment data: School enrolment  is collected  through different survey  instruments by different data producing agencies for different purposes. Both TSC and EMIS collect school  enrolment  data  with  the  same  survey  instrument.  This  is  an  attempt  to 

some of  the many data collection. TMU also collects enrolment data  for a ent purpose, namely the capitation grant

harmonise differ s.  

91. A register (master list) of all schools exist: The unique identifier for TSC and MoE is different. The database from TSC contains a table that covers all the public institutions each with a unique identifier. Figure 3.2 above shows these fields that are in this table. We  also  obtained  a  table  of  the master  list with  the  following  fields, MoE  code,  TSC code, KNEC code, province, district, division and zone from the EMIS (MoE), although the  list  is  not  yet  fully  functional.  During  the  visits  to  district  offices,  participants indicated  that  they  use  the  list  of  schools  to  disseminate  and  collect  survey instruments. At this juncture it is appropriate to mention that the School Registration Unit in the Directorate Basic Education is the most logical place to maintain and update the  master  list  of  institutions.  Procedures  for  opening  and  closing  of  institutions already exist within this unit. Currently it is a manual process which should be changed to an electronic system. The purpose of such a system is to assign a unique identifier to eveIde

ry  institution  in  the  country.  The  basic  functioning  of  the  Institutional  Unique ntifier System works in the following way: 

School The  Registration Unit assigns each institution a unique national institutional identifier (code) that can be used to match records accurately across years.  

The  School  Registration Unit  develops  procedures  to  ensure  that  two  institutions are not assigned the same identifier.  

The School Registration Unit in conjunction with the national EMIS develop a policy with procedures for the closing and opening of institutions 

The Master table has a specific number of key data fields, such as a field to link EMIS data  with  other  data,  such  as  TSC,  KNEC  and  census.  Other  fields  that  could  be c n i a e g a a   tin luded  i   th s  t ble  could  b   geo raphic l  areas  (loc l,  regional and  na ional), 

groups such as public and private. 92. The  master  list  of  TSC  covers  only  public  institutions  while  the  master  list  of 

itutions for MoE covers both public and private schools. It seems as if this list has ept up‐to‐date as it could have been. 

instnot been k 

4.4. Revision studies: Revisions, as a gauge of reliability, are tracked and mined for the 

n they may provide. informatio

 93. In general, monitoring of own performance and methodologies does not seem to take 

place to a large extent in the concerned agencies and organisations (KNBS, TSC, MoE, KNEC, CHE and TMU). Little to no evidence was  found of revision studies, or general reviews of methodologies used. For example there is an inconsistency in the reported number  of  private  schools:  in  Nairobi  this  went  from  154  in  2006  to  1,044  in 2007(Refer  to  Education  Statistical  Booklet  2003‐2007),  showing  that  revisions  are not tracked and, secondly, that the Master List of schools is not maintained. 

43

 

0.52

0.27

0.17

0.22

Adequate data Source

Assessment of data source

Statistical techniques

Revision studies

Kenya International Norms

4.5.  and score Synthesis

 Based on an assessment of all the DQAF sub‐dimensions, a global score of 27% has been assigned for the accuracy and reliability dimension.  

Figure  4.12: Results of accuracy and reliability  

 

 

 

 

 

 

4.6. dations Recommen

 Nr.  Recommendation  Priority 

4.1.1  Accuracy and reliability should be improved through improved communication  between  organisational  units  in  MoE  (in particular, EMIS Unit, TMU and School Mapping), and MoE and external  bodies,  such  as  the  Kenya  National  Examination Council  (KNEC),  MoHEST  and  MoYS,  but  also  UWEZO  and partners  such  as    USAID,  who  are  running  the  district‐based 

High 

44

EMIS (DEMMIS) and World Food Programme. 

4.1.2  Education indicators should be recalculated on the basis of the census  2009  findings,  within  the  great  framework  of  revision studies  to  be  undertaken.  It  is  likely  that  KNBS,  rather  than EMIS  Unit  /  MoE  would  lead  on  such  studies.  Correct information  on  where  Kenya  stands  in  terms  of  its  education indicators,  such  as  enrolment  rates,  is  a  civic  requirement  for the  general  public  and  indispensible  information  for  decision‐makers. 

Medium 

4.2.1  Random  field  checks  to  audit  the  reliability  of  source  are recommended,  although  these  are  already  happening,  to  an extent,  through  the  District  Quality  Assurance  Officers (DQASOs). Such checks will, to an extent at least, avert the risk of over‐reporting,  leading to  inflated enrolment  figures as well as non‐justified capitation grant expenditures (cf. 1.2.8). 

Medium 

4.2.2  The  timeframe  for considering  learners early school  leavers  in schools (i.e. after two weeks of non‐attendance) seems slightly on the short side. A revision of this may improve the accuracy of the reporting of early school leavers. 

