Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Gustavo Rodríguez
Presidente de la República
Juan Manuel Santos Calderón
3
Introducción
Desde la segunda mitad de la década de los años 1950, diversos estudios empíricos han
intentado analizar el rendimiento académico a partir de diferentes variables explicativas;
algunas escolares, como el tamaño del grupo, la relación estudiante/profesor y el tamaño de
la escuela entre otras; y no escolares, como es el caso del ingreso de la familia, la educación
de los padres y el género del estudiante, por mencionar algunas de estas.
Hasta comienzos de la década de los años 1970, los primeros trabajos que contemplaron
variables educativas partieron de Schultz, Becker y Mincer. Particularmente, Schultz estudió
la forma de medir los beneficios de la inversión en capital humano, y propuso un método
alternativo que consiste en “calcular la inversión humana a través de su rendimiento más que
a través de su coste” (Schultz, 1972, p. 23, citado en Villalobos y Pedroza, 2009). Becker, por
su parte, tomó los elementos más relevantes de Schultz y reformuló la teoría de la inversión en
capital humano, aportando un conjunto amplio de aplicaciones con formalización matemática.
Para finales de la década de los años 1970, la bibliografía sobre los determinantes del
logro escolar estuvo casi limitada a los países desarrollados, y solo algunos trabajos muy
puntuales como el de Simmons y Alexander (1978) empiezan a incluir en su análisis a los
países de Latinoamérica. Desde ese entonces, el número de estudios se ha incrementado
debido fundamentalmente a los avances en los desarrollos informáticos –en registro de datos
y análisis estadístico– y al reconocimiento general de la importancia creciente del papel que
desempeña el capital humano en el crecimiento económico en países emergentes.
Sin embargo, estudios que evalúen el desempeño académicode los estudiantes universitarios en
Colombia, basados en la teoría de capital humano, son realmente escasos. Esto debido, en parte, a
que la aplicación de las pruebas de desempeño en este nivel educativo se inició voluntariamente
desde el año 2003 y de forma obligatoria con la Ley 1324 del 13 de julio de 2009.
Por ello, los estudios relacionados con los determinantes del desempeño de los estudiantes
en Colombia se han enfocado en análisis descriptivos o reflexivos sobre la educación en
niveles diferentes a la educación superior, donde se destaca el escaso uso de explicaciones
econométricas. Los trabajos más destacados corresponden a temas sobre la calidad de
la educación y sus determinantes (Piñeros y Rodríguez, 1998; Gaviria y Barrientos, 2001;
Núñez, Steiner, Cadena y Pardo, 2002; Barrera y Gaviria, 2003; Mina, 2004), la estructura
salarial y los incentivos de los docentes (Gaviria y Umaña, 2002; Borjas y Acosta, 2002;
Umaña, 2004), resultados de las facultades de economía en las ECAES (Montenegro, 2005;
4
Valens, 2007)), la eficiencia de la educación (Marcelo y Ariza, 2005; Iregui, Melo y Ramos,
2006) y la politización de la educación (Duarte, 1996). En el Caribe colombiano, los estudios
que han analizado la educación superior se enfocan en la calidad universitaria en la región
(por ejemplo, los trabajos de Ferro, Roa y Abello (1999), Moreno y Ramos (2003), Roa (2003),
Quesada y Blanco (2004) y Viloria (2006) y en las brechas de rendimiento (Barón, 2010). Por
tanto, la presente investigación es novedosa en Colombia, pues sería la primera en realizar,
en el nivel universitario, un análisis modelando los resultados de rendimiento en las pruebas
SABER PRO en diversas áreas de conocimiento.
Analizar los resultados del desempeño académico universitario constituye un factor relevante,
debido a que permite tener evidencias sólidas de la calidad de la educación superior, en la
medida que identifican elementos que afectan el rendimiento de los estudiantes, los cuales
son importantes de considerar en el momento de diseñar políticas públicas en pro del
mejoramiento de los procesos educativos universitarios.
En este contexto, el presente trabajo aporta evidencia empírica acerca de los factores que
determinan el rendimiento académico de los estudiantes universitarios de la Región Caribe
colombiana. Se utilizan datos de corte transversal concernientes a la prueba SABER PRO 2009
(antes ECAES1) de las áreas de Economía, Administración, Contaduría, Derecho, Ingenierías,
Medicina y Licenciaturas disponibles en las bases de datos del Instituto Colombiano para la
Evaluación de la Educación (ICFES), con los cuales se estimó una función de producción
educacional, siendo la variable dependiente el resultado obtenido por los estudiantes
universitarios en la prueba SABER PRO 2009.
