Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/303857498
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
All content following this page was uploaded by Margarita Parra on 08 June 2016.
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
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
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
3.8 Metodología que se siguió para realizar la estimación del primer modelo 69
iv
4.4.3. Ausencia de significancia e importancia práctica por falta de variabilidad en algunas variables 90
Bibliografía 101
Apéndice 106
v
Lista de Tablas Página
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
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
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
manera se reconoce por lo tanto un error o residuo (ei) determinado por las diferencias que existen
de ellas ni de sus manifestaciones (Sampieri, Fernández y Baptista, 2003, en Vargas, 2010). Así
específico la búsqueda de una explicación, sobre los posibles factores asociados al constructo de
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
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
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
Los criterios de selección de la muestra, están basados en el contexto donde se lleva a cabo
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
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).
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.
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
muestra (n) que asegure un error estándar < 0,01, dado que depende de la población
3. Para determinar el tamaño de muestra necesario para estimar µ con un error máximo
𝜎 𝑍1− 𝛼/2 2
𝑛=( )
𝑑
4. Se obtiene de reconocer que alfa es el error estándar o error
máximo prefijado y está
(Kish, 1982)
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
la realidad. Cualquier información que se quiera recoger está distribuida según una ley de
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
Se utilizó la siguiente fórmula del muestro aleatorio simple (Jany, 2000, p. 115; en Vargas
(2010).
𝑍 2𝜎
𝑛=
𝑒2
Donde:
desviación estándar) de las escalas que muestren, en las investigaciones empíricas examinadas, una
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
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
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,
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.
información del nivel 1 y nivel 2, se debería tomar por ejemplo, un único profesor con su grupo de
construcción del marco teórico del problema. También han servido como fuentes diversas
Variables Independientes: definidas como aquellas variables que se asocian con la variable
dependiente.
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
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,
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
Sondeo Preliminar. En estos estudios se puede realizar un estudio exploratorio previo, a través de entrevistas
Se seleccionan al azar y de quienes cumplan con los criterios del investigador, de acuerdo al problema
estudiado.
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,
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
El Coeficiente de Validez de Contenido (Cvc) es una versión actualizada y mejorada del CPR (Coeficiente de
El resultado del mencionado coeficiente para el instrumento de la entrevista debe ser al menos: Cvc
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.
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
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
de manera aleatoria el espacio en el que se realiza la observación y se procede a analizar los datos obtenidos
Por otra parte, la observación participante, se determina por la interacción entre observador y
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
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
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
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
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
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
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.
Tabla 2. Ejemplo de presentación de Resultados de la entrevista semiestructurada codificada, sondeo preliminar, fase exploratoria
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.
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
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
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
(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
El Coeficiente de Validez de Contenido (Cvc) es una versión actualizada y mejorada del CPR (Coeficiente de
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. 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
4. Se realiza un intercambio personal con los (las) jueces, para las debidas aclaratorias de las observaciones
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
Σ Xi: Sumatoria de los puntajes asignados por cada juez J a cada uno de los ítems.
pei: Probabilidad del error por cada ítem (probabilidad de concordancia aleatoria entre jueces).
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.
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).
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
habilidad o rasgo conductual del individuo en forma más o menos igual u homogénea, por medio de los ítems
que lo conforman.
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
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).
Donde:
α = Alfa de Cronbach n: Es el número
de ítems.
Este coeficiente varía en un rango entre 0 y 1. Si su valor es cercano a la unidad (1) se trata de un instrumento
preguntas, cuyos resultados generan conclusiones estables y consistentes, es decir, una confiabilidad total. Si
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
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
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 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
Nota: Datos obtenidos con el SPSS versión 15, del cuestionario del estudiante.
30
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
Igualmente, se muestran tablas ejemplo de la presentación del Coeficiente de Confiabilidad, dependiente del
número de ítems.
Tabla 5. Resumen de presentación de las Variables independientes del primer nivel, que entrarían al modelo, producto
del pilotaje.
Nótese en la tabla ejemplo arriba indicada que, las variables se codifican en la base de datos, se describen, tienen
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.