Low 

4.2.3  Greater  triangulation  of  findings  and  datasets,  including comparisons of MoE data with census or survey data,  is highly recommended to ensure accuracy. 

High 

4.3.1  Pilot  testing  of  survey  instruments  (questionnaires)  is  highly recommended  to  minimise  errors.  This  should  enhance  the intelligibility  of  the  existing  instruments,  leading  to  review  of questions, if not considered clear.  

High 

4.3.2  Greater  transparency  concerning  imputation  methods  is considered highly recommended (see 2.2.2). 

Medium 

4.4.1  Reflection  on  methodological  approaches  is  recommended,  so as  to  promote  a  statistical  culture within  relevant  units  at  the concerned  Ministries  and  SAGAs.  One  can  imagine  that  KNBS should play a lead role in establishing this. 

Medium 

 

45

 

5. Serviceability: Statistics are relevant, timely, consistent, and follow a predictable revisions policy 

 The quality dimension of serviceability looks at the extent to which statistics are useful for planning or policy purposes. It refers, mainly, to the dimension of time. Data is timely when it  is current or up to date as defined by the owner of the data. Data must be on time and available  when  it  is  required,  otherwise  the  credibility  of  the  information  system diminishes. Given that data are actually accurate, it looks at the extent to which they reflect a  reality  either of  the moment or of  the past. With  relevance  to  this,  this dimension also verifies whether data are subject to a revision policy and practice. 

 

5.1. Periodicity  and  timeliness:  Periodicity  and  timeliness  follow  internationally 

 dissemination standards accepted

 94. Respondents are made aware of  the deadlines  set  for  reporting: During  the  field 

visits  to schools and district offices  there was not a schedule of  the deadlines set  for eporting on data collection processes (dates for the completion and return of  forms, apturing of the data and verification of the data). rc 

95. The producing agency employs rigorous follow­up procedures to ensure the timely receipt of respondents’ data: During  the  consultation process,  it was  acknowledged that  numerous  examples  could  be  found  that  the  data  collection  process  is  well established  from  institutional  up  to  national  level.  Head  teachers  are  aware  of  the importance of data  for decision‐making. The management and  implementation of  the education sector is decentralised both institutionally and in terms of decision‐making at the following broad levels, namely National, Provincial, District, Divisional, Zonal and at  Institutional  level.  There  appears  to  be  a  good  collaboration  and  relationship between officials  at  provincial,  district  and  zonal  level  that  contributes  to  the  timely receipt of data. The same Quality Assurance and Standards Officials are used to check the data of EMIS and TSC. At some institutions the same officials capture the data for EMIS  and  TSC.  This  collaboration  also  increases  the  data  collection  process  and decreases response time. The communication between institutions, zones and districts seems to work well. There seems to be a good collaboration between staff of EMIS and TSC at institutional and district and zone level. The general concern among interviewed participants was the difficulty of the data capturing tool of MoE which is in most cases he cause for delays. The capacity at National level is also a problem in that follow‐up, eeting deadlines and controlling the data collection process is made

tm  difficult.  

96. If respondents fail to submit appropriate adjustments are made: In MoE an attempt is made  to  complement  datasets with  other  sources,  such  as  enrolment  figures  from 

46

TI 

MU and population census data. However, even  though  this  is more  relevant  to  the ntegrity dimension, the way these adjustments are made are not documented. 

97. Enrolments and teachers are provided no later than 4 months after the beginning of  the  school year: TMU  is  the unit  responsible  for  the  collection  of  enrolment  data that is used for the allocation of capitation grants and here good practices already exist to get the school enrolment on time so that these required figures are provided no later than  4 months  after  the  beginning  of  the  school  year.  TSC  also  has well  established processes  and  procedures  in  place  to  receive  the  enrolment  data  in  time  for  the allocation  of  teachers  at  schools.  The  data  provided  by  TSC  takes  even  less  than  4 months after the beginning of the school year. The team is not sure if the same applies o  MoE.  During  the  consultation  in  July  the  EMIS  data  was  not  available.  The  real roblem lies with the reorganisation of the dtp ata collection process.  

98. Source data on educational expenditures:  Source data on educational  expenditures are  collected  in  the  comprehensive  annual  survey  questionnaire  during  the  3rd  term ollection process. Expenditure items such as Textbooks, water and sanitation, salaries, lectricity and water, etce c are included.  

99. reliminary datasets:  It  appeared  that  such a practice does not exist and  that  there re no preliminary dPa atasets.  

100. Final Publications: There is an attempt to maintain periodicity of publications within the MoE. Two MoE’s publications could be obtained, namely the Education Facts and Figures (2002 – 2008) and Education Statistical Booklet (2003 – 2007). However, the same publications were not available for 2009, an indication that periodicity was not good. KNBS annually publishes statistics in the Statistical Abstract and the Economic Survey which indicates periodicity that follows accepted good practices.  