1 En el presente estudio se empleará denominación actual, es decir, prueba SABER PRO, a pesar de que en el año
2009 este examen se conocía como prueba ECAES.
5
Consideraciones teóricas
sobre capital humano y
desempeño académico
Este estudio inicia por considerar la teoría del capital humano en un contexto muy general
para explicar el papel que desempeñan los factores socioeconómicos de los estudiantes
y la calidad de las instituciones universitarias en el desempeño educativo. Si bien las
investigaciones en este campo se basan en esta teoría para adoptar el término productividad
de la educación o educación como generador de crecimiento y desarrollo económico, en una
concepción microeconómica se sugiere la utilización de una función de producción adaptada
al campo de la educación, en la cual se considera el desempeño académico del estudiante
como un output y los insumos a su disposición (libros, condiciones de infraestructura,
recursos didácticos etcétera) y la variables de contexto como su situación y características
socioeconómicas como inputs.
A nivel escolar, desde mediados de la década de los años 1960 comenzaron los estudios
sobre los factores asociados con los resultados académicos basados en el esquema de
función de producción desarrollado en principio por Carroll (1963) y posteriormente por
Coleman (1966) y Jenks (1972).
6
En este sentido, la bibliografía sobre capital humano indica que aspectos como los factores
socioeconómicos de los estudiantes o sus familias, la calidad de las instituciones formativas,
las políticas educativas del gobierno y las expectativas futuras, entre otros, desempeñan un
papel importante en las decisiones de inversión en educación por realizar de las familias e
individuos y en el conocimiento, las destrezas y habilidades que logren adquirir los estudiantes.
Puntualmente, Brunner y Elacqua (2003) encuentran que en la formación del capital humano
en el nivel de secundaria inciden básicamente el origen socioeconómico de la familia
del estudiante y la efectividad (entendida como calidad) de la escuela, sus profesores y
gestión. En esta perspectiva, la evidencia muestra que la clase social afecta enormemente
la acumulación de capital humano, de forma que las familias de una clase socioeconómica
inferior no solo obtienen menos recursos sino también menos capital humano para pasarles
a sus hijos. Así, las investigaciones al respecto (Santín, 2001; Marchesi y Martín, 2002)
encuentran que a medida que se asciende en la escala social, los resultados y expectativas
futuras son mejores.
7
Metodología para establecer los
factores determinantes del
desempeño universitario
En el estudio se emplearon los datos del ICFES2 relacionados con el puntaje obtenido por
22.525 estudiantes de 41 universidades de los departamentos de la Región Caribe (Atlántico,
Bolívar, Cesar, Magdalena, Córdoba, La Guajira y Sucre) en la prueba SABER PRO realizada
en el año 2009 (véase tabla 1).
Fuente: ICFES.
8
Para explicar el desempeño o rendimiento académico universitario, se exploró el efecto de
diferentes variables que representan las características personales, familiares y económicas
de los participantes en la prueba SABER PRO de 2009 (véase tabla 2).
Tabla 2. Descripción de las variables socioeconómicas explicativas3
9
Previo a la modelación se construyó un índice de nivel socioeconómico (INS) para los
estudiantes utilizando la metodología PRINQUAL (componentes principales cualitativos)
siguiendo el procedimiento empleado por Ocampo y Foronda (2007) y Piñeros y Rodríguez
(1998). La metodología utilizada se fundamenta en la aplicación de componentes principales
para variables categóricas, procedimiento desarrollado por Young, Takane y de Leeuw (citado
por Guerrero, 2003) que analiza los componentes principales sobre todo tipo de variables,
incluidas cuantitativas y cualitativas. En este procedimiento, solo se tuvieron en cuenta
individuos con la información completa de todas las variables que componen el índice de
nivel socioeconómico, lo que redujo la muestra a 22.244 individuos.
Participantes Participación
Areas de conocimiento seleccionadas
(N) (%)
Medicina 994 7
Derecho 3.128 21
Economía 400 3
Administración 3.102 21
Contaduría 2.296 15
Licenciaturas (Todas) 2.071 18
Ingenierías (Civil, Sistemas, Eléctrica, Electrónica y Mecánica) 2.319 15
Total 14.310 100
Fuente: elaboración propia, a partir de base datos ICFES, pruebas SABER PRO 2009.
