See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/303857498

MODELOS MULTINIVEL PARA EXPLICAR PROBLEMAS DE INVESTIGACIÓN CON

MULTIPLES VARIABLES Y MUESTRAS GRANDES, CASO RENDIMIENTO
ACADÉMICO EN MEDICINA

Book · May 2016

CITATIONS READS
0 1,444

1 author:

Margarita Parra
University of the Andes (Venezuela)
12 PUBLICATIONS   1 CITATION   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Its a thesis of 2003 wich allowed the Master in Education, mention Informatics and Instructional Design View project

Learning Process methods for teaching Biochimestry in Medicine View project

All content following this page was uploaded by Margarita Parra on 08 June 2016.

The user has requested enhancement of the downloaded file.

MODELOS MULTINIVEL PARA EXPLICAR PROBLEMAS DE INVESTIGACIÓN CON MULTIPLES VARIABLES Y

MUESTRAS GRANDES, CASO RENDIMIENTO ACADÉMICO EN MEDICINA

AUTORA: Parra, Margarita

Doctora e Investigadora En Educación Médica

junio 2016
Dedicatoria

Dedico este libro en tributo a la memoria de mi querida hija Evelin Victoria (q.e.p.d).

A mis padres Sotero Parra (q.e.p.d) y Victoria de Parra y a todos mis hermanos y hermanas.

A mí querido hijo David Alejandro y mi esposo Miguel Alberto con quienes siempre he compartido

todos los proyectos de vida.

ii
 Tabla de contenido

Portada
Dedicatoria i
Tabla de Contenido iii
Lista de Tablas vi
Lista de Abreviaturas vii
Capítulo I, Introducción 1
2. Tipo de investigación a la que se ajusta el modelo 2
3. Criterios de selección de la población y la Muestra en los estudios multinivel 3
3.1 Tipo de muestreo y cálculo del tamaño de la muestra 4

3.1.1 Error Muestral, de estimación o estándar 5

3.1.2 Nivel de confianza 6

3.1.4 Cálculo de la muestra 7
3.1.5 Determinación de la Muestra del primer nivel, usando Kish 8
3.2 Muestra del segundo nivel 9
3.3 Sistema de Variables 9
3.4 Análisis Estadístico Descriptivo 17
3.5 Análisis Estadístico Inferencial 17
Capítulo II. 18
3.6 Fases del Estudio
3.6.1 Estudio exploratorio 18
3.6.2 Técnicas utilizadas 18
3.6.3 Aplicación del Coeficiente de Validez de Contenido: CVC 19
3.6.4 Definición de las variables y constructos del estudio exploratorio 20
3.6.5 Estudio y análisis (Etapa de desarrollo) 25
3.6.5.1 Diseño, construcción y validación de los instrumentos 25
3.7 Confiabilidad de los instrumentos 29
3.7.1 Coeficiente de confiabilidad de los instrumentos para la recolección de datos del primero y 29
segundo nivel
3.7.2 Análisis factorial exploratorio variables del primer nivel 31
3.8 Calculo del tamaño de la muestra para las diferentes escalas 33

3.9 Presentación de los resultados del pilotaje de las variables. 34

3.10 Procedimientos de análisis y validación de los datos 36

iii
3.11 Revisión y preparación de las variables y constructos de interés para la entrada de los datos al 37
proceso de modelación
3.12 El Modelo de Regresión Multinivel (MRM) 39
3.12.1 Antecedentes del Modelo de Regresión Lineal Multinivel 39
3.12.2 La ecuación de regresión 43
3.12.3 Fundamentación del Modelo de Regresión Lineal Multinivel. El Modelo Jerárquico Básico o 44
Modelo Nulo.
3.12.4 Conformación del modelo ampliado 45

Capítulo III 49
Presentación y Discusión de Resultados en el Análisis Multinivel 49
De los Resultados del Análisis Descriptivo y Explicativo 49
3.1 Sondeo preliminar, etapa exploratoria 49
3.2 Presentación de los resultados del estudio definitivo 50
3.2.1 Estadísticos descriptivos, de las características de los informantes (estudio definitivo) 51
3.2.4 Análisis factorial definitivo de las variables. 52
3.4 Variables del segundo nivel en el modelo de regresión lineal multinivel 55

3.5 Presentación de los resultados de los Modelos de Regresión Multinivel 61

3.5.1 Descripción del proceso de preparación de variables para la estimación de los 62
Modelos de Regresión Multinivel (MRM) y Presentación de los resultados de los
MRM estimados
3.6 Resultados del primer modelo. 65
3.7 Descripción del proceso de preparación de variables para la estimación de los
Modelos de Regresión Multinivel (MRM) y Presentación de los resultados de los MRM estimados
3.7 Construcción del modelo nulo 67

3.8 Metodología que se siguió para realizar la estimación del primer modelo 69

3.9 Resultados del Modelo Multinivel con el programa estadístico STATA. 70

3.10 Análisis del resumen del modelo 70
3.11 Modelo con Variables del segundo nivel 72
Capítulo IV Resultados del Modelo 74
4.1 Presentación de los resultados del modelo de efectos fijos obtenido con la variable del segundo 80
nivel
4.2 Discusión de los Resultados de los Modelos de Regresión Lineal Multinivel 82
(MRLM) estimado

iv
4.4.3. Ausencia de significancia e importancia práctica por falta de variabilidad en algunas variables 90

4.4.4 Análisis de los resultados 93

4.4.5 Aportes de algunos de los hallazgos 93

4.5 Escritura ejemplo de las Conclusiones 95

Bibliografía 101

Apéndice 106

v
 Lista de Tablas Página

Tabla 1 Ejemplo De Operacionalización de las Variables del Estudio 10

Tabla 2 Ejemplo de Resultados, sondeo preliminar, fase exploratoria 22
Tabla 3 Ejemplo de Resumen de las variables categóricas Sección 2 Aspectos 30
académicos generales
Tabla 5 Ejemplo de Variables independientes del primer nivel, el estudiante, que 32
entrarían al modelo, producto del pilotaje
Tabla 7 Ejemplo de Estadísticas descriptivos de las variables decodificadas 37
Tabla 11 Ejemplo de Varianza total explicada 53
Tabla 12 Ejemplo de Matriz de configuración 54
Tabla 13 Ejemplo del ordenamiento de las variables categóricas del segundo nivel 55
Tabla 14 Ejemplo de la Varianza Total Explicada segundo nivel 56
Tabla 16 Ejemplo Matriz de configuración (a) Segunda corrida 58
Tabla 18 Ejemplo Diagnóstico de multicolinealidad de las variables del segundo nivel 60
Tabla 19 Ejemplo la descripción de variables no incluidas en el modelo 64
Tabla 21 Ejemplo del Modelo Nulo 68
Tabla 22 Salida del modelo: variables del primero y segundo nivel con el Stata 71

Tabla 23 Resultados del modelo de Efectos fijos: Variables del estudiante y del 76
profesor
Tabla 26 Ejemplo Presentación Resultados para el Modelo de Regresión Multinivel 89
con el Promedio de los Cursos del (la) Estudiante
Tabla 27 Ejemplo de presentación Cálculo del Coeficiente de Variación Proporcional 91
(Cvp) para las variables no significativas en el modelo

vi
 Lista de Abreviaturas
ULA Universidad de Los Andes, Mérida, Venezuela.
ORE Oficina de Registros Estudiantiles, Facultad de Medicina, ULA.
PRN Planillas de Registro de Notas.
OEM Oficina de Educación Médica, Medicina, ULA, Mérida, Venezuela.
PIS Pruebas Internas de Selección.
gf Inteligencia fluida.
gc Inteligencia cristalizada.
RA Rendimiento Académico.
CCH Colegios de Ciencias y Humanidades.
PUC Pontificia Universidad Católica.
UCV Universidad Central de Venezuela.
AC Aprendizaje Cooperativo.
CNU Consejo Nacional de Universidades.
RV Razonamiento Verbal.
HN Habilidad Numérica
PNB Promedio de Notas de Bachillerato.
IA Índice Académico.
MBTI Inventario de Myers Briggs
UAB Universidad Autónoma de Barcelona
CNU Consejo Nacional de Universidades.
IE Inteligencia Emocional.
ABP Aprendizaje Basado en Problemas.
URRS Unión Soviética.
UCH University College Hospital.
CAEM Consejo de Acreditación de los Estudios Médicos.
UNESCO Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura.
MCO Mínimos Cuadrados Ordinarios.
ARM Análisis de Regresión Multivariante.

vii
 1

Capítulo I

1. Introducción

Los modelos de regresión multinivel o de niveles múltiples fueron aplicados por Montero et

al. (2007) para estudiar la relación entre el Rendimiento Académico y las variables y constructos de

interés. Los autores consideran que estos modelos son más poderosos que los modelos clásicos de

regresión múltiple utilizados tradicionalmente para analizar este tipo de relaciones. Estos estudios

permiten incorporar, en un mismo modelo (en una misma ecuación), variables independientes

pertenecientes a diferentes niveles de agregación, tales como variables individuales del

estudiantado (primer nivel) y variables del profesorado y el curso (segundo nivel), si se aplican al

ámbito universitario.

Ahora bien, cuando se propone el estudio multinivel se busca superar los sesgos que se

producen en la investigación cuando solo se mira el fenómeno desde una óptica y con análisis

estadístico correlacional lineal. Con este análisis lineal se busca estimar e interpretar la asociación

entre la variable dependiente (Rendimiento Académico en Medicina) en función de una o más

variables independientes o explicativas, por ejemplo la variable Estilos de Aprendizaje. Sin embargo,

la correlación entre las variables no es igual a -1 ó +1, debido a que una parte de la variación de la

variable dependiente Y no es explicada por la variación de la variable independiente X; de esta

manera se reconoce por lo tanto un error o residuo (ei) determinado por las diferencias que existen

entre el valor estimado y el valor real.

 2

2. Tipo de investigación en la que se aplican estos modelos

El tipo de investigación que se propone para estos estudios es el no experimental transversal

exploratorio-correlacional (Montero, et al. 2001). Se trata de un estudio no experimental, porque

no es posible la manipulación de las variables independientes, ya que no se tiene control directo

de ellas ni de sus manifestaciones (Sampieri, Fernández y Baptista, 2003, en Vargas, 2010). Así

mismo, se considera transversal, porque se indaga en un momento en el tiempo, en un contexto

específico la búsqueda de una explicación, sobre los posibles factores asociados al constructo de

interés. Además, se utiliza un enfoque plurimetodológico evidenciado en las técnicas de

recolección y de análisis de información que son utilizadas en este tipo de estudios.

Por otra parte, se requiere controlar el efecto de las variables extrañas (confusoras), midiéndolas e

incorporándolas como variables independientes en los modelos de regresión multinivel. Este modelo

se selecciona porque interesa considerar efectos mixtos, con dos tipos de efectos: los fijos,

determinados por las variables en el primer nivel, y los aleatorios, con las covariables y variables de

segundo nivel. Igualmente, el coeficiente de correlación en este modelo proporciona el grado de

variación concomitante entre variables, y en este método el efecto de las variables de interés está

confundido con el de las variables extrañas, no aleatorizadas ni controladas (Colas y Buendía, 1998).

Esto quiere decir que, se debe garantizar que los cambios observados en el fenómeno se deban a la

acción de la variable de interés y no a la acción de otras variables.

 3

Así mismo, la razón del uso de un análisis de multinivel es que tiene más de un nivel de

agregación que, a diferencia de la regresión clásica, permite incorporar en un mismo modelo (en una

misma ecuación) variables independientes pertenecientes a diferentes niveles de agregación,

(Montero et al., 2007).

3. Criterios para la selección de la población y muestra en los estudios multinivel

Los criterios de selección de la muestra, están basados en el contexto donde se lleva a cabo

el estudio, en los requerimientos técnicos que demanda la modelación multinivel y el interés de la

investigación, el cual es determinado a partir del universo disponible, y la parte que responde a las

especificaciones técnicas. Los criterios son los siguientes: Primero, tener una valoración lo más

cercana de los sujetos objeto de la investigación. Segundo, se debe establecer el punto de partida

desde donde se inicia la recolección de los datos. El tercer criterio está relacionado con los

requerimientos técnicos que demandan las herramientas informáticas para realizar la posterior

modelación de regresión multinivel, acerca de la necesidad de disponer de una muestra grande en

ambos niveles, porque depende de la cantidad de grupos en la que están distribuidos los sujetos en

los niveles, el poder obtener un modelo con un poder estadístico robusto (Cea D´ancona, 2002).

La naturaleza transversal de la investigación, específicamente la decisión del momento

idóneo de la aplicación de los cuestionarios, permite obtener una percepción suficientemente clara

de los sujetos, sobre los aspectos a explorar y de relación con los aspectos del segundo nivel.

La cantidad total de individuos, que conforman el universo en estos estudios es grande (de

817 en este ejemplo). Asimismo, la muestra, está determinada por la cantidad de grupos disponibles.

Una limitante que se puede encontrar si se usan cursos, es si los mismos son colegiados, porque cada

profesor puede estar dando clases en uno o varios cursos, en uno o varios años, por lo que el sujeto
 4

que formó parte de la investigación es aquel que está presente al momento de aplicar el

instrumento.

3.1 Tipo de muestreo y cálculo del tamaño de la muestra

El tipo de muestreo que se utiliza para la selección de los sujetos participantes en un estudio

de este tipo, es el muestreo aleatorio sistemático, el cual consiste en enumerar a los participantes.

Así mismo, se toman luego al azar los que formarán parte de la muestra, no se utilizan los números

aleatorios. De igual manera, se determina un intervalo constante entre individuos, ejemplo: N/n =

817/400= 2,04, por lo que se tomaron los números pares: 2,4, 6, 8, 10 hasta el 400. Entonces, si la

población es normal N (µσ), o si n ≥ 400, las medias de la muestra del tamaño n se ajustan a la normal.

Por lo tanto, la media muestral es igual a la media poblacional, y la desviación típica muestral es igual

a la desviación típica poblacional entre la raíz cuadrada del tamaño de la muestra n.σ/√n (Casal y

Mateu, 2003).

Luego se aplica el muestreo estratificado por conglomerados completos, donde los conglomerados

son los grupos y los estratos los constituyen los cursos, hospitales, instituciones.
 5

Para realizar un muestreo aleatorio los autores recomiendan preguntarse:

1. Cuál es el mínimo de unidades de análisis que se necesita (estudiantes) para conformar la

muestra (n) que asegure un error estándar < 0,01, dado que depende de la población

disponible (817 sujetos).

2. Se debe tener presente si es conocida o no la varianza poblacional.

3. Para determinar el tamaño de muestra necesario para estimar µ con un error máximo

permisible prefijado y conocida la varianza poblacional (σ2 ), se puede utilizar la fórmula:

𝜎 𝑍1− 𝛼/2 2
𝑛=( )
𝑑
4. Se obtiene de reconocer que alfa es el error estándar o error
máximo prefijado y está

dado por la expresión para el nivel de confianza y constituye una medida

de la precisión de la estimación, por lo que se puede inferir además que:

(Kish, 1982)

3.1.1 Error Muestral, de estimación o estándar. Es la diferencia entre un estadístico y su parámetro

correspondiente. Es una medida de la variabilidad de las estimaciones de muestras repetidas en

torno al valor de la población; ello da una noción clara de hasta dónde y con qué probabilidad una

estimación basada en una muestra se aleja del valor que se hubiera obtenido por medio de un censo

(Kish, 1982).
 6

Siempre se comete un error, pero la naturaleza de la investigación indicará hasta qué medida se

puede cometer (los resultados se someten a error muestral e intervalos de confianza que varían

muestra a muestra). Varía según se calcule al principio o al final. Un estadístico será más preciso en

la medida en que su error sea más pequeño. Se puede decir por lo tanto que es la desviación de la

distribución muestral de un estadístico y su fiabilidad.

3.1.2 El Nivel de Confianza. Representa la probabilidad de que la estimación efectuada se ajuste a

la realidad. Cualquier información que se quiera recoger está distribuida según una ley de

probabilidad (Student). Así, se llama nivel de confianza a la probabilidad de que el intervalo

construido en torno a un estadístico capte el verdadero valor del parámetro (Hernández S, 1997).

3.1.3 Referente a la Varianza Poblacional. Cuando una población es más homogénea, la varianza es

menor y el número de entrevistas necesarias para construir un modelo reducido del universo, o de

la población, será más pequeño. Generalmente es un valor desconocido y hay que estimarlo a partir

de datos de estudios previos. (Hernández S., 1997).

 7

3.1.4 Cálculo de la muestra

Además de los criterios contextuales y técnicos mencionados anteriormente, se realizan los

cálculos teóricos del tamaño de la muestra basados en la estadística existente.

Se utilizó la siguiente fórmula del muestro aleatorio simple (Jany, 2000, p. 115; en Vargas

(2010).

𝑍 2𝜎
𝑛=
𝑒2
Donde:

Z: Margen de confiabilidad, 95% que corresponde a 1,96 desviaciones estándar. σ: Desviación

estándar, estimada a partir de los resultados del pilotaje.
n: Tamaño de la muestra.
no: Primera aproximación de la muestra si N fuera Infinito.
N: Población.
e: Error de estimación.
De la prueba piloto se analizan los resultados de los estadísticos descriptivos (media y

desviación estándar) de las escalas que muestren, en las investigaciones empíricas examinadas, una

validez y una confiabilidad altas.

De acuerdo con Nunally, si el valor está por debajo de 0,80 el instrumento que se está evaluando

presenta una variabilidad heterogénea en sus ítems y por lo tanto este hecho lleva conclusiones

equivocadas. En consecuencia deben realizarse sucesivas corridas de confiabilidad, eliminando los

ítems con las correlaciones elemento-total corregidas menores a 0,30, aumentando la confiabilidad

hasta 0,82.
 8

Igualmente, se utilizaron las escalas del cuestionario del estudiante denominadas Grado de

Satisfacción y Percepción. Se obtuvieron los resultados de los estadísticos descriptivos (la media y

desviación estándar, máximo y mínimo, rango y CVP), así como el mayor tamaño de la muestra para

cada variable. Asimismo, se hizo un ejercicio con cada una de las escalas, y es de esperarse que en

las escalas con desviaciones pequeñas (respecto de la media), el resultado del tamaño de la muestra

sea pequeño. Por lo tanto, las escalas consideradas apropiadas, con base en las limitaciones del

investigador y el contexto (cantidad de estudiantes disponibles) fueron las que resultaron con una

desviación estándar respecto a la media, relativamente pequeña.

3.1.5 Determinación de la Muestra del primer nivel, usando Kish (1982)

Valores a estimar de: n

e = 5% =0.05 o 10% =
0,1, tomando a
e= 0,05
Z = 1,96 (tabla de distribución normal para el 95% de confiabilidad y 5% error) o
Z = 1,65 para el 90% de confiabilidad y 10% error. Tomando para este caso a Z=1,96 N= 817

(universo) p = 0,50 q = 0,50

𝑍2 𝑝 𝑞 𝑁
𝑛=
𝑁 𝑒 2+ 𝑍2 𝑝 𝑞

n= (1.96) ^2 (0,50) x (0,50) x 817/817 x (0,05) ^2+ (1,96) ^2 (0,50) x (0,50), por lo tanto,

n= 3,84x 0,25x817/817x 0, 0025+3,84x 0,25 implica que:

n= 784,32/2,0425+0,96 implica que n= 784,32/3,0025 significa que n= 261,

 9

3.2 Muestra del segundo nivel

La muestra puede estar determinada por ejemplo, por los cursos, en su mayoría colegiados,

impartidos por profesores en instituciones de Educación Superior, tales como facultades. Sin

embargo, cada profesor puede estar dictando uno o varios cursos en varios años.

Sin embargo, por razones técnicas de la modelación multinivel, sobre la articulación de la

información del nivel 1 y nivel 2, se debería tomar por ejemplo, un único profesor con su grupo de

práctica y a cada profesor identificarlo con un número.

3.3 Sistema de Variables

Las variables que se trabajen en estos estudios se extraen de la revisión bibliográfica previa y de la

construcción del marco teórico del problema. También han servido como fuentes diversas

inquietudes que se vayan presentando en las diferentes sesiones de trabajo.

Variables Independientes: definidas como aquellas variables que se asocian con la variable

dependiente.

Variable Dependiente: se establece en función del problema de investigación.

A continuación, se presenta la tabla ejemplo de operacionalización de variables.

 Tabla 1. Ejemplo de la Operacionalización de las Variables tomando al Rendimiento en Medicina ULA, Mérida,
Venezuela, como Estudio

Factores Constructo y Tipo de Dimensión Categorías Sección Operacionalización Dirección

/o variable instrumento para inclusión en de
Variable el modelo asociación
Del Sexo Independiente Características Masculino y Sección I Nominal. Masculino Directa
estudiante fenotípicas del Femenino 1, femenino 0
Sociodemo- estudiante
gráficos
Edad Independiente Años cumplidos Sección I Continua Inversa
Procedencia Independiente Región De la Región, Sección I Nominal. De la región Directa
fuera de la región 1,
Otra, 0
Residencia Independiente Habitación Casa de familia, Sección I Nominal Directa
casa de un Con su familia o
pariente, pariente 1, otro 0
alquilado (a),
otra.
Fuente de Independiente Financiamiento Sus padres, beca, Sección I Nominal Directa
financiamiento de la carrera usted mismo, Sus padres 1, otro 0
otro
Estado civil Independiente Soltero, o casado Sección I Nominal Directa
(a) Soltero 1, otro 0
Número de Independiente Hijos (as) Ninguno, uno o Sección I Continua Inversa
dependientes más
Trabajo Independiente Trabaja Sí o no Sección I Nominal. Sí 1, Inversa
remunerado No 0
Número de Independiente Cantidad de Horas laborales Sección I Continua Inversa
horas que horas laborales
trabaja
Disposición de Independiente Televisión por Sí o no Sección I Nominal. Es un Directa
aparatos o cable, agua atributo del
servicios caliente, docente que no se
vehículo, codifica como
computadora, variable dummy
acceso a porque no cuenta
Internet, con un respaldo
teléfono celular, estandarizado de
club privado, los resultados
ninguno de los
anteriores

10
 Grado Independiente Máximo nivel deNinguno 0, primaria Sección I Nominal. Directa
académico del estudios incompleta 1, Universitario
padre alcanzado primaria completa 2, 1,
secundaria no universitario 0
incompleta 3,
secundaria completa
4, universitaria
incompleta 5,
universitaria
completa 6, no ha
formado parte del
grupo familiar 7, no
sabe/no responde 8
Grado Independiente Máximo nivel deNinguno 0, primaria Nominal. Directa
académico de estudios incompleta 1, Universitario
la madre alcanzado primaria completa 2, 1,
secundaria no universitario 0
incompleta 3,
secundaria completa
4, universitaria
incompleta 5,
universitaria
completa 6, no ha
formado parte del
grupo familiar 7, no
sabe/no responde 8
Cognitivos Puntaje en la Independiente Prueba Interna Sección I Sección I Continua Directa
prueba interna Selección
de selección
Promedio Rendimiento Dependiente Continua
ponderado de académico
los cursos

11
Satisfacción Satisfacción del Independiente Infraestructura y Grado de Sección II Continua Directa
estudiante servicios Satisfacción Fact1, FAC1_2
Puntuaciones
factoriales del
componente
infraestructura y
otros servicios
de la Escala
Grado de
satisfacción del
estudiante
Percepción Percepción del Independiente Del área social y Comunicación Sección III Fact1-5 Directa
estudiante clínica profesor- Puntuaciones
estudiante, factoriales
adecuación componente
entornos, perfil aspectos
profesor, académicos
formación en el procedimentales
campo Escala
Percepción del
estudiante y su
Grado de
Incidencia en el
rendimiento
académico
Aprendizaje Estilos de Independiente Cognitivo-afectiva Acomodador Test de Estilos No fue incluida en
Aprendizaje Convergente de Kolb el modelo
Divergente
Asimilador
Motivacional Motivación al Independiente Actitudinal Metas de logro Test de Fact1-7 Directa
Logro afectiva Instrumentación Motivación al Puntuaciones
Compromiso tarea logro factoriales
(CIPULA) Componente
Instrumentación
Fac18Puntuacion Directa
factorial
Componente
Creencias
Facilitadoras de
Logro
Uso de Internet Frecuencia de Tecnológica Pedagogía de Test de Interacademica 1, Directa
uso Medios Pedagogía de otra 0
Medios

12
Factores Del Constructo y /o Tipo de Dimensión Categorías Sección Operacionalización Dirección
Profesor Variable variable instrumento para inclusión en asociación
el modelo
Socio- Sexo Independiente Datos profesor Masculino 1, Sección I Masculino 1, Directa
demográficos femenino 2 Femenino 0
Edad Independiente Datos profesor continua Inversa
Titulo Independiente Datos profesor Medico 1, Sección I Médico 1, otro 0 Directa
licenciatura 2,
maestría 3,
doctorado4,
otro 5
Categoría Independiente Datos Profesor Instructor 1, Sección I Otro 1, titular 0 Directa
docente Asistente 2,
Agregado 3,
Asociado 4,
Titular 5
Años de Independiente Datos profesor Menos de 15 Sección I Menos de 15 años Directa
docencia años 0, más de 0, más de 15 años
15 años 1 1
Académicos Tipo de curso Independiente Datos profesor Individual 1, Sección II Individual 1, otro 0 Directa
colegiado 2
Horario Independiente Horario en el que Mañana 1, tarde Sección II Único turno 0, dos Directa
se imparten las 2, ambos 3 turnos 1
clases
Número de Independiente Cantidad de Sección II Continua Inversa
estudiantes estudiantes
matriculados asignados por la
en el curso Oficina Sectorial
de
Registros
Porcentaje de Independiente Cantidad Sección II Continua Directa
estudiantes relativa de
que asiste estudiantes
regularmente que asiste
a clase regularmente a
clase.
Conocimientos Independiente Cualificación por Muy deficiente Sección II Buenos 1,
previos que parte del 1, deficiente 2, deficientes o
poseen los profesor de los regular 3, regulares 0
estudiantes conocimientos buenos 4, muy
previos buenos 5

13
Satisfacción Independiente Satisfacción con Muy Sección III No se le aplicó Directa
general del contenidos insatisfecho 1, análisis factorial
docente al curso, horario, insatisfecho 2, porque el Alfa de
impartir la calidad neutral 3, Cronbach resultó
materia estudiantes, satisfecho 4, muy bajo
tamaño grupo, muy satisfecho
aulas, recursos
didácticos,
general con el
curso
Motivo Independiente Motivo que le Me gusta la Sección III Es un atributo del Directa
principal de indujo a entrar en enseñanza y sus docente que no se
ingreso a la la docencia retos 1, codifica como
docencia universitaria compromisos variable dummy
con beca 2, porque no cuenta
necesidad de con un respaldo
fuente estable estandarizado de los
de ingreso 3, resultados
estar al día con
los
conocimientos
del campo 4 y
prestigio
profesional 5
Aspecto más Independiente Características Sin respuesta 0, Sección III Es un atributo del Directa
gratificante que satisfacen al contacto e docente que no se
de su labor docente con su interacción con codifica como
como labor los estudiantes 1, variable dummy
docente en la promoción y porque no cuenta
ULA motivación del con un respaldo
estudiante 2, estandarizado de los
dar clases 3, resultados
reconocimiento
del estudiante y
egresado por
labor 4, otras 5
Independiente Características que Ninguno 1, Sección III Es un atributo del Directa
no satisfacen al dificultad para docente que no se
docente con su el desarrollo de codifica como
labor la investigación variable dummy
2, bajo interés porque no cuenta
del estudiante con un respaldo
3, baja estandarizado de los
remuneración y resultados
deficiente
planta física 4,
otras 5

14
 Independiente Satisfacción Muy Sección III Se le aplicó análisis Directa
con apoyo insatisfecho 1, factorial
administrativo, insatisfecho 2, identificándose dos
calidad neutral 3, subescalas, una de
académica satisfecho 4, satisfacción
estudiantes, muy satisfecho administrativo
Infraestructura, 5 académica y otra de
disponibilidad satisfacción
materiales administrativo
audiovisuales, institucional
oportunidades
desarrollo
académico,
Percepción Independiente Formación y Completamente Sección IV Se le aplicó análisis Directa
evaluativa actualización; en desacuerdo 1, factorial
de la dificultad, moderadamente identificándose dos
formación posibilidad y en desacuerdo 2, subescalas, una de
docente ausencia para el indeciso 3, capacitación docente
cambio; moderadamente y nuevas tecnologías
participación en de acuerdo y otra de formación
actualización 4,absolutamente docente y nuevas
docente; cursos de acuerdo5 tecnologías
actualización;
reconocimiento
a la formación;
necesidades
aprendizaje;
cursos formación
e intercambio de
experiencias;
cursos formación
como elemento
motivador;
identidad y
pertinencia
Nota: Información extraída de la revisión de las investigaciones relacionadas con el problema, para la elaboración de los instrumentos y
posterior recolección de los datos

3.4 Estadísticos Descriptivos

Para las Variables Independientes e Intervinientes, se determinaron, en las variables nominales o

categóricas, las Frecuencias Absolutas, Porcentajes Simples, Porcentajes Ajustados, Porcentajes Acumulados.

Para las variables continuas, las medidas de tendencia central (Media, Mediana, Moda, Desviación típica).

15
 16

La Variable Dependiente (Continua), Rendimiento Académico, se determinó según los diferentes grupos

definidos por las variables independientes e intervinientes a través de las Medidas de Tendencia Central,

Variabilidad Absoluta y Relativa, Asimetría y Curtosis.