101. Timeliness  of  preliminary  publications:  No  prelimary  datasets  exist.  The  TSC datasets  were  available  during  the  field  visits  and  the  datasets  for  EMIS  not.  The reason for this is that there is a difficulty with the capturing tool at school and district level.   

102. Timeliness of final publication: The enrolment by TSC for the allocation of teachers and enrolment by TMU for capitation grants are available in time. It is not always the case for the enrolment provided by EMIS.  

103. Timeliness of  international publication: Kenya’s EMIS Unit  is consistently delayed by some months  in  terms of submission of data  for  international publications. This, however,  can be attributed at  least  in part  to  the  fact  that  the school year  in Kenya runs from January to November, with the deadline for UIS questionnaire on 31 March. This timeframe is usually not sufficient for data to have been finalised by the country for submission.  

47

5.2. Consistency:  Statistics  are  consistent within  a  dataset  and  over  time,  and with 

 major data sets other

 104. It  largely  seems  to  be  the  case  that  accounting  identities  between  aggregates  and 

their components are observed for all involved data.  

105. It  seems  to  be  largely  the  case,  in  general,  that  accounting  identities  between  enrolments, repeaters, drop‐outs, and demographic data are observed.  

106. It also seems to be largely the case, in general, that statistics are cross‐checked across geographical  areas  and  sub‐groups  of  population.  However,  when  we  analysed  the age  data  and  the  data  collected  for  gender,  large  discrepancies  are  observed  as described in number 76 above.  

107. Education  expenditure  data  is  collected  from  the  same  institutions  as  for  those  for which  the  enrolment  and  teacher  data  are  reported.  However,  the  data  collection agencies  and  the  accompanying  databases  to  store  these  datasets  are  different  for TSC, TMU and MoE. For example TMU collects enrolment data for Capitation Grants and  stores  it  a  different  database  than  TSC  who  collects  the  same  data  for  the allocation of  teachers  from the same  institutions. MoE collects  the expenditure data from  the  same  institutions  via  the  comprehensive  annual  survey  during  the  third term. 

PROVINCE 2010 2009CENTRAL 624298 638340COAST 581330 587334EASTERN 1283126 1307598NAIROBI 180763 183533NORTH- 114283 112471NYANZA 1172644 1205070RIFT VALLEY 1757492 1764783WESTERN 1079077 1078939TOTAL 6793013 6878068

 108. Data longitudinal coherency: The team could only find data sets for the last 3 years 

(2008, 2009 and 2010)  in  the TSC database. Although data  is published for 2002 to 2008  in Education Facts and Figures  the  team could not  find any datasets  for MoE. Their database was also difficult to access, because it was not developed according to sound  relational  database  principles.  From  an  analysis  of  the  TSC  primary  school enrolment  data  for  the  same  institutions  for  the  years  2009  and  2010  it  can  be derived  that  consistent  time data  are  available  for  this  time period as presented  in Table 5.1 and the graph in Figure 5.1 below.  

Table  5.1: TSC primary school enrolment for consecutive years 2009 and 2010 by province 

 (Comparison of primary school enrolment for the years 2009 and 2010 for each of the 

provinces in Kenya) 

48

0

200000

400000600000

800000

1000000

1200000

1400000

1600000

1800000

2000000

CENTRAL

COAST

EASTERN

NAIROBI

NORTH‐EASTERN

NYANZA

RIFT VALLEY

WESTERN

2010

2009

Figure  5.1: Primary School Enrolment data from TSC database for 2009 and 2010 by Province (Source TSC database) 

 

 

 

 

 

 

 

 

   Yet,  when  we  delve  deeper  and  compared  the  primary  school  enrolment  from  the  TSC database  for  two  consecutive  years  (2009  and  2010)  by  province  as  indicated  by  the scatter  plots  Figure  5.2  below  then  some  large  variances  are  observed which  should  be nvestigated  in  greater  detail.  Refer  also  to  number  93  above  for  an  example  in  the nconsistency in the reported number of private schools. ii              

49

 Figure  5.2: Comparison of primary school enrolment figures for 2009 and 2010 by province (Source: TSC database) 

 109. Consistency over time: The team could only find data sets for the last 3 years (2008, 

2009 and 2010) in the TSC database. Although data is published for 2002 to 2008 in Education  Facts  and  Figures  the  team  could  not  find  any  datasets  for  MoE.  Their database was also difficult to access, because it was not developed according to sound relational database principles  

110. There were no indications (refer to the example of the inconsistency in the number in private schools in number 93 above) that, when changes in source data, methodology, and  statistical  techniques  are  introduced,  historical  data were  reconstructed  as  far back as reasonably possible.  