5 Para efecto de las comparaciones, Barón (2010, p. 16), en su análisis de las brechas de rendimiento académico
para Barranquilla, señala: “Los archivos con microdatos que el ICFES hace disponibles públicamente estandariza
los resultados de cada prueba a nivel nacional a tener media 100 y desviación igual a 10. Esto se realiza por prueba
y a nivel nacional, no para cada ciudad, lo que nos permite hacer las comparaciones entre ciudades y agregar los
diferentes resultados para cada prueba por ciudad”. En este caso, las comparaciones se realizan dentro de cada
área de conocimiento utilizando como base de comparación el departamento y otras variables de interés.
10
Una vez realizados los pasos anteriores, se procedió a la modelación de la variables
mediante los modelos de regresión multinivel, en los cuales se supone que hay un conjunto
de datos jerárquicos, con una sola variable dependiente que es medida en el nivel más
bajo y variables explicativas que existen en todos los niveles (De la Cruz, 2008, p.4). Esta
perspectiva de análisis es vital en este tipo de investigaciones, pues toman en consideración
el contexto, permiten analizarlo en conjunto con la heterogeneidad propia de cada estudiante
y contribuyen a identificar patrones y grupos específicos que demandan mayor atención e
intervención; contrario a los modelos de regresión tradicionales, en los cuales se tiende a
subestimar el error típico y a asignar las características del grupo a cada individuo (Rodríguez
y Murillo, 2011, p. 304).
Así, para estimar el efecto de las variables se usó el modelo multinivel de dos niveles,
estudiante y universidad, para cada área del conocimiento seleccionada, y se tomó como
variable dependiente el resultado obtenido en la prueba SABER PRO 2009. Para realizar
las estimaciones de los modelos se incluyeron progresivamente las variables de ajuste,
inicialmente en la parte fija y luego en la parte aleatoria del modelo de acuerdo con el
procedimiento presentado por Pardo, Ruiz y San Martin (2007).
Según Díaz (2000), el análisis de componentes principales tiene como objetivos, entre
otros, generar nuevas variables a partir de unos datos o variables originales, reducir la
dimensión del espacio donde están inscritos los datos, eliminar variables que aporten
poco al estudio y facilitar la interpretación de los datos. En este contexto, el procedimiento
PRINQUAL (componentes principales cualitativas) es una extensión del análisis de
componentes principales ordinarios, el cual acepta tanto variables cualitativas como
cuantitativas.
Realizado el paso anterior, se procedió a tomar los dos primeros componentes con
valores propios mayores que 1 como criterio de selección (Díaz, 2000), los cuales
explican el 59,65% de la varianza total (véase tabla 5). Una vez seleccionados el número
de componentes, se realizó el cálculo de la matriz de las cargas de componentes, para
conocer la contribución de cada una de las variables originales en los dos componentes
principales seleccionados (Ocampo et al., 2007).
6 Se obtuvo una medida de adecuación muestral (Kaiser-Meyer-Olkin) de 0,769 y la prueba de esfericidad de Bartlett
resultó significativa (0,00) y un alfa de Cronbach total de 1.
11
Tabla 4. Variables para la construcción del INS7
Así, el primer componente se tipifica principalmente por las variables Estrato, Nivel del Sisben8,
Ingreso familiar y Nivel educativo de los padres (padre y madre), explicando el 43,24% de la
varianza total. Por su parte, el segundo componente explica el 16,42% de la variabilidad, y se
tipifica por las variables ocupación de los padres9.
12
El siguiente paso es la obtención de las calificaciones de cada componente para cada individuo
utilizando un procedimiento de regresión10; estas calificaciones se ponderan de acuerdo con
el aporte de cada componente en la varianza total para obtener un solo indicador sintético11
del nivel socioeconómico del estudiante, el cual se utilizará en el modelo econométrico como
variable independiente. Por último, se realiza un procedimiento simple de cambio de escala
a fin de llevarla a una que toma valores de 1 a 10, con el fin de facilitar su interpretación. El
gráfico 1 presenta el histograma de frecuencias y los percentiles calculados para el INS en
escala de 1 a 10.
Fuente: cálculos de los autores a partir de la base de datos del ICFES.