3.5 Estadísticos Inferenciales

Se realizó un Análisis de Regresión multinivel para el estudio de la asociación entre el Rendimiento

académico y las variables y constructos de interés. En este caso se tienen variables individuales del

estudiantado (primer nivel) y variables del profesorado y la institución (segundo nivel), a fin de determinar el

peso específico de cada una de las variables independientes e intervinientes en la predicción del rendimiento

académico en los estudiantes del preclínico de Medicina. El empleo de la metodología multinivel en esta

investigación ofrece la oportunidad de conocer la realidad del estudio por nivel y entre niveles, al permitir una

mayor profundidad en el análisis del objeto de estudio. Un estudio de esta naturaleza recolecta determinados

datos ordenándolos en una base, agrupando las variables de acuerdo con las necesidades del investigador(a).
 17

Capítulo II

2.1 Fases del Estudio

2.1.1 Estudio exploratorio

Sondeo Preliminar. En estos estudios se puede realizar un estudio exploratorio previo, a través de entrevistas

abiertas y semiestructuradas codificadas, así como la observación participativa y no participativa, formulando

previamente los constructos y preguntas.

Selección de los sujetos

Se seleccionan al azar y de quienes cumplan con los criterios del investigador, de acuerdo al problema

estudiado.

2.1.2 Técnicas utilizadas

La entrevista semiestructurada codificada se diseña previa definición de los constructos relacionados

con el contenido, la organización y el tono del registro, enfocándose en el proceso psicológico interno de cómo

los individuos interpretan y representan sus experiencias de vida. Igualmente, se explora la organización del

funcionamiento psicológico, tomando en consideración aspectos tales como los sugeridos por Bartholomew,

Henderson y James (1991) para la entrevista semiestructurada codificada.

Para hacer el análisis por categorías se elabora una tabla en la que se registran las respuestas y se

analizan buscando las semejanzas y coincidencias entre ellas, para construir un código común.
 18

2.1.3 Validación del contenido del instrumento para la realización de la entrevista semiestructurada codificada

Aplicación del Coeficiente de Validez de Contenido: CVC

El Coeficiente de Validez de Contenido (Cvc) es una versión actualizada y mejorada del CPR (Coeficiente de

Proporción de Rangos) (Hernández-Nieto, 1984, 1995).

El resultado del mencionado coeficiente para el instrumento de la entrevista debe ser al menos: Cvc

Cvc Cvcc error

0,84 0,80 0,04

Cvc = Coeficiente de Validez de Contenido.

Cvcxc = Coeficiente de Validez de Contenido Corregido

Error= Error por Concordancia Aleatoria

Un coeficiente de validez total (CVC) de 0,84, es considerado en la escala como bueno, lo que indica que el

instrumento tiene validez para la información que se pueda recolectar en la realización de la entrevista.

2.1.4 Definición de las variables y constructos del estudio exploratorio

La selección de los ejes temáticos, su interrelación con la variable dependiente y los factores de interés, para

el estudio exploratorio parten de una revisión bibliográfica que se realiza para fundamentar el estudio

preliminar.

Desde la entrevista semiestructurada codificada, los constructos se definen a partir del contenido, la

organización y el tono del registro, enfocándose en el proceso psicológico interno de cómo los individuos

interpretaron y representaron sus experiencias de vida y cómo estuvo organizado su funcionamiento

psicológico (Bartholomew, Henderson y James, 1991).

En consecuencia, los constructos derivados de la revisión alimentan las preguntas de la entrevista. Después

del análisis, los instrumentos son corregidos en el lenguaje, adaptado culturalmente al espacio donde tiene

lugar el estudio.
 19

Aplicación de la entrevista semiestructurada codificada y la observación para el estudio exploratorio

Se aplicó la entrevista a la muestra seleccionada de forma aleatoria. Seguidamente, se escoge también

de manera aleatoria el espacio en el que se realiza la observación y se procede a analizar los datos obtenidos

con los instrumentos antes mencionados.

Por otra parte, la observación participante, se determina por la interacción entre observador y

observado en el espacio de éstos.

Para el desarrollo de la observación, se toman en consideración los criterios sugeridos por Callejo, 2002, Taylor

y Bogdan (1998); citado en Callejo (2002), que fueron los siguientes: El primer elemento de participación fue

espacial, el espacio de la comunidad observada; de aquí que la selección del espacio representa un lugar

estratégico primordial (Callejo, 2002). Segundo, la presencia de un espacio de fácil acceso (Taylor y Bogdan,

1998 citado en Callejo, 2002), donde se pueda establecer una relación inmediata con los informantes y recoger

datos directamente relacionados con los intereses de la investigación.

Tercero, el tipo de dato que configura la observación participante viene dado por el instrumento básico,

las notas del trabajo de campo. Éstas tienen la función de recoger lo significativo de lo observado, pero fuera de

la mirada de los observados, poniendo en relieve la antinomia entre los momentos de observación y los de

participación.

Cuarto, la comunidad que se forma entre observador y observados pasa en esta práctica de

investigación por el requerimiento de integración del observador en los espacios y prácticas de los observados.

Es decir, su integración en la vida cotidiana del grupo observado. Su contradictoria denominación (observar y

participar a la vez) muestra también el margen de la actuación desde lo que se considera una observación que

participa en la vida cotidiana de los observados.

 20

Quinto, en el contexto de los métodos observacionales, las mediciones ocurren cuando se asignan

códigos a eventos de interés de acuerdo con las definiciones y reglas claramente descritas en esquemas de

códigos explícitos. Uno de estos códigos de comportamiento puede ser la actitud del profesor en un tiempo

determinado. Así, estos métodos pueden ser usados cuando cualquier comportamiento de interés está

claramente definido y disponible al observador. Igualmente, son especialmente útiles cuando el

comportamiento de interés es social, involucrando interacciones entre dos o más participantes y cuando las

hipótesis enfatizan no salidas, sino procesos. Es decir, formas o significados en los cuales la interacción se

desdobla en el tiempo (Ickes, Bissorette, García y Stinson, 1990).

Por lo tanto, las observaciones sistemáticas de comportamiento son importantes cuando se desarrollan

códigos, puesto que éstos ayudan a enriquecer el desarrollo de las preguntas de investigación y a repensar las

hipótesis. Así, un código de comportamiento es asignado a un evento, a categorías predeterminadas de los

códigos conductuales, y lo que le da carácter científico a la observación es su capacidad de replicabilidad, es

decir que la información recogida por los observadores y codificadores sea lo más similar posible.

Para la observación programada en estos estudios, habría que destacar que los códigos no están

ordenados en forma natural, por lo que la escala es categórica. Esto significa que el orden de los códigos es

arbitrario y no dictado por alguna dimensión comúnmente resaltada. El objetivo de la observación es hacer

una validación cruzada de las categorías junto con la entrevista semiestructurada codificada. Se pueden

observar comportamientos de momento y de frecuencia; es decir, un registro de las formas en que los

diferentes eventos se suceden en el tiempo. Para esto se elabora una lista de cotejo con las dimensiones de

interés, por ejemplo: lenguaje no verbal transmitido, postura corporal, calidad de las intervenciones,

expresiones del rostro y contacto visual, frecuencia de interacción y retroalimentación positiva. El investigador

(a) tiene el rol de recopilar la información de dichas dimensiones.

 21

En este sentido, Bales propone un sistema de doce (12) categorías que sirven para clasificar en la

observación, cada uno de los actos y comportamientos manifiestos durante la interacción, como son: 1. La

Solidaridad: ayudar, valorar a los otros. 2. La Distensión: intentar disminuir la tensión, bromas, declararse

satisfecho/a. 3. El Acuerdo: dar su conformidad, aceptar tácitamente, comprender. 4. Hacer sugerencias y dar

indicaciones respetando la libertad de otros. 5. Dar su opinión, analizar, expresar sus propios sentimientos y

sus deseos. 6. Dar orientación, informar, repetir, aclarar, confirmar. 7. Solicitar orientación, información,

repetición, confirmación. 8. Solicitar una opinión, una evaluación, un análisis, la expresión de un sentimiento.

9. Solicitar sugerencias, instrucciones, medios posibles de acción. 10. Desacuerdo: Desaprobar, rechazar

pasivamente, negar ayuda. 11. La Tensión: Manifestar tensión, pedir ayuda, retirarse de la discusión. 12.

Antagonismo: dar pruebas de oposición, denigrar a los otros, afirmarse a sí mismo(a).

Tabla 2. Ejemplo de presentación de Resultados de la entrevista semiestructurada codificada, sondeo preliminar, fase exploratoria

Pregunta Opinión de los estudiantes Categoría por Interpretación de los atributos

1(Opinión acerca de
la
idoneidad, referido al perfil
del profesor)
agrupada Categoría afinidad
En la naturaleza de las interrelaciones Personalidad, preparación, La categoría personalidad está
entre el profesor y el estudiante, forma en que se asociada con apatía, actitud hostil y
existe relación profesor-estudiante en desenvuelven y cómo son. poca o casi ninguna relación profesor-
materias como Microbiología. Poca
estudiante.
relación profesor-estudiante en las
materias de Bioquímica,
Farmacología, Epidemiología y
Demografía. Con algunas
excepciones, poca o casi ninguna
relación profesor-estudiante en
Fisiología. Actitud hostil de la mayoría
de los profesores con fuerte
incidencia en el aprendizaje del
estudiante. Profesores de
Microbiología y Bioquímica más
accesibles. En la idoneidad se carece
de dinamismo en los profesores de
Epidemiología y Demografía. Poca
entrega, solo lectura de láminas.
Considerados apáticos. Los
profesores de Fisiología saben mucho
de su campo pero no tienen
pedagogía. Toman los sábados,
domingos y días feriados para dar
clase. En algunas clases de Fisiología
los profesores son contradictorios,
 22

puesto que las clases son dadas a un

2 (Calidad de los entornos
de aprendizaje ofrecidos)
nivel y los exámenes son diseñados a
un nivel más complejo.
Clases leyendo las transparencias y
con ayuda del video beam, poca
capacidad de escucha y de
aceptación de opiniones
divergentes. Buena explicación
Entornos físicos de aprendizaje Entornos Entornos físicos se asocian con clases
pobres. Entornos físicos, Materias Participa masificadas, clases tipo taller, clases
tales como Fisiología, con poca Estimulo con discusión de casos clínicos.
oportunidad de
Respeto Oportunidades de participación se
Participación. Poco estímulo y
participación, muy poco respeto asocian con poco estímulo, poco
por el estudiante. Estrategias, respeto, clases teóricas expositivas y
clima que Clases masificadas poca práctica, vinculación de la teoría
Con excepción de microbiología. con la práctica.
Poco respeto, clases con un alto
componente teórico y poca
escucha. Muy poca práctica.
No evalúan para formar, evalúan
para saber lo que no sabemos, es la
única facultad que aún tiene

factor de corrección en algunas La evaluación de los aprendizajes se

materias. Microbiología, entornos asocia con escritura literal,
de aprendizaje favorables, las clases memorística y arbitraria, sin derecho
tipo taller, con discusión de casos a revisión de prueba.
clínicos y vinculación de la teoría con
la práctica. Queremos que nos
concienticen de las condiciones del
medio. Escribir exactamente como
dice el guion, si no se escriben las
respuestas de acuerdo con la
plantilla la pregunta es considerada
como mal respondida. Si se pide
revisión de prueba se corre el riesgo
de que las respuestas sean
reconsideradas para bajar aún más
las notas.
3(Contenidos de los Los contenidos en general están bien Jerarquización del contenido, La jerarquización se asocia con el
programas de segundo jerarquizados, actualizados, con cantidad de información, orden en que se imparten los
año) suficiente información, a veces la contenidos actualizados. La contenidos.
forma en que están siendo
recargan.
impartidos los programas de
las diferentes materias.
4) Aspectos personales Los aspectos personales varían, Estilo, inspiración, Se resalta la personalidad y carácter
del profesor que se profesores pausados, abiertos, carácter, del profesor que impactan
valoran para considerarlo cuidan o no el aspecto físico, Comunicación, valores. generalmente de manera visual al
un buen estudiante.
exigencia con base en lo que se da. El
profesor: estilo, inspiración,
aspecto físico en general parece bien,
Carácter, comunicación,
valores, actitudes.
 23

algunos muy elegantes otros más

sencillos.

En primer lugar, los aspectos Orden de importancia de los Los aspectos prioritarios
pedagógicos del Profesor, tales como aspectos antes señalados. considerados por los estudiantes son
entrega en las clases, clases los pedagógicos incluyendo en ellos a
5) Orden de importancia de personalizadas y grupos más la evaluación.
los aspectos anteriores. pequeños. En segundo lugar, la
evaluación, adaptación de la
evaluación al contenido dado,
eliminación del factor de corrección,
eliminación de respuestas a
preguntas de acuerdo con plantillas
de respuesta. Y en tercer lugar, la
planta física, salones limpios,
ordenados, iluminados, bibliotecas
actualizadas.
6) Profesor ideal. Profesor ideal: Sencillo, humilde, Idoneidad del Profesor: El afecto y la aceptación en el
igualitario, equitativo, explica hasta Vinculados al dominio profesor, elementos que van más
que uno entienda, hace de la allá de solamente lo académico,
autoevaluación, concreto, asignatura, aspectos involucrando lo emocional como
comprensivo, respeta el horario de Didáctico-técnicos, determinante en el aprendizaje.
clase, no da clases largas, le
preocupa la calidad más que la
cantidad. Clases
Nota: Tabla elaborada por la investigadora de los resultados de la entrevista semiestructurada codificada

En líneas generales, las entrevistas resultan ser un instrumento valioso y complementario que permite,

junto con la revisión bibliográfica, construir y adaptar los cuestionarios para recolección de los datos obtenidos

en la fase cuantitativa.

2.1.5 Estudio y análisis (Etapa de desarrollo)

A partir de los resultados de la primera etapa considerada como exploratoria, y con un enfoque

cuantitativo, se desarrolla la investigación mediante la recolección de información con los cuestionarios, tanto

para el nivel I, como para el nivel II de las variables que entran al modelo.
 24

2.1.5.1 Diseño, construcción y validación de los instrumentos

Los instrumentos se diseñan tratando de medir las dimensiones de interés, dependiendo del modelo

en dos o más niveles. Se administran las subescalas previamente validadas, por lo que, las hipótesis de

investigación, la delimitación de las dimensiones, constructos y variables involucradas, así como los resultados

de la fase exploratoria, permiten conocer posibles factores asociados a la variable dependiente.

Proceso de validez de contenido de los instrumentos

La validez constituye un criterio de importancia para evaluar la adecuación de un instrumento

cuantitativo y denota el grado en que el instrumento mide lo que se supone que debe medir (Polit y Hungler

1997). En investigaciones para estudios multinivel, se establece la validez a través de la Técnica de Juicio de

Expertos en el área de metodología de la investigación, utilizando el Coeficiente de Validez de Contenido (CVC)

(Hernández-Nieto, 2002). Dicho coeficiente se define como el promedio de los Coeficientes de Validez de

Contenido de cada ítem, cada uno de los cuales ha sido corregido por concordancia aleatoria entre jueces.

Posteriormente, se entrega el instrumento junto con la planilla de validez de contenido del mismo a cuatro

expertos, se tabulan las respuestas y se procede a calcular el coeficiente.

2.1.5.2 Aplicación del Coeficiente de Validez de Contenido: CVC

El Coeficiente de Validez de Contenido (Cvc) es una versión actualizada y mejorada del CPR (Coeficiente de

Proporción de Rangos) (Hernández-Nieto, 1984, 1995).

Por lo que, la Selección de los expertos: se realiza primero tomando en consideración los criterios que se

figuen tales como: nivel académico, experiencia en el campo, y que conozcan la problemática en investigación.
 25

2.2 Metodología de Trabajo con los jueces.

Se procede de la siguiente manera:

1. Se solicita, previamente con los jueces, su interés y disponibilidad de participación.

2. Se envía el instrumento de valoración por correo electrónico a los jueces junto con la escala de ponderación

de cada ítem del instrumento. A pesar de que este procedimiento puede considerarse una debilidad, los

profesionales a quienes se les envía los instrumentos vía correo deberían ser previamente contactados, para

tener certeza de que sean ellos quienes valoren el instrumento.

3. Se recolecta personalmente el instrumento de valoración, ya llenado por los jueces.

4. Se realiza un intercambio personal con los (las) jueces, para las debidas aclaratorias de las observaciones

presentadas por los mismos en algunos de los ítems.

El Coeficiente de Validez de Contenido (Cvc) es el promedio de los coeficientes de validez de contenido de cada

ítem, los cuales ha sido corregidos por concordancia aleatoria entre jueces (Hernández Nieto, 2002; citado en

Vargas 2010). La fórmula del Cvc es la siguiente:

Cvc = Σ Cvcic /N = Σ [[ (ΣXi / J)/Vmx] - pei] * (1/N) (1)

N: Número total de ítems del instrumento de recolección de datos.

Σ Xi: Sumatoria de los puntajes asignados por cada juez J a cada uno de los ítems.

Vmx: Valor máximo de la escala utilizada por los jueces.

pei: Probabilidad del error por cada ítem (probabilidad de concordancia aleatoria entre jueces).

J: Número de Jueces asignando puntaje a cada ítem.

El coeficiente de validez de contenido de cada ítem (Cvci), definido como la proporción relativa, respecto

al valor máximo de la escala, del promedio de los puntales entre jueces por cada ítem corregida por

concordancia aleatoria (pei) (Hernández Nieto, 2002). Cvci = [(ΣXi / J)/Vmx] - pei (2)
 26

Donde: pei: Es un valor específico para cada ítem, si alguno de los jueces deja de asignar un puntaje al mismo.

De lo contrario, es una constante (Vargas, 2010).

Se utiliza la técnica de validación para determinar si los enunciados que son propuestos son representativos

o no del constructo de interés que se pretende medir en cada sección. Estos dos aspectos son indicadores

directos de la validez de contenido y deben ser considerados a la hora de su valoración (Vargas, 2010).

Con los (las) expertos (as) y jueces (Nunnally, 1978; Thorndike, 1970; citado en Vargas, 2010) se obtiene un

argumento convincente acerca de la pertinencia y relevancia del contenido del instrumento. Igualmente, con

los jueces se pueden recoger sugerencias técnicas de los ítems para considerar la reformulación, eliminación,

o la inclusión de un nuevo ítem representativo del rasgo latente que se pretende medir. Así mismo, la validez

de contenido, busca medir y evaluar la concordancia entre jueces o expertos(as) sobre la valoración subjetiva,

de un conjunto de ítems, para determinar si están midiendo el rasgo o constructo que se pretende medir

(Vargas, 2010).

2.3 Confiabilidad de los instrumentos

La confiabilidad de un instrumento es un concepto complejo, determinado por la expresión cuantitativa de la

reproducibilidad con la que un instrumento mide el mismo atributo, el mismo constructo. Igualmente,

representa la medida en que los ítems individuales se comportan de manera similar (co-varían) al interior de

un test, por lo que se define como la constancia con la que un test mide lo que se supone que debe medir.

Asimismo, la confiabilidad de un instrumento diseñado para generar datos cuantitativos está catalogada como

el principal criterio para evaluar la calidad y adecuación del instrumento. Es en esencia, el grado de

congruencia con el cual mide el atributo. Otra forma de definir la confiabilidad es la exactitud del instrumento

(Polit y Hungler, 1997).

 27

La consistencia interna tiene la finalidad de determinar si un instrumento evaluativo mide alguna

habilidad o rasgo conductual del individuo en forma más o menos igual u homogénea, por medio de los ítems

que lo conforman.

Si el instrumento tiene un comportamiento estable en repeticiones a un determinado segmento de

población, se dice que tiene consistencia. Cuando se miden variables psicológicas, el problema de la

consistencia interna es más complejo que en las variables físicas, debido a que en repeticiones del mismo test,

el resultado puede variar tanto por falta de fiabilidad o precisión del instrumento como por otros aspectos del

sujeto o del contexto.

Para determinar la confiabilidad de los instrumentos por consistencia interna se utiliza el “Alfa de

Cronbach”. Este autor (Cronbach, 1951; citado en Martínez et al., 2006) derivó este coeficiente basado en la

covarianza de los ítems que conforman el test (Vargas, 2010). En síntesis, la confiabilidad de un instrumento

se representa con este coeficiente Alfa de Cronbach y depende de la dimensión del muestreo (Yuan y Col.,

2003).

α= [n/n-1] x [1- Σσi^ 2 /σy^ 2]

Donde:
α = Alfa de Cronbach n: Es el número

de ítems.

σ i: Es la sumatoria de las varianzas individuales de los ítems. σy2: Es la varianza de

la suma total de los puntajes.

Este coeficiente varía en un rango entre 0 y 1. Si su valor es cercano a la unidad (1) se trata de un instrumento

de medición que proporciona estimaciones reales de confiabilidad midiendo la homogeneidad de las

 28

preguntas, cuyos resultados generan conclusiones estables y consistentes, es decir, una confiabilidad total. Si

por el contrario se acerca a cero (0) significa una confiabilidad nula.

La ventaja de este coeficiente reside en que requiere de una sola administración del instrumento de

medición. Si su valor está por debajo de 0,80 el instrumento que se está evaluando presenta una variabilidad

heterogénea en sus ítems y por lo tanto, lleva a conclusiones equivocadas (Nunally, 1970).

Para el cálculo del coeficiente Alfa de Cronbach, se determina la matriz de varianza-covarianza, así como la

matriz de correlaciones de los ítems entre sí. Las correlaciones miden el grado y la dirección de la asociación

lineal entre cada par de ítems. Para el estudio piloto, se aplican los instrumentos, luego se analiza el primer

nivel, y después se usa un muestreo aleatorio estratificado de conglomerados completos, tomando los grupos

como conglomerados y las áreas como estratos. Los supuestos fundamentales para el cálculo de la

confiabilidad de consistencia interna de un test son los siguientes:

1.- Estar formado por un conjunto de ítems que se combinan aditivamente para hallar una puntuación global.

2.- Todos los ítems miden la característica en la misma dirección. Es decir, los ítems de cada una de las escalas

tienen el mismo sentido de respuesta, aunque este último no es necesario para el método de la varianza de

los ítems (Montero et al., 2002).

2.3.1 Coeficiente de confiabilidad de los instrumentos para la recolección de datos del primero y segundo nivel

En la prueba piloto y en la aplicación final de la investigación con modelos multinivel, se procede a determinar

la relevancia de los ítems en la confiabilidad del instrumento, mirando la contribución específica de cada ítem

a la confiabilidad total de cada instrumento.

 29

A continuación se muestra una tabla ejemplo de la presentación de los datos para la validación de los

ítems en un instrumento.

Tabla 3. Ejemplo del Resumen de las variables categóricas de la Sección II: Aspectos Académicos Generales

Aspectos académicos Porcentaje

Escala Likert Frecuencia Porcentaje
acumulado
Procedimiento ingreso Prueba interna selección notas previas
91 82,00 82,00
carrera
Año estudios generales 1 0,90 82,90
Convenio ULA-gremios 2 1,80 84,70
OPSU 17 15,30 100,00
Principal razón por la Porque me gusta
que se encuentra en 89 80,20 80,20
la carrera
Me interesa y tengo habilidades 18 16,20 96,40
No pude entrar en carrera deseada 2 1,80 98,20
Tiene campo laboral 1 0,90 99,10
Otra 1 0,90 100,00
Segunda razón por la Influencia familiar
que se encuentra en 4 3,60 3,60
la carrera
Porque me gusta 19 17,10 20,70
Me interesa y tengo habilidades 57 51,40 72,10
Buenos ingresos 5 4,50 76,60
No pude entrar carrera que deseaba 1 0,90 77,50
Tiene campo laboral 22 19,80 97,30
Prestigio 3 2,70 100,00
Total 111 100,00
Medicina como opción Primera
98 88,30 88,30
Segunda 13 11,70 100,00
Total 111 100,00
Deseo relacionado
Concluir esa carrera 109 98,20 98,20
con la carrera
Trasladarse a otra carrera en
1 0,90 99,10
universidad
Dejar de estudiar 1 0,90 100,00

Total 111 100,00

Nota: Datos obtenidos con el SPSS versión 15, del cuestionario del estudiante.
 30

2.4 Análisis factorial exploratorio variables del primer nivel

El análisis factorial exploratorio en la etapa previa a la preparación de variables sirve como herramienta

del análisis psicométrico para determinar si el conjunto de ítems que están tratando de medir un constructo

(como por ejemplo, aspectos generales académicos) es unidimensional o está compuesto por dos o más

dimensiones o factores.

Es importante señalar que a todas las escalas primero, se les hace el Análisis Factorial Exploratorio (AFE)

primera y segunda corrida; se les realiza así mismo, el análisis de confiabilidad con base en los resultados del

AFE. Es decir, en dependencia de si existen un factor o varios factores, siendo tratados como subescalas, y el

análisis de confiabilidad es determinado por cada una de ellas. Igualmente, este análisis precede al

tratamiento que se les da a las variables de entrada en el multinivel, por lo que este tratamiento está explicado

más ampliamente, en el subtítulo referido a la preparación de las variables. De igual manera, el AFE permite

comprobar la existencia de los componentes reportados en la literatura y además determinar por cuántas

dimensiones está compuesto un constructo determinado.

Igualmente, se muestran tablas ejemplo de la presentación del Coeficiente de Confiabilidad, dependiente del

número de ítems.

Tabla 4. Ejemplo del Estadístico de confiabilidad de una Escala

Alfa de Alfa de Cronbach Basado en los No. de Ítems

Cronbach ítems estandarizados
0,83 0,83 13
Nota: Resultados obtenidos con el SPSS, versión 15 del cuestionario
Del estudiante
 31

Presentación de las variables que entran al modelo, producto del Pilotaje.

Tabla 5. Resumen de presentación de las Variables independientes del primer nivel, que entrarían al modelo, producto

del pilotaje.

No. Variable Codificación Descripción Criterio de decisión para Dirección

inclusión esperada
1 Edad Edad Edad en años del o la Son variables propias del Inversa
estudiante estudiante, con validez y
confiabilidad conocida y aceptada
2 Sexo Sexo Masculino (1) Son variables propias del Directa
Femenino (0) estudiante, con validez y
confiabilidad conocida y aceptada
3 Procedencia Procedenciarec Fuera de la región Son variables propias del Directa
(0), de la región (1) estudiante, con validez y
confiabilidad conocida y aceptada
4 Residencia Residenciarec Casa de familia (1) , otras (0) Son variables propias del Directa
estudiante, con validez y
confiabilidad conocida y aceptada
5 Financiamiento Financiamrecode Los padres (1), (0) otra forma Son variables propias del Directa
de financiamiento estudiante, con validez y
confiabilidad conocida y aceptada
6 Estado civil Ecivilrecode Soltero (1), otros (0) Son variables propias del Directa
estudiante, con validez y
confiabilidad conocida y aceptada
7 Trabajo Trabremunrecode Si (1), No (0) Son variables propias del Inversa
remunerado estudiante, con validez y
confiabilidad conocida y aceptada
Grado Gradpadrerecode Grado de instrucción en Son variables propias del Directa
8 instrucción del educación que posee el padre estudiante, con validez y
padre confiabilidad conocida y aceptada
9 Grado de Gradmadrerecode Grado de instrucción en Son variables propias del Directa
instrucción de la educación que posee la estudiante, con validez y
madre madre confiabilidad conocida y aceptada
10 Puntaje en la Puntaje prueba Rendimiento académico Se trata de una prueba Directa
prueba previo estandarizada (Se le conoce
previamente su validez y
confiabilidad)
11 Procedimiento Proingrrecode Prueba interna de selección y Se cotejó con el expediente Directa
de ingreso promedio de notas de académico del estudiante.
secundaria (1), otro (0).

Fuente: de los autores

 32

Nótese en la tabla ejemplo arriba indicada que, las variables se codifican en la base de datos, se describen, tienen

unos criterios de decisión para su inclusión así como una dirección.

2.5 Calculo del tamaño de la muestra para las diferentes escalas

Lo que en esta parte se quiere inferir es el error absoluto que se comete en el pilotaje sabiendo el total de
sujetos (N), la desviación típica y asumiendo un comportamiento de distribución normal. Entonces se
calcula el error relativo d que es el error respecto a la media y luego se halla el error absoluto que se
cometió. A continuación, se coloca el cálculo con un ejemplo, para la escala grado de satisfacción del
estudiante, a fin de ilustrar el procedimiento para todas las otras escalas.

Para la escala Grado de Satisfacción d = (Z x σ)/√N = (1,96 x 7,793)/10,54 por lo que

d= /10,54 = 1,449 e (error absoluto) = d/media x 100 = 1,449/43,59 x 100 = 3,32 % A
partir del comportamiento de los estudiantes en el grado de satisfacción
De donde:
Z: Margen de confiabilidad, 95% que corresponde a 1.96 desviaciones estándar.
σ: Desviación estándar, estimada a partir de los resultados del piloto de los primeros 13 ítems del
instrumento del estudiante, relacionado con el grado de satisfacción, (7,793).
n: Tamaño de la muestra.
No: Primera aproximación de la muestra si N fuera Infinito. N: Población,

del estudio piloto (111) d (Error RELATIVO) = Zxσ/√N e (error absoluto) = d

/ µ (media)*100 = 1, 449 / 43.58 = 3,3% De donde:

Z: Margen de confiabilidad, 95% que corresponde a 1,96 desviaciones estándar.

σ: Desviación estándar, estimada a partir de los resultados del piloto de los primeros 13 ítems del instrumento

del estudiante, relacionado con el grado de satisfacción, (7,793).