111. No  detailed  methodological  notes  were  found  that  explain  main  breaks  and  discontinuities in time data.  

112. No evidence of reconciliation was found. The different existing databases seem not to be  interlinked.  It  is  hoped  that  this  will  improve  with  the  introduction  of  the Foundation database. There  is both a need to reconcile databases across and within 

50

data collection agencies. Each data producing agency (MoE, TSC, CHE, TMU, MoY) has its own database. These agencies such as TSC, MOE and KNEC also provide their own institution code.   

5.3. Revision  policy  and  practice:  Data  revisions  follow  a  regular  and  publicized 

 procedure

 113. Given that there are or have been very little, if any, revisions, it is not surprising that 

no documentation to this end is included in the publication of the statistical data.  

 

0.22

0.260.17

Periodicity and timeliness

ConsistencyRevision policy and practice

Kenya International Norms

5.4. Synthesis and score 

Based on an assessment of all  the DQAF sub‐dimensions, a global score of 22% has been assigned for the serviceability dimension. 

 Figure  5.3: Results of serviceability 

 

 

5.5. dations Recommen

 Nr.  Recommendation  Priority 

5.1.1  The  issuance, dissemination and promotion of  a data  schedule for  relevant  surveys  is  highly  recommended  to  define 

High 

51

expectations (i.e. deadlines for the submission and processing of relevant data) and to improve the timely returns of data. 

5.1.2  Integration  of  the  TMU  survey  with  the  general  EMIS  is recommended,  so  as  to  incentivise  timeliness  of  the  EMIS 

1survey (see 1.1.7 and 4. .1). 

Medium 

5.1.3  While  there  are  some  education  statistics  for  Kenya  publicly available,  there  remains  much  to  be  improved  in  terms  of periodicity of  relevant publications. For example, an Education Facts and Figures publication is available for the period 2002 – 2008, as well as an Education Statistical Booklet  for  the period 2003 – 2007 but, for example, no such publication is for 2009. It is  highly  recommended  that  an  annual  ‘paper’  publication  be instituted. 

High 

5.2.1  Harmonisation  of  existing  databases  and  procedures,  initiated by  improved  coordination  and  communication  between  the different  involved  bodies,  should  help  aid  the  internal consistency of data across organisational units (see 1.2.3). 

High 

5.2.2  Recalculations  for  historical  data  (at  least  five  years  back) should be conducted, in particular in light of the new population data,  as  provided  by  the  2009  census  (see  4.1.2)  and  the methodologies for underpinning these should be documented. 

Medium 

 

52

 

6. Accessibility: Data and metadata are easily available and assistance to users is adequate 

 This dimension is based on the principle that data and metadata should be presented in a clear and understandable way and should be easily available to users. Metadata should also be  relevant  and  regularly  updated.  In  addition,  assistance  to  users  should  be  available, efficient and performed in a reasonable time frame. 

6.1. Data accessibility: Statistics are presented in a clear and understandable manner, 

forms  of  dissemination  are  adequate,  and  statistics  are made  available  on  an 

l basis impartia

 114. There  is a positive attempt to publish the education data with  accompanying charts 

and tables. The following statistical publications were obtained: Education Statistical Booklet  2003‐2007  (Graphs  and  tables);  Education  Facts  and  Figures  2002‐2008 (Tables  only).  The  little  fact  book  of  the  Socio‐Economic  and  Political  Profiles  of Kenya's Districts Institute of Economic Affairs (tables only); Statistical Abstract 2007, 2008, 2009 KNBS (Tables Only); Economic Survey KNBS (tables only).  

115. The publications as indicated above provide education data per province and district  by gender and year and the data seem relatively well‐presented.   

116. It seemed that there is no analysis of current period estimates available. The data are mostly  used  for  budget  and  reporting  purposes.  Little  data  analysis  was  evident during  the  visits  and  consultation  participants  generally  expressed  a  need  for capacity  development  in  data  analysis.  Figure  6.1  indicates  the  distribution  of enrolment per province. This  is an example of how analysis can be used to  increase the value of the data collected through the survey instruments.              

53

 Figure  6.1: Distribution of 2010 enrolment by province ( Source: TSC database)                         

117. Data  is collected per school by different sub‐components (e.g.  by gender, by  level of education, by age, private and public, full‐time and part‐time) as indicated by the data collection processes in Table 3.3 above. The data is available  in the same format for the intended users and purposes. There is even an attempt to make it available to the public via the education website in this format.   

118. Although KNBS has an advance data release calendar on their website, the Education sector  is  not  included  in  this  calendar.  KNBS  also  has  a  catalogue  of  publications. During  the  field  visits  the  team  did  not  encounter  anything  that  indicated  that  this practice might exist for education data.   