B. El modelo Multinivel
Yi = γ0 + γi xi + ei (1)
13
Donde:
Ahora bien, tal como lo explican Rodríguez y Murillo (2011), si se tienen dos universidades
o más, cada una tendría su propia ecuación (1); sin embargo, debido a que este tipo
de investigaciones no está interesada en uno o dos universidades solamente, sino en
un gran número de ellas, resulta más pertinente modelar el rendimiento académico
mediante la estimación de un modelo multinivel o jerárquico lineal. Para ello, se utilizan
como variable dependiente el puntaje en SABER PRO 2009 en las áreas de Economía,
Administración, Contaduría, Derecho, Ingenierías, Medicina y Licenciaturas y una serie
de variables explicativas relacionadas con el estudiante (primer nivel) como género, y
nivel socioeconómico, entre otras, y variables relacionadas con la universidad (segundo
nivel) como naturaleza o tipo y calidad de la institución.
De acuerdo con Rodríguez y Murillo (2011), este modelo permite hacer la comparación
con los modelos posteriores, de manera que se puede contrastar si hay un aporte en la
explicación de la variabilidad a medida que se incluyen las variables de ajuste. Se obtiene
eliminando todo lo relacionado con las variables independientes, de allí su nombre. La
ecuación (2) representa la estructura mixta del modelo para el nivel 1 (estudiantes o
participantes a la prueba SABER PRO13) y nivel 2 (universidad), así:
Yij = γ00 + u0j + eij (2)
12 El software utilizado para generar los resultados es el SPSS versión 18, y se sigue el procedimiento presentado por
Pardo et al.,(2007), para la descripción, ajuste e interpretación de este tipo de modelos con este software.
13 En el nivel 1 adopta la siguiente forma: Yij = β0j + eij.
14
Donde:
Se exploró un modelo que intenta explicar las medias de rendimiento de las distintas
universidades o variabilidad de nivel 2. Para este modelo se utilizó como variable de
segundo nivel la proporción de programas acreditados sobre el total de la oferta de
programas de la universidad como variable proxy de la calidad de la misma. Esta
variable se centra en la media a fin de que el intercepto represente la media de la variable
dependiente, en este caso el rendimiento académico.
15
universidad incluye una dicotómica relacionada con el tipo o naturaleza de la institución
(1 si es pública y 0 si es privada).
Yij = γ00 + γ01 (Cal_cent) + γ02 (INST_ORIGEN) + γ10 (GÉNERO) + γ11 (INS_cent)
+ γ12 (EST_SN_CABEZA_FMLIA) + γ13 (ESTU_TRABAJA) + γ14 (Cal_cent) (INS_cent)
+ γ15 (GRUPO_EDAD) + (u0j + ej) (4)
σ2 μ0
CCI = (6)
(σ2 e0 + σ2 μ0 )
16
Resultados
El análisis descriptivo de los individuos estudiados revela que cerca del 60% de la muestra
es de sexo femenino, la edad predominante se ubica entre los 21 y 25 años (57%) y la
mayoría (79%) tienen la condición de solteros. El tamaño de la familia promedio oscila
en el rango de entre 3 y 5 integrantes (68%), el 15% es cabeza de familia y cerca del 26%
tiene por lo menos 1 persona a cargo. Asimismo, se aprecia que el nivel educativo es
similar entre padre y madre, con un porcentaje de profesionales ligeramente mayor en el
caso de los padres. Por ocupación , cerca de la mitad de las madres de los aplicantes15
16
se dedican a labores del hogar (47%) y el 12% de los padres son empresarios.
La muestra de aplicantes en SABER PRO2009 se concentra en los estratos bajos (el 55%
pertenece a los estratos 1 y 2), los estratos 5 y 6 solo aportaron el 6,5% de la muestra. A su
vez los ingresos familiares se ubican principalmente en el rango de menos de tres salarios
mínimos (70%) y un 46% manifestó pertenecer, en alguno de sus niveles, al régimen
subsidiado de salud. El 54% de la muestra estaba trabajando al momento de diligenciar el
formulario. El valor de la matrícula pagada en el último año se concentra en el rango en de
entre 1 millón y 3 millones de pesos (30%) y menos de 500.000 pesos (29%).
15 Clasificación utilizada por Broomhall y Johnson (1994), conformada por doce (12) áreas de ocupación.
17
Fuente: elaboración propia, a partir de ICFES. Pruebas SABER PRO 2009.
Fuente: ICFES.
18
► 1. Brechas de rendimiento por género
Al tomar los puntajes promedio en SABER PRO 2009 y comparar los resultados
entre hombres y mujeres en cada área de conocimiento se obtuvieron diferencias
estadísticamente significativas (con excepción del área de Contaduría) en todas las
áreas a favor de los hombres, especialmente en Economía e Ingenierías. Por otra parte,
la última columna de la tabla 9 presenta los percentiles 95 para cada área y por género;
en esta se destaca que entre los mejores estudiantes de Medicina no existen brechas de
género. En el resto de las áreas la diferencia permanece a favor de los hombres.