N: Población, del estudio piloto (111).

d: Error RELATIVO (d)= Zxσ/√N

e = error absoluto = d/media x 100, a partir del comportamiento del pilotaje en una escala determinada.
 33

Con 0,04 (error absoluto): d (error relativo) = 43,59x0,04 = 1,7436, implica que n= (1,96)2x

(7,793)2 /(1,7436)2 = 3,84x60,73/(1,74)2 = 77

Con 0,03 (error absoluto): d (error relativo) = 43,59x0,03= 1,31, implica que n= (1,96)2 x

(7,79)2 = (3,84x60,73/(1,31)2 = 136

Con 0,02 (error absoluto): d (error relativo) = 43,59x0, 02= 0,8718, implica que

n= 3,84x60,73/(0,872)2, n = 307

2.6 Resultados del pilotaje de las variables del segundo nivel.

El resultado se obtiene de revisar la correlación elemento-total corregida, tomando los ítems con menor

valor para ser eliminados de la escala (por debajo de 0,60), lo que denota que las escalas del instrumento

del segundo nivel, presentan una consistencia interna aceptable.

Como ya se expuso en la sección de los métodos, la confiabilidad discriminante de los ítems que forman

parte de un componente se establece mediante la revisión de la correlación elemento-total corregida,

tomando como valor límite para definir la capacidad discriminante del ítem en 0,30. Es decir, todo valor

mayor del mismo permitirá la extracción de dicho ítem como un factor a ser considerado en el análisis de

regresión lineal multinivel (RLMN).

 34

Tabla 6. Ejemplo de Variables del segundo nivel que serán incluidas en el modelo producto del pilotaje

No. Variable Codificación Descripción Operacionalización Dirección Razones para entrar al

esperada modelo
1 Sexo 1 masculino Sexo del profesor(a) Masculino1, Directa Datos generales del
2 femenino femenino0 Profesor
2 Edad En años cumplidos Edad del profesor(a) Continua Directa Datos generales del
Profesor
3 Título académico El más alto título Médico (1), otro (0) Directa Datos del Profesor
más académico obtenido por
alto el profesor (a)
4 Categoría 1Instructor, Escalafón del Titular (1), otro (0) Directa Datos del Profesor
2Asistente, Profesor
3 Agregado,
4Asociado y
5Titular
5 Tipo de curso 1Individual, Si el curso es individual Colegiado (1), otro Directa Aspectos de la materia y
2Colegiado o colegiado (0) los estudiantes

6 Horario de clases 1Mañana, 2Tarde y Si las clases son dictadas Mañana (1), otro Directa Aspectos de la materia y
3 ambos en las mañanas o las (0) los estudiantes
tardes
7 Porcentaje que Continua Porcentaje de los Aspectos de la materia y
asiste estudiantes inscritos en los estudiantes
regularmente a el curso que
clases asiste regularmente a la
clase presencial
8 Conocimientos 1Muy deficiente, Los prerrequisitos que Muy buenos (1), Directa Aspectos de la materia y
previos de los 2Deficiente, requiere el estudiante otro los estudiantes
estudiantes 3Regulares, para acceder al curso (0)
4Buenos y 5Muy
buenos
9 Grado de interés 1Desinteresados, Si la docencia de esta Muy interesados Directa Aspectos de la materia y
hacia la materia 2Pocointeresados, materia tiene más o (1), otro (0) los estudiantes
3medianamente menos
interesados, interés para el profesor
4Interesados y (a) que todas las otras
5Muy interesados actividades que realiza
10 Porcentaje de Continua De todas las estrategias Aspectos de la materia y
tiempo que se le presentan en el los estudiantes
dedicado a las instrumento
técnicas de
enseñanza-
aprendizaje
11 Elaboración y 1si, 2No Si el Profesor elabora y Si (1), No (0) Directa Aspectos de la materia y
calificación califica el los estudiantes
mismo los exámenes
Fuente: Resultados obtenidos de la base de datos, con el SPSS versión 15 del cuestionario del profesor
 35

2.7 Procedimientos de análisis y validación de los datos

Este procedimiento se realiza en tres momentos:

En un primer momento se verifican los datos de la base, cotejándolos con los datos de los cuestionarios. En un

segundo momento, se analizan los estadísticos descriptivos para obtener un perfil de los participantes del estudio.

Para ello se utiliza el SPSS la más reciente versión. Luego son revisados cada uno de los ítems, sobre todo los

datos faltantes. Sin embargo, en el llenado de los instrumentos se controla que la mayoría de los participantes

respondan todos los ítems. El tratamiento de los datos faltantes en las escalas particulares, se lleva a cabo

tomando la media aritmética y sustituyéndola por el mismo, que es el método más general. Siempre se toma la

previsión de que el informante tenga la mayor cantidad de los ítems con respuesta, asegurándose de que esté en

una posición clara frente al constructo.

En el tercer momento, se realiza la preparación y agrupamiento de los datos primarios tomando las

variables y haciendo la construcción de subescalas. Asimismo, para las escalas específicas, antes

mencionadas, se determina la consistencia interna a través del cálculo del coeficiente Alfa de Cronbach (α)

y el cálculo de la correlación elemento-total corregida. También se efectúa un Análisis Factorial Exploratorio

(AFE) por componentes principales, tal como se menciona anteriormente, buscando comprobar la

existencia de los componentes reportados en la literatura, así como también para determinar las

dimensiones de los constructos teóricamente esperados (Vargas 2010).

 36

Tabla 7. Ejemplo de estadísticos descriptivos de las variables recodificadas

Grado Incidencia Percep Estilo Divergente Con Aco Uso Motivación

Satisfacción Rendimiento ción2 Aprendizaje vergen moda Internet Escala
Carrera Grado Asimilador te dor 1 al 6
Escala 1 al 6 Satisfacción Escala 1 al 4
Escala 1 al 4
N Válidos 111 111 111 111 111 111 111 111 111
Perdidos 0 0 0 0 0 0 0 0 0
Media 43,59 37,72 38,50 20,85 24,98 24,98 22,19 38,86 121,16
Mediana 44,00 39,00 39,00 21,00 25,00 25,00 22,00 39,00 122,00
Moda 40,00 39,00 41,00 21,00 25,00 25,00 20,00 40,00 135,00
Desviación 7,79 6,97 4,06 3,09 2,54 2,54 2,75 5,27 14,22
típica
Mínimo 18,00 21,00 30,00 13,00 18,00 18,00 17,00 26,00 75,00
Máximo 62,00 52,00 48,00 30,00 31,00 31,00 29,00 50,00 144,00
Rango 44,00 31,00 18,00 17,00 13,00 13,00 12,00 24,00 69,00
CVP 0,35 0,45 0,45 0,36 0,39 0,39 0,46 0,44 0,41
Tamaño 307,00 327,19 153,00 39,41 73,11 57,33 45,56 181,00 132,35
Muestra
Error (2%)

Nota: datos obtenidos después de realizar el cálculo de la muestra en el piloto

La tabla arriba indicada muestra un ejemplo de un resumen de los estadísticos descriptivos una vez que

se recodifican las variables presentadas.

2.8 Revisión y preparación de las variables y constructos de interés para la entrada de los datos al proceso

de modelación

Luego de la preparación y agrupamiento, se une la base de datos del primer nivel con la del segundo

nivel, en una sola base, identificando una variable como clave. Esta variable es común en ambos niveles,

ordenando la información desde el primer nivel en variables tanto individuales como grupales, importantes

para la etapa de modelación (Vargas, 2010).

Las variables y constructos recolectados del primer nivel y segundo nivel son revisadas en su confiabilidad

con el propósito de valorar aquellas que estén por debajo del valor del Alfa de Cronbach, aceptable (0,70).
 37

Por otra parte, en el proceso de preparación de las variables para la estimación del modelo, se toman en

cuenta los supuestos básicos definidos para los modelos multinivel, como son el tamaño elevado de la

muestra, la variable dependiente continua, la relación lineal entre las variables independientes con la

variable dependiente, los efectos de las variables independientes, la normalidad de los datos, la

homocedasticidad, la ausencia de colinealidad entre las variables independientes. Para esto se calculan las

correlaciones entre las variables independientes, se determina la colinealidad a través del cálculo de la

tolerancia (TOL) y el factor de inflación de la varianza (FIV) (Cea D´ancona, 2002), así como también el

tratamiento para los datos faltantes (Vargas, 2010). En todas las variables se determinan y analizan los

coeficientes de correlación bivariados con el diagnóstico de colinealidad y el cálculo de los estadísticos de

Tolerancia y el Factor de Inflación de la varianza (FIV) para cada variable independiente (Cea de Ancona,

2004; en Vargas 2010).

Para las variables categóricas se realiza la creación de variables dummy, siguiendo el procedimiento

de selección de una de las categorías de las variables como la de interés y asignándole la codificación uno

(1), seguido por la agrupación de las otras categorías de la variable en una sola, con la asignación de

codificación con el número cero (0).

 38

2.9 El Modelo de Regresión Multinivel (MRM)

La construcción y análisis del modelo se hace desde la perspectiva del modelo de Regresión Lineal

Multinivel, apoyada con programas como el STATA 10. Este modelo considera una forma avanzada del

Modelo de Regresión Lineal Múltiple Clásico, tomando en consideración los datos con una jerarquía

establecida en niveles (Cheung y Kevin, 2005; en Vargas 2010).

2.9. 1 Antecedentes del Modelo de Regresión Lineal Multinivel

La investigación multinivel se inició en el campo de la educación, en un estudio conocido e influyente

en niños de escuela primaria llevado a cabo a fines de los años 70. (Aitkin, Bennett and Hesketh, 1981). Los

datos fueron analizados usando las técnicas tradicionales de la regresión múltiple que reconocieron

solamente a niños individuales como las unidades de análisis y no se consideraron sus agrupaciones dentro

de profesores y en clases. Los resultados fueron estadísticamente significativos. Posteriormente, Aitking y

Longford (1986), demostraron que cuando el análisis consideró correctamente agrupar los niños en clases,

las diferencias significativas desaparecieron y los niños enseñados formalmente no demostraron ser

diferentes a los otros.

Por otra parte, Goldstein (1995), estableció que antes de que los modelos multinivel estuvieran bien

desarrollados como una herramienta de investigación, la problemática de ignorar las estructuras

jerárquicas fueron razonablemente entendidas, sin embargo, eran difíciles de resolver debido a que no

existían herramientas poderosas de propósito general.

Así mismo, establece el autor que, la necesidad de investigar la interacción entre las variables que

describen a los individuos y las que describen el contexto, tomando en cuenta la falta de independencia de

las respuestas dentro de los contextos, conduce a un tipo de investigación en la que es recomendable la

aplicación de los modelos multinivel o modelos jerárquicos (Goldstein, 1995). Así mismo, el análisis en el
 39

ámbito escolar es el primer ejemplo importante de un análisis de niveles múltiples de datos en ciencias

sociales (De la Cruz, 2008). Ya que como puede verse, en educación, los estudiantes son agrupados en

clases, y ambos, estudiantes y clases, tienen características de interés.

En la investigación en salud se tiene también una tradición en los estudios acerca de la variabilidad,

tanto de indicadores de salud como de consumo de recursos, entre los individuos de distintos grupos o

zonas geográficas, de los que se derivan relaciones entre la salud de los individuos y la zona donde habitan,

o entre el tratamiento recibido por los pacientes y las características del médico y/o servicio de salud donde

son atendidos. En este tipo de estudios se puede disponer de información acerca de los individuos y de su

contexto. Por tanto, se puede hablar de distintas jerarquías de la información disponible: el nivel 1, y el

contexto o grupo en el nivel 2 al que pertenece el individuo. Es así como el desarrollo de técnicas para

especificar y ajustar modelos multinivel desde mediados de los años 80 ha producido una clase muy grande

de modelos útiles. Estos incluyen modelos con respuestas discretas, modelos multivariantes, modelos de

sobrevivencia, modelos de series de tiempo, entre otros (De la Cruz, 2008). A continuación se pasa a

explicar de forma sencilla los modelos de regresión multinivel.

El modelo de regresión multinivel completo asume 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. Conceptualmente el modelo puede ser visto como un sistema jerárquico de ecuaciones

de regresión.

En este sentido, todos los análisis de regresión, como técnicas analíticas multivariables de

dependencia, se adecuan a un propósito, que es el análisis de relaciones de dependencia (causa-efecto)

entre los valores de una variable dependiente (Rendimiento Académico), cuya variabilidad debe analizar el

investigador y las variables independientes, variables predictoras o explicativas, en este caso del estudiante

y del profesor y curso, (Cea D’ancona, 2002).

 40

Por otra parte, los modelos jerárquicos lineales o modelos multinivel permiten la observación de los

fenómenos sociales por medio de un orden jerárquico previamente establecido. La ventaja de este tipo de

organización en los datos hace posible que se pueda examinar la realidad de estudio a diferentes niveles y

entre los niveles. En otras palabras, se pueden analizar todas las variables implicadas de forma individual,

colectiva y cruzada, lo que aporta diferentes tipos de información relacionada con la estimación de los

parámetros fijos, aleatorios, de varianza y covarianza (Acevedo Álvarez, 2009).

Asimismo, Acevedo Álvarez (2009) plantea que las estimaciones no se pueden realizar conjuntamente en

ningún otro tipo de análisis estadístico, y por ello esta metodología aporta mucha más riqueza al análisis

de los resultados. Además, ofrece la posibilidad de estudiar los residuos por sujetos, por colectivos y entre

ambos, lo que permite reducir, según el autor, el índice de error en la estimación y facilita ampliamente la

identificación del residuo correspondiente.

En la bibliografía revisada, es nuevo el uso de los modelos jerárquicos lineales como metodología para

analizar y estudiar problemas caracterizados por múltiples variables. Sin embargo, los modelos jerárquicos

lineales o modelos multinivel ofrecen una oportunidad amplia para conocer en profundidad las diferentes

variables que integran el fenómeno en el cual la interacción de los diferentes implicados, (por ejemplo,

alumnos, profesores y cursos) hacen necesario el procedimiento de análisis dentro de una estructura

multinivel o anidada (Acevedo Álvarez, 2009).

A juicio del autor antes mencionado, los diversos acercamientos y posiciones evidencian una disposición

por entender y estudiar los acontecimientos sociales, desde un punto de vista que observa tanto las

características individuales como grupales y la interacción que pueda existir entre ambas. Se trata entonces

de buscar explicaciones plausibles integradoras de los diferentes efectos que puedan tener las

características de los sujetos y el grupo en las acciones, en este caso, asociadas con la vida académica. Por

lo tanto, una vez que se establecen las agrupaciones, incluso si su establecimiento es al azar, se ha de
 41

observar que cada nivel se distingue plenamente. Esta diferenciación implica que el grupo y sus miembros

se ven influenciados unos por los otros. Por lo tanto, se plantea tomar muy en cuenta esta relación, porque

se podría pasar por alto la importancia de los efectos del grupo y también invalidar muchas de las

conclusiones y hallazgos encontrados. Se afirma así mismo, que este hecho es debido, especialmente, a

que el método permite no sólo el análisis de cada nivel, sino también el análisis de la interacción entre los

niveles y sus características.

Igualmente, Acevedo Álvarez (2009), parafraseando a Bryk y Raudenbush establece que, sobre este tema,

los autores advierten que la falta de profundidad en el análisis de los niveles y sus interacciones ha llevado a la

acumulación de sesgos. Esto reduce la precisión del cálculo y se presentan como consecuencia, problemas con la

unidad de análisis, lo que fomenta el empobrecimiento de la conceptualización, observándose algunos problemas

como irresolubles. Además, según él, los autores plantean que con el empleo de los modelos jerárquicos lineales

se ha logrado enfrentar los problemas con la unidad de análisis y con las medidas de cambio, pudiéndose plantear

la hipótesis sobre las relaciones existentes en cada nivel y entre los niveles, así como evaluar la cantidad de

varianza de cada nivel.

De igual manera, el modelo de regresión multinivel se denomina también modelo jerárquico lineal, modelo

de coeficientes al azar o modelo de componentes de varianza, el cual agrupa a los analistas según sean los

datos con los que se trabaja de la siguiente forma: Para Análisis de datos longitudinales y evolutivos, a Bryk;

Di Petre, Goldstein, Grusky; Healy, Rebash y Raudenbusch. Análisis de datos de entrevistas, Hox, De Leeuw

y Kreft. Análisis de datos de estructuras complejas con respuestas complejas en unidades, Goldstein y Silver.

Análisis de encuestas factoriales y diseños de faceta (Andréu Abella, 2011).

 42

2.9.2 La ecuación de la regresión lineal multinivel

La investigación propuesta incluyó el análisis en dos niveles: un primer nivel del estudiante y un segundo

nivel del profesor y del curso. La ecuación de regresión que muestra dicha asociación es la siguiente:

Yij= γ00 + γ01Zj+ γ10xij+ γ11xij Zj+ (u0j+ u1j xij+ eij)

De donde:

Yij= Sería la variable dependiente, en este caso el Rendimiento Académico, medido como promedio ponderado

de los cursos.

γ00= Es el intercepto para ambos niveles.

γ01Zj= coeficiente de regresión de la variable predictora Zj γ10xij= coeficiente de regresión de la variable

predictora xij, del modelo al nivel I γ11xijZj= coeficiente de regresión de la influencia conjunta de una variable

predictora del nivel II, en conjunto con una variable predictora del nivel I.

u0j= Desviación aleatoria del intercepto u1j xij= Desviación aleatoria de

la pendiente del efecto fijo eij =El error aleatorio asociado al i-ésimo

sujeto.

La ecuación antes señalada tiene dos partes: Una fija representada por

Yij= γ00 + γ01Zj+ γ10xij+ γ11xijZj (efecto de las variables del nivel I)

Y la parte aleatoria representada por: (u0j+ u1j xij+ eij) (efecto de las variables del nivel II), (Pardo, Ruiz y San Martin,

2007 y Arnau y Balluerka, 2004).

2.9.3 Representaciones gráficas de los modelos de regresión lineal multinivel

El modelo simbólico, se estructura de la siguiente manera: la variable dependiente representada en

Y, con las variables independientes X1 y X2; seguido por el modelo teórico de la investigación, con las

respectivas variables que intervinieron en su construcción.

 43

2.10 Fundamentación del Modelo de Regresión Lineal Multinivel. El Modelo Jerárquico Básico o Modelo Nulo

La primera estimación que se lleva a cabo en el análisis multinivel es el modelo nulo. Este modelo no
tiene variables independientes; contiene sólo una variable dependiente y una constante para la estimación
de los parámetros. Asimismo, se presentan dos ecuaciones debido a los dos niveles, que necesariamente
deben plantearse, por ser una estructura jerárquica. Si el rendimiento académico de los (las) estudiantes
es la variable dependiente, el primer nivel incluye a todas las variables del Estudiante y el segundo nivel,
incluye las variables en este caso, del Profesor y la Institución (Vargas, 2010). Se representa entonces por
medio de dos ecuaciones:

Y ij = 0j+ij __________nivel uno (1)

0j = 00+0j _________nivel dos (2)

La ecuación (1) se relaciona con el promedio de calificaciones de cada estudiante (Yij): en función del

logro promedio del grupo al que pertenece (intercepto, 0j), sumando un término de error (ij), que

representa los aspectos independientes a la influencia particular del grupo, a medida que el rendimiento

de los estudiantes varía aleatoriamente, en función del rendimiento del grupo al que pertenecen.

La segunda ecuación ilustra el modelo del nivel 2.En esta ecuación, el logro promedio de cada grupo

(0j) es función del promedio general (β00), más el efecto aleatorio del grupo (0j). Debido a que en la ecuación

del nivel 1 se estima un sólo parámetro (0j), el modelo del nivel 2puede expresarse con una ecuación.

Introduciendo la ecuación (2) en la ecuación (1), se obtiene la ecuación (3):

Yij = β00 + µ0j + eij (3)

De donde:
Yij= es la variable dependiente, observada en el primer nivel, en este caso, las notas del estudiante. β00 = es

la media general del rendimiento entre grupos educativos.

 44

µ0j = es el residuo o varianza residual del segundo nivel (el profesor y la institución) y representa la

desviación entre la media entre los cursos; es decir, las diferencias de estimación entre la predicción y el

valor real. eij = es la varianza residual del primer nivel, es decir, los (las) estudiantes.

La ecuación (3) indica que la calificación de cada estudiante es igual a la media general del logro, que es

una constante, más la suma del error del grupo y del error de los estudiantes, dondeβ00, es la parte fija del

modelo y los dos coeficientes, µ0j y eij representan las varianzas residuales, denominada la parte aleatoria

del modelo (Vargas, 2010). La ecuación del modelo de regresión lineal multinivel ya se presentó en el aparte

3.11.2.

2.10.1 Conformación del modelo ampliado

En el primer nivel, se tienen diferentes características que son de ventaja para el análisis. Por

ejemplo, se tienen variables tales como el sexo, la edad, la procedencia, la residencia, entre otras, que

pueden mostrar un efecto significativo en la valoración que se puede hacer del Rendimiento Académico.

De las unidades del segundo nivel, se dispone de las siguientes características de la institución, se

ponderaron: la cantidad de estudiantes por curso, el tipo de curso, número de horas de dedicación al curso.

A continuación, se presentan una tabla ejemplo de la recodificación de las variables categóricas a

dummy para cada nivel.

 45

Tabla 8. Ejemplo de Recodificación de las variables del nivel I

Recodificación como
Variable Tipo
Variable dummy

Sexo Nominal Masculino 1, femenino 0

Procedencia Nominal De la región 1, Otra, 0
Residencia Nominal Con su familia 1, otro 0
Financiamiento Nominal Sus padres 1, otro 0
Estado civil Nominal Soltero 1, otro 0
Trabajo remunerado Nominal Sí 1, no 0
Opción de ingreso Nominal Medicina 1, Otra 0
Procedimiento de ingreso Nominal Prueba interna 1, otra 0

Razón más importante para Nominal Porque me gusta 1, otras 0

estar en la carrera
Segunda Razón para la Nominal Influencia familiar 1, otras 0
carrera
Deseo de permanecer en Nominal Concluir la carrera 1, otra 0
la carrera
Nivel socioeconómico Nominal Alto 1, otro 0
Grado instrucción padre Nominal Universitario 1, otro 0

Grado de instrucción de la madre Nominal Universitario 1, otro 0

Nota: Información extraída de la base de datos software SPSS

Las variables dummy son aquellas variables categóricas que se recodifican en la base de datos con 0 y 1 para permitir un
mejor análisis y visualización de las mismas. Ellas se extraen de los instrumentos pasados a los individuos de la muestra en
ambos niveles.
 46

Tabla 9. Ejemplo de Variables del segundo nivel

Nivel II Variable Recodificación
Profesor
Escalafón Ordinal Titular 1, otra 0
Condición Nominal Ordinario 1, otra 0
Sexo Nominal Sexo: 1 hombre,
mujer 0
Título Ordinal Doctorado 0, otro 1
Institución Nominal Nacional 1, otra 0
Tipo de curso Nominal Colegiado 0, otro 1
Un único turno 0,
Horario de clases Nominal
otros 1
Cualificación Nominal Buenos 1, otros 0
Conocimientos previos por
parte del profesor
Cualificación del Grado Nominal Muy interesados 1,
interés por la materia desde otros 0
el profesor
Cualificación del Grado de Nominal Muy responsables 1
responsabilidad por la otro 0
materia desde el profesor
Nota: Información extraída de la base de datos, software SPSS

Una vez organizados los niveles, se puede escribir formalmente cada uno de la siguiente manera:

i = 1, 2, 3 n son las unidades de primer nivel (los ítems del estudiante) j = 1, 2, 3 n

indican las unidades de nivel dos (el profesor y el curso)

Fijadas cada una de las unidades de nivel (1 y 2), se asume la distribución jerárquica de los datos y se procede a

la inclusión de la variable dependiente.

Esta variable dependiente se puede escribir formalmente como: Yij

Identificados los niveles y la variable dependiente, la ecuación básica del modelo quedaría de la siguiente

forma:

Yij = β0j+e0ij
 47

β0j= β00 + u0j

Y es el estudiante (i) del profesor y curso (j) β 0jes la media del estudiante (i) en el profesor y curso (j)

β00 es la media general entre los profesores y cursos (j) eij representa el error de medida. Es un

efecto del azar que determina la desviación del de la media del estudiante (i) y la media de profesores

y cursos (j).

El efecto, asumiendo que se tiene una distribución normal cuya media de 0 y varianza σ .

El siguiente paso sería comprobar si los datos obtenidos por la aplicación de los instrumentos se ajustan al

modelo propuesto. Para este fin, se ha de elaborar un modelo nulo para compararlo con los alternativos

(Acevedo, 2003).
 48

Capítulo III

Presentación y Discusión de Resultados en los Análisis Multinivel.

Del Análisis Descriptivo y Explicativo.

3.1 Sondeo preliminar, etapa exploratoria

El sondeo preliminar tiene como propósito fundamental explorar la evaluación de variables de los niveles

mediante la entrevista semiestructurada codificada y la observación en aspectos de las variables de cada

nivel.

En la entrevista semiestructurada codificada, los constructos se definen a partir del contenido, la

organización y el tono del registro, enfocándose en el proceso psicológico interno de cómo los individuos

interpretaron y representaron sus experiencias de vida y cómo estuvo organizado su funcionamiento

psicológico (Bartholomew, Henderson y James, 1991).

La selección de los ejes temáticos, su interrelación con la variable dependiente y los factores de interés de

la investigación, se toman a partir dela revisión bibliográfica que se realiza para fundamentar el estudio.

Posterior a la redacción de las preguntas y constructos, los mismos son examinados y valorados, se

aplica la entrevista a seleccionados de forma aleatoria. Seguidamente se realiza la observación, escogida

también de forma aleatoria, y se procede a analizar los datos obtenidos con los instrumentos antes

mencionados.

Para la validación de los instrumentos, se entregan las entrevistas a tres árbitros en el campo, con

las categorías, junto a una escala Likert de tres valores, ejemplo, Pocas veces (1), frecuentemente (2) y
 49

siempre (3). Las respuestas de los árbitros son tabuladas para estudiar la concordancia entre estos,

respecto a la detección o no de las categorías en las entrevistas.

Se realiza una validación cruzada de las categorías de la observación junto con la entrevista

semiestructurada codificada. Se observan comportamientos de momento y de frecuencia. Es decir un

registro de las formas en que los diferentes eventos se suceden en el tiempo. Para esto, se elabora una lista

de cotejo con las dimensiones de interés: lenguaje no verbal transmitido, postura corporal, calidad de las

intervenciones, expresiones del rostro y contacto visual, frecuencia de interacción y retroalimentación

positiva.

3.2 Presentación de los resultados del estudio definitivo

3.2.1 Evidencia de la validez de los instrumentos

Antes de mostrar los resultados definitivos del estudio, bajo la forma de estadísticos descriptivos, para

todas las variables de la investigación, y análisis factorial para las escalas de estudio, se hace mención sobre

la evidencia de validez de los instrumentos de las variables del primero y segundo nivel. El Coeficiente de

Validez de Contenido Corregido (Cvcc), estimado durante la fase del estudio piloto, debería estar en valores

por encima 0,89.

 50

3.2.2 Estadísticos descriptivos, de las características de los informantes (estudio definitivo)

La tabla a continuación muestra a manera de ejemplo como se estructura la muestra definitiva conformada

por un n mayor de 330 individuos distribuidos en conglomerados y estratos.

Tabla 10. Ejemplo de distribución de conglomerados y estratos (Número de estudiantes, Materia, Profesor y Grupos

de práctica)

Año No. Estudiantes Por Materia (estratos) Profesores No. Estudiantes Grupos
materia que llenaron por Grupo de (conglomerados)
cuestionario práctica

120 Medicina II y III

5º. Y (psiquiatría, 4 30 4
6º. Neurología) 3 30 3
Obstetricia
y Ginecología II y III 3 30 3
3 30 3
4º. 71
Medicina I 1 10 1
(Medicina 11 1
Física y 1 10
Rehabilitación,
Endocrinología, 1 10 1
Cardiología) 1
Obstetricia y 1 10 1
Ginecología I 1 10 1
Pediatría I 1 10 1

10
3º. 60 Semiología Médica 2 1

Demografía Médica 1 10 1
Salud Pública 1 10 1
Fisiopatología 1 10 1
Farmacología y 1 10 1
Toxicología
Sociología 1 10 1
Médica
2º. 79 Bioquímica 1 12 1
(Histología) 1 12 1
11 1
Total 330 15 33 330 33

Nota: Datos obtenidos de la Oficina de Registros Estudiantiles ORE, Medicina

 51

3.2.3 Validez y confiabilidad de las escalas

El Coeficiente de validez de contenido corregido (Cvcc) debe estar por encima de 0,89. El coeficiente Alfa de

Cronbach debería ser un valor por encima de 0,82. Se debe determinar la media de la escala así como la mediana

y la moda.

De igual manera determinar el rango y el Cvp de igual valor que el piloto; y determinar la variabilidad relativa,

la cual dependiendo del valor se califica entre alta, moderadamente alta, media, baja y moderadamente baja

(0,35 o menos).

3.2.4 Análisis factorial definitivo de las variables

En la tabla de la varianza total explicada, abajo presentada se determina el porcentaje de

explicación de cada componente de la variable estudiada. En este ejemplo, el primer componente logra

explicar el 33,56% y el segundo componente el 14,45% y ambos explican el 48,01%. El gráfico de

sedimentación muestra que tomando dos componentes (se toman los dos primeros porque es donde hay

una caída rápida en la gráfica) la varianza queda explicada. Con estos dos resultados es posible caracterizar

la representatividad de cada uno de estos grupos en un constructo teórico que denota un rasgo particular

de la escala, pues todos los ítems presentan características de similar naturaleza.