119. Data on enrolment and teachers could be obtained from TSC database for 2008, 2009 and  2010.  The  EMIS  system  is  not  user  friendly  which  makes  data  validation  and verification  processes  difficult  and  is  often  the  cause  that  data  capturing  is  not completed  at  institutional  level.  EMIS  data  could  not  be  accessed  via  electronic database.  During  our  visit  to  a  school  there  was  difficulty  in  accessing  the  EMIS database. Even the data on the education website could not be accessed it displayed an error message “File or directory not found”.   The Foundation database of MoE is an attempt to make data accessible in a structured way through self selection queries for key users in future. In a discussion with ICT staff of KNBS they also indicated that 

54

as  the custodian of  the data  in  the country  they have  the same  vision  to make data electronically available to the public.  In both cases the system is not yet operational or implemented.  

120. Education  data  are  published  in  the  Educational  Statistical  booklet  and  Education Facts and Figures, but is hampered by the fact that periodicity is not good. Education data  is  also  published  yearly  in  publications  such  as  the  Statistical  Abstract  and Economic Survey.    121. The statistical data is not released according to a pre‐announced schedule.   

122. There is no pre‐announced schedule available with dates indicating the release of the  statistical data to users.   123. The press is not briefed in advance for publication release.  

124. In discussion with interview participants it was ascertained that non‐published (but non‐confidential) datasets are made available upon request, however in education no records are kept of these requests.   

125. The  practice  to  make  non‐confidential  micro‐data  files  (e.g.,  with  information permitting the  identification of  individual respondents removed) available seems to exist  in  KNBS  and  MoE.  KNBS  has  a  data  release  and  dissemination  policy  (Data Access  and Dissemination Microdata Release Policy).  The  aim of  such  a policy  is  to define  the nature of  the anonymized micro‐data  files  that will  be  released  (refer  to number 44 above for further detail).  

126. Terms  and  conditions  under  which  non  published  statistics  and  data  are  made available are not published 

 

6.2.  accessibility: Up­to­date and pertinent metadata are made available Metadata

 127. There  is  a  data  dictionary  for  the  Foundation  database  available  and  EMIS  has  a 

comprehensive  data  collection  manual.  In  this  manual  the  operational  terms  are defined.  However  we  were  not  sure  how  widely  this  document  is  distributed  or implemented.  

128. No other meta‐data  related  to biases  in  the data,  information about  response  rates,  comparison with other data sources, seem to be disseminated.  

129. The General Data Dissemination System (GDDS) summary methodologies and other related metadata haven’t been identified 

 

55

130. A Data Analysis and Reporting Training Manual exists, prepared by the MoE. We are not  sure  how widely  this manual  is  used  by  education  data  users  or  distributed  to such users. KNBS has a  catalogue  (39 Pages),  an ad‐hoc publication which presents descriptive  information  of  KNBS  publications  which  includes  the  following  details: The title; Short summary of each publication; The unit price/method of distribution; The  number  of  pages;  Whether  available  in  other  formats;  International  standard book  number  where  necessary;  KNBS  website  and  whose  link  all  other  KNBS publications  can  be  accessed;  and  a  list  of  Geographic  information  Maps  of  1999 Census.  

6.3. stance with the users: Prompt knowledge support service is available Assi

 131. All  publications  (print  and website)  provide  contact  details  in  terms of mail,  email, 

facsimile or telephone).  

132. The EMIS analysis and reporting manual compiled by the EMIS unit is an attempt to  educate users of the use of education datasets.  

133. While MoE recognised the need, in principle, to monitor support to users, for example by means of a survey of users, this was indicated, for the moment, not to be a priority. 

 

6.4.  and score Synthesis

0.28

0.220.33

Data Accessibility

Metadata AccessibilityAssistance with the users

Kenya International Norms

 Based on an assessment of all  the DQAF sub‐dimensions, a global score of 28% has been assigned for the accessibility dimension.

 Figure  6.2: Results of accessibility 

56

6.5. dations Recommen

 Nr.  Recommendation  Priority 

6.1.1  The publication of an education statistics database online (e.g., for  indicators, KenInfo)  is encouraged. Such an online database could contain a Master List of schools, as mentioned under 3.5.1, which may  greatly  improve  transparency  as  to  which  schools are known, and registered, in the country. 

Low 

6.1.2  Greater coordination between KNBS and line Ministries as well as  SAGAs,  concerning  the  publication  of  education  statistics (MoE, MoHEST, MoYS, CHE, TSC, KNEC), with a  leadership role for KNBS, is recommended. 

High 

6.1.3  A  schedule  for  data  release,  of  KNBS,  should  integrate,  where cfeasible, MoE statisti al publications. 

Medium 

6.2.1  Improvements  can  be  made  in  the  publication  of  metadata across  the  board.  While  KNBS  publishes  metadata,  MoE  does not. A brochure aiding analysts, and other users of data, should help in understanding the status of published figures. 