A fin de calcular las brechas de rendimiento por departamento en la prueba SABER PRO
2009, se tomó como referencia el departamento del Atlántico y se presentaron estas
diferencias por área de conocimiento. En el área de Administración de Empresas, el
19
departamento del Atlántico obtuvo un promedio muy superior respecto a Cesar, Córdoba
y La Guajira, con una brecha calculada de entre del 7% y el 11% a favor del Atlántico,
y en menor medida con Magdalena donde la brecha es del 5,5%. Respecto a Sucre, la
brecha no existe en esta área, mientras que en Bolívar es del 1,8%.
20
► 3. Brechas de rendimiento por naturaleza de la universidad
Con el fin de estimar los factores determinantes del desempeño académico de los
estudiantes universitarios de la Región Caribe colombiana se procedió a modelar las
21
variables explicativas relacionadas con el estudiante (primer nivel) como género, y nivel
socioeconómico, y variables relacionadas con la universidad (segundo nivel) como
naturaleza y calidad de la institución.
Para ello inicialmente, se presenta el modelo nulo por área y la estimación, a partir
de ellos, del “efecto universidad” (modelo 1). Seguidamente, se explican las medias
de rendimiento de las distintas universidades o variabilidad de nivel 2, debida a la
calidad de la institución (modelo 2). Finalmente, se analizan las diferencias por área de
conocimiento tanto en las medias de rendimiento académico entre las universidades o
nivel 2, como las diferencias entre el rendimiento académico de los estudiantes de la
misma universidad (modelo 3).
Por otra parte, la tabla 13 ofrece las estimaciones de los parámetros de covarianza o
las estimaciones asociadas a los efectos aleatorios del modelo. La varianza del factor
universidad en todos los casos resultó significativa (al 90% en el caso de Medicina y
Economía) y, por tanto, mayor que cero, lo cual indica que contribuye a explicar la
variabilidad del rendimiento académico.
22
El coeficiente de correlación intraclase (CCI), el cual representa el grado de variabilidad
existente entre las distintas universidades en comparación con la variabilidad presente
entre los estudiantes de la misma universidad, se muestra en la penúltima columna. Esta
medida, para el caso del área de Derecho, Medicina y Economía, es bastante alta e indica
que de la variabilidad total del rendimiento académico en estas áreas, el 43%, 39% y 47%
respectivamente, corresponde a la diferencia entre las medias de las universidades, el
valor restante por tanto (57%, 61% y 53%, respectivamente) se atribuye a la variabilidad
del rendimiento académico dentro de cada universidad. En el caso de Administración,
Contaduría, Ingenierías y Licenciaturas, el factor universidad también fue determinante
para explicar las diferencias en el rendimiento académico aunque en un menor grado
que las otras dos áreas (19%, 13%, 17% y 24%, respectivamente).
Los resultados de la tabla 14 muestran las estimaciones de los dos parámetros de efectos
fijos para cada área de conocimiento, es decir, la intersección y el coeficiente asociado
a la covariable Calidad_cent de la universidad. Las intersecciones variaron muy poco
respecto al modelo nulo, por tanto, no se afectaron por la covariable de nivel 2, lo cual
representa una estimación del rendimiento académico promedio de la población de
23
universidades por ser una variable centrada en la media. En el caso de los coeficientes,
todos resultaron significativos (al 90% en el peor de los casos) y, por tanto, aumentos en
la proporción de programas acreditados generaron incrementos del nivel promedio de
rendimiento académico.
En el caso de Economía, la reducción fue del 30% (de 47% pasó al 17%); sin embargo,
se debe tener presente que la probabilidad de cometer un error tipo 1 en este caso es
mayor, por tanto, el efecto de la calidad en esta área no es del todo claro.
En síntesis, este resultado se debió a que gran parte de las diferencias observadas entre
el rendimiento académico de las universidades se explica por el nivel de calidad de
institución medida por la variable Calidad_cent.
24
Tabla 15. Modelo de regresión (medias como resultados).
Estimaciones de los parámetros de covarianza.
25
► Modelo 3: análisis de covarianza.
Analizando los resultados de efectos fijos, se observó que para todas las áreas
analizadas el rendimiento académico promedio a nivel de la población de universidades
fue significativamente mayor que cero (véanse tablas 17 y 18).