 52

Tabla 11. Ejemplo de Varianza total explicada

Componente Autovalores iniciales Sumas de las saturaciones al Suma de las

cuadrado de la extracción saturaciones al
cuadrado de la
rotación(a)
% de la % % de la %
Total Total Total
varianza acumulado varianza acumulado
1 5,11 31,92 31,92 5,11 31,92 31,92 3,90
2 1,80 11,23 43,16 1,80 11,23 43,16 2,85
3 1,50 9,37 52,52 1,50 9,37 52,52 2,99
4 1,20 7,47 59,99 1,20 7,47 59,99 2,32
5 1,04 6,52 66,51 1,04 6,52 66,51 2,25
6 0,87 5,46 71,97
7 0,79 4,92 76,88
8 0,73 4,55 81,44
9 0,65 4,08 85,52
10 0,55 3,46 88,97
11 0,46 2,88 91,85
12 0,38 2,39 94,24
13 0,35 2,20 96,44
14 0,29 1,80 98,24
15 0,20 1,23 99,47
16 0,09 0,53 100,00

Nota: Método de extracción: Análisis de Componentes principales a Cuando los componentes están correlacionados, las sumas
de los cuadrados de las saturaciones no se pueden añadir para obtener una varianza total.

Gráfico 1. De sedimentación, de los Componentes

4
Autovalor

1 2 3 4 5 6 7 8 9 10 11 12 13

Número de componente
 53

Análisis factorial segunda corrida

Tabla 12. Ejemplo de la Matriz de configuración

Ítems Componente
1 2
Planta física 0,59 -0,01
Materiales didácticos 0,51 0,11
Atención académica de los -0,04 0,72
profesores
Los horarios -0,06 0,86
Oferta materias cada año 0,01 0,70
Tamaño grupos 0,11 0,63
Desempeño como estudiante -0,02 0,64
Orientación estudiantil 0,01 0,64
Calidad bibliotecas 0,86 -0,11
Centros computación 0,89 -0,09
actualizados
Obtención becas y ayudas 0,78 0,00
plan de estudio 0,52 0,35

Nota: Método de extracción: Análisis de componentes principales

Método de rotación: Normalización Promax con Káiser a la rotación ha
convergido en 3 iteraciones

En esta tabla ejemplo del análisis factorial segunda corrida, todos los valores en cada uno de los

componentes son positivos y están por encima de 0,30; lo cual indica que están representando bien a cada

uno de los componentes.

 54

3.2.5 Análisis factorial de la variables segundo nivel

Tabla 13. Ejemplo del ordenamiento de las variables categóricas del segundo nivel

Variables Categorías Media Mdn Mo D. T. Min Max Rango CVP

Sexo Masculino 13 13 13 2,00 8,00 18,00 10,00 0,40
Femenino 13 13 12 2,30 6,00 19,00 13,00 0,40
Edad 50 y menos 13 13 13 2,00 6,00 19,00 13,00 0,30
50 y más 13 13 12 2,00 10,00 16,00 6,00 0,70
Años docencia Menos de 10 13 12 12 2,70 9,00 18,00 9,00 0,60
Más de 10 13 13 11 2,00 8,00 17,00 9,00 0,40
Titulo Doctorado 13 13 12 2,10 8,00 18,00 10,00 0,40
Otro 13 13 13 2,20 6,00 19,00 13,00 0,30
Categoría Titular 13 13 13 2,30 7,00 18,00 11,00 0,40
Otra 13 13 13 2,10 6,00 19,00 13,00 0,30
Tipo curso Individual 13 13 12 2,40 9,00 19,00 10,00 0,50
Colegiado 13 13 13 2,10 6,00 18,00 12,00 0,40
Horario Un turno 13 13 13 2,00 7,00 19,00 12,00 0,30
Dos turnos 13 13 12 2,30 6,00 18,00 12,00 0,40
%asiste clase Menos 80% 13 13 13 1,90 8,00 17,00 10,00 0,50
Más 80% 12 12 12 1,90 9,00 18,00 9,00 0,40
No. estudiantes Menos de 70 13 13 13 1,90 11,00 17,00 6,00 0,60
curso Más de 70 14 14 14 1,50 12,00 15,00 4,00 0,80
Conocimientos Bastantes 13 13 13 2,30 8,00 18,00 11,00 0,40
previos Pocos 13 13 12 2,10 6,00 19,00 13,00 0,30

Fuente: Resultados obtenidos con el SPSS, versión 15

Se observa en esta tabla ejemplo que para cada categoría se determinó la variable dummy y se determinan las

medidas de tendencia central.

Evidencias de confiabilidad de la escala

El Alfa de Cronbach para las escalas debería ser por encima de 0,81; considerada alto.
 55

La varianza total explicada en la tabla ejemplo, muestra que existen tres componentes que explican el

50,95% de la varianza. El gráfico de sedimentación 6, se considera extraer los factores, que estarían

explicando ese 50,95% de la variabilidad.

Tabla 14. Ejemplo de la Varianza Total Explicada segundo nivel

Componente Autovalores Sumas de las saturaciones al Suma de las saturaciones al

Iniciales cuadrado de la extracción cuadrado de la rotación
Varianza Total % % acumulado
1 3,895 35,407 35,407 3,895 35,407 35,407 3,414
2 1,846 16,783 52,190 1,846 16,783 52,190 2,491
3 1,284 11,671 63,861 1,284 11,671 63,861 2,199
4 1,111 10,104 73,964
5 0,778 7,069 81,033
6 0,673 6,117 87,150
7 0,464 4,220 91,371
8 0,414 3,766 95,136
9 0,213 1,936 97,072
10 0,184 1,671 98,743
11 0,138 1,257 100,00

Método de extracción: Análisis de Componentes principales.

Cuando los componentes están correlacionados, las sumas de los cuadrados de las saturaciones no se pueden añadir para
obtener una varianza total.
 56

Gráfico 2. De sedimentación, variables del segundo nivel

4
3
2
Autovalor

1
0
1 2 3 4 5 6 7 8 9 10 11
Número de componente

Tabla 15. Matriz de configuración (a)

Componente
1 2 3 4
Califique el grado de satisfacción general que tiene para usted su trabajo docente -0,077 -0,227 -0,037 0,963
Grado de satisfacción con el siguiente aspecto de la docencia en la ULA: apoyo
0,409 0,402 0,145 0,058
administrativo
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
0,299 0,561 0,027 0,093
ULA: calidad académica de los estudiantes
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
-0,299 0,466 0,413 0,348
ULA: infraestructura
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
0,015 0,091 0,847 -0,015
ULA: disponibilidad de materiales audiovisuales
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la 0,887 -0,080 0,198 -0,297
ULA: oportunidades de desarrollo académico
Cualifique el grado de satisfacción con el siguiente aspecto de la
docencia en la ULA: capacidad para obtener información actualizada 0,614 0,507 -0,297 -0,035
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
0,796 0,041 0,111 0,127
ULA: disponibilidad de textos y de consulta
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
-0,070 0,926 -0,022 -0,347
ULA: ambiente laboral
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la
0,595 -0,050 -0,073 0,615
ULA: salario
Cualifique el grado de satisfacción con el siguiente aspecto de la
Docencia en la ULA: Calidad materiales de apoyo. 0,308 -0,166 0,851 -0,081

Método de extracción: Análisis de componentes principales. Método de rotación: Normalización Promax con Kaiser.
La rotación ha convergido en 10 iteraciones.
 57

La tabla arriba ilustrada muestra los ítems presentes en cada componente por arriba de 0,30. Los ítems con

valores muy altos (0,96) son los más representativos de esa variable en ese componente.

Segunda corrida

Tabla 16. Ejemplo Matriz de configuración (a)

Componentes
1 2
Califique el grado de satisfacción general que tiene para usted su trabajo docente -0,48 0,77
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Apoyo
0,58 0,260
administrativo
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Calidad
0,60 0,172
académica de los estudiantes
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA:
-0,01 0,57
Infraestructura
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA:
0,06 0,68
Disponibilidad de materiales audiovisuales
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA:
0,71 0,10
Oportunidades de desarrollo académico
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Capacidad
0,85 -0,13
para obtener información actualizada
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA:
0,61 0,38
Disponibilidad de textos de consulta
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Ambiente
0,70 -0,32
laboral
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Salario 0,26 0,60
Cualifique el grado de satisfacción con el siguiente aspecto de la docencia en la ULA: Calidad de
los materiales de apoyo 0,12 0,69

Método de extracción: Análisis de componentes principales. Método de rotación: Normalización Promax con Kaiser.
La rotación ha convergido en 7 iteraciones.

En la segunda corrida, se determinan el número de componentes después de analizar la matriz de

configuración de la primera corrida. Lo que permite una visualización más precisa de la ubicación de los

ítems en cada componente. Pudiendo determinar con mayor exactitud los componentes de la variable.
 58

3.3. Análisis de confiabilidad de las variables segundo nivel

Tabla 17. Ejemplo Estadísticos total-elemento

Media de la Varianza de la Correlación Alfa de

escala si se escala si se elemento- Cronbach si
elimina el elimina el total corregida se
Ítems elemento elemento elimina el
Cualifique el grado de satisfacción elemento
con el siguiente aspecto de la 18,52 11,07 0,55 0,75
docencia en la ULA: Apoyo
administrativo
Calidad académica de los
18,33 11,83 0,55 0,75
estudiantes
Oportunidades de desarrollo
18,09 11,82 0,53 0,76
académico
Capacidad para obtener
17,88 11,35 0,68 0,73
información actualizada
Disponibilidad de textos y de
18,21 11,05 0,61 0,74
consulta
Ambiente laboral 18,36 11,48 0,38 0,80

Nota: Resultados obtenidos con el SPSS, versión 15

La correlación elemento total corregida de los ítems deben estar por encima de 0,50 para que puedan

indicar consistencia interna entre ellos.

 59

3.4 Variables del segundo nivel a ser incluidas en el modelo de regresión lineal multinivel (MRLM)

Con las variables categóricas recodificadas a variables dummy, incluidas en esta tabla, se corre un análisis

de multicolinealidad buscando evitar la dependencia entre las mismas, es decir descartar aquellas variables

que están midiendo un mismo aspecto.

Tabla 18. Ejemplo Diagnóstico de multicolinealidad de las variables del segundo nivel

Variables del Profesor y de la Institución Estadísticos de colinealidad

Tolerancia FIV
Sexo del docente universitario 0,622 1,607
Edad del docente universitario 0,500 2,001
Título académico más alto obtenido por el docente universitario 0,535 1,869
Categoría de los años de docencia del docente universitario 0,414 2,414
Tipo de curso 0,622 1,609
Horario en el que imparte las clases el docente universitario 0,647 1,546
Número de estudiantes matriculados en el curso 0,588 1,701
Porcentaje de alumnos que asiste regularmente a clases 0,490 2,040
Cualificación de los conocimientos previos que poseen los estudiantes para asimilar la 0,583 1,716
materia
Proporción de tiempo que el docente universitario dedica a la técnica Discusión 0,553 1,808
grupal
Proporción de tiempo que el docente universitario dedica a la técnica Debates 0,692 1,446
Puntuaciones factoriales de aspectos académicos de la Escala sobre el Grado de 0,365 2,743
satisfacción del docente
Puntuaciones factoriales de aspectos institucionales de la 0,432 2,312
Escala sobre el Grado de satisfacción del docente
Puntuaciones factoriales de aspectos de formación docente y nuevas tecnologías de la 0,852 1,173
Escala sobre la Percepción Evaluativa de la Formación Docente

Puntuaciones factoriales de aspectos de capacitación docente y nuevas tecnologías 0,513 1,947

Nota: Resultados obtenidos con el SPSS, versión 15

 60

Ninguna de las variables presenta multicolinealidad por tener un valor del TOL mayor que 0,20 y un FIV

mayor que 5,00. Por lo que todas ellas pueden ser incluidas en el modelo. Todos los Valores de Tolerancia

deben ser mayores a 0,20 y el Factor de Inflación de la Varianza mayores a 5,00 para que no haya

multicolinealidad.

3.5 Presentación de los resultados del Modelo de Regresión Multinivel

En la investigación se busca determinar, en consideración a las hipótesis planteadas, las variables individuales y

del contexto (primer nivel), institucionales (segundo nivel) que se relacionan con mayor fuerza con la variable

dependiente, a través de la definición y evaluación del Modelo de Regresión Multinivel.

Debido a la complejidad resultante de tener un número importante de variables observadas de naturaleza

teórica y escala de medición diferentes, además de contar con una muestra de por encima de 330

individuos, conformada por grupos, se estima el Modelo de Regresión Multinivel con la variable

dependiente, cuyo propósito es determinar las variables del (primer nivel) y la Institución (segundo nivel),

que guardan una relación de asociación estadísticamente significativa (p) y de importancia práctica (β) con

esta variable dependiente.

 61

3.5.1 Descripción del proceso de preparación de variables para la estimación del Modelo de Regresión Lineal
Multinivel (MRLM) y Presentación de los resultados del MRLM estimado.

La estimación del Modelo de Regresión Lineal Multinivel se lleva a cabo primeramente con la integración de la

información de las variables del primero y segundo nivel, resultantes de la aplicación de los respectivos cuestionarios,

en una única base de datos con el programa SPSS versión 15. La misma se estructuró y procesó con los constructos y

variables susceptibles de ser medidas. Se enumeraron los Profesores para articular la información de los dos niveles

establecidos dentro del modelo.

Con la información organizada, la base de datos se tienen la variable dependiente y variables independientes.

Otro aspecto que se toma en consideración en el proceso de preparación de variables son los análisis de los

supuestos estadísticos establecidos para la estimación del Modelo de Regresión Multinivel, (Cea D´ Ancona,

2004). El supuesto más sensible es garantizar la ausencia o la baja multicolinealidad entre las variables

independientes. Este supuesto es corroborado mediante el coeficiente de correlación bivariado, la determinación

de la Tolerancia (TOL) y el Factor de Inflación de la varianza (FIV) (Cea D´ Ancona, 2004, p. 39).

Cea D’Ancona plantea que, los coeficientes de correlación con valores de 0,60 y más se pueden considerar como

una colinealidad problemática. Mientras que un coeficiente de correlación entre dos variables independientes

igual a cero (0) indica ausencia completa de colinealidad. En tanto que un valor de uno (1) indica colinealidad

perfecta. Así, en teoría, la tolerancia (T) es la cantidad de variabilidad de la variable independiente que no es

explicada por la demás variables independientes, y su rango de valor oscila entre 0 y 1. Un valor de uno (1)

significa ausencia completa de multicolinealidad, un valor menor que 0,20 representa un grado elevado.

No obstante, el factor de inflación de la varianza (FIV) se interpreta como contrario a la Tolerancia. Es decir valores

superiores a 10 indican multicolinealidad severa, y lo ideal es que se tengan valores menores que 10.
 62

La multicolinealidad se define como la existencia de una correlación elevada entre dos o más variables

independientes. Por lo tanto, se debe evitar la existencia de multicolinealidad y si existe, que la misma sea muy

baja. Puesto que, una correlación elevada entre las variables independientes incide de manera directa en la

medición del efecto de cada variable independiente sobre la dependiente y en los errores de los coeficientes de

regresión de dichas variables, provocados por el aumento en la variabilidad de los coeficientes de regresión

estimados (Cea D´Ancona, 2004, en Vargas 2010).

3.5.1.1 Variables independientes no incluidas en el modelo

A continuación se describe el total de variables de dos niveles.

 63

Tabla 19. Ejemplo la descripción de variables no incluidas en el modelo del primer nivel

Variable Descripción Razones para la no inclusión

Nivel Se estructuró con el propósito de valorar el grado de Resultaron ser indicadores indirectos de Nivel
Socioeconómico posesión de servicios tales como, Televisión por cable, Socioeconómico del estudiante y fueron
agua caliente, vehículo, computadora, internet, celular y incluidos en el análisis descriptivo.
club privado.
Asimismo, éste no se consideró un índice, porque no se
trata de una medida compuesta que relaciona variables o
constructos de diferente naturaleza (Gómez, 1997) en
Montero (2008).
Estilo de Ni uno de los componentes llega a explicar ni siquiera el
Aprendizaje 10%, de la varianza total explicada. El test no es consistente porque ni aún el
primer componente explica el 10% de la VTE.
La motivación fue medida con el test elaborado por el La escala no midió completamente todos los
Motivación al logro personal Centro de Investigaciones Psicológicas, de la Facultad de aspectos de la variable.
Medicina, Consta de 24 ítems escritos en formato Likert
de seis (6) puntos, que van desde completo desacuerdo
(1) a completo acuerdo (6). Contiene cuatro factores que
miden diferentes componentes de logro. (a) Meta de
Logro (ML), 8 ítems referidos al establecimiento de metas
controlables y de superación personal. (b)
Instrumentación (INST), 6 ítems relacionados con las
estrategias de acción de logro como el esfuerzo, la
persistencia y la planificación. (c) Compromiso con la
tarea (CT), 4 ítems referidos al grado de responsabilidad y
compromiso personal asumido por las tareas y (d)
Creencias facilitadoras de logro (CFL), 6 ítems asociados a
las creencias de superación del subdesarrollo.
Uso de internet Se exploró la intensidad y tipos de uso de la Internet La variable no se corresponde con una escala
mediante un índice de uso de la misma, compuesto por que mide un constructo subyacente debido a
diferentes preguntas que indagan en el uso de páginas que en esencia mide la frecuencia de uso de
relacionadas a periódicos, juegos, chats, trabajos, medios.
deportes, música y cantantes, ciencia, farándula, películas
y actores, salud. Las personas deben responder para cada
página en una escala de 3 puntos: 1= nunca, 2= a veces, 3=
siempre.
Razones escogencia carrera Razones por las cuales escogió medicina como carrera Esta variable no mide un constructo
Porque me gusta (1), otra (0) subyacente sino más bien una condición o
atributo.
Segunda razón de escogencia Segunda Razón por la que escogió medicina como carrera Esta variable no mide un constructo
de la carrera Influencia familiar (1), otra (0) subyacente sino más bien una condición o
atributo.
Deseos Deseos que refiere el estudiante de permanecer en la Esta variable no mide un constructo
relacionados con la carrera carrera (nominal) subyacente sino más bien una condición o
Concluir la carrera (1), otra (0) atributo.
Nota: Elaboración de la investigadora
 64

Variables independientes de segundo nivel

Tabla 20. Variables del segundo nivel que no fueron incluidas en el modelo

No. Variable Descripción Criterio de no inclusión

1 Satisfacción docente Grado de acuerdo del profesor con una serie
de aspectos académicos (Disponibilidad de
textos y de consulta,
Disponibilidad de materiales audiovisuales,
satisfacción con el apoyo administrativo,
calidad académica de los estudiantes y calidad
de los materiales de apoyo).
2 Asociación lineal con la variable
Motivo de ingreso a la Se refiere a la razón por la cual el profesor (a)
docencia universitaria ingresó a la docencia. Tomando como
principal motivo, el gusto por la enseñanza y
sus
retos 1, otros 0
Elaboración y Si el Profesor (a) elabora y
3 calificación de califica él/ella mismo (a) sus
exámenes exámenes
4 Grado de interés La prioridad que le da el Profesor a la docencia
hacia la materia en esa materia por encima de otras
actividades. Muy interesados 1, otros 0
Nota: Elaboración de la investigadora
Correlación elemento-total corregida
por debajo de 0,30 y el Alfa de
Cronbach de 0,67 y como está por
debajo del rango (0,70 y 0,90) se
considera que la escala no tiene una
buena consistencia interna
dependiente, después de correr una
regresión lineal buscando posibles
relaciones entre las variables en
estudio
No se incluyó en el modelo ya que las
posibilidades de respuesta fueron sí o
no.
Condición o atributo del Profesor
(a)

3.6 Resultados del modelo con la nota del estudiante como variable dependiente

En este tipo de investigación se busca determinar, en consideración a las hipótesis planteadas, las variables

individuales y del contexto (primer nivel), institucionales (segundo nivel) que se asocian con mayor fuerza con la

variable dependiente a través de la definición y evaluación del Modelo de Regresión Multinivel. La naturaleza de

estas investigaciones es multidimensional de acuerdo a los resultados de las investigaciones revisadas con los

diversos enfoques teóricos, siendo las variables de la investigación numerosas.

 65

3.7 Descripción del proceso de preparación de variables para la estimación de los Modelos de Regresión

Multinivel (MRM) y Presentación de los resultados de los MRM estimados.

La estimación del Modelo de Regresión Multinivel se llevó a cabo primeramente con la integración de la

información de los (las) estudiantes, la institución y los profesores resultantes de la aplicación de los respectivos

cuestionarios, en una única base de datos con el programa SPSS versión 15. La misma se estructuró y procesó con

los constructos y variables susceptibles de ser medidas. Se numeraron los estudiantes para articular la

información de los dos niveles establecidos dentro del modelo.

Con la información organizada, la base de datos inicialmente tenía la variable dependiente (Promedio ponderado

de los cursos) y las variables independientes que fueron diecisiete (17) del primer nivel, el (la) estudiante y catorce

(14) variables del segundo nivel, el (la) profesor(a) y la institución.

Otro aspecto que se tomó en consideración en el proceso de preparación de variables fueron los análisis de los

supuestos estadísticos establecidos para la estimación del Modelo de Regresión Multinivel, (Cea D´ Ancona,

2004). El supuesto más sensible fue garantizar la ausencia o la baja multicolinealidad entre las variables

independientes. Este supuesto fue corroborado mediante la determinación de la Tolerancia (TOL) y el Factor de

Inflación de la varianza (FIV) (Cea D´ Ancona, 2004, p. 39).

Cea D’Ancona plantea que, la Tolerancia (TOL) es la cantidad de variabilidad de la variable independiente que no

es explicada por otras variables independientes, y su rango de valor oscila entre 0 y 1. Un valor de uno (1) significa

ausencia completa de multicolinealidad, un valor menor que 0,20 representa un grado elevado.

Así mismo, el Factor Inflación de la Varianza (FIV), se interpreta como contrario a la Tolerancia. Es decir, valores

mayores que 10, indican multicolinealidad severa, y lo ideal es que se tengan valores menores que 10.
 ___ ____ ____ ____ ____ tm
/__ / ____/ / ____/
66
___/ / /___/ / /___/ 10.1 Copyright 1984-2009
Statistics/Data Analysis StataCorp
or lo tanto, el análisis de multicolinealidad de las variables del Profesor y la Institución dieron valores
4905 Lakeway Drive de
Special Edition College Station, Texas 77845 USA
800-STATA-PC
tolerancia (TOL) por encima de 0,20 y valores de lahttp://www.stata.com
979-696-4600
Inflación de la Varianza (FIV), por debajo de 10,00, para
stata@stata.com
las
979-696-4601 (fax)
15 variables. Por lo que, ninguna de las variables Presentó alta multicolinealidad.
Unlimited-user Stata for Windows (network) perpetual license:
Serial number: 198081963
Licensed to: Lic. Santiago Adamcik
UNLP Facultad de Ciencias Economicas
3.7.1 Construcción del modelo nulo
Notes:
1. (/m# option or -set memory-) 10.00 MB allocated to data
2. (/v# option or -set maxvar-) 5000 maximum variables

. use "C:\Users\Miguel Quintero\Desktop\KINGSTON\doctorado\tesis doctoral 2014\Base de datos_Definitiva_Modelo RLMN_28-04-2014.dta", clear

Tabla 21. Ejemplo del Modelo Nulo
. browse

. xtmixed Promedio, || Profesor:, covariance(independent)

Note: single-variable random-effects specification; covariance structure set to identity

Performing EM optimization:

Performing gradient-based optimization:

Iteration 0: log restricted-likelihood = -715.96226

Iteration 1: log restricted-likelihood = -715.96226

Computing standard errors:

Mixed-effects REML regression Number of obs = 330

Group variable: Profesor Number of groups = 33

Obs per group: min = 10

avg = 10.0
max = 10

Wald chi2(0) = .
Log restricted-likelihood = -715.96226 Prob > chi2 = .

Promedio Coef. Std. Err. z P>|z| [95% Conf. Interval]

_cons 12.86713 .1763918 72.95 0.000 12.52141 13.21285

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

Profesor: Identity
sd(_cons) .7863313 .1646062 .5216987 1.185199

sd(Residual) 2.021007 .0829229 1.864844 2.190247

LR test vs. linear regression: chibar2(01) = 15.69 Prob >= chibar2 = 0.0000

Nota: Resultado obtenido con el STATA, versión 10.0

 67

El modelo nulo es considerado por Murillo (2008), como el punto de partida del proceso modelación multinivel.

Contiene solamente una variable respuesta y la constante que es el intercepto o punto de corte, por lo que no se

le ingresa ninguna variable predictora. Así mismo, el modelo posee efectos aleatorios en los dos niveles y no

incluye variables explicativas en ninguno de ellos. En consecuencia, el modelo nulo se establece según el autor,

como línea de base para la estimación de la varianza explicada a partir de la cual se van evaluando los aportes de

modelos más elaborados. En la presente investigación el modelo nulo se estructuró tomando como variable de

partida el profesor.

3.8 Metodología que se siguió para realizar la estimación del modelo RLMN

1. Se efectuó el ajuste del modelo para identificar las variables del primer y segundo nivel asociadas en forma

significativa con el rendimiento académico. El procedimiento se realizó por estimación simultánea. Se usó un

nivel de significación del 5% y un nivel de importancia práctica de 0,10 para los coeficientes beta estandarizados.

2. La estructura de covarianza de la variable dependiente se modeló de acuerdo con los estimados de los efectos

aleatorios de las variables del profesor y la institución.

3. La búsqueda del modelo se llevó a cabo usando el paquete estadístico STATA (Stata/SE 10.0 para Windows),

mediante la función xtmixed utilizada para el ajuste de modelos mixtos de regresión multinivel, justificándose su

uso por ser el promedio ponderado de los cursos una variable continua.

4. Debido a la naturaleza de las variables independientes donde existen un número considerable de variables

categóricas dicotómicas y continuas, se decidió utilizar la opción de máxima verosimilitud restringida.

5. Se corrigió la colinealidad de las variables del Profesor y la Institución, obteniéndose que todas las variables

presentaron valores del TOL mayores a 0,20 y FIV mayores de cinco. Por lo que todas fueron incluidas en el

modelo.
 68

Resultados de este primer modelo

El ajuste del modelo se efectuó mediante el comando:

xtmixed notadefinitiva Edad materia, || estudiante: Edad, covariance (unstructured) collinear || Profesor:
materia, covariance (unstructured) collinear. Obteniéndose los siguientes resultados:
Tabla 22 Ajuste del primer modelo

Mixed-effects REML regression Number of obs = 330

-----------------------------------------------------------
| No. of Observations per Group
Group Variable | Groups Minimum Average Maximum
----------------+------------------------------------------
Estudiante | 330 1 1,00 1
Profesor | 33 1 1,00 1
-----------------------------------------------------------
Wald chi2 (2) =46,19
Log restricted-likelihood = -902,58 Prob > chi2 = 0,00
-----------------------------------------------------------------------------
Nota
Definitiva| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
Edad | 0,24 0,08 3,01 0,003 0,0852 0,4020
Materia| 0,26 0,05 5,50 0,000 0,1682 0,3543
_cons | 6,74 1,74 3,88 0,000 3,3371 10,1500
------------------------------------------------------------------------------
Parámetros de efecto aleatorio | Estimación del error estándar [95% intervalo de confianza]
-----------------------------+------------------------------------------------
Cédula: Unstructured |

sd (Edad) | 0,0838 . . .
sd (_cons) | 2,0826 . . .
corr (Edad, _cons | 0,1177 . . .
-----------------------------+------------------------------------------------
Profesor: Unstructured |
sd (materia) | 0,1476 . . .
sd (_cons) | 2,3658 . . .
Corr (materia _cons) | 0,5015 . . .
-----------------------------+------------------------------------------------
sd (Residual) | 0,6883 . . .
------------------------------------------------------------------------------
LR test vs. linear regression: chi2 (6) = 0,00 Prob > chi2 = 1,00
Note: LR test is conservative and provided only for reference.
 69

De estos resultados puede concluirse lo siguiente:

1. El modelo es significativo.
2. El término constante es significativo.
3. Las variables Edad y materias son significativas.
4. Al aumentar en un año la edad, la nota definitiva aumenta en promedio en 0,24 puntos.
5. La materia se relaciona con la nota definitiva del promedio ponderado de los cursos.
Con la finalidad de poder encontrar otros posibles modelos, se procedió a hacer el análisis de manera menos restrictiva,
pudiendo probarse con un mayor nivel de significación (10%). Además se procedió a la construcción de variables tipo
“índice” para las variables definidas a través de varios ítems y se realizó nuevamente el análisis.
Soluciones a los problemas de convergencia
Se incluyeron en el modelo como variables mediadoras a las variables: satisfacción del estudiante, percepción del
estudiante, motivación al logro, uso de internet. Así como las variables del profesor: satisfacción del profesor y
formación docente. Esta decisión se tomó debido a que aun cuando se revisó la diversidad de escalas en las variables y
se consideraron suficientes, se siguió las sugerencias de Tristán, 2010 de incluirlas como mediadoras, porque esto ayuda
a reducir el número de variables que intervienen en el modelo, favoreciendo la interpretación de los datos. Se incluyeron
las variables tanto del estudiante como del profesor y se volvió a correr el modelo, tomando como variable dependiente
el promedio ponderado de los cursos, obteniéndose los siguientes resultados.
Resultados del Modelo Multinivel con el programa estadístico STATA.
Los resultados obtenidos con esta metodología fueron los coeficientes y los valores de p que aparecen en la tabla de

resultados.