Low 

6.3.1  While  there exists a service at  the EMIS Unit  to assist users of statistics,  the  existing  capacity  is  clearly  not  sufficient  to  deal with  requests  satisfactorily,  leaving  even  less  time  for professional  development.  Provisions  should  be  implemented to ensure capacity in assisting users at EMIS Unit. 

Medium 

 

57

 

0.00

0.50

1.00

Pre‐requisites of quality

Integrity 

Methodological soundness 

Accuracy and reliability 

Accessibility 

Serviceability

Kenya

International Norms

7.  and overall recommendations Conclusion

 Figure  7.1: Overall results 

 a) Based on an assessment of all the six DQAF dimensions, a global score of 33% has been 

assigned  for  the  overall  system  currently  in  place  for  the  collection,  processing, analysis and dissemination of Kenyan education statistical data at the national and sub‐national levels 

b) While this figure may not necessarily reflect an ideal state of the statistical system for education data in Kenya, at the moment, it should be emphasised that strengths were encountered as well as possible points for improvements. These were discussed in the report. 

c) Specific recommendations, pertaining to the different dimensions and sub‐dimensions of the DQAF, were given at the end of each chapter. These have the potential to result in  concrete action plan, to be developed in coordination with the Kenyan developments 

d a iapartners an  national authorities,  iming to address exist ng points for improvements.  

The  following  points  highlight  the  overall  findings  and  accompanying  high  priority recommendations  (with  reference  to more  specific  recommendations)  for  improving  the Kenyan system for educational statistics.  

 

58

Statistics  is  not  only  about  computers  and  processes.  We  wanted  to  emphasize  that statistics is more than just a technical solution, but that the important aspects of legislation, governance, regulation, resources, people, systems and processes should be part of such a process.  The  recommendations  are  based  on  these  aspects  in  support  of  government decision making and service delivery. 

  

Nr.  Recommendation  Ref. 

O.1  There exist different data collection cycles and databases in the country,  both  in  government  ‐intra‐Ministry  of  Education (MoE),  in other Ministries and Semi‐Autonomous Government Agencies (SAGAs) and among Non‐Governmental Organisations (NGOs)  and  other  partners.  Greater  harmonisation  between these systems should be sought. For this, the establishment of a solid  main  system  is  a  pre‐requisite.  Data  collection  cycles should  be  reviewed  with  a  view  to  enhancing  timeliness,  in particular. 

1.1.7 

3.4.1 

4.1.1 

5.1.1 

.1.2 6

 

O.2  Greater  organisational  clarity  should  be  sought  in  terms  of education statistics. At the moment, the Education Management Information  Systems  (EMIS) Unit  is  placed within  the  Central Planning Unit (CPU) of the MoE, which is itself an extension of the Ministry of Planning (MoP). The Head of Unit, however,  is affiliated with  the Kenya National Bureau of Statistics  (KNBS), which  has  recently  detached  itself  from  MoP.  These arrangements can be  improved  in  terms of  clarity.   The KNBS could  head  a  data  quality  group  to  coordinate  the implementation of at least some of these recommendations. 

1.1.1 

1.1.2 

O.3  The  Kenya  Education  Sector  Support  Programme  (KESSP)  is understood  to  underpin  the EMIS,  but  this  is  not  itself  a  line‐function.  For  example,  there  exists  an  EMIS  Investment Programme (IP) within KESSP, while there exists a Monitoring & Evaluation (M&E) Unit within the CPU as well. These entities are  headed  by  different  persons  and  arrangements  for coordination  between  them  seem  informal.  Streamlining should  take  place  at  this  level.  Adequate  funding  needs  to  be addressed as well. 

1.2.6 

O.4  The  current  EMIS  software  application  is  dysfunctional.  To solve this, a Foundation Database  is being elaborated, with the 

1.2.3 

59

support  of  DFID.  The  UNESCO  Institute  for  Statistics  system (StatEduc)  is  intended  to  be  customized  and  deployed  at  the decentralised  level.  Now  that  official  approval was  requested, and granted,  it  is recommended that work  in this direction be continued. It  is nevertheless essential that basic pre‐requisites related to unique school identification be addressed (there are currently three unique identifiers for each institution, namely a code for TSC, for MoE and for KNEC). 

3.5.1 

5.2.1 

O.5  The EMIS Unit in MoE is insufficiently staffed for its tasks. It is recommended that at  least one to two more planners join this Unit, possibly from the Provincial Offices. Improved office space is also essential for the effective functioning of the Unit. 

1.1.5 

1.2.1 

O.6  A  global  inventory  of  information  /  data  requirements  across relevant  bodies,  and  KESSP  IPs  is  highly  recommended.  This should be led by either the M&E Unit at the CPU or by the M&E IP in KESSP. 

3.5.3 

O.7  Functioning connectivity at district and province levels should be considered as critical to enable effective EMIS  

1.2.2 

O.8  Training  in  generic  ICT  skills,  as  well  as  in  data  analysis  is urgently required, in particular at the district level. It should be targeted  in  such  a  way  as  to  ensure  capabilities  are  durably developed. 