26
Discusión de los
resultados obtenidos
Al igual que el resto de modelos y para todas las áreas analizadas, la constante o intersección
es una estimación media del rendimiento académico de las universidades. En este caso, el
rendimiento académico promedio a nivel de la población de universidades fue significativamente
mayor que cero. El “efecto universidad” o la varianza total en el rendimiento que se debe a las
variaciones existentes entre universidades fueron diferentes por área de conocimiento. En este
sentido, en áreas como Economía, Medicina y Derecho por lo menos el 40% de las diferencias
se explicaron por variables de segundo nivel en contraste con el poder explicativo que tuvo
las variables de primer nivel en programas como Administración, Contaduría, Ingenierías y
Licenciatura, donde el efecto universidad fue menor que 25%. En el caso del programa de
Economía, los resultados de este efecto están muy cercanos a los obtenidos por Valens (2004).
Al revisar los resultados de brecha de género, con excepción del programa de Contaduría, la
variable género fue significativa en todas las demás áreas. La diferencia más alta de los hombres
sobre las mujeres se da en el área de las Ingenierías (2,4%), mientras en las demás áreas oscila
entre el 1,2% y el 1,9%. Este resultado puede estar relacionado con las brechas de rendimiento
entre hombres y mujeres halladas en estudios a nivel de secundaría en el área de matemáticas,
que es el fundamento básico de los programas de Economía e Ingenierías, y que se reproducen
a nivel universitario. Un documento del Banco Interamericano de Desarrollo sobre “La condición
de la educación en matemáticas y ciencias naturales en América Latina y el Caribe” realizado por
Valverde y Näslund-Hadley (2010), enfatiza sobre estas diferencias de género en matemáticas, al
catalogarlas como considerables, especialmente en El Salvador y Colombia.
Los resultados obtenidos demuestran y confirman que existe una brecha de género a favor
de los hombres y, por tanto, si el estudiante que presenta la prueba es hombre el rendimiento
académico aumenta en promedio entre 1 y 3 puntos. Este resultado fue similar por el
obtenido por Valens (2007) para el programa de Economía (3,133), y a nivel de secundaria
por Piñeros(1998) quien obtuvo coeficientes de 3,574 para colegios públicos y 3,471 para los
privados en Ciencias17.
La variable Edad (GRUPO_EDAD) resultó significativa para 5 de las áreas (con excepción de
Contaduría y Administración). El signo fue negativo en todos los casos, lo cual significa que a
mayor edad el rendimiento académico disminuye; lo mismo que el género, el impacto fue de
1 a 3 puntos en los resultados de la prueba. El 57%, como se anotó, tenía entre 21 y 25 años
cuando presentó la prueba y solo el 15% tenía más de 31 años; este último grupo obtuvo una
media en el puntaje de cerca de 7 puntos por debajo del primero.
17 Para la prueba de matemáticas este resultado fue de 3,734 y 3,511 para colegios públicos y privados,
respectivamente.
27
Si el estudiante trabaja (ESTU_TRABAJA) o es cabeza de familia (ESTU_SN_CABEZA), su
rendimiento académico disminuyó. La primera de estas variables resultó determinante en las
áreas de Administración, Medicina y Licenciaturas, y la segunda en áreas como Ingenierías,
Licenciaturas, Derecho y Contaduría. Aunque no existen antecedentes en la literatura sobre
los efectos esperados de este grupo de variables, se esperaba de antemano este resultado,
teniendo en cuenta que si el estudiante trabaja o es cabeza de familia su tiempo para el
estudio disminuye y esto a su vez disminuye su rendimiento.
Cuando se incluyó una interacción entre variables de distinto nivel, el INS del estudiante y
la variable calidad (Cal_cent) de la universidad, el coeficiente tomó un valor positivo y fue
significativo en los programas de Administración, Economía y Derecho, lo cual indicó, para
estos programas, que la relación entre el rendimiento académico y el nivel socioeconómico
de los estudiantes fue mayor cuanto mayor fue la calidad de la institución. En este sentido,
en los casos como Derecho y Economía donde el INS no explica el rendimiento académico
por sí solo, la interacción entre esta variable y la calidad de la institución resultó significativa
y positivamente relacionada con el rendimiento académico. Cabe anotar que no se obtuvo
significancia estadística para la variable INS, y tampoco para su interacción con la variable
Cal_cent en el área de Ingenierías; en otras palabras, no se puede afirmar que el nivel
socioeconómico contribuye a explicar el rendimiento académico en esta área. Además, en
el área de Medicina, a pesar de que la interacción entre la calidad de la institución y el INS
fue significativa, el signo del coeficiente fue negativo, contrario al efecto esperado de una
relación directa entre las dos variables y el rendimiento académico.