El coeficiente de regresión no estandarizado (B), está expresado en las mismas unidades de medida que la variable
dependiente. Beta corresponde al coeficiente de regresión estandarizada y permite establecer la importancia relativa
de cada variable independiente en la predicción de la variable dependiente. Estos valores de Beta, son los coeficientes
de correlación parcial, siendo relevantes para la predicción a nivel descriptivo valores por encima de 0,10. Así mismo la
probabilidad asociada (p), determina la significancia estadística para la prueba de hipótesis asociada al coeficiente
específico. Por lo tanto, si la probabilidad asociada es menor que 0,05 los valores se pueden generalizar a toda la
población. En este sentido, se rechaza la hipótesis nula de que a nivel poblacional el valor del coeficiente es igual a 0.
Igualmente, el valor de R2, denominado coeficiente de determinación, permite evaluar específicamente la capacidad
predictiva del modelo de regresión. El valor de R2 indica el porcentaje de la variabilidad en la variable dependiente que
 70

puede ser explicado a partir de su relación lineal con las variables independientes (Montero, 2003, citada por Barragán,
2010).

Tabla 23 Resultados del Modelo de Regresión Multinivel con el promedio ponderado del curso del
estudiante como variable dependiente, (R2 = 32,94 %)

Nivel 1 Constante B Beta p

estudiante, 10,40814 0,000
Varianza total Sexo -0,248197 0,2421302 0,306
explicada = 14,78 Edad -0,224288 0,439127 0,610
% procedencia -0,4566687 0,2276959 0,046 *
gradmadre 0,0660376 0,0904457 0,466
gradpadre -0,0107684 0,0922619 0,907
puntajeprueba 0,0366911 0,0164015 0,026 *
razones -0,0063096 0,0915512 0,945
segrazon 0,1692316 0,0687353 0,014 *
desrelcar -0,2149191 0,1009545 0,034 *
gradsatisserv 0,0357639 0,330667 0,280
gradsatisinfra 0,0361195 0,0325759 0,268
incidrengr r 0,0475568 0,0503818 0,346
incidenren a -0,0208168 0,0425919 0,625
percepcomsos -0,1117232 0,0902167 0,217
percepcomcn 0,0116416 0,06973 0,868
metas 0,0137559 0,0230927 0,552
creencias 0,0096366 0,0212238 0,650
interacade a -0,0204056 0,0219401 0,353
Nivel 2 profesor e Constante B Beta p
institución, 11,50838 0,000
Varianza total sexoprofesor -1,193778 0,4418833 0,007 *
explicada = 18,16 Edadprofesor -0,0358148 0,0337351 0,289
% añosdoc 0,0204938 0,0416614 0,623
titulo -0,399815 0,1994981 0,046 *
categoría -0,0935371 0,1682692 0,579
tipodecurso 0,1317334 0,5195929 0,800
horario 0,006293 0,2203471 0,977
porcentaje 0,0049479 0,091721 0,590
numeroestus 0,0024071 0,001687 0,155
Conocimientos -02836083 0,1351058 0,037 *
gradointerés 0,2846127 0,3063739 0,354
proporción3 0,095483 0,025426 0,000 **
Proporción6 0,0606687 0,027815 0,030 *
elaboraexams -1,028488 0,6838153 0,134
califica 7,254108 1,77314 0,000 **
satisfacción5 0,50684 0,2715007 0,063
satisfacción8 0,5716804 0,183134 0,002 **
motivo1 -0,8242372 0,2064839 0,000 **
satisfacción3 0,0273532 0,1515258 0,857
satisfacción10 -0,2905311 0,1680758 0,085
Formación-e -0,0370613 0,0279434 0,186
capacitación -0,1752504 0,0714541 0,015 *
 71

Tabla 24 de la salida de los resultados de la corrida en stata del modelo multinivel

Regresión promedio sexo, edad, procedencia, gradpadre, gradmadre, puntaje prueba, razones,
segrazon, desrelcar, gradsatisserv, gradsatisinfra, incidengrasatiscomserv, incidenrengradsatiscominfra,
percepcomsos, percepcomclin, metas, creencias, Interacademica
Del Estudiante

Recurso ss df MS No. observaciones = 330

Modelo 227,840 18 12,6578 F (18,211) = 3,00
488
Residual 1313,81 311 4,22447427 Prob > F = 0,0001
15
Total 1541,65 329 4,68587729 R cuadrado = 0,1478
198
R cuadrado
Ajustado = 0,0985
Raíz SME = 2,0554

Promedio Coeficiente Error t p ˃ |t| 95% intervalo confianza

estándar
Sexo -0,248197 0,2421302 -1,03 0,306 -0,7246175 0,2282235
Edad -0,224288 0,439127 -0,51 0,610 -0,1088325 0,639748
procedencia -0,4566687 0,2276959 -2,01 0,046 -0,9046879 -0,0086495
gradmadre 0,0660376 0,0904457 0,73 0,466 -0,1119252 0,2440005
gradpadre -0,0107684 0,0922619 -0,12 0,907 -0,1923048 0,170768
puntajeprueba 0,0366911 0,0164015 2,24 0,026 0,0044192 0,068963
razones -0,0063096 0,0915512 -0,07 0,945 -0,1864477 0,1738284
segrazon carrera 0,1692316 0,0687353 2,46 0,014 0,0339866 0,3044766
desrelcarrera -0,2149191 0,1009545 -2,13 0,034 -0,4135593 -0,0162789
gradsatisserv 0,0357639 0,330667 1,08 0,280 -0,0292988 0,1008266
gradsatisinfra 0,0361195 0,0325759 1,11 0,268 -0,0279775 0,1002165
incidrengr r 0,0475568 0,0503818 0,94 0,346 -0,0515755 0,146689
incidenren a -0,0208168 0,0425919 -0,49 0,625 -0,1046216 0,0629879
percepcomsos -0,1117232 0,0902167 -1,24 0,217 -0,2892354 0,065789
percepcomcn 0,0116416 0,06973 0,17 0,868 -0,1255606 0,1488437
metas 0,0137559 0,0230927 0,60 0,552 -0,0316818 0,0591935
creencias 0,0096366 0,0212238 0,45 0,650 -0,0321239 0,051397
interacademica -0,0204056 0,0219401 -0,93 0,353 -0,0635754 0,0227642
_cons 10,40814 2,422168 4,30 0,000 5,642228 15,17405

En este modelo resultaron significativas las variables del nivel I, estudiante: Procedencia, puntaje en la prueba, segunda razón
para estar en la carrera, deseos relacionados con la carrera. Corriendo el modelo cada nivel por separado, teniendo las variables
del estudiante como efecto fijo.
 72

Tabla 25 de la salida del modelo multinivel de la variable profesor

Regresión: sexoprofesor, edadprofesor, añosdoc, titulo, categoría, tipo de curso, horario, porcentaje, número de estudiantes,
conocimientos, gradointerés, proporcióntiempo3, proporcióntiempo6, elaboraexamenes, calificaexamenes,
satisfacciónaspectosula5, satisfacciónaspectosula8, motivo1, satisfacciónaspectosula10, formación-docente, capacitación-
actualización-docente, compromiso-del-docente.
Recurso ss ds Ms No. 330
observaciones =
Modelo 280,015637 23 12,1745929 F(23,306) = 2,95
Residual 1261,63635 306 4,1229946 Prob > F = 0,0000
Total 1541,65198 329 4,68587229 R cuadrado = 0,1816
R cuadrado adj = 0,1201
Raíz MSE = 2,0305

Promedio Coeficiente Error estándar t p>|t| 95% Intervalo de

confianza
sexoprofesor -1,193778 0,4418833 2,70 0,007 -2,063293 -0,3242636
Edadprofesor -0,0358148 0,0337351 1,06 0,289 -0,1021969 0,0305674
añosdoc 0,0204938 0,0416614 0,49 0,623 -0,0614852 0,1024728
titulo -0,399815 0,1994981 -2,00 0,046 -0,7924033 -0,0072797
categoría -0,0935371 0,1682692 -0,56 0,579 -0,4246482 0,237574
tipodecurso 0,1317334 0,5195929 0,25 0,800 -0,8906939 1,154161
horario 0,006293 0,2203471 0,03 0,977 -0,427297 0,4398776
porcentaje 0,0049479 0,091721 0,54 0,590 -0,0131005 0,0229963
numeroestus 0,0024071 0,001687 1,43 0,155 -0,0009125 0,0057267
Conocimientos -02836083 0,1351058 -2,10 0,037 -0,5494624 -0,0177543
gradointerés 0,2846127 0,3063739 0,93 0,354 -0,3182534 0,8874789
proporción3 0,095483 0,025426 3,76 0,000 0,045451 0,1455149
Proporción6 0,0606687 0,027815 2,18 0,030 0,0059358 0,1154016
elaboraexams -1,028488 0,6838153 -1,50 0,134 -2,374064 0,3170869
califica 7,254108 1,77314 4,09 0,000 3,765018 10,7432
satisfacción5 0,50684 0,2715007 1,87 0,063 -0,0274046 1,041085
satisfacción8 0,5716804 0,183134 3,12 0,002 0,211319 0,9320418
motivo1 -0,8242372 0,2064839 -3,99 0,000 -1,230545 -0,4179291
satisfacción3 0,0273532 0,1515258 0,18 0,857 -0,2708111 0,3255175
satisfacción10 -0,2905311 0,1680758 -1,73 0,085 -0,6212617 0,0401994
Formación-e -0,0370613 0,0279434 -1,33 0,186 -0,0920468 0.0179243
capacitación -0,1752504 0,0714541 -2,45 0,015 -0,3158539 -0,0346468
_cons 11,50838 2,906886 3,96 0,000 5,788365 17,2284
 73

3.9 Resultados del Modelo Multinivel con el programa estadístico STATA.

Los resultados obtenidos con esta metodología fueron los coeficientes y los valores de p que aparecen en la tabla

de resultados.

El coeficiente de regresión no estandarizado (B), está expresado en las mismas unidades de medida que la

variable dependiente. Beta corresponde al coeficiente de regresión estandarizada y permite establecer la

importancia relativa de cada variable independiente en la predicción de la variable dependiente. Estos valores

de Beta, son los coeficientes de correlación parcial, siendo relevantes para la predicción a nivel descriptivo

valores por encima de 0,10. Así mismo la probabilidad asociada (p), determina la significancia estadística para

la prueba de hipótesis asociada al coeficiente específico. Por lo tanto, si la probabilidad asociada es menor que

0,05 los valores se pueden generalizar a toda la población. En este sentido, se rechaza la hipótesis nula de que

a nivel poblacional el valor del coeficiente es igual a 0. Igualmente, el valor de R2, denominado coeficiente de

determinación, permite evaluar específicamente la capacidad predictiva del modelo de regresión. El valor de

R2 indica el porcentaje de la variabilidad en la variable dependiente que puede ser explicado a partir de su

relación lineal con las variables independientes (Barragán, 2010).

3.10 Análisis del resumen del modelo

La tabla a continuación muestra en el modelo las variables de primero y segundo nivel, las cuales explican la

variabilidad del mismo.

 74

Tabla 26. Salida del Modelo, variables del primero y segundo nivel con Stata

Mixed-effects REML regression Number of obs = 330

Group variable: Profesor Number of groups = 33

Obs per group: min = 10

avg = 10.0
max = 10

Wald chi2(29) = 39.65

Log restricted-likelihood = -491.18545 Prob > chi2 = 0.0898

ZPromedio Coef. Std. Err. z P>|z| [95% Conf. Interval]

ZSexorecode .0713317 .0552177 1.29 0.196 -.0368931 .1795564

ZEdad .0271768 .066784 0.41 0.684 -.1037174 .158071
ZProcedenc~e .0532548 .0740367 0.72 0.472 -.0918543 .198364
ZResidenci~e .1059784 .0739049 1.43 0.152 -.0388725 .2508292
ZFinanciam~e .0330261 .0626751 0.53 0.598 -.0898148 .155867
ZEcivilrec~e -.0193313 .0604144 -0.32 0.749 -.1377413 .0990787
ZTrabremun~e -.0419833 .0610874 -0.69 0.492 -.1617123 .0777457
ZGradmadre~o .0404919 .0618201 0.65 0.512 -.0806734 .1616571
ZGradpadre~o -.0273368 .0630122 -0.43 0.664 -.1508384 .0961649
ZPuntajepr~a .1311418 .0569696 2.30 0.021 .0194835 .2428001
ZProingr_r~o -.0138174 .0575647 -0.24 0.810 -.1266423 .0990074
ZGradsatis~r .1565576 .0569176 2.75 0.006 .0450012 .268114
Zinc_grad_~d .0521446 .0576959 0.90 0.366 -.0609374 .1652265
Zpercepcom~s -.1244933 .0653892 -1.90 0.057 -.2526538 .0036672
Zpercepcom~n .0558186 .0690594 0.81 0.419 -.0795354 .1911725
ZSexoprofe~e .0224011 .1059017 0.21 0.832 -.1851624 .2299646
ZEdadprofe~r -.0362225 .1157405 -0.31 0.754 -.2630697 .1906247
ZCategoría~e .0462131 .1184332 0.39 0.696 -.1859116 .2783378
ZTítulo_re~e -.0125632 .1156121 -0.11 0.913 -.2391588 .2140324
ZAñosdoc_r~o .0322128 .1309261 0.25 0.806 -.2243977 .2888232
ZTipodecur~e .1230892 .1032605 1.19 0.233 -.0792976 .3254761
ZHorario_r~e -.0510707 .108177 -0.47 0.637 -.2630936 .1609523
ZNumeroest~s .2038062 .1014164 2.01 0.044 .0050337 .4025787
ZPorcentaje .0955896 .1132223 0.84 0.399 -.126322 .3175012
ZConocimie~e .0495423 .1031882 0.48 0.631 -.1527029 .2517875
Zproporcio~3 .0061733 .1117218 0.06 0.956 -.2127975 .225144
Zproporcio~6 .1308595 .1041582 1.26 0.209 -.0732867 .3350058
Zgrad_sati~c -.0053686 .1050857 -0.05 0.959 -.2113328 .2005955
Zpercep_ev~n -.029415 .1044561 -0.28 0.778 -.2341451 .1753152
_cons -1.72e-16 .0832528 -0.00 1.000 -.1631725 .1631725

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

Profesor: Identity
sd(_cons) .3807127 .1084173 .2178697 .6652698

sd(Residual) .915324 .0386649 .8425945 .9943313

LR test vs. linear regression: chibar2(01) = 8.87 Prob >= chibar2 = 0.0015

. Resultados obtenidos con el STATA, versión 10.10

Nota:

La tabla del modelo ejemplo muestra el modelo multinivel resultante, en el que se observan dos variables

significativas para explicar el Rendimiento Académico desde el estudiante: El Puntaje en la Prueba de

 75

Selección (P=0,034), Incidencia en el Rendimiento Académico del Grado de Satisfacción con los servicios

(P=0,074, probabilidad marginal) y Percepción del Componente Social (p=0,039).

3.11 Variables del segundo nivel

En el modelo se observan una variable significativa para explicar el Rendimiento

Académico desde el Profesor y la institución, esta es: Número de estudiantes por curso (P=0,051)

3.12 Resultados del Modelo

La tabla de salida de los resultados, muestra que las variables independientes del nivel uno explican el

13,11% de la variabilidad de la variable dependiente (el promedio ponderado de los cursos de los

estudiantes de medicina). Mientras que, en el segundo nivel (profesores e institución), explican el 6,65%

conjuntamente de la variabilidad (en el Rendimiento Académico de los estudiantes de Medicina, ULA,

Mérida, Venezuela).

A continuación se presentan las variables independientes con mayor evidencia en términos de asociación

con la variable dependiente (el Promedio Ponderado de los Cursos de los estudiantes de Medicina).

Igualmente, estas dos variables reflejaron significancia estadística, por lo que se pueden generalizar para

todas las unidades académicas (Barragán, 2010).

 76

Estas variables son:

Del nivel I (el estudiante)
1. El Puntaje en la Prueba de Selección Interna (PIS), está determinado en la escala de 0 a 20 puntos.

2. El componente servicios está determinado por la Atención Académica de los Profesores, los Horarios, la
Oferta de Materias por Año, el Tamaño de los Grupos el desempeño como estudiante.

Del nivel II (el profesor y la institución)

La variable del Profesor y la Institución, Número de estudiantes por Curso mostró significancia estadística
como predictora del Rendimiento Académico en Medicina, con valores de P< 0,05.
 77

Capítulo IV

Discusión de los resultados

En términos de la Discusión de resultados se procede a realizar una síntesis de las bases teóricas y metodológicas

que permitieron la realización de la investigación mediante técnicas analíticas que hicieron posible la ejecución

de importancia del conjunto de información diversa. Así, la modelación multinivel utilizada dada la complejidad

del problema investigado, trasciende a los modelos clásicos. Igualmente, estas técnicas son tomadas de manera

complementaria, buscando la determinación de variables y constructos de mayor asociación con la variable

dependiente (el Rendimiento Académico en los estudiantes de Medicina, ULA). Dicha modelación incluye las

características individuales y contextuales en dos niveles, de manera coherente y jerarquizada en concordancia

con el posicionamiento teórico y la complejidad del problema. Puesto que se valoran de manera simultánea

constructos y variables.

La metodología empleada en esta investigación está basada en el continuum interactivo dinámico de técnicas

cualitativas y cuantitativas, cuya visión metodológica es propuesta inicialmente por ejemplo por Newman y Benz

(1998). Lo que contribuye significativamente al análisis realizado.

4.1 Modelo multinivel resultante, con efectos fijos

Ante el problema técnico de convergencia mostrado por el modelo de efectos aleatorios resulta conveniente

inclinarse por el modelo de efectos fijos. A continuación se presentan una forma de análisis de los resultados que

le permitirá al lector tomar una posición de partida para cualquier análisis similar

La tabla 40 a continuación, corresponde al modelo de efectos fijos en el que se muestran los coeficientes Beta

estandarizados y el valor de P de las variables que entraron al mismo tanto desde el primero como desde el

segundo nivel. En esta tabla, se miran los Coeficientes Beta (β) de la segunda columna y los P de la quinta columna,
 78

cuyos valores son los que más interesan visualizar por las implicaciones que ellos tienen para la significancia

estadística y la importancia práctica de las variables independientes, que permiten explicar la variable

dependiente Rendimiento Académico. Los valores de Beta igual o mayor a 0,10, se consideran como relevantes

para la predicción a nivel descriptivo. Así mismo un p menor a 0,05 indica que el coeficiente asociado a la

respectiva variable dependiente, es estadísticamente significativo (es decir, se puede generalizar a toda la

población).
 79

Tabla 23. Resultados del modelo de Efectos fijos: Variables del estudiante y del profesor
Mixed-effects REML regression Number of obs = 330 Group variable:
Profesor Number of groups = 33
Obs per group: min =
10
avg = 10.0 max =
10 Wald chi2 (26) = 41.27 Log
restricted-likelihood = -486.91072 Prob > chi2 = 0.0292
------------------------------------------------------------------------------
ZPromedio | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
ZSexorecode | .0711653 .0551835 1.29 0.197 -.0369924 .1793229
ZProcedenc~e | .050312 .073589 0.68 0.494 -.0939198 .1945438
ZResidenci~e | .1069548 .0735684 1.45 0.146 -.0372366 .2511461
ZFinanciam~e | .0312305 .0621636 0.50 0.615 -.0906079 .153069
ZEcivilrec~e | -.019564 .0598038 -0.33 0.744 -.1367774 .0976493
ZTrabremun~e | -.0351915 .0591073 -0.60 0.552 -.1510398 .0806568
ZGradmadre~o | .0417395 .0614647 0.68 0.497 -.0787291 .1622081
ZGradpadre~o | -.0273138 .0627419 -0.44 0.663 -.1502857 .0956581
ZPuntajepr~a | .1327682 .0567304 2.34 0.019 .0215787 .2439577
ZProingr_r~o | -.0094728 .0572004 -0.17 0.868 -.1215836 .102638
ZGradsatis~r | .1568977 .0564577 2.78 0.005 .0462426 .2675527
Zinc_grad_~d | .0545523 .0571476 0.95 0.340 -.0574549 .1665596
Zpercepcom~s | -.123877 .0651443 -1.90 0.057 -.2515575 .0038035
Zpercepcom~n | .0556478 .0686732 0.81 0.418 -.0789492 .1902448
ZSexoprofe~e | .0121037 .0972162 0.12 0.901 -.1784366 .202644
ZCategoría~e | .0549425 .1103954 0.50 0.619 -.1614285 .2713134
ZTítulo_re~e | -.0035417 .1043496 -0.03 0.973 -.2080632 .2009799
ZAñosdoc_r~o | -.0014717 .0968297 -0.02 0.988 -.1912543 .1883109
ZTipodecur~e | .1259258 .094571 1.33 0.183 -.0594299 .3112814
ZHorario_r~e | -.0427974 .0985377 -0.43 0.664 -.2359276 .1503329
ZNumeroest~s | .1914284 .0919679 2.08 0.037 .0111747 .3716822
ZPorcentaje | .0891862 .1033376 0.86 0.388 -.1133518 .2917243
Zproporcio~3 | -.0023671 .1030264 -0.02 0.982 -.204295 .1995609
Zproporcio~6 | .1290379 .0943166 1.37 0.171 -.0558193 .3138951
Zgrad_sati~c | .0030405 .0962713 0.03 0.975 -.1856478 .1917288
Zpercep_ev~n | -.0264037 .0971052 -0.27 0.786 -.2167264 .1639189
_cons | -2.35e-16 .0776182 -0.00 1.000 -.1521288 .1521288
------------------------------------------------------------------------------
------------------------------------------------------------------------------
Random-effects Parameters | Estimate Std. Err. [95% Conf. Interval]
-----------------------------+------------------------------------------------
Profesor: Identity |
sd (_cons) | .339161 .0970729 .1935439 .5943366
sd(Residual) .9153191 .038523 .8428457 .9940242
LR test vs. linear regression: chibar2(01) = 7.84 Prob >= chibar2 = 0.0026
. Predict yhat
(Option xb assumed)
.correlate yhat ZPromedio (obs=330)
|yhat ZPromedio
-------------+------------------
yhat | 1.0000
ZPromedio | 0.4003 1.0000

Fuente: Elaboración de verificación del Jurado especialista (Dra. Montero), base de datos con el stata versión 10.1
 80

Sin embargo, los valores sombreados son los que más interesan visualizar porque corresponden a las variables

independientes de primero y segundo nivel con la significancia estadística y la importancia práctica que permiten

explicar la variable dependiente Rendimiento Académico.

Al analizar el modelo de efectos fijos, y al tomar todas las variables estandarizadas, se observó que:

1. En las Variables del estudiante y del profesor, resultaron significativas las variables: Puntaje en la prueba, Grado

de satisfacción con la carrera, Percepción sobre el componente social y Número de estudiantes por curso. La

significancia estadística se refiere al grado en que los resultados de la muestra se pueden generalizar hacia toda

la población (Montero, Villalobos, Valverde, 2007). El 1,90% de la variabilidad del promedio ponderado de los

cursos se explica por la variable independiente del primer nivel, puntaje en la prueba de selección. Así mismo,

sobre estas variables sustantivas en el modelo estimado, se conoce en el ámbito universitario que, ha sido de

análisis en las autoridades universitarias y en los investigadores el que, por ejemplo, el Puntaje en la Prueba de

Selección (Bacallao et al. 2004), Carrión (2002), Sánchez y Miguel (2006) y Montero, Villalobos y Valverde (2007)

determine el rendimiento académico posterior. Los resultados de la asociación directa y significativa de variables

independientes y de primer nivel tales como el Puntaje en las Pruebas de Selección, con el rendimiento

académico posterior ha sido objeto de varios estudios, encontrándose evidencias cada vez más fuertes en

relación con este planteamiento teórico. En este sentido, esta investigación encontró que la variable observada

Puntaje en la Prueba de Selección, obtuvo un comportamiento directo y significativo con el rendimiento en los

estudiantes de Medicina.

2. Las Variables del estudiante y del profesor, que resultaron con importancia práctica, fueron: Residencia del

estudiante, Grado de satisfacción con la infraestructura y los servicios de la carrera, Tipo de curso, Número de

estudiantes por curso, Proporción de tiempo que el profesor dedica al debate como estrategia instruccional.

Constructos que han venido cada vez más ganando espacios preponderantes en la asociación con el rendimiento
 81

académico, en el contexto de la carrera de Medicina. Desde el posicionamiento teórico sobre el Grado de

Satisfacción con infraestructura y servicios, Garbanzo (2007), (Montero, Villalobos, Valverde, 2007) y Barragán

(2010), esta variable se define como las características estructurales y funcionales que difieren en cada institución,

y su grado de influencia, confiere a la universidad y a la facultad cualidades propias. En este sentido, los

estudiantes que se encuentran satisfechos con la infraestructura y los servicios presentan a nivel descriptivo, un

mejor rendimiento académico en Medicina.

3. Resultaron significativas y con importancia práctica las variables: Puntaje en la prueba, Grado de satisfacción

con la infraestructura y los servicios de la carrera y Número de estudiantes por curso. Esto significa que dichas

variables tienen una asociación estadísticamente significativa con el Rendimiento Académico de los estudiantes

y explican tanto desde el primero como desde el segundo nivel el desempeño de los estudiantes. El número de

estudiantes por curso fueron analizados por Fassinger (1995), (Rinaudo 1997, Vizzio 1997, Bossolasco y Chiecher

1998 y Rinaudo, 1994), de manera indirecta a través de las características de la clase, y las estrategias de dirección

del aula. Estas dos variables, están determinadas por la cantidad de estudiantes en el curso y están fuertemente

asociadas al mejoramiento del aprendizaje de los estudiantes y por ende a su rendimiento académico.

4. Las variables que no entraron al modelo después de realizar el análisis factorial de componentes principales

con el método Promax Kappa 4, fueron: Estilos de Aprendizaje, Motivación al logro, y Elementos Pedagógicos del

Profesor, Institucionales y del Currículo. Aun cuando, teóricamente, se esperaba que hubiera una asociación entre

estas variables y el Rendimiento en Medicina. Por ejemplo, en lo referido a los estilos de aprendizaje no se

encontraron resultados estadísticamente significativos, por lo que no fue posible determinar los estilos de

aprendizaje de los estudiantes de medicina, a través del estudio multinivel. Autores como Bitrán et al. (2003) al

estudiar los estilos de aprendizaje y vincularlos con los tipos psicológicos encontraron que de cada diez (10)

estudiantes que ingresan a estudiar Medicina en la Pontificia Universidad Católica de Chile, siete (7) se

caracterizan por analizar la información de un modo lógico, objetivo e imparcial, o por tener una postura
 82

estructurada y decidida en la vida, lo cual se vincula con el estilo reflexivo. Sin embargo, al igual que en la presente

investigación, tampoco obtuvieron una evidencia clara de relación con estas dimensiones. Por lo tanto, se sugiere

ofrecer una nueva hipótesis de investigación y aplicar otro tipo de instrumentos que resguarden la validez

semántica y de cultura, de los ítems, recogiendo y analizando nuevamente los datos.

Por otra parte con respecto a la Motivación del logro, esta investigación obtuvo resultados no estadísticamente

significativos en esta variable. Los resultados se justifican debido a las dificultades de orden semántico

presentadas por los estudiantes en el momento de responder el test. Por lo que se requiere hacer nuevos

planteamientos de hipótesis de investigación para esta variable mejorando la semántica del instrumento para la

obtención de respuestas que permitan explorar los cuatro componentes (metas de logro, instrumentación,

compromiso con la tarea y creencias facilitadoras de logro) asociados con esta variable.

Los nuevos planes de estudio están asociados desde la teoría, por un lado, con porcentajes menores de

estudiantes que no aprueban las asignaturas, y por otro, con un elevado porcentaje de alumnos regulares, mayor

porcentaje de aprobados y mejores notas en los exámenes parciales, mayor número de alumnos que han

aprobado el examen final de las asignaturas, (Wandelow et al., 2001). No obstante, los resultados obtenidos no

permitieron incluir estas variables en el modelo multinivel, pues al realizar el análisis factorial, no se obtuvieron

los componentes teóricamente reportados ni la varianza total explicada que permitiera su inclusión en el modelo.
 83

4.3 Presentación de los resultados del modelo de efectos fijos obtenido con la variable de grupo Profesor
Tabla 24. Modelo de efectos fijos con las variables del estudiante (primer nivel), variables
del profesor y la institución (segundo nivel)

Mixed-effects REML regression Number of obs = 330 Group

variable: Profesor Number of groups = 33
Obs per group: min = 10
avg = 10.0
max = 10
Wald chi2 (26) = 41.27
Log restricted-likelihood = -486.91072 Prob > chi2 = 0.0292
------------------------------------------------------------------------------
ZPromedio | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
ZSexorecode | .0711653 .0551835 1.29 0.197 -.0369924 1793229
ZProcedenc~e | .050312 .073589 0.68 0.494 -.0939198 .1945438
ZResidenci~e | .1069548 .0735684 1.45 0.146 -.0372366 .2511461
ZFinanciam~e | .0312305 .0621636 0.50 0.615 -.0906079 .153069
ZEcivilrec~e | -.019564 .0598038 -0.33 0.744 -.1367774 .0976493
ZTrabremun~e | -.0351915 .0591073 -0.60 0.552 -.1510398 .0806568
ZGradmadre~o | .0417395 .0614647 0.68 0.497 -.0787291 .1622081
ZGradpadre~o | -.0273138 .0627419 -0.44 0.663 -.1502857 .0956581
ZPuntajepr~a | .1327682 .0567304 2.34 0.019 .0215787 .2439577
ZProingr_r~o | -.0094728 .0572004 -0.17 0.868 -.1215836 .102638
ZGradsatis~r | .1568977 .0564577 2.78 0.005 .0462426 .2675527
Zinc_grad_~d | .0545523 .0571476 0.95 0.340 -.0574549 .1665596
Zpercepcom~s | -.123877 .0651443 -1.90 0.057 -.2515575 .0038035
Zpercepcom~n | .0556478 .0686732 0.81 0.418 -.0789492 .1902448
ZSexoprofe~e | .0121037 .0972162 0.12 0.901 -.1784366 .202644
ZCategoría~e | .0549425 .1103954 0.50 0.619 -.1614285 .2713134
ZTítulo_re~e | -.0035417 .1043496 -0.03 0.973 -.2080632 .2009799
ZAñosdoc_r~o | -.0014717 .0968297 -0.02 0.988 -.1912543 .1883109
ZTipodecur~e | .1259258 .094571 1.33 0.183 -.0594299 .3112814
ZHorario_r~e | -.0427974 .0985377 -0.43 0.664 -.2359276 .1503329
ZNumeroest~s | .1914284 .0919679 2.08 0.037 .0111747 .3716822
ZPorcentaje | .0891862 .1033376 0.86 0.388 -.1133518 .2917243
Zproporcio~3 | -.0023671 .1030264 -0.02 0.982 -.204295 .1995609
Zproporcio~6 | .1290379 .0943166 1.37 0.171 -.0558193 .3138951
Zgrad_sati~c | .0030405 .0962713 0.03 0.975 -.1856478 .1917288
Zpercep_ev~n | -.0264037 .0971052 -0.27 0.786 -.2167264 .1639189
_cons | -2.35e-16 .0776182 -0.00 1.000 -.1521288 .1521288
------------------------------------------------------------------------------
Random-effects Parameters | Estimate Std. Err. [95% Conf. Interval]
------------------------+------------------------------------------------
Profesor: Identity
sd (_cons)| .339161 .0970729 .1935439 .5943366
sd (Residual).9153191 .038523 .8428457 9940242
LR test vs. linear regression: chibar2 (01) = 7.84 Prob >= chibar2 = 0.0026
. Predict yhat
(Option xb assumed) .correlate yhat ZPromedio (obs=330
| yhat ZPromedio
-------------+------------------
yhat | 1.0000
ZPromedio | 0.4003 1.000
Fuente: Elaboración de verificación del Jurado especialista (Dra. Montero), base de datos con el stata versión 10.1
 84

La tabla 41 muestra los resultados del modelo definitivo de efectos fijos con las variables del estudiante (primer

nivel), variables del profesor y la institución (segundo nivel). La correlación entre los valores estimados y los

observados fue de 0,4003, por tanto el R-cuadrado fue de 0,16024 resultante de elevar al cuadrado el valor de R.