1.2.4 

If  Kenya  can  address  the  aforementioned  points,  the  country will  be  able  to make  great strides  towards  an  effective  and  efficient  system  for  producing  high  quality  education statistics,  pertaining  to  all  dimensions  of  the  DQAF.  An  effective  and  efficient  statistics system and the availability of quality statistics will support strategic planning and decision‐making. 

 

60

APPENDIX A: List of relevant references and documents  

Doc. N  r. Description  Medium  Year  Issuer 

1  Strategic Plan (2010‐2015)  Document  Jul 2010  CHE 

2  The Little Fact Book: The Socio‐Economic and Political Profiles of Kenya’s Districts  Publication  Apr 2002 

Institute of Economics 

s Affair

3  Kenya Education Sector Support Programme 2005‐2010: Delivering Quality Education and Training to All Kenyans  Report  Jul 2005  MoE 

4  Draft  Kenya Education Sector Support P2005‐2010: Investment Programme Tar

rogramme (KESSP) gets 2007‐2010  Report  Jan 2008  MoE 

5  Revised Youth Polytechnics Curriculum  Report  Jul 2010  MoY 

6  The Little Fact Book: The Socio‐Economic and Political Profiles of Kenya’s Districts  Publication  Apr 2002 

Institute of omics s 

EconAffair

7  Education Statistical Booklet 2003‐2007  Publication  ?  MoE 8  Education Facts and Figures 2002‐2008  Publication  Jun 2009  MoE 9  Economic Survey 2009  Publication  2009  KNBS 10  Statistical; Abstract 2007  Publication  2007  KNBS 

11  Are our Children Learning? Annual Learning Assessment Report Kenya 2010  Publication  2010  UWEZO 

12  The Year 2008 KCPE Examination Report with Question & ive Questions Answers to the Object Publication  2009  KNEC 

13  TSC Database   Database  2010  TSC, MoE 14  Foundation Database  Database  2010  EMIS, MoE 15  The Kenya National Examinations Council: Service Charter  Publication  Jun 2006  KNEC 

16 World Bank Needs Assessment Report For The 

nt Information Establishment Of Education ManagemeSystems (Emis) 

Report  Mar 2005  MoE 

17  Data Access And Dissemination Policy  Policy  Nov 2008  KNBS 18  Catalogue of KNBS publications  Publication  Jan 2009  KNBS 19  Statistical Act   Act  Aug 2006  Parliament 20  Education Act  Act    Parliament 21  Public Officer Ethics Act  Act     

22  KESSP: EMIS‐Revised‐Chapter 22nd (V2)  Report  May 2010  EMIS, MoE 

23  Primary Schools Data Returns Form 1st Term 2010  Questionre  2010  EMIS, MoE 24  Secondary Schools Data Returns Form 1st Term 2010  Questionre  2010  EMIS, MoE 25  Non‐Formal Data Returns Form 1st Term 2010  Questionre  2010  EMIS, MoE 26  Adult Education Data Returns Form 1st Term 2010  Questionre  2010  EMIS, MoE 27  Teacher Training Colleges Annual Data Returns Form 2010  Questionre  2010  EMIS, MoE 

28  Revised Form Primary Schools Data Returns Form 2nd Term2010 

  Questionre  2010  TSC, EMIS 

29  Form A: DEMMIS Registration – Primary Schools and EUnits 

CD  Questionre  2010  DEMMIS, MoE 

30  Commission for higher education university statistics questionnaire  Questionre  2010  CHE 

31  Southern Africa Consortium for Monitoring Education Quality (SAQMEC) II  Database    SAQMECII 

61

32  Kenya: ICT in Education Situational Analysis,  Dr. Patti Swarts and Esther Mwiyeria Wachira  Report  Sep 2009  GeSCI 

33 The 2005/06 Kenya Integrat

ORT 

ed Household Budget Survey [KIHBS] FIRST QUARTERLY REP

Report  Aug 2005  KNBS 

34  Kenya ISCED Mapping   Report  2007  UIS 

35  Are Our Children Learning? Annual Learning Assessment Kenya 2010,  

Report: Summary and Key 

s Finding

2010  UWEZO 

36  Are Our Children Learning? Annual Learning Assessment Kenya 2010,  Report  2010  UWEZO 

37  http://www.uis.unesco.org)  Website  2010  UIS 38  www.education.go.ke  Website  2010  EMIS 39  www.examscouncil.or.ke  Website  2010  KNEC 