28
El cálculo del CCI (véase tabla 18) proporcionó una vez más la variabilidad inter-universidad
e intrauniversidad. La inclusión de una segunda variable de nivel 2, como la naturaleza o
tipo de institución (INST_ORIGEN), disminuyó considerablemente la variabilidad existente
entre los distintos centros, en aquellas áreas donde la variable resultó significativa (Derecho,
Ingeniería y Medicina).
Las reducciones más significativas se dieron en Derecho e Ingenierías, pues del 43% pasaron
al 16% y del 17% al 8%, respectivamente, lo cual indicó que gran parte de la diferencias
entre el rendimiento académico promedio de las Universidades se explicó por la calidad de
la universidad y su naturaleza pública o privada. Aunque la reducción en el programa de
Medicina fue de 31 puntos porcentuales (del 39% al 8%) el coeficiente solo fue significativo
al 85% de confianza, por tanto, la probabilidad de cometer un error tipo 1 al igual que en el
programa de Economía fue muy alta.
Repitiendo el cálculo de la tabla 19, se observó cómo aumenta el porcentaje de varianza explicada
al introducir la variable de nivel 2, naturaleza de la institución (INST_ORIGEN), en las áreas de
Derecho, Ingeniería y Medicina. En otras palabras, la calidad de la institución y la naturaleza de
la institución explicaron el 53% de las diferencias en rendimiento académico medio observadas
entre las universidades en el área de Ingeniería y el 63% en el área de Derecho.
29
Conclusiones e
implicaciones de política
El estudio realizado mostró que existen factores que están relacionados con el desempeño
académico de los estudiantes universitarios que realizaron la prueba SABER PRO 2009
en la Región Caribe colombiana. Varios resultados empíricos tienen un particular interés:
(1) el “efecto universidad” que es relativamente alto para la explicación del rendimiento
académico universitario;(2) la variable calidad que explica una parte importante del “efecto
universidad”;(3) el relativamente débil poder explicativo que tiene nivel socioeconómico en el
rendimiento académico universitario; y (4) evidencia de la brecha de género en el rendimiento
a favor de los hombres.
Desde la perspectiva de la política educativa, los resultados pueden sugerir una variedad de
estas que pueden afectar el rendimiento académico, por lo cual se plantean a continuación
algunas consideraciones. En cuanto a los dos primeros puntos, relacionados con el papel de la
universidad, los resultados apuntan necesariamente a una mayor profundización de la política
nacional de acreditación tanto a nivel institucional en todos sus componentes (administración,
docencia, investigación y extensión) y a nivel de carreras o programas, particularmente en
lo relacionado con su pertinencia. Sin embargo, es necesario que la política de acreditación
permita procesos flexibles que se ajusten a los requerimientos particulares de determinadas
áreas de conocimiento donde el efecto universidad no muestra ser determinante.
Por otro lado, aunque la evidencia encontrada para algunas áreas muestra que los estudiantes
de nivel socioeconómico más altos tienen un rendimiento superior, tal evidencia a nivel de la
educación superior no es contundente, en contraste con lo que diversos estudios empíricos
han demostrado en primaria y secundaria. La explicación puede radicar en que los procesos
de selección, accesibilidad y permanencia en la educación superior influyen al escogerlos
buenos estudiantes de origen socioeconómico bajo y sirven de “filtro natural” en el proceso
educativo universitario. Lo anterior refuerza la idea de que la inversión en educación para los
estratos socioeconómicos bajos debe realizarse desde las primeras etapas de la educación,
tal como lo sugiere Psacharopoulos (2007). Esto debe crear las condiciones apropiadas para
un mejor desempeño en el nivel universitario.
En cuanto a la brecha de género encontradas a favor de los hombres en áreas como Economía
e Ingenierías, su poder de explicación en el rendimiento académico es tan importante como
los niveles de calidad de la universidad y los efectos de los factores socioeconómicos. Es de
vital importancia tener presente que los resultados del estudio demuestran que estas brechas
de género se reproducen en todos los niveles del sistema de educación (primario, medio y
superior); por tanto, una política pública dirigida a cerrar o disminuir esta brecha para ser
30
exitosa debe concentrarse en el primer nivel, y deben tener como prioridad la reducción de
las diferencias en las matemáticas.