Valor correcto para el resto de los cálculos, para ver cuanta varianza explican las variables del estudiante y cuanta

varianza explican las variables del profesor y el curso. Todas las variables fueron previamente estandarizadas antes

de correr dicho modelo.

4.4 Discusión de los Resultados de los Modelos de Regresión Lineal Multinivel (MRLM) estimado

El Modelo de Regresión Lineal Multinivel se estimó con los participantes que fueron finalmente 330 estudiantes

de los distintos años de la carrera de medicina. Todo el estudiantado es regular dentro de la carrera, por cuanto

hasta el momento de la finalización de la investigación, no existía separación entre estudiantes regulares y

repitientes, puesto que todos debían cumplir las mismas actividades durante el año lectivo. El modelo se estimó

así mismo, con 14 variables independientes, del (la) estudiante y 12 del (la) profesor(a) y la institución. Teniendo

como variable clúster, los grupos de práctica (33). Cabe mencionar que algunas variables y constructos presentaron

datos faltantes los cuales fueron sustituidos por la media aritmética y los mismos no pasaron del 5%. Se corrió un

primer modelo de Regresión Multinivel con la muestra total (330 estudiantes). Los valores estandarizados de beta

(β) se compararon directamente entre sí, para obtener la importancia relativa en la predicción de cada variable

independiente con relación a la dependiente (Cea D´Ancona, 2004, en Vargas 2010).

De acuerdo a Montero et al. (2007) en Vargas (2010), valores de beta (ß) igual o mayor a 0,10, en valor absoluto,

se consideran como de importancia práctica, lo cual significa el grado en que un determinado resultado es

relevante desde el punto de vista del investigador, en función del contexto y del problema investigado. Así mismo,

la significancia estadística (p) se relaciona con el grado en que los resultados de la muestra se pueden generalizar
 85

hacia toda la población. Por lo tanto, un valor de p menor de 0,05 implica que el coeficiente asociado a la variable

dependiente se puede generalizar a toda la población.

El valor de la varianza explicada para este modelo de regresión fue del 16,024%, de la variabilidad en el Promedio

Ponderado de los Cursos, que puede explicarse por el conjunto de variables independientes incluidas en el

mismo.

El valor F de la prueba de análisis de varianza general para el modelo fue de una significancia de 0,000. El valor

del R2, denominado coeficiente de determinación, evalúa la capacidad predictiva del modelo de regresión. Así

mismo, el R2 indica el porcentaje de la variabilidad en la variable dependiente (Promedio ponderado de las Notas

de los Cursos) que puede ser explicado a partir de la relación lineal con las variables independientes, (Barragán,

2010).

La correlación entre los valores estimados y los observados fue de 0,4003. Por lo tanto, el R2 fue de 0,16024,

lo que indica que el 16,024 % de la variabilidad en el Promedio Ponderado de la Nota de los cursos puede ser

explicado a partir de la relación lineal con las variables del estudiante (primer nivel), el profesor y la institución

(segundo nivel).

Ello permite constatar el primer objetivo de la investigación como es que algunos de los factores cognitivo-afectivos

del estudiante tales como: el Puntaje en la prueba de selección, Grado de satisfacción con la infraestructura y los

servicios de la carrera y la Percepción de los estudiantes respecto al componente social de la carrera explican desde

el primer nivel, el Rendimiento Académico de los estudiantes de Medicina. Sin embargo, desde el segundo nivel,

ninguno de los factores pedagógicos (Profesor, Institución y currículo) se asociaron ni desde la significancia, ni desde

la importancia práctica con el Rendimiento Académico en Medicina. Así mismo, tampoco los factores

Sociodemográficos (Sexo, Edad, Lugar de Procedencia, Residencia, Financiamiento, Nivel socioeconómico) se

asociaron con el Rendimiento Académico en Medicina.

 86

4.4.1 Resultados del nivel uno (variables del estudiantes)

En este aparte, se presentan los coeficientes estandarizados de las variables del estudiante, introducidas como

efectos fijos de la RLMN, con el correspondiente nivel de significación estadístico del coeficiente Beta

estandarizado.

Tabla 25. Ejemplo de Presentación Resultados para Modelo de Regresión Lineal Multinivel con el Promedio
Cursos del (la) Estudiante, Específico como variable dependiente

Nivel 1 – Variables del Estudiante Beta p

Sexo del estudiante 0,071 0,20
Procedencia del estudiante 0,050 0,49
Residencia del estudiante 0,110** 0,15
Financiamiento del estudiante 0,031 0,62
Estado civil del estudiante -0,020 0,74
Trabajo remunerado del estudiante -0,035 0,55
Grado de instrucción de la madre 0,042 0,50
Grado de instrucción del padre -0,027 0,66
Puntaje en la prueba 0,133** 0,019*
Procedimiento de ingreso a la carrera -0,009 0,87
Grado de satisfacción con la infraestructura y los servicios de la carrera 0,157** 0,005*
Incidencia en el rendimiento académico del grado de satisfacción con infraestructura 0,055 0,34
Percepción del estudiante sobre el componente social -0,124** 0,057***
Percepción del estudiante sobre el componente clínico 0,056 0,42
* Significancia estadística al 5%; ** Importancia práctica; *** Probabilidad marginal.

Las variables independientes del nivel uno (estudiantes), tienen un valor de R2 de 0,1103, el cual expresado en

forma de porcentaje permite estimar la varianza total explicada del 11,03 % (con 14 variables del estudiante).

Las variables que mostraron significancia estadística para explicar el Rendimiento en Medicina fueron: Puntaje
en la prueba, Grado de satisfacción con la infraestructura y los servicios de la carrera y Percepción del estudiante
sobre el componente social. Estas variables cumplen con la condición: de un Beta ≥ 0,10 y un (p<0,05), por lo cual
fueron marcadas con dos asteriscos.
A continuación se hace una descripción del comportamiento de las variables sobresalientes del estudiante, explicando

el tipo de relación con la variable dependiente.

 87

Puntaje en la prueba de Selección Interna

El Puntaje en la prueba de Selección, junto con el Promedio de Notas de Bachillerato, se considera un indicador

común para determinar el rendimiento académico previo a la Universidad (Vargas, 2010). Por lo que, la existencia

de asociación directa y significativa con el rendimiento académico posterior se reporta en numerosos estudios.

Encontrándose suficientes evidencias como planteamiento teórico. En consecuencia, esta investigación encontró

que el Puntaje en la Prueba de Selección observó una asociación directa y significativa con el Rendimiento

Académico en Medicina, ULA.

Es importante resaltar que la variable Puntaje en la prueba de selección, forma parte de los factores cognitivo-

afectivos del estudiante, la cual da respaldo a la hipótesis principal planteada en esta investigación, de existir una

asociación estadísticamente significativa entre estos factores y el Rendimiento Académico.

La hipótesis principal de la presente investigación plantea que los factores cognitivo-afectivos del estudiante

(Puntaje de la Prueba, Estilos de Aprendizaje, Motivación) y Pedagógicos (del Profesor, Institucionales y del

Currículo) son los que tienen mayor importancia para explicar el Rendimiento Académico en los Estudiantes de

Medicina, comparados con los factores sociodemográficos (Lugar de Procedencia, Residencia, Sexo, Edad, Fuente

de Financiamiento, Nivel Socioeconómico).

No obstante, los resultados encontrados demuestran que solo el Puntaje en la prueba de selección, el Grado de

satisfacción de los estudiantes con la infraestructura y los servicios, así como la Percepción del componente social,

en el primer nivel y el número de estudiantes por curso desde el segundo nivel, cumplen con los dos criterios del

modelo como son, la significancia estadística (p<0,05) con el grado en que los resultados de la muestra se pueden

generalizar hacia toda la población y la importancia práctica (β≥0,10). Es decir que, como el valor de p fue menor

de 0,05; el coeficiente asociado con la variable dependiente Promedio Ponderado de los Cursos, se puede

generalizar a toda la población, significando que, estas variables se asocian al Rendimiento Académico de todo el

estudiantado de Medicina. Puesto que se consideran relevantes para la predicción a nivel descriptivo, del
 88

Desempeño Académico en Medicina. Por ejemplo, la variable Puntaje en la prueba de selección representa la

formación previa recibida por los estudiantes en la Educación Diversificada y les determina las competencias para

aspirar a los estudios médicos.

Estos resultados son similares para esta variable, a los obtenidos por Sánchez y Miguel (2006), en la Universidad

Central de Venezuela, en el período 2004-2005, quienes determinaron la relación entre los resultados de un

examen diagnóstico, diseñado para medir los conocimientos previos de los estudiantes, el rendimiento en la

asignatura Bioquímica, y su forma de ingreso a la Escuela de Medicina. Al igual que para los estudiantes de

Medicina de la ULA, estos investigadores encontraron que, los estudiantes que ingresan a la UCV por algún

método de selección tienen un rendimiento mejor, en el examen diagnóstico que los estudiantes que ingresan

por los diferentes convenios suscritos por la UCV. Concluyendo que, los estudiantes que no tienen los

conocimientos previos necesarios, tienen mayor probabilidad de obtener un bajo rendimiento en materias

complejas tales como Bioquímica.

De igual manera, los resultados encontrados en relación con esta variable (Puntaje en la prueba de selección),

están en correspondencia con los presentados por Olivares (2003), mostrando correlaciones positivas y

estadísticamente significativas entre el

Razonamiento Verbal (RV) y el Rendimiento Académico en Biología Celular, Química General e Inglés I. Así

mismo, este autor encontró correlaciones positivas y significativas entre el promedio de notas del bachillerato

(PN) e índice académico (IA) y el rendimiento en Química General y Biología Celular.

En este mismo sentido, los resultados, (puntaje en la prueba de selección con un Beta (β) de 0,133 y un p de

0,019), estadísticamente significativa y con importancia práctica, también son similares a los encontrados por
 89

Montero, Villalobos y Valverde (2007), quienes obtuvieron como predictor del Rendimiento Académico, el

Promedio de Admisión junto con la puntuación de una escala de Inteligencia Emocional.

Grado de satisfacción con la infraestructura y los servicios de la carrera

La variable está constituida por la satisfacción con: La carrera en general, Planta física, Materiales didácticos,

Atención académica de los profesores, Los horarios, La oferta de materias cada año, Tamaño de los grupos,

desempeño como estudiante, Orientación estudiantil, Nivel de calidad de las bibliotecas, Centros de computación

actualizados, Obtención de becas y ayudas y Plan de estudio. Cumple igualmente, con los dos criterios del modelo

como son, la significancia estadística (p<0,05) con el grado en que los resultados de la muestra se pueden

generalizar hacia toda la población. Así como la importancia práctica (β≥0,10) con el Rendimiento académico. Es

decir que, se considera relevante para la predicción a nivel descriptivo, del Rendimiento Académico en Medicina.

En el caso particular del ámbito de la Facultad de Medicina, los destinatarios son los estudiantes de Medicina, y

su Grado de satisfacción se relaciona con la manera en que el proceso de formación y la institución misma

atienden sus expectativas, intereses y necesidades.

 90

Estos resultados están en concordancia con un estudio realizado por Montero y Villalobos (2004) sobre el

Rendimiento Académico en estudiantes universitarios en la Universidad de Costa Rica. De igual manera, están

en correspondencia con los encontrados por Barragán (2010), en los Determinantes Institucionales, Condiciones

institucionales, Servicios institucionales de apoyo y Ambiente estudiantil.

Percepción del estudiante sobre el componente social

Con esta variable se buscaba explorar en los estudiantes su valoración relacionada con aspectos humanos y

académicos, de los Profesores del Componente Social de la carrera de Medicina, en: la Comunicación Profesor-

estudiante, Adecuación entornos, Perfil ideal de acuerdo a los estudiantes y la institución (Amable, accesible,

humano(a), comprensivo(a), comunicativo(a), integrativo (a), facilitador(a), motivador (a) y la Formación en el

campo. Al igual que las otras dos variables anteriores, cumple con los dos criterios del modelo como son: la

significancia estadística (p<0,05) con el grado en que los resultados de la muestra se pueden generalizar hacia

toda la población. Así como la importancia práctica (β≥0,10) con el Rendimiento académico.

Esto significa que, la valoración que hacen los estudiantes del componente social a los profesores en estos

aspectos, se relaciona de manera directa y significativa con el Promedio Ponderado de la Nota de los Cursos. Es

decir que, para los estudiantes la comunicación profesor-estudiante, los entornos adecuados, el perfil motivador,

humano y comprensivo del profesor y una buena formación en el campo, son determinantes en el Rendimiento

Académico de los estudiantes de Medicina.

Estos resultados están igualmente en correspondencia con los reportados por Montero, Villalobos, Valverde

(2007), referidos a la puntuación otorgada por el estudiante al docente, según el instrumento psicométrico de

evaluación docente del Centro de Evaluación Académica de la UCR. En el cual se presenta también, una relación

directa y significativa con la nota en el curso. Es decir que cuando estos autores aislaron el impacto sobre la
 91

variable dependiente de las otras variables de su modelo, obtuvieron que, a mayor calificación otorgada por el

estudiante al profesor(a), mayor fue su nota obtenida en el curso.

La variable Residencia del estudiante (con la familia y otras formas de residencia), resultó con importancia

práctica para el nivel I. Sobre la situación de la Residencia del estudiante es difícil que la institución pueda

intervenir pues, tiene un carácter relativamente ajeno e independiente de la institución. Sin embargo, la

Universidad de Los Andes ofrece a través de la Dirección de Asuntos Estudiantiles (DAES), albergue en las

residencias femeninas y masculinas de la Universidad, previo estudio socioeconómico, y bajo normas impuestas

por la institución, a un número importante de estudiantes universitarios.

4.4.2 Resultados del nivel dos (el profesor y los cursos)

En el segundo nivel (profesores y cursos), el R2 fue de 0,06487, que expresado en forma de porcentaje, representa

un 6,49% de la variabilidad del modelo explicada conjuntamente por las 12 variables del profesor y los cursos.

La tabla a continuación muestra los valores de los Coeficientes estandarizados de las variables del Profesor y los

Cursos.
 92

Tabla 26. Ejemplo Presentación Resultados para el Modelo de Regresión Multinivel con el Promedio de los Cursos del (la)
Estudiante
Variables del Profesor y el Curso Beta p
Sexo del profesor 0,012 0,901
Categoría del profesor 0,055 0,619
Título más alto obtenido por el profesor -0,003 0,973
Años de docencia del profesor -0,001 0,988
Tipo de curso 0,126 0,183
Horario del curso -0,043 0,664
Número de estudiantes por curso 0,191** 0,037*
Porcentaje de estudiantes que asisten a los cursos 0,089 0,388
Proporción de tiempo que el profesor dedica a la discusión grupal como estrategia -0,002 0,982
Proporción de tiempo que el profesor dedica al debate como estrategia instruccional 0,129 0,171
Grado de satisfacción con aspectos de docencia de la ULA 0,003 0,975
Percepción de la evaluación docente -0,026 0,786
*: Un asterisco indica que la variable independiente presenta una y sólo una de las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir
del cual se considera relevante para la predicción a nivel descriptivo) o un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva
variable dependiente, es estadísticamente significativo (es decir, se puede generalizar a toda la población)
**: Dos asteriscos indican que la variable independiente presenta las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir del cual se
considera relevante para la predicción a nivel descriptivo) y un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva variable
dependiente, es estadísticamente significativo (es decir, se puede generalizar a toda la población)

Únicamente, la variable independiente Número de Estudiantes por Curso, evidenció una asociación con el

promedio ponderado de los cursos de los estudiantes de Medicina, y a su vez es estadísticamente significativa,

es decir, se pueden generalizar a todo el estudiantado de la Facultad. Significando que en promedio, a mayor

número de estudiantes por curso mayor nota.

Resultado contradictorio porque se esperaría que los altos puntajes más bien debieran asociarse con cursos en los que

el número de estudiantes es menor.

Estos resultados son parcialmente similares a los encontrados por Barragán, 2009, en un estudio multinivel para

explicar Rendimiento Académico en Educación Superior en la Universidad de Guerrero, México.

 93

La identificación de una sola variable con puntuación estadísticamente significativa desde el segundo nivel, hace

necesario revisar desde la cantidad de profesores que respondieron en este caso: 33, muestra muy pequeña para

este tipo de análisis. Por lo anterior, se requiere hipotetizar nuevamente sobre las variables Profesor y Curso y el

Rendimiento Académico.

4.4.3 Ausencia de significancia e importancia práctica por falta de variabilidad en algunas variables

La ausencia de significancia estadística de un importante número de variables en el modelo requiere de un

análisis para buscar las razones por las cuales este hecho se evidenció en este conjunto de variables, tanto en el

primero como en el segundo nivel. Para dar una explicación plausible se realizó el cálculo del Coeficiente de

Variación Proporcional (Cvp) desarrollado por Hernández-Nieto, 1980, el cual mide la variabilidad relativa de un

conjunto dado de puntajes u observaciones, sobre la base de una relación existente entre el rango (Rx) y la

Desviación Típica (Sx). Definiéndolo como el cociente entre dos veces la Desviación Típica y el Rango de los

puntajes. Las ventajas de este coeficiente son: La facilidad y rapidez en su cálculo, conociendo la desviación típica.

Así mismo, el valor obtenido el Cvp se puede expresar en porcentajes, al multiplicarlo por cien.

De igual manera, dado que su valor se encuentra entre 0 y 1, resulta más fácil la interpretación de los resultados.

La escala para la interpretación de los resultados se definió de la siguiente manera: entre 0 y 0,25, una variación

proporcional baja. Entre 0,26 y 0,50, una variación moderadamente baja. Entre 0,51 y 0,75, moderadamente alta

y entre 0,76 y 1,00, una variación proporcional alta. Las tablas a continuación muestran los resultados de dicho

cálculo.
 94

Tabla 27. Ejemplo presentación del cálculo del coeficiente de variación proporcional (Cvp) para las variables del estudiante
no significativas en el modelo
Variables del estudiante Media Desviación Rango Coeficiente Comentario
estándar Variación Sobre la
proporciona variabilidad
l (Cvp)
2Sx/Rx
Edad del estudiante 21,78 2,755 25 0,22 Variación proporcional
baja
Incidencia infraestructura y 3,39 0,765 3 0,51 Variación proporcional
servicios en Rendimiento moderadamente alta
Académico
Percepción respecto al 9,05 1,63 8 0,41 Variación proporcional
área social e moderadamente baja
incidencia en
Rendimiento
Académico
Percepción área clínica 11,62 2,13 10 0,43 Variación proporcional
e incidencia en Rendimiento moderadamente baja
Académico
Fuente: Resultados obtenidos con el SPSS, versión 15

La tabla 44 en la que se representa el cálculo del Cvp para las variables del nivel I, estudiante, no significativas en el

modelo.

Se encontró que las variables (edad, Incidencia infraestructura y servicios en Rendimiento Académico, Percepción

respecto al área social e incidencia en Rendimiento Académico y Percepción área clínica e incidencia en Rendimiento

Académico), mostraron una Variación proporcional entre baja, moderadamente baja y moderadamente alta.
 95

Tabla 28. Cálculo del coeficiente de variación proporcional (Cvp) para las variables del profesor y la institución
no significativas en el modelo

Variables del Profesor y la Media Desviación Rango Coeficiente de Comentario sobre la

institución estándar variación variabilidad
proporcional
(CVp)= 2Sx/Rx
Edad 47,24 8,48 41 0,41 Variación proporcional
moderadamente baja
Años de docencia 13,94 8,65 37 0,47 Variación proporcional
moderadamente baja
Porcentaje de estudiantes 85,76 17 80 0,43 Variación proporcional
que asisten regularmente a moderadamente baja,
clases
Proporción de tiempo 16,56 15 75 0,40 Variación proporcional
dedica profesor discusión moderadamente baja,
grupal
Proporción de tiempo dedica 2,73 5,53 20 0,55 Variación proporcional
profesor al debate moderadamente alta,
Grado de 34,82 6,31 25 0,50 Variación proporcional
satisfacción docencia ULA moderadamente alta
Percepción de la evaluación 90,58 11,18 62 0,36 Variación proporcional
docente moderadamente baja,
Fuente: Resultados obtenidos con el STATA, versión 10.10

Por otra parte, la tabla 45 muestra las variables del profesor y la institución no significativas en el modelo a las

que se les realizó el cálculo del Coeficiente de variación proporcional. Por lo que, siete de las variables del

profesor e institución (Edad, Años de Docencia, Porcentaje de estudiantes que asisten regularmente a clases,

Proporción de tiempo dedica profesor discusión grupal y al debate Grado de Satisfacción con la docencia y

Percepción de la evaluación docente) resultaron con una Variación proporcional entre moderadamente baja, y

moderadamente alta.
 96

4.4.4 Análisis de los resultados

4.4.4.1 Del Primer nivel (estudiante)

El estudio multinivel realizado permitió analizar el Rendimiento Académico en la Carrera de Medicina en la

Universidad de Los Andes, Mérida, Venezuela, desde la estimación mediante las variables incluidas en el modelo.

Las variables con mayor significancia para explicar el Rendimiento Académico en Medicina desde el primer nivel

(estudiante) fueron: El Puntaje en la Prueba de Selección, el Grado de Satisfacción con la infraestructura y los

servicios, así como la Percepción respecto al Componente Social.

4.4.4.2 Del segundo nivel (Profesor e Institución)

En esta investigación, las variables del profesor resultaron muy poco significativas para explicar el Rendimiento

Académico en los estudiantes de Medicina, ULA. Sin embargo, con relación a otros resultados, como los

reportados por Montero et al (2007) y Vargas (2010) referente al porcentaje encontrado en el segundo nivel

(profesor e institución), se obtuvieron mayores y significativos resultados en Montero et al (2007). Reportando

que el conjunto de variables asociadas al profesor y la institución tienen mayor influencia en el Rendimiento

Académico, en comparación con las variables del estudiante.

4.4.5 Aportes de algunos de los hallazgos

Algunos de estos hallazgos pueden aportar información a las autoridades universitarias en la modificación del

plan de estudio a currículo por competencias en desarrollo, en la Facultad de Medicina. Buscando implementar

acciones que mejoren el Rendimiento Académico en las nuevas cohortes. Estos serían:

1.Variables tales como: El Puntaje en la prueba, Grado de satisfacción con la infraestructura y los servicios de la

carrera, Percepción del Componente Social, y el Número de estudiantes por curso, que resultaron con

importancia práctica, a juicio de la investigadora, tienen relevancia en el mejoramiento del Rendimiento

Académico en Medicina, ULA.

 97

2. El éxito del nuevo plan de estudio, por competencias, depende en parte de las políticas de admisión (la prueba

interna de selección). Enfatizando que, en el modelo multinivel, el puntaje en la prueba se asocia positivamente

con el Rendimiento Académico del estudiante de Medicina. Así mismo, la experiencia dice que, estudiantes con

puntajes altos en la Prueba de Selección se aseguran el éxito académico y la prosecución en Medicina.

3. Así mismo, en cuanto al Grado de Satisfacción del estudiante con los Servicios y la Infraestructura se requiere

mejorar la misma, con la finalidad de crear ambientes adecuados de aprendizaje que redunden en beneficio del

estudiante. Puesto que el currículo por competencias requiere de escenarios para la práctica y el ejercicio

continuado, que son los indicadores que aseguran la obtención de las competencias en los estudiantes de

Medicina.

4. En relación con el Número de estudiantes por curso, la experiencia de los Profesores de Medicina es que los

cursos colegiados y numerosos redundan negativamente en el Rendimiento Académico. Puesto que se ha

observado que en los cursos numerosos y colegiados en su mayoría, la estrategia pedagógica utilizada es la clase

expositiva informativa y expositiva magistral centrada mayormente en información teórica. La cual genera como

consecuencia, la evaluación sumativa, realizada a través de pruebas objetivas que solo valoran los niveles de

memoria y comprensión en el estudiante, en detrimento del aprendizaje a otros niveles, indispensable en el

desarrollo del conocimiento del estudiante de Medicina. De igual manera, se requiere revisar las variables que

se están estudiando y las formas como éstas se están midiendo y observando, para identificar otras variables que

permitan medir este constructo, en relación con otras que no fueron incluidas en este estudio y que pudieran

explicar mejor la asociación del Número de Estudiantes por curso y el Rendimiento en Medicina.
 98

4.5 Conclusiones

La investigación acerca del Rendimiento Académico en Medicina y en particular en la Universidad de Los Andes,

representó un importante reto para la investigadora por tratarse de un problema complejo, debido a la presencia

de variables y constructos de diversa base teórica, con un abordaje multidisciplinario.

Lo primero que hay que destacar es que, hasta el momento de la presente investigación, el Rendimiento

Académico en Medicina ULA, se abordó tomando en consideración aspectos puntuales y de forma aislada

haciendo énfasis en las calificaciones finales de los cursos, viéndose el aprendizaje como un producto y con fuerte

énfasis en conocimiento mayormente a nivel de memoria y comprensión, valorándose conocimientos un poco

más complejos a medida que se avanza en la carrera. Así mismo los escasos trabajos realizados por la Facultad

en esta materia priorizan la variable estudiante, desde la perspectiva conductista-cognitivista. Sin embargo en

esta investigación se aborda por primera vez el Rendimiento Académico en Medicina, ULA de manera integral,

buscando explicaciones más amplias al fenómeno estudiado, teniendo una mirada tanto individual como

contextual en dos niveles, el estudiante en el primer nivel y el Profesor y la institución en el segundo nivel.

Del primer objetivo de la investigación algunos de los factores cognitivo-afectivos del estudiante tales como: el

Puntaje en la prueba de selección, Grado de satisfacción con la infraestructura y los servicios de la carrera y la

Percepción de los estudiantes respecto al componente social de la carrera explican desde el primer nivel, el

Rendimiento Académico de los estudiantes de Medicina.

Sin embargo, desde el segundo nivel, ninguno de los factores pedagógicos (Profesor, Institución y currículo)

planteados en el segundo objetivo específico, se asociaron ni desde la significancia, ni desde la importancia

práctica con el Rendimiento Académico en Medicina.

 99

Así mismo, tampoco los factores Sociodemográficos (Sexo, Edad, Lugar de Procedencia, Residencia,

Financiamiento, Nivel socioeconómico) formulados en el tercer objetivo, se asociaron con el Rendimiento

Académico en Medicina.

Las variables que resultaron más significativas para explicar el Rendimiento Académico en los estudiantes de

Medicina de la Universidad de Los Andes fueron: una variables ubicada en la dimensión cognitiva, Prueba Interna

Selección. Así mismo resultaron significativas, variables ubicadas en la dimensión institución relacionadas con la

satisfacción del estudiante con un conjunto de aspectos, de servicios e infraestructura (atención académica de

los profesores, el horario, oferta de materias por año, tamaños de los grupos, desempeño como estudiante y

orientación estudiantil. La planta física, materiales didácticos, calidad de las bibliotecas, centros de computación

actualizados, obtención de becas y ayudas y plan de estudio). De igual manera, fue significativa para explicar el

Rendimiento Académico en Medicina, la variable del primer nivel: Percepción del estudiante sobre el

componente social (la Comunicación Profesor-estudiante, Adecuación entornos, Perfil ideal de acuerdo a los

estudiantes y la institución: Amable, accesible, humano(a), comprensivo(a), comunicativo(a), integrativo (a),

facilitador(a), motivador (a) y la Formación en el campo).