σ: Desviación estándar, estimada a partir de los resultados del piloto de los primeros 13 ítems del instrumento
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
Con 0,03 (error absoluto): d (error relativo) = 43,59x0,03= 1,31, implica que n= (1,96)2 x
Con 0,02 (error absoluto): d (error relativo) = 43,59x0, 02= 0,8718, implica que
n= 3,84x60,73/(0,872)2, n = 307
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
Como ya se expuso en la sección de los métodos, la confiabilidad discriminante de los ítems que forman
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
Tabla 6. Ejemplo de Variables del segundo nivel que serán incluidas en el modelo producto del pilotaje
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
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
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)
(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
La tabla arriba indicada muestra un ejemplo de un resumen de los estadísticos descriptivos una vez que
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
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
Tolerancia y el Factor de Inflación de la varianza (FIV) para cada variable independiente (Cea de Ancona,
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
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
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
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
Por otra parte, Goldstein (1995), estableció que antes de que los modelos multinivel estuvieran bien
jerárquicas fueron razonablemente entendidas, sin embargo, eran difíciles de resolver debido a que no
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
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
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
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
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
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
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
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
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
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
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.
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.
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.
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,
Y, con las variables independientes X1 y X2; seguido por el modelo teórico de la investigación, con las
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:
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.
De donde:
Yij= es la variable dependiente, observada en el primer nivel, en este caso, las notas del estudiante. β00 = es
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.
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.
Recodificación como
Variable Tipo
Variable dummy
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
Una vez organizados los niveles, se puede escribir formalmente cada uno de la siguiente manera:
Fijadas cada una de las unidades de nivel (1 y 2), se asume la distribución jerárquica de los datos y se procede a
Identificados los niveles y la variable dependiente, la ecuación básica del modelo quedaría de la siguiente
forma:
Yij = β0j+e0ij
47
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
El sondeo preliminar tiene como propósito fundamental explorar la evaluación de variables de los niveles
nivel.
organización y el tono del registro, enfocándose en el proceso psicológico interno de cómo los individuos
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
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,
Se realiza una validación cruzada de las categorías de la observación junto con la entrevista
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
positiva.
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
La tabla a continuación muestra a manera de ejemplo como se estructura la muestra definitiva conformada
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
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
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).
explicación de cada componente de la variable estudiada. En este ejemplo, el primer componente logra
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
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.
4
Autovalor
1 2 3 4 5 6 7 8 9 10 11 12 13
Número de componente
53
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
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
Tabla 13. Ejemplo del ordenamiento de las variables categóricas del segundo nivel
Se observa en esta tabla ejemplo que para cada categoría se determinó la variable dummy y se determinan las
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
4
3
2
Autovalor
1
0
1 2 3 4 5 6 7 8 9 10 11
Número de componente
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
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.
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
La correlación elemento total corregida de los ítems deben estar por encima de 0,50 para que puedan
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
Tabla 18. Ejemplo Diagnóstico de multicolinealidad de las variables del segundo nivel
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
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.
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
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
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
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
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
Tabla 19. Ejemplo la descripción de variables no incluidas en el modelo del primer nivel
Tabla 20. Variables del segundo nivel que no fueron incluidas en el modelo
1 Satisfacción docente Grado de acuerdo del profesor con una serie Correlación elemento-total corregida
de aspectos académicos (Disponibilidad de por debajo de 0,30 y el Alfa de
textos y de consulta, Cronbach de 0,67 y como está por
Disponibilidad de materiales audiovisuales, debajo del rango (0,70 y 0,90) se
satisfacción con el apoyo administrativo, considera que la escala no tiene una
calidad académica de los estudiantes y calidad buena consistencia interna
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) dependiente, después de correr una
docencia universitaria ingresó a la docencia. Tomando como regresión lineal buscando posibles
principal motivo, el gusto por la enseñanza y relaciones entre las variables en
sus estudio
retos 1, otros 0
Elaboración y Si el Profesor (a) elabora y No se incluyó en el modelo ya que las
3 calificación de califica él/ella mismo (a) sus posibilidades de respuesta fueron sí o
exámenes exámenes no.
4 Grado de interés La prioridad que le da el Profesor a la docencia Condición o atributo del Profesor
hacia la materia en esa materia por encima de otras (a)
actividades. Muy interesados 1, otros 0
Nota: Elaboración de la investigadora
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
3.7 Descripción del proceso de preparación de variables para la estimación de los Modelos de Regresión
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
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
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
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
Performing EM optimization:
Wald chi2(0) = .
Log restricted-likelihood = -