Por último, se debe anotar que las futuras investigaciones sobre el rendimiento académico
universitario deben incluir variables de tipo subjetivo como la percepción del estudiante
sobre la calidad de los servicios recibidos (incluida la calidad de los docentes), donde la
interdisciplinariedad especialmente se beneficiaría de la ayuda de la psicología y sociología
que pueden brindar herramientas para definir mejores variables explicativas que resulten
pertinentes para entender el rendimiento académico y ofrecer una perspectiva diferente
sobre los procesos de elección de los individuos.
Además, se requieren estudios longitudinales que desde el primer nivel educativo den
cuenta de todo el proceso de evolución del estudiante desde las pruebas de Estado hasta
las evaluaciones en la educación superior.
31
Referencias
• Becker, G. (1975) Human Capital: A Theoretical and Empirical Analysis, with Special
Reference to Education. 2d ed. New York: Columbia University Press for NBER.
http://books.google.es/books?id=9t69iICmrZ0C&pg=PR3&source=gbs_selected_
pages&ca =3#v=onepage&q&f=false.
• Borjas, G. y Acosta. O.L. (2002). Recursos públicos y educación en los años noventa.
En Alesina, A. (Editor). Reformas institucionales en Colombia, Fedesarrollo en coedición
Alfaomega Colombiana S.A, Bogotá.
• Coleman, J. S., Campbell, E. Q., Hobson, C. F., Mood, J., Weifield, F. D., and York, R. L.
(1966).Equality of Educational Opportunity. Washington, DC: U.S. Department of Health,
Education & Welfare.
32
• De la Cruz, F. (2008) Modelos Multinivel. Revista Peruana de Epidemiología. Vol. 12 (3). pp. 2–8.
En: http://sisbib.unmsm.edu.pe/bvrevistas/epidemiologia/v12_n3/pdf/a02v12n3.pdf
• Ferro, J., Roa, A. y Abello, R. (1999), La educación superior en la Costa Caribe y sus
retos actuales. En: El rezago de la Costa Caribe colombiana, Meisel, A. y Calvo, H. (ed.),
Banco de la República-Fundesarrollo-Universidad del Norte-Universidad Jorge Tadeo
Lozano Seccional del Caribe, Bogotá.
33
• Mina, A. (2004). Factores asociados al logro educativo a nivel municipal. Universidad de
los Andes, Documento CEDE 2004-15, marzo.
• Mincer, J. (1974). Schooling, Earnings and Experience. New York, Columbia University Press.
• Núñez, J.; Steiner, R.; Cadena, X. y Pardo, R. (2002). ¿Cuáles colegios ofrecen mejor
educación en Colombia? Departamento Nacional de Planeación, Archivos de Economía
193, junio.
• Pardo A., Ruiz M., San Martín R. (2007). Como ajustar e interpretar modelos multinivel
con SPSS. Piscothema, vol. 19 numero 002. Universidad de Oviedo, pp. 308-321.
• Purkey, S. C., and Smith, M. S. (1983). Effective Schools: A Review. The Elementary
School Journal, 83(4), pp. 427 - 452.
34
• Quesada, V. y Blanco, I. (2004) Calidad en la educación superior en Colombia. Panorama
Económico, N° 12, Facultad de Ciencias Económicas, Universidad de Cartagena, Cartagena.
• Shekhar K., C. (2006). Human Capital and Growth Empirics. The Journal of Developing
Areas, Vol. 40, No. 1. p. 153-179. Published by: College of Business, Tennessee State
University. En: http://www.jstor.org/stable/4193022
35
http://paginasweb.univalle.edu.co/~revistasye/anteriores.php?n=13
• Valverde, G. y Näslund-Hadley, E. (2010). La condición de la educación en matemáticas
y ciencias naturales en América Latina y el Caribe. División de Educación. (SCL/EDU).
Notas técnicas. Banco Interamericano de Desarrollo. Washington.
• Villalobos, G. y Pedroza, R., (2009). Perspectiva de la teoría del capital humano acerca
de la Relación entre Educación y Desarrollo Económico. Tiempo de Educar, Vol. 10, Núm.
20, Julio - Diciembre, 2009, p. 273-306. Universidad Autónoma del Estado de México.
México. En: http://redalyc.uaemex.mx/redalyc/pdf/311/31112987002.pdf
36
Calle 17 No. 3-40 • Teléfono:(57-1)338 7338 • Fax:(57-1)283 6778 • Bogotá - Colombia
www.icfes.gov.co
37