Por otra parte, de las variables del nivel II, Profesor e Institución resultó significativa, únicamente, la variable

independiente Número de Estudiantes por Curso, la cual evidenció una asociación con el promedio ponderado

de los cursos de los estudiantes de Medicina, y a su vez, se puede generalizar para todas las unidades

académicas. El coeficiente beta (ß<0,10) y el p>0,05 del modelo multinivel, para explicar el Rendimiento

Académico en Medicina ULA, así lo corroboran.

Tomando en consideración las aproximaciones realizadas desde el marco teórico y los resultados obtenidos, se

requiere plantear nuevas hipótesis de trabajo para el contexto de la Facultad de Medicina. Así como también,

hacer la revisión de cómo fueron medidas estas variables. Se requieren igualmente, nuevos instrumentos

adaptados culturalmente y de mejor comprensión semántica. De igual manera, existe la necesidad de nuevos
 100

métodos de recolección de información, plantearse nuevas estrategias de investigación y procesos de validación

con una especial atención en la interpretación semántica y las diferencias Culturales.

2. Los factores pedagógicos (del Profesor, Institución y del Currículo) planteados en el segundo objetivo

específico, se asocian desde la significancia y desde la importancia práctica con el Rendimiento Académico en

Medicina, con una muestra mucho mayor de profesores en el estudio, colocando estas variables en el primer

nivel del modelo, como efectos fijos.

3. Los Estilos de Aprendizaje requieren de nuevos instrumentos y nuevas alternativas que tengan mayor

capacidad semántica y cultural para ser medidos.

4. La Motivación al Logro debe medirse con un instrumento con mayor capacidad de interpretación por parte del

estudiante, considerando igualmente los aspectos culturales y semánticos en éste.

5. La elaboración de un registro anecdótico como parte de los resultados del estudio, enriquece el análisis del

Rendimiento Académico en Medicina y proyecta nuevas variables que puedan ser estudiadas.
 101

Bibliografía

1. Acevedo Álvarez, R. (2009). Los Modelos Jerárquicos Lineales: Fundamentos Básicos para su uso y aplicación.
Cuadernos Metodológicos. Costa Rica: IIP-UCR, 92 pp.
2. Aitkin, M. y Longford, N. (1986). Statistical modelling in school effectiveness. Journal of the Royal Statistical Society
A, 149, 1-43.
3. Alonso, C. M., Gallego, D. J. y Honey, P. (1999). Los estilos de aprendizaje. Procedimientos de diagnóstico y
mejora (4ta edición). Bilbao: Ediciones Mensajero. Disponible en:
http://www.estilosdeaprendizaje.es/chaea/chaea.htm
4.Álvarez-Méndez, J. M. (2001). Evaluar para conocer, examinar para excluir. Madrid: Morata. Disponible en:
http://www.rinace.net/riee/numeros/vol5num2/art2_htm.html
5. Andréu Abela, J. (2011). Análisis multinivel, una revisión actualizada en el ámbito sociológico. Metodología de
Encuestas, volumen 13, 161-176. Disponible en: http://www.google.co.ve/url
6. Angulo, B., González, L. A., Santamaría C. y Sarmiento, P. (2007). Formación integral de los estudiantes:
Percepción de los profesores de la Facultad de Salud de la Universidad del Valle. Colombia Médica, North América,
38. Disponible en: http://colombiamedica.univalle.edu.co/index.php/comedica/article/view/534/954.
7. Anderson, R. D. y Mitchener, C. P. (1994). Research on science teacher education. In D. L. Gabel (ed.), Handbook
of research in science teaching and learning. Macmillan and the National Science Teacher Association, New York,
(p. 3-44).
8. Pardo, A. M. A. Ruiz y R. San Martín Cómo ajustar e interpretar modelos multinivel con SPSS Universidad
Autónoma de Madrid. Psicothema 2007. Vol. 19, nº 2, pp. 308-321. Disponible en: www.psicothema.com.
9. Arquero, J. L. y Donoso, J. A. (2004). Necesidades de la formación docente de los profesores universitarios.
Diagnóstico y experiencias. Revista de Enseñanza Universitaria No. 23, 95-109. Disponible
en:http://institucional.us.es/revistas/universitaria/23/art_7.pdf.
10. Arnau J. y N. Balluerka (2004). Análisis de datos longitudinales y de curvas de crecimiento. Enfoque clásico y
propuestas actuales Universidad de Barcelona y Universidad del País Vasco. Psicothema 2004. Vol. 16, nº 1, pp. 156-
162.
11. Bacallao Gallestey, J. Parapar de la Riestra, J. M Roque (2004). Árboles de regresión y otras opciones
metodológicas aplicadas a la predicción del rendimiento académico. Revista cubana Educación Médica Super v.18
n.3 Ciudad de La Habana, Cuba.
12. Bales, R. F. (1950). Interaction Process Analysis: A method for the study of small groups. Chicago: University of
Chicago Press. P. 8-11.
 102

13. Balestrini, M. (2001). Cómo se elabora el proyecto de investigación. Caracas. BL. Consultores Asociados.
14. Barragán M., M. (2010). Un modelo multinivel para el análisis del rendimiento académico de los estudiantes del
nivel superior de la Universidad Autónoma de
Guerrero Universidad Autónoma de Guerrero (México). Unidad Académica de Ciencias Sociales (Economía). Editor,
Educere, ISBN 6077760331: 104 pp.
15. Bartholomew, K., Henderson J. Z. y James, E. M. (1991). Coded semistructured interviews in social psychological
research. Hand book of Research Methods in Social and personality Psychology. Harry T. Reis and Charles M Judd,
Cambridge University Press 2000. United States of América. P. 286-314.
16. Blanco M. (2009). Diagnóstico acerca del Rendimiento Académico en los Postgrados de la Universidad de los
Andes, en los profesionales cursantes entre 1997 y 2002, Tesis de Ascenso, Serbiula, ULA, Mérida, Venezuela.
17. Buccé Bravo, A. (1995).Rendimiento estudiantil en los cursos intensivos Vs. semestres regulares en la Facultad
de Medicina periodo 1993-1995. Universidad de Los Andes, Serbiula, Venezuela. Disponible en:
http://platon.serbi.ula.ve/librum/librum_ula/ver.php?ndoc=118587
18. Cárdenas de Bernal, O. (1995). Análisis multivariable del rendimiento estudiantil de la Escuela de Economía, UCV,
Venezuela Revista de análisis de coyuntura, No. 1 (julio-diciembre) p. 184-199
19. Cea D´ Ancona, M. (2004). (2002b/2004a): Análisis multivariable. Teoría y práctica en la investigación social,
Madrid: Síntesis. Disponible en: http://scholar.google.es/scholar?start=20&q=cea+d%27ancona+2004
20. Chávez, N. (2006) Metodología de Investigación. Editorial EDILUZ, 2da. Edición. Maracaibo, Venezuela.
Disponible en:http://sed.luz.edu.ve/jornadas/wpcontent/uploads/modalidad-cartel_estrategias-tecnologicas-
como-escenariosgerenciales_blanco_gonzalez.pdf
Crocker, J. C., y Algina, J. (1986): Introduction to Classical and Modern Test Theory. Nueva York, Holt, Rinehart and
Winston.
21. De la Cruz, Francisco (2008). Modelos Multinivel. Revista Peruana de Epidemiologia, vol. 12 No. 3. Disponible en:
https://mail.google.com/mail/u/0/?tab=wm#inbox/145709295f99402a?projector=1.
22. Garbanzo V., G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios. Una
reflexión desde la calidad de la educación superior pública. Revista Educación 31 (1). 43-63. Disponible en:
http://www.redalyc.org/articulo.oa?id=44031103
23. Hernández, R., Fernández, C. Y Baptista, P., (2003), Metodología de la Investigación, Mc Graw Hill, México.
Disponible en: http://fi.uaemex.mx/david.delgado/files/InvestigacionII-11Sep07.pdf
23. Hernández-Nieto, R. (2002). Contribuciones al Análisis Estadístico: Análisis comparativo de la sensibilidad (estabilidad y
consistencia) de varios coeficientes de variación relativa y el Coeficiente de Variación Proporcional (Cvp) en diferentes
 103

prototipos de distribuciones aleatorias. El Coeficiente de Validez de Contenido (Cvc) y el Coeficiente KAPPA, en la

determinación de la Validez de contenido, según la Técnica de Juicio de Expertos. Mérida, Venezuela: Universidad
de Los Andes - IESINFO (Instituto de Estudios en Informática).
24. Hernández-Nieto, R. (2012). Instrumentos de Recolección de Datos en Ciencias Sociales y Ciencias Biomédicas.
Validez y Confiabilidad, Diseño y Construcción de Normas y Formatos. Mérida, Venezuela: Universidad de Los Andes.
25. Jung C. (1977). Psychological Types. R.F.C. Hull, trans. Collected Works of C.G. Jung, Vol. 6 Bollingen Series XX,
Princeton University Press.
26. Kolb, D. A. (1984). Experimental learning: Experience as the source of Learning and Development. New Jersey:
Prentice-Hall.
27. Loring y Glenn (2008). “Psychometric Intelligence” is not Equivalent to “Crystallized Intelligence,” Nor is it
Insensitive to Presence of Brain Damage: A Reply to Russell. The Clinical Neuropsychologist Volume 22, Issue 3.
Disponible en: http://www.tandfonline.comMacLean, P. (1978). Education and the brain Chicago: Chicago Press.
28. Montero, E. (2008). Escalas o índices para la medición de constructos: El dilema del analista de datos. Avances en
medición, 6, 15-24.
29. Montero, M. L. (1992). Comportamiento del profesor y resultados de aprendizaje: Análisis de algunas relaciones. En
Coll, C. Palacios J. y Marchesi, A. (Comps.), Desarrollo psicológico y educación, II. Psicología de la Educación. Madrid:
Alianza Psicología, España.
30. Montero, E. y Villalobos, J. (2002). Factores institucionales, pedagógicos, psicosociales y sociodemográficos
asociados al rendimiento académico en la UCR. Segundo informe parcial del proyecto de investigación. San José, Costa
Rica: Universidad de Costa Rica, Instituto de Investigaciones Psicológicas.
31. Montero R., E., Villalobos P., J. y Valverde B., A. (2007). Factores institucionales, pedagógicos, psicosociales y
sociodemográficos asociados al rendimiento académico en la Universidad de Costa Rica: un análisis multinivel.
RELIEVE v. 13, n. 2. http://www.uv.es/RELIEVE/v13n2/RELIEVEv13n2_5.htm. Consultado en (marzo 2007-2013).
32. Murillo Torrecilla, F. J. (2008). Los modelos multinivel como herramienta para la investigación educativa. Magis,
Revista Internacional de Investigación en Educación, 1, 45-62. Disponible en: revistas.javeriana.edu.co/index.
Php/MAGIS/article/download/2557
33. Newman y Benz (1998) Qualitative-quantitative Research Methodology: Exploring the Interactive Continuum.
Publisher, Illinois, USA, Southern Illinois University Press. Disponible en:
http://es.scribd.com/doc/116664575/Qualitative-
34. Oficina de Registros Estudiantiles (ORE). (2010). Base de datos de los estudiantes de Medicina. Facultad de Medicina,
Universidad de Los Andes, Mérida,
 104

35. Oveisgharan, Sh., Ghasemi, M., Changiz, T. (2001).Academic Achievement of Talented Students at Isfahan University
of Medical Sciences, Iranian Journal of Medical Education, Vol. 1, No 2. .
36. Raven, J.; Raven, J.C. & Court, J. H. (1993). Test de Matrices Progresivas.
Manual. Buenos Aires: Paidós.
37. Rodríguez, H., Lugo L., Aguirre C. (2004). El Aprendizaje Basado en Problemas, en el currículo de la Facultad de
Medicina de la Universidad de Antioquia. Iatreia, Vol 17, No 3. Disponible en:
http://www.nacer.udea.edu.co/ojs/index.php/iatreia/article/viewArticle/220
38. Romero García y Salom, (1992). Instrumentos de medición para el crecimiento psicológico y las motivaciones
sociales. ROGYA, C.A. Disponible enhttp://revistadip.una.edu.ve/volumen1/orientacion1/ramosorientacion.pdf
39A. Thompson, R. y Zamboanga, B. L. (2004), Academic Aptitude and Prior Knowledge as Predictors of Student
Achievement in Introduction to Psychology.
Journal of Educational Psychology, Vol 96(4), 778-784. Disponible en:
http://www.gloversvilleschools.org/GHS/teachers/teachers/segan/Files/Sample_Research_Study.pdf.
39B. Universidad de Los Andes (2012). Facultad de Medicina, Oficina de Registros Estudiantiles. Bases de datos de los
estudiantes de Medicina.
40. Vargas M. (2010). Factores que determinan el Rendimiento Académico en Matemáticas en la Universidad Nacional
de Ingeniería, Nicaragua: Un Estudio Multinivel y de Ecuaciones Lineales Estructurales. Tesis de Doctorado. Sistema
de Estudios de Posgrado Universidad de Costa Rica, San José de Costa Rica. Mimeografiado.
41. Vargas, I., Ramírez, C., Cortés, J., Farfán, A., y Heinze, G. (2011). Factores asociados al rendimiento académico en
alumnos de la Facultad de Medicina: estudio de seguimiento a un año. Salud mental, 34(4), 301-308. Recuperado en
03 de mayo de 2013, Disponible en:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S018533252011000400002&lng=es&tlng=es.
42. Vélez Van Meerbeke y Roa González (2005). Factores Asociados al Rendimiento Académico en Estudiantes de
Medicina, Facultad de Medicina Universidad del Rosario, Educación Médica; 8(2): 74-82, Bogotá, Colombia.
43. Vélez Van, A. y Roa González, C. N. (2005). Factores asociados al rendimiento académico en estudiantes de
medicina. Educación Médica, 8(2). Disponible en: http://scielo.isciii.es/pdf/edu/v8n2/original1.pdf
44. Yela, M. (1996). La estructura diferencial de la Inteligencia: El enfoque factorial. Psicothema, vol. 8, número supl.
pp. 296-325. Disponible en: http://dialnet.unirioja.es/servlet/articulo.
45. Yela, M. (1996). Los tests y el análisis factorial. Psicothema, vol. 8, número supl., Universidad de Oviedo,
España, pp. 77-88. Disponible en: http://redalyc.uaemex.mx/redalyc/pdf/727/72780405.pdf
105
 106

Apéndice
Mérida, 21 de noviembre del 2014.

Minuta de los procesos principales

Minuta de que
los procesos quesesedieron
dieronen
en el
la desarrollo
investigacióndecon
la Modelos
tesis doctoral.
Multinivel

Aparte Explicación
Tipo de investigación La investigación tomó en consideración las perspectivas teóricas recientes que buscan explicar
el Rendimiento Académico en Medicina, con un enfoque basado en múltiples metodologías.
Fueron aplicadas tanto técnicas cualitativas como cuantitativas, que es un planteamiento
denominado por Newman y Benz, (1998; citado en Vargas, 2010) como un “continuum
interactivo”. Se parte de un método cualitativo-cuantitativo que está científicamente fortalecido
por su autocorrección y también por los círculos de retroalimentación.
Según estos autores, desde la perspectiva cualitativa se identifica una “teoría en construcción”,
y desde la cuantitativa, “la comprobación de la teoría”, ambas necesarias para conceptualizar
una investigación holística (Newman y Benz, 1998; citado en Vargas, 2010). El tipo de
investigación que se propone es un estudio no experimental transversal exploratorio-
correlacional (Montero, et al. 2001). Se trata de un estudio no experimental, porque no es
posible la manipulación de las variables independientes, en otros términos, ya que no se tiene
control directo de ellas ni de sus manifestaciones (Sampieri, Fernández y Baptista, 2003, en
Vargas, 2010). Así mismo, es transversal, porque se indagó en un momento específico en el
tiempo, en el contexto específico de la Facultad de Medicina, de la Universidad de Los Andes,
en la búsqueda de una explicación, sobre los posibles factores asociados al constructo de
interés. Además, se utilizó un enfoque plurimetodológico evidenciado en las técnicas de
recolección y de análisis de información utilizadas en el presente estudio.
El Universo y la Muestra El tipo de muestreo que se utilizó para la selección de los estudiantes participantes en el estudio
fue el muestreo aleatorio sistemático, el cual consiste en enumerar a los participantes en este
caso, del 1 al 817. Se tomaron al azar cuatrocientos (400) estudiantes de entre los ochocientos
diecisiete (817) de todos los años; no se utilizaron los números aleatorios. Se determinó un
intervalo constante entre individuos: N/n = 817/400= 2,04, por lo que se tomaron los números
pares: 2 ,4, 6, 8, 10 hasta el 400. Entonces, si la población es normal N (µσ), o si n ≥ 400, las
medias de la muestra del tamaño n se ajustan a la normal. Por lo tanto, la media muestral es
igual a la media poblacional, y la desviación típica muestral es igual a la desviación típica
poblacional entre la raíz cuadrada del tamaño de la muestra n.σ/√n (Casal y Mateu, 2003).
Luego se aplicó muestreo estratificado por conglomerados completos, donde los conglomerados
son los grupos de clases y los estratos los constituyen los cursos de los diferentes años con sus
profesores. Los estratos son los cursos por cada año, en los diferentes años y los
conglomerados son los grupos. Se tomaron las materias por año, y dado que todos los cursos
 107

Diferentes pruebas La prueba t de Student, prueba t-Student, o Test-T es cualquier prueba en la que el estadístico
utilizado tiene una distribución t de Student si la hipótesis nula es cierta. Se aplica cuando la población
aplicadas por diferentes estudiada sigue una distribución normal pero el tamaño muestral es demasiado pequeño como para
que el estadístico en el que está basada la inferencia esté normalmente distribuido, utilizándose una
autores revisados. estimación de la desviación típica en lugar del valor real.
La prueba Chi cuadrado, Contrasta la hipótesis de que las variables son independientes, frente a la
hipótesis alternativa de que una variable se distribuye de modo diferente para diversos niveles de la
otra. Contrasta si las diferencias observadas entre los grupos son atribuidas al azar. Si las muestras son
muy grandes la prueba de independencia dará resultados significativos incluso donde posiblemente se
considere que las diferencias no sean en realidad clínicamente interesantes. Si las variables poseen
muchos niveles posiblemente la prueba no resulte de mucho interés ya que es lógico esperar que se
encuentren diferencias. Por ejemplo para variables continuas. Sirve para contrastar
independencia no asociación.
Correlaciones no paramétricas (r de Spearman), Qué pasa cuando las variables no tienen una
distribución normal bivariada? Eso ocurre, por ejemplo, cuando una o ambas variables se miden en
una escala ordinal o de intervalo. Para ese caso existen pruebas que no exigen ese requisito. Dos de
ellas son las pruebas de Spearman y de Kendall; ambas utilizan, en vez de los valores de las variables,
sus rangos, es decir, el número de orden del valor de cada observación de la variable dentro del
conjunto de observaciones. La prueba de Spearman tiene la ventaja de ser muy sencilla de calcular. En
donde n es el número de casos o pacientes y d es la diferencia entre los rangos de las variables para
cada paciente o unidad de observación. No obstante, esa fórmula supone que no hay valores repetidos,
es decir que no hay 2 o más pacientes a los que les correspondan el mismo rango para una misma
variable. Si existen pacientes con valores repetidos, se les asigna a esos pacientes el rango promedio
y se usa una fórmula de cálculo alternativa.
El modelo de regresión lineal múltiple, se va a utilizar más de una variable explicativa, ofrece
ventajas de utilizar más información en la construcción del modelo y consecuentemente realizar
estimaciones más precisas. Al tener más de una variable explicativa no se debe utilizar el término
independiente. De un vasto conjunto de variables explicativas cuales son las que más influyen en la
variable dependiente Y. Los coeficientes son elegidos de forma que la suma de cuadrados entre los
valores observados y los pronosticados sea mínima, es decir, que se va a minimizar la varianza
residual. La relación de las variables explicativas con la variable dependiente debe ser lineal, es decir,
proporcional. Idéntico al modelo de regresión lineal simple, con la única diferencia de que aparecen
más variables explicativas
El método de los mínimos cuadrados ordinarios (MCO. Implican una serie de intentos de lograr
estimaciones de los parámetros libres de la matriz de datos observada, en relación con aquella matriz
que resultaría, si los parámetros libres fuesen sustituidos en las ecuaciones estructurales. La estimación
comienza con una serie de valores tentativos de partida. Elegidos por el investigador o proporcionados
por el programa. Se obtienen en sucesivas iteraciones matrices de covarianza
El Análisis de Regresión Multivariante (ARM). Son herramientas estadísticas que estudian el
comportamiento de tres o más variables al mismo tiempo. Se usan principalmente para buscar las
variables menos representativas para poder eliminarlas, simplificando así modelos estadísticos en los
que el número de variables sea un problema y para comprender la relación entre varios grupos de
variables. Algunos de los métodos más conocidos y utilizados son la Regresión lineal y el Análisis
discriminante.
 108

El análisis de los componentes principales procura determinar un sistema más pequeño de variables
que sinteticen el sistema original.
Análisis de Regresión y correlación. Consiste en emplear métodos que permitan determinar la mejor
relación funcional entre dos o más variables concomitantes (o relacionadas). El análisis de correlación
estudia el grado de asociación entre dos o más variables.
Análisis multinivel Los modelos multinivel constituyen la metodología de análisis más adecuada
para tratar datos “jerarquizados” o “anidados” (por ejemplo, los estudiantes en aulas, o las aulas en
escuelas), lo que la convierte en una estrategia imprescindible para la investigación educativa de
carácter cuantitativo.
Así, además de mejorar la calidad de los resultados, posibilita realizar análisis novedosos, tales como
estimar la aportación de cada nivel de análisis (la del efecto del aula o la escuela) o las interacciones
entre variables de distintos niveles. De esta forma se está en mejores condiciones de realizar estudios
sobre factores asociados, sobre valor agregado o sobre equidad educativa, entre otros.
Tipos de análisis 1. Análisis cualitativo: se realizó un estudio exploratorio previo a partir de la opinión general de
los estudiantes acerca de la idoneidad del Profesor, mediante entrevistas semiestructuradas
realizados codificadas, para obtener la variable Idoneidad del Profesor, la cual se integró al instrumento
aplicado al mismo.
2. Un estudio piloto para validar y ajustar los instrumentos, hallando la confiabilidad. Con 111
estudiantes y es decir, se contó con 72 profesores(as) impartiendo clases en los diferentes cursos
de todos estos años. Hallando el Alfa de Cronbach para cada escala y subescala. En la primera
sección de los aspectos sociodemográficos (sección I), se consideran éstos como variables
clasificatorias, para el estudio de comportamientos diferenciales en diversos temas de
investigación social (Montero, Valverde 2007). En la prueba piloto participaron 111 estudiantes
de Medicina, así como 20 profesores, quienes estaban impartiendo clases a estos estudiantes.
Fueron aplicados cinco instrumentos, cuatro para los (las) estudiantes y uno para los (las)
profesores(as). A los (las) estudiantes se les aplicó el denominado “cuestionario del estudiante”,
el Test de Kolb de estilos de aprendizaje, el test de Motivación al logro personal (MLP) y la
Frecuencia de uso de la Internet. Para citar la medida use el artículo al que hace referencia (Pérez,
Rumoroso).Como señalamos en ese artículo, se trata de un índice de uso de la internet, compuesto
por diferentes "preguntas que indagan en el uso de páginas relacionadas a periódicos, juegos, chats,
trabajos de la escuela, deportes, música y cantantes, ciencia, farándula, películas y actores, salud
y páginas para niños. Las personas deben responder para cada página en una escala de 3 puntos:
1= nunca, 2= a veces, 3= siempre". La sumatoria de los ítems ofrece un puntaje total de frecuencia
de uso. Además se sometió a análisis factorial exploratorio encontrando tres diferentes tipos de
uso, que se describen en ese artículo. Los nuevos medios y en particular la Internet están orientados
al desarrollo de las competencias sociales y la concomitante integración social. En el caso
particular de la Internet es el uso dirigido al entretenimiento el que se relaciona positivamente con
la percepción de las competencias sociales y con las competencias físicas. De las variables
contextuales introducidas en el estudio, es la zona de residencia la que parece que está
determinando con mayor claridad el autoconcepto e interacción con el uso mediático.
3. Se realizaron análisis de frecuencia, porcentajes válidos y acumulados para las variables
categóricas del estudiante y profesor. Medidas de tendencia central (Media, mediana, moda,
desviación típica, rango y Cvp para variables continuas, así como el análisis factorial de
componentes principales con el método Promax Kappa 4.
4. Una limitante encontrada es que los cursos son colegiados, es decir, cada profesor puede estar
dando clases en uno o varios cursos, en uno o varios años, por lo que el profesor que formó parte
de la investigación fue aquel que estaba impartiendo clases en el momento de la aplicación final,
porque fue quien llenó el cuestionario.
5. Para la aplicación definitiva de los instrumentos, participaron un total de cincuenta y ocho (58)
profesores, cifra correspondiente a un total de treinta y tres (33) grupos de práctica atendidos para
la preparación previa de las variables que entraron al modelo. Se realizó igualmente, análisis de
frecuencia, porcentajes válidos y acumulados para las variables categóricas del estudiante y
profesor. Medidas de tendencia central (Media, mediana, moda, desviación típica, rango y Cvp
 109

para variables continuas, así como el análisis factorial de componentes principales con el método
Promax Kappa 4.
6. Con las variables categóricas recodificadas a variables dummy, del profesor incluidas en la tabla,
se corrió un análisis de multicolinealidad buscando evitar la dependencia entre las mismas, es
decir descartar aquellas variables que están midiendo un mismo aspecto. Ninguna de las
variables presenta multicolinealidad por tener un valor del TOL mayor que 0, 20 y un FIV mayor
que 5,00. Por lo que todas ellas fueron incluidas en el modelo.
El análisis multinivel Se partió de una estimación simultánea del modelo, incluyendo variables relevantes tanto del estudiante
como del profesor y la institución y generando modelos mixtos con estructuras de covariancia simples.,
y se revisó el tema de la multicolinealidad para todas las variables del profesor, por estar asociado a la
falta de significancia. Para obtener los beta estandarizados se corrió el mismo modelo, pero
estandarizando previamente todas las variables, incluida la dependiente. Antes de eso se hicieron las
transformaciones de las variables para introducir las variables categóricas o nominales en los modelos.
Se recurrió a la creación de variables dummies dicotómicas 0-1, esas transformaciones fueron
claramente explicitadas. A partir de ahí y con esas variables transformadas se aplicó la fórmula de
estandarización (restar la media y el resultado dividirlo entre la desviación estándar. Si también se
desea obtener los coeficientes estandarizados, lo que se debe hacer es estandarizar de previo todas las
variables originales, incluyendo las dummy, la significancia estadística de los coeficientes no debe
cambiar, debe ser exactamente la misma para el modelo con las variables originales y para el modelo
con las variables estandarizadas.
Los efectos aleatorios se deben calcular para las variables del estudiante (individual) y no para las
variables del profesor (conglomerado), por eso es que el programa no pudo estimar errores estándar ni
significancia para los efectos aleatorios, no se puede definir efectos aleatorios que se miden a nivel de
conglomerado, solo para variables que se miden a nivel de estudiante. Recordar la definición de lo que
es un efecto aleatorio. Entonces se corrieron dos modelos que podríamos llamar extremos: un modelo
mixto que solo estimó los efectos fijos y que no estimó ningún efecto aleatorio para variables del
estudiante (ni para el profesor), y un modelo mixto que estime los efectos fijos para todas las variables
y los efectos aleatorios (varianzas) para todas las variables del estudiante, y se miró qué sucedió. Si la
significancia de los efectos fijos se mantiene igual hablará sobre la estabilidad de la parte fija, y si no
se mantiene, tendremos que tomar otras decisiones en cuanto a cuál es el modelo más apropiado de
interpretar. Se obtuvo el modelo que es base de comparación, de los tres, este es el que tiene mayor
validez, porque incluye simultáneamente variables del profesor y del estudiante, y en éste solo sigue
saliendo una variable significativa que es el puntaje del estudiante en la prueba de admisión. Se debió
correr este mismo modelo, con las mismas variables independientes, pero solo estimando los efectos
fijos, es decir, sin la estimación de los efectos aleatorios, y se obtuvieron similares resultados en la
parte fija. Se valoró la razón para la no significancia de muchas de estas variables tiene que ver con
que tienen poca variabilidad, es posible? Para esto se analizó la variabilidad de cada una de ellas desde
las estadísticas descriptivas. Se usaron los comandos del stata: Después del comando principal
Xtmixed, se debe digitar, en ese orden: predict yhat correlate yhat promedio (que es el nombre de su
variable dependiente). r no puede ser mayor a 1!! Además yhat es un vector, el vector que contiene
todos los valores estimados de Y.
El valor de yhat solo se calculó internamente y definiendo como variable con el comando predict yhat
para luego correlacionarlo con la variable Y observada que es el promedio. Una vez obtenida esa
correlación, que debe ser un valor numérico entre 0 y 1, la elevamos al cuadrado y ese es el valor de
R2.
1. Se Determinó en cada tabla de cada modelo las variables foco (variables que están asociadas significativamente
Para el análisis final y las de importancia práctica. 2. Se estableció porqué son importantes en el marco conceptual del Rendimiento
Académico. 3. Cuánto aportan a la variabilidad (la capacidad explicativa del modelo). 4. De manera conceptual
qué significa cada variable para el rendimiento académico. 5. Se realizó la confrontación del modelo con lo
planteado en el marco teórico. Acá ilustro un párrafo: Se obtuvo un modelo en el que está primando el no. de
estudiantes por curso. En este sentido lo que más está pesando es lo institucional y la valoración que de ello está
haciendo el estudiantado. Seguido por lo cognitivo (medición de los prerrequisitos), luego estaría lo andragógico,
lo actitudinal y en menor importancia lo sociodemográfico. Se explicó en qué términos está primando y bajo cuál
dirección, pues se dijo que entre más número de estudiantes mejor rendimiento académico, cuando en teoría se
expone que esta relación es al contrario.
 110

Resultados encontrados El Puntaje en la prueba de Selección, junto con el Promedio de Notas de Bachillerato, se considera un
indicador común para determinar el rendimiento académico previo a la Universidad (Vargas, 2010). Por
lo que, la existencia de asociación directa y significativa con el rendimiento académico posterior se reporta
en numerosos estudios. Encontrándose suficientes evidencias como planteamiento teórico. En
consecuencia, esta investigación encontró que el Puntaje en la Prueba de Selección observó una asociación
directa y significativa con el Rendimiento Académico en Medicina, ULA.
Es importante resaltar que la variable Puntaje en la prueba de selección, forma parte de los factores
cognitivo-afectivos del estudiante, la cual da respaldo a la hipótesis principal planteada en esta
investigación, de existir una asociación estadísticamente significativa entre estos factores y el
Rendimiento Académico.
La hipótesis principal de la presente investigación plantea que los factores cognitivo-afectivos del
estudiante (Puntaje de la Prueba, Estilos de Aprendizaje, Motivación) y Pedagógicos (del Profesor,
Institucionales y del Currículo) son los que tienen mayor importancia para explicar el Rendimiento
Académico en los Estudiantes de Medicina, comparados con los factores sociodemográficos (Lugar de
Procedencia, Residencia, Sexo, Edad, Fuente de Financiamiento, Nivel Socioeconómico).
No obstante, los resultados encontrados demuestran que solo el Puntaje en la prueba de selección, el Grado
de satisfacción de los estudiantes con la infraestructura y los servicios, así como la Percepción del
componente social, en el primer nivel y el número de estudiantes por curso desde el segundo nivel,
cumplen con los dos criterios del modelo como son, la significancia estadística (p<0,05) con el grado en
que los resultados de la muestra se pueden generalizar hacia toda la población y la importancia práctica
(β≥0,10). Es decir que, como el valor de p fue menor de 0,05; el coeficiente asociado con la variable
dependiente Promedio Ponderado de los Cursos, se puede generalizar a toda la población, significando
que, estas variables se asocian al Rendimiento Académico de todo el estudiantado de Medicina. Puesto
que se consideran relevantes para la predicción a nivel descriptivo, del Desempeño Académico en
Medicina. Por ejemplo, la variable Puntaje en la prueba de selección representa la formación previa
recibida por los estudiantes en la Educación Diversificada y les determina las competencias para aspirar a
los estudios médicos.
Estos resultados son similares para esta variable, a los obtenidos por Sánchez y Miguel (2006), en la
Universidad Central de Venezuela, en el período 2004-2005, quienes determinaron la relación entre los
resultados de un examen diagnóstico, diseñado para medir los conocimientos previos de los estudiantes,
el rendimiento en la asignatura Bioquímica, y su forma de ingreso a la Escuela de Medicina. Al igual que
para los estudiantes de Medicina de la ULA, estos investigadores encontraron que, los estudiantes que
ingresan a la UCV por algún método de selección tienen un rendimiento mejor, en el examen diagnóstico
que los estudiantes que ingresan por los diferentes convenios suscritos por la UCV. Concluyendo que, los
estudiantes que no tienen los conocimientos previos necesarios, tienen mayor probabilidad de obtener un
bajo rendimiento en materias complejas tales como Bioquímica.
De igual manera, los resultados encontrados en relación con esta variable (Puntaje en la prueba de
selección), están en correspondencia con los presentados por Olivares (2003), mostrando correlaciones
positivas y estadísticamente significativas entre el Razonamiento Verbal (RV) y el Rendimiento
Académico en Biología Celular, Química General e Inglés I. Así mismo, este autor encontró correlaciones
positivas y significativas entre el promedio de notas del bachillerato (PN) e índice académico (IA) y el
rendimiento en Química General y Biología Celular.
En este mismo sentido, los resultados, (puntaje en la prueba de selección con un Beta (β) de 0,133 y un p
de 0,019), estadísticamente significativa y con importancia práctica, también son similares a los
encontrados por Montero, Villalobos y Valverde (2007), quienes obtuvieron como predictor del
Rendimiento Académico, el Promedio de Admisión junto con la puntuación de una escala de Inteligencia
Emocional.
 111

La variable satisfacción se construyó con los indicadores: La carrera en general, Planta física, Materiales
didácticos, Atención académica de los profesores, Los horarios, La oferta de materias cada año, Tamaño
de los grupos, desempeño como estudiante, Orientación estudiantil, Nivel de calidad de las bibliotecas,
Centros de computación actualizados, Obtención de becas y ayudas y Plan de estudio. Cumple igualmente,
con los dos criterios del modelo como son, la significancia estadística (p<0,05) con el grado en que los
resultados de la muestra se pueden generalizar hacia toda la población. Así como la importancia práctica
(β≥0,10) con el Rendimiento académico. Es decir que, se considera relevante para la predicción a nivel
descriptivo, del Rendimiento Académico en Medicina. En el caso particular del ámbito de la Facultad de
Medicina, los destinatarios son los estudiantes de Medicina, y su Grado de satisfacción se relaciona con
la manera en que el proceso de formación y la institución misma atienden sus expectativas, intereses y
necesidades.
Estos resultados están en concordancia con un estudio realizado por Montero y Villalobos (2004) sobre el
Rendimiento Académico en estudiantes universitarios en la Universidad de Costa Rica. De igual manera,
están en correspondencia con los encontrados por Barragán (2010), en los Determinantes Institucionales,
Condiciones institucionales, Servicios institucionales de apoyo y Ambiente estudiantil.

Percepción del estudiante.

Con esta variable se buscaba explorar en los estudiantes su valoración relacionada con aspectos humanos
y académicos, de los Profesores del Componente Social de la carrera de Medicina, en: la Comunicación
Profesor-estudiante, Adecuación entornos, Perfil ideal de acuerdo a los estudiantes y la institución
(Amable, accesible, humano(a), comprensivo(a), comunicativo(a), integrativo (a), facilitador(a),
motivador (a) y la Formación en el campo. Al igual que las otras dos variables anteriores, cumple con los
dos criterios del modelo como son: la significancia estadística (p<0,05) con el grado en que los resultados
de la muestra se pueden generalizar hacia toda la población. Así como la importancia práctica (β≥0,10)
con el Rendimiento académico.
Esto significa que, la valoración que hacen los estudiantes del componente social a los profesores
en estos aspectos, se relaciona de manera directa y significativa con el Promedio Ponderado de la Nota de
los Cursos. Es decir que, para los estudiantes la comunicación profesor-estudiante, los entornos
adecuados, el perfil motivador, humano y comprensivo del profesor y una buena formación en el campo,
son determinantes en el Rendimiento Académico de los estudiantes de Medicina.
Estos resultados están igualmente en correspondencia con los reportados por Montero,
Villalobos, Valverde (2007), referidos a la puntuación otorgada por el estudiante al docente, según el
instrumento psicométrico de evaluación docente del Centro de Evaluación Académica de la UCR. En el
cual se presenta también, una relación directa y significativa con la nota en el curso. Es decir que cuando
estos autores aislaron el impacto sobre la variable dependiente de las otras variables de su modelo,
obtuvieron que, a mayor calificación otorgada por el estudiante al profesor(a), mayor fue su nota obtenida
en el curso.
La variable Residencia del estudiante (con la familia y otras formas de residencia), resultó con
importancia práctica para el nivel I. Sobre la situación de la Residencia del estudiante es difícil que la
institución pueda intervenir pues, tiene un carácter relativamente ajeno e independiente de la institución.
Sin embargo, la Universidad de Los Andes ofrece a través de la Dirección de Asuntos Estudiantiles
(DAES), albergue en las residencias femeninas y masculinas de la Universidad, previo estudio
socioeconómico, y bajo normas impuestas por la institución, a un número importante de estudiantes
universitarios.
En el segundo nivel (profesores y cursos), el R2 fue de 0,06487, que expresado en forma de
porcentaje, representa un 6,49% de la variabilidad del modelo explicada conjuntamente por las 12
variables del profesor y los cursos.
Únicamente, la variable independiente Número de Estudiantes por Curso, evidenció una asociación con
el promedio ponderado de los cursos de los estudiantes de Medicina, y a su vez es estadísticamente
significativa, es decir, se pueden generalizar a todo el estudiantado de la Facultad. Significando que en
promedio, a mayor número de estudiantes por curso mayor nota.
Resultado un poco contradictorio porque se esperaría que los altos puntajes más bien debieran asociarse
con cursos en los que el número de estudiantes es menor.
 112

Estos resultados son parcialmente similares a los encontrados por Barragán, 2009, en un estudio multinivel
para explicar Rendimiento Académico en Educación Superior en la Universidad de Guerrero, México,
año 2010.
La identificación de una sola variable con puntuación estadísticamente significativa desde el segundo
nivel, hace necesario revisar desde la cantidad de profesores que respondieron en este caso: 33, muestra
muy pequeña para este tipo de análisis. Por lo anterior, se requiere hipotetizar nuevamente sobre las
variables Profesor y Curso y el Rendimiento Académico para el caso de la Carrera de Medicina, esta vez
con mayor número de muestra. Para dar una explicación plausible se incluyó el cálculo previo del
Coeficiente de Variación Proporcional (Cvp) desarrollado por Hernández-Nieto, 1980, el cual mide la
variabilidad relativa de un conjunto dado de puntajes u observaciones, sobre la base de una relación
existente entre el rango (Rx) y la Desviación Típica (Sx).
La escala para la interpretación de los resultados se definió de la siguiente manera: entre 0 y 0,25, una
variación proporcional baja. Entre 0,26 y 0,50, una variación moderadamente baja. Entre 0,51 y 0,75,
moderadamente alta y entre 0,76 y 1,00, una variación proporcional alta.
Se encontró que las variables (Edad, Incidencia Infraestructura y Servicios en Rendimiento Académico,
Percepción respecto al área social e Incidencia en Rendimiento Académico y Percepción área clínica e
incidencia en Rendimiento Académico), mostraron una Variación proporcional entre baja,
moderadamente baja y moderadamente alta.
Por otra parte, la tabla 47 muestra las variables del profesor y la institución no significativas en el modelo
a las que se les realizó previamente el cálculo del Coeficiente de variación proporcional. Por lo que, siete
de las variables del profesor e institución (Edad, Años de Docencia, Porcentaje de estudiantes que asisten
regularmente a clases, Proporción de tiempo dedica Profesor Discusión Grupal y al Debate Grado de
Satisfacción con la Docencia y Percepción de la Evaluación Docente) resultaron con una Variación
proporcional entre moderadamente baja, y moderadamente alta.
 UNLP Facultad de Ciencias Economicas

Notes:
1. (/m# option or -set memory-) 10.00 MB allocated to data
2. (/v# option or -set maxvar-) 5000 maximum variables

. use "C:\Users\Miguel Quintero\Desktop\KINGSTON\doctorado\tesis doctoral 2014\Base de datos_Defini

. xtmixed Promedio ZSexorecode ZEdad ZProcedencirecode ZResidenciarecode ZFinanciamientorecode ZEci

> Puntajeprueba ZProingr_reco ZGradsatiscar Zinc_grad_satisf_rend_acad Zpercepcomsos Zpercepcomclin
> o_recode ZAñosdoc_reco ZTipodecurso_recode ZHorario_recode ZNumeroestudiantes ZPorcentaje Conoci
> Zgrad_satisf_con_aspectos_docenc Zpercep_evalua_docen, || Profesor:, covariance(independent) 113
Note: single-variable random-effects specification; covariance structure set to identity

Performing EM optimization:

Performing gradient-based optimization:

Tablas con0:salida
Iteration logdel programa Stata – Modelos
restricted-likelihood RLNM: primero, sólo con efectos fijos de
= -722.11818
Iteration 1: log restricted-likelihood = -722.11774
las variables
Iteration 2: del estudiante
log y del profesor;
restricted-likelihood segundo, efectos fijos de de las variables del
= -722.11774
estudiante y del profesor,
Computing standard errors: y efectos aleatorios de las variables del estudiante
Mixed-effects REML regression Number of obs = 330
Group variable: Profesor Number of groups = 33

Obs per group: min = 10

avg = 10.0
max = 10

Wald chi2(29) = 39.65

Log restricted-likelihood = -722.11774 Prob > chi2 = 0.0898

Promedio Coef. Std. Err. z P>|z| [95% Conf. Interval]

ZSexorecode .1544108 .1195291 1.29 0.196 -.079862 .3886836

ZEdad .0588294 .1445665 0.41 0.684 -.2245157 .3421745
ZProcedenc~e .1152801 .1602662 0.72 0.472 -.1988359 .4293961
ZResidenci~e .22941 .1599809 1.43 0.152 -.0841468 .5429669
ZFinanciam~e .0714912 .135672 0.53 0.598 -.194421 .3374034
ZEcivilrec~e -.0418462 .1307783 -0.32 0.749 -.2981669 .2144745
ZTrabremun~e -.0908807 .132235 -0.69 0.492 -.3500566 .1682952
ZGradmadre~o .0876523 .1338213 0.65 0.512 -.1746326 .3499372
ZGradpadre~o -.0591756 .1364017 -0.43 0.664 -.3265181 .2081669
ZPuntajepr~a .283881 .1233213 2.30 0.021 .0421757 .5255863
ZProingr_r~o -.0299105 .1246097 -0.24 0.810 -.274141 .21432
ZGradsatis~r .3388983 .1232087 2.75 0.006 .0974136 .580383
Zinc_grad_~d .1128768 .1248937 0.90 0.366 -.1319104 .3576639
Zpercepcom~s -.2694891 .1415472 -1.90 0.057 -.5469166 .0079384
Zpercepcom~n .1208298 .149492 0.81 0.419 -.1721692 .4138288
ZSexoprofe~e .0484913 .2292441 0.21 0.832 -.4008189 .4978016
ZEdadprofe~r -.0784104 .2505421 -0.31 0.754 -.5694638 .412643
ZCategoría~e .1000369 .2563708 0.39 0.696 -.4024407 .6025146
ZTítulo_re~e -.0271954 .2502642 -0.11 0.913 -.5177043 .4633135
ZAñosdoc_r~o .0697305 .2834142 0.25 0.806 -.4857511 .6252121
ZTipodecur~e .2664498 .2235268 1.19 0.233 -.1716548 .7045543
ZHorario_r~e -.110552 .2341694 -0.47 0.637 -.5695157 .3484116
ZNumeroest~s .4411767 .2195349 2.01 0.044 .0108963 .8714572
ZPorcentaje .2069216 .245091 0.84 0.399 -.2734479 .6872911
Conocimien~e .2271532 .4731216 0.48 0.631 -.7001481 1.154454
Zproporcio~3 .0133632 .2418429 0.06 0.956 -.4606403 .4873666
Zproporcio~6 .28327 .2254699 1.26 0.209 -.1586429 .725183
Zgrad_sati~c -.0116214 .2274777 -0.05 0.959 -.4574696 .4342268
Zpercep_ev~n -.0636742 .2261148 -0.28 0.778 -.506851 .3795027
_cons 12.79141 .2394775 53.41 0.000 12.32204 13.26078

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

Profesor: Identity
sd(_cons) .8241244 .2346896 .4716201 1.440102

sd(Residual) 1.981391 .0836974 1.823954 2.152417

LR test vs. linear regression: chibar2(01) = 8.87 Prob >= chibar2 = 0.0015

.
. xtmixed Promedio Sexorecode ZEdad Procedencirecode Residenciarecode Financiamientorecode Eciv
> eco ZGradsatiscar Zinc_grad_satisf_rend_acad Zpercepcomsos Zpercepcomclin Sexoprofesor_recode
> ario_recode ZNumeroestudiantes ZPorcentaje Conocimientosprevios_recode Zproporciontiempo3 Zpro
> docen, || Profesor:, covariance(independent)
Note: single-variable random-effects specification; covariance structure set to identity

Performing EM optimization:

Performing gradient-based optimization:

Iteration 0: log restricted-likelihood = -709.55357 114

Iteration 1: log restricted-likelihood = -709.55303
Iteration 2: log restricted-likelihood = -709.55303

Computing standard errors:

Mixed-effects REML regression Number of obs = 330

Group variable: Profesor Number of groups = 33

Obs per group: min = 10

avg = 10.0
max = 10

Wald chi2(27) = 39.96

Log restricted-likelihood = -709.55303 Prob > chi2 = 0.0517

Promedio Coef. Std. Err. z P>|z| [95% Conf. Interval]

Sexorecode .3068647 .2469631 1.24 0.214 -.177174 .7909035

ZEdad .0363434 .139915 0.26 0.795 -.237885 .3105719
Procedenci~e .2353605 .3206792 0.73 0.463 -.3931592 .8638801
Residencia~e .4345811 .3177333 1.37 0.171 -.1881647 1.057327
Financiami~e .3235083 .4470732 0.72 0.469 -.552739 1.199756
Ecivilrecode -.2040036 .6693343 -0.30 0.761 -1.515875 1.107867
Gradmadre_~o .1748842 .2801031 0.62 0.532 -.3741079 .7238763
Gradpadre_~o -.1126982 .279092 -0.40 0.686 -.6597083 .434312
ZPuntajepr~a .2764007 .1210314 2.28 0.022 .0391835 .513618
Proingr_reco -.0570683 .3338394 -0.17 0.864 -.7113815 .5972449
ZGradsatis~r .3420612 .1230103 2.78 0.005 .1009655 .583157
Zinc_grad_~d .1134416 .1247337 0.91 0.363 -.131032 .3579152
Zpercepcom~s -.2649473 .1412181 -1.88 0.061 -.5417297 .011835
Zpercepcom~n .1180163 .1484714 0.79 0.427 -.1729823 .409015
Sexoprofes~e .1510368 .4369155 0.35 0.730 -.7053019 1.007376
ZEdadprofe~r -.0998223 .2410848 -0.41 0.679 -.5723399 .3726952
Título_rec~e -.0204693 .4885709 -0.04 0.967 -.9780507 .9371121
Añosdoc_reco .0771953 .5463262 0.14 0.888 -.9935843 1.147975
Tipodecurs~e .7100001 .6009931 1.18 0.237 -.4679248 1.887925
Horario_re~e -.2447543 .4460586 -0.55 0.583 -1.119013 .6295044
ZNumeroest~s .454532 .2081703 2.18 0.029 .0465257 .8625384
ZPorcentaje .1927379 .2355035 0.82 0.413 -.2688404 .6543163
Conocimien~e .2082631 .4565152 0.46 0.648 -.6864902 1.103016
Zproporcio~3 -.0000528 .2333483 -0.00 1.000 -.4574072 .4573015
Zproporcio~6 .2617299 .2098707 1.25 0.212 -.1496092 .673069
Zgrad_sati~c -.0215564 .2191617 -0.10 0.922 -.4511054 .4079927
Zpercep_ev~n -.0284803 .206683 -0.14 0.890 -.4335716 .3766109
_cons 12.16766 .8605014 14.14 0.000 10.48111 13.85421

Random-effects Parameters Estimate Std. Err. [95% Conf. Interval]

Profesor: Identity
sd(_cons) .7820865 .225711 .444219 1.376932

sd(Residual) 1.980634 .0835009 1.823555 2.151245

LR test vs. linear regression: chibar2(01) = 8.09 Prob >= chibar2 = 0.0022

. browse

. xtmixed Promedio Sexorecode ZEdad Procedencirecode Residenciarecode Financiamientorecode Eciv

> _reco ZGradsatiscar Zinc_grad_satisf_rend_acad Zpercepcomsos Zpercepcomclin Sexoprofesor_recod
> Horario_recode ZNumeroestudiantes ZPorcentaje Conocimientosprevios_recode Zproporciontiempo3
> valua_docen, || Profesor: Sexorecode ZEdad Procedencirecode Residenciarecode Financiamientorec
> a Proingr_reco ZGradsatiscar Zinc_grad_satisf_rend_acad Zpercepcomsos Zpercepcomclin, covarian

Performing EM optimization:

Performing gradient-based optimization:

Iteration 0: log restricted-likelihood = -721.12109

Iteration 1: log restricted-likelihood = -707.17419 (not concave)
Iteration 2: log restricted-likelihood = -707.11396 (not concave)
Iteration 3: log restricted-likelihood = -706.9255
Iteration 4: log restricted-likelihood = -705.68007
Iteration 5: log restricted-likelihood = -705.20837
Iteration 6: log restricted-likelihood = -705.14295
Iteration 7: log restricted-likelihood = -705.1246
Iteration 8: log restricted-likelihood = -705.12082
Iteration 9: log restricted-likelihood = -705.11999
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
numerical derivatives are approximate
flat or discontinuous region encountered
Hessian has become unstable or asymmetric
 115

1.- Efectos fijos: Variables del estudiante y del profesor:

Valor de F= 12.777,854; p< 0,05

Cuadro
Resultados para el Modelo de Regresión Multinivel con el Promedio de los Cursos del (la) Estudiante Específico
como variable dependiente (R= 3,910, R2= 15,29%)
Nivel 1_Estudiante
Variancia explicada = 9,33%
B Beta p
Sexo del estudiante 0,322 0,071 0,196
Edad del estudiante 0,021 0,027 0,684
Procedencia del estudiante 0,231 0,053 0,472
Residencia del estudiante 0,458 0,106 0,152 *
Financiamiento del estudiante 0,244 0,033 0,598
Estado civil del estudiante -0,215 -0,019 0,749
Trabajo remunerado del estudiante -0,298 -0,041 0,492
Grado de instrucción de la madre del estudiante 0,184 0,040 0,512
Grado de instrucción del padre del estudiante -0,121 -0,027 0,664
Puntaje en la prueba 0,038 0,131 0,021 **
Procedimiento de ingreso a la carrera -0,081 -0,013 0,810
Grado de satisfacción con la infraestructura y los servicios de la carrera 0,034 0,157 0,006 **
Incidencia en el rendimiento académico del grado de satisfacción con la infraestructura y los
0,017 0,052 0,366
servicios
Percepción del estudiante sobre el componente social -0,166 -0,124 0,057*** **
Percepción del estudiante sobre el componente clínico 0,057 0,056 0,419

Nivel 2 Profesor e Institución

Variancia explicada = 5,96%
B Beta p
Sexo del profesor 0,099 0,022 0,832
Edad del profesor -0,009 -0,036 0,754
Categoría del profesor 0,225 0,046 0,696
Título más alto obtenido por el profesor -0,056 -0,013 0,913
Categorías de los años de docencia del profesor 0,142 0,032 0,806
Tipo de curso 0,742 0,123 0,233 *
Horario del curso -0,221 -0,051 0,637
Número de estudiantes por curso 0,004 0,204 0,044 **
Proporción de estudiantes que asisten a los cursos 0,012 0,095 0,399
Cualificación que el profesor realiza sobre los conocimientos previos de los estudiantes de los cursos 0,227 0,049 0,631
Proporción de tiempo que el profesor dedica a la discusión grupal como estrategia instruccional -0,0009 0,006 0,956
Proporción de tiempo que el profesor dedica al debate como estrategia instruccional 0,051 0,130 0,209 *
Grado de satisfacción con aspectos de docencia de la ULA -0,002 0,005 0,959
Percepción de la evaluación docente -0,006 -0,029 0,778
*: Un asterisco indica que la variable independiente presenta una y sólo una de las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir del cual
se considera relevante para la predicción a nivel descriptivo) o un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva variable
dependiente, es estadísticamente significativo (es decir, se puede generalizar a toda la población)
**: Dos asteriscos indican que la variable independiente presenta las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir del cual se considera
relevante para la predicción a nivel descriptivo) y un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva variable dependiente, es
estadísticamente significativo (es decir, se puede generalizar a toda la población)

2.- Efectos fijos y aleatorios: Variables del estudiante y del profesor como efecto fijo y variables del estudiante como efecto
aleatorio:
 116

Cuadro
Resultados para el Modelo de Regresión Multinivel con el Promedio de los Cursos del (la) Estudiante Específico como
variable dependiente (R= 0,719, R2= 15,3%)
Nivel 1_Estudiante
Variancia explicada = 9,33%
B Beta p
Sexo del estudiante 0,251 0,105 0,465 *
Edad del estudiante 0,035 -0,089 0,686
Procedencia del estudiante 0,223 0,171 0,330 *
Residencia del estudiante 0,455 0,152 0,355 *
Financiamiento del estudiante 0,581 0,264 0,098 *
Estado civil del estudiante -0,368 -0,075 0,741
Trabajo remunerado del estudiante -0,394 0,027 0,896
Grado de instrucción de la madre del estudiante 0,064 -0,070 0,631
Grado de instrucción del padre del estudiante -0,014 0,062 0,720
Puntaje en la prueba 0,033 0,195 0,188 *
Procedimiento de ingreso a la carrera 0,019 0,100 0,503 *
Grado de satisfacción con la infraestructura y los servicios de la carrera 0,024 0,245 0,166 *
Incidencia en el rendimiento académico del grado de satisfacción con la infraestructura y los servicios 0,020 0,144 0,276 *
Percepción del estudiante sobre el componente social -0,224 -0,460 0,009 **
Percepción del estudiante sobre el componente clínico 0,105 0,350 0,020 **

Nivel 2 Profesor e Institución

Variancia explicada = 5,96%

B Beta p
Sexo del profesor -0,043 -0,021 0,922
Edad del profesor -0,032 -0,162 0,513 *
Categoría del profesor 0,061 0,082 0,747
Título más alto obtenido por el profesor -0,160 0,042 0,862
Categorías de los años de docencia del profesor 0,699 0,087 0,754
Tipo de curso 0,537 0,185 0,408 *
Horario del curso -0,468 -0,068 0,770
Número de estudiantes por curso 0,009 0,464 0,033 **
Proporción de estudiantes que asisten a los cursos 0,024 0,154 0,522 *
Cualificación que el profesor realiza sobre los conocimientos previos de los estudiantes de
0,445 -0,064 0,774
los cursos
Proporción de tiempo que el profesor dedica a la discusión grupal como estrategia
-0,008 0,064 0,791
instruccional
Proporción de tiempo que el profesor dedica al debate como estrategia instruccional 0,060 0,178 0,420 *
Grado de satisfacción con aspectos de docencia de la ULA 0,011 -0,021 0,924
Percepción de la evaluación docente 0,021 -0,066 0,767
*: Un asterisco indica que la variable independiente presenta una y sólo una de las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir del cual
se considera relevante para la predicción a nivel descriptivo) o un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva variable
dependiente, es estadísticamente significativo (es decir, se puede generalizar a toda la población)
**: Dos asteriscos indican que la variable independiente presenta las dos condiciones: un valor de beta igual o mayor a 0,10 (a partir del cual se considera
relevante para la predicción a nivel descriptivo) y un valor de p menor a 0,05 indicando que el coeficiente asociado a la respectiva variable dependiente, es
estadísticamente significativo (es decir, se puede generalizar a toda la población)
***: Probabilidad marginal
 117

Cálculo de los componentes de varianza del análisis de RLMN del Rendimiento Académico en Medicina de los (las) estudiantes
universitarios de la ULA (n= 330)

Variable Dependiente: Promedio ponderado de los cursos

Participantes: Muestra total (n= 330); Varianza Total Explicada: 9,34%
Variables Independientes r Beta (β) r*β
Sexo del estudiante 0,075 0,071 0,005325
Edad del estudiante -0,079 0,027 -0,002133
Procedencia del estudiante 0,130 0,053 0,006890
Residencia del estudiante 0,144 0,106 0,015264
Financiamiento del estudiante 0,068 0,033 0,002244
Estado civil del estudiante 0,079 -0,019 -0,001501
Trabajo remunerado del estudiante 0,019 -0,041 -0,000779
Grado de instrucción de la madre del estudiante 0,063 0,040 0,002520
Grado de instrucción del padre del estudiante 0,073 -0,027 -0,001971
Puntaje en la prueba 0,135 0,131 0,017685
Procedimiento de ingreso a la carrera -0,054 -0,013 0,000702
Grado de satisfacción con la infraestructura y los servicios de la carrera 0,216 0,157 0,033912
Incidencia en el rendimiento académico del grado de satisfacción con la infraestructura y los
0,095 0,052 0,004940
servicios
Percepción del estudiante sobre el componente social -0,096 -0,124 0,011904
Percepción del estudiante sobre el componente clínico -0,029 0,056 -0,001624
0,093378

Nivel 2: El Profesor y la Institución

Participantes: Muestra total (n= 330); Varianza Total Explicada: 5,96%

r Beta (β) r*β

Sexo del profesor 0,014 0,022 0,000308
Edad del profesor 0,040 -0,036 -0,00144
Categoría del profesor 0,003 0,046 0,000138
Título más alto obtenido por el profesor -0,008 -0,013 0,000104
Categorías de los años de docencia del profesor 0,022 0,032 0,000704
Tipo de curso 0,058 0,123 0,007134
Horario del curso -0,018 -0,051 0,000918
Número de estudiantes por curso 0,141 0,204 0,028764
Proporción de estudiantes que asisten a los cursos 0,033 0,095 0,003135
Cualificación que el profesor realiza sobre los conocimientos previos de los estudiantes de los
0,006 0,049 0,000294
cursos
Proporción de tiempo que el profesor dedica a la discusión grupal como estrategia
-0,005 0,006 -0.00003
instruccional
Proporción de tiempo que el profesor dedica al debate como estrategia instruccional 0,145 0,130 0,01885
Grado de satisfacción con aspectos de docencia de la ULA 0,017 0,005 0,000085
Percepción de la evaluación docente -0,023 -0,029 0,000667

0,059631

View publication stats