40  www.knbs.or.ke  Website  2010  KNBS 

41  www.sacmeq.org/education‐kenya.htm  Website    SACMEQ 

62

APPENDIX B: Kenya DQAF –schedule 

Morning Afternoon

Mon - 19 Jul 09:45 EMIS Unit: Charles, Tony, Anne

14:00 MoE: DPP, Mr. Magochi

16:00 MoE: DCE, Ms. Koori

Tue - 20 Jul

09:00 TSC: Eva and others

12:30 ICT: Ndoria

14:30 MoHEST & Directorate of Research: Nyangate, Mavisi

16:45 MoHEST: Waweru (TIVET)

Wed - 21 Jul

10:00 KNEC: ICT & National Assessment Team, Mr. Keith Maleche / Ogle

12:00 MoE: Grace (KESSP) & Peris (M&E) Review

Thu - 22 Jul

09:00 MoY: Directorate Youth Training: Ms. Mary Cherono

12:00 Directorate for Population and Social Statistics, KNBS: Dr Opiyo 14:30 Grace Igweta / Rene McGuffin (WFP)

Fri - 23 Jul 9:00 CHE (Ndoria), Ms. Beatrice Muganda Review

Mon - 26 Jul

9:00 Directorate of ICT (KNBS): Mr. Kiio, Kipruto, Mumo

10:30 KNBS: Mr. Kilele (DG) Naivasha: DO, Pri School (Gituamba Co-Ed)

Tue - 27 Jul Kakamega: PO, DO, Sec School (Matende Girls)

Wed - 28 Jul

10:00 Sara (WERK / UWEZO)

12:00 MoE: DPP + team 14:00 Senior official MoE: PS

Thu - 29 Jul

10:00 MoE: Registration Dept.

12:00 MoE: TMU 15:30 MoE: EMIS Unit

Fri - 30 Jul 8:00 Gitonga (USAID) Wrap-up / initial analysis

 

63

APPENDIX C: List of Persons Met  

Name  Org. / Div/ Post 

Contact  Remarks 

Charles Obiero  EMIS  cobiero@education.go.ke  Head of EMIS Anne Nduku  EMIS  ndukushwat@gmail.com  EMIS Consultant Tony Shikali  ICT  tshikali@education.go.ke   Areba Nyangate  MoHEST  Areba_1956@yahoo.com  SDDE Richard Mavisi Liahona 

MoHEST  mliahona@yahoo.com  Principal Research Officer 

Samuel K. Waweru  MoHEST  wsamku@yahoo.com  Chief Technical Education Officer Ivy Obonyo  TSC  Obonyo.ivy@gmail.com   Florence Mwende  TSC  Flomwende2010@gmail.com   Eva Msagha  TSC  Evamsagha @tsc.go.ke  Ag. DS (ICT) Mr Ndoria  TSC    ICT Paul Wasanga  KNEC    CEO Joyce Sabari  KNEC  jsabari@knec.ac.ke  Exams, Research Division Grace Ngaca  MoE     Dinah Mwinzi  MoY  dmwinzi@youthyaffairs.go.ke  Director Maria Cherono  MoY  mcherono@yahoo.com  Deputy Director Dr Collins Opiyo  KNBS  copiyo@knbs.go.ke  Director Population 7 Social Stats Grace Tgweta  WFP     Beatrice Muganda  CHE  bmuganda@che.or.ke  Research coordinator Ndoria Ngari  CHE  nngari@che.or.ke  CHE Cleophas Kiio  KNBS  ckiio@knbs.go.ke  Director: ICT Matthew Aboka  MoE  matthewsaboka@yahoo.com  DEO: Naivasha District Kaman Njenga  MoE  Kamannjenga18@yahoo.com  E.O: Naivasha District Mary Mukundi  MoE    Head Teacher: Gituamba Primary  J. Ochongo  MoE  wespropde@yahoo.com  PQASO: Western Province George Lutomis  MoE  wespropde@yahoo.com  DPQASO: Western Province Immaculate Obari  MoE  immaobari@yahoo.com  Kakamega Central District: DQASO Biece Kavere Mugita 

MoE    Kakamega Central District: Secretary 

Karen R. Sisia‐Mayabi 

MoE  karensisia@yahoo.com  Principal: Matende Girls Secondary 

Dr Sara Ruto  UWEZO  sruto@uwezo.net  Country coordinator Conrad Watola   UWEZO  cwatola@gmail.com  Data Analyst Daniel Wesonga  UWEZO  dmwesonga@yahoo.com   Nesmus M. Kiminza  MoE  kiminza@yahoo.com  Senior Deputy Director Charles Kataka  MoE  ckataka@education.go.ke  School Registration: Assistant Director Karami BuyaboNyukuri 

  MoE  kbuyabo@gmail.com  Senior Deputy Director: Records Management  

Charity Nyaga  MoE  cnyaga@education.go.ke  TMU: Senior Assistant Director of Educ 

Tony Shikali  MoE  tshikali@education.go.ke  ICT database manager Christine Obester  USAID  cobester@usaid.gov  Education Officer Francis Gitanga  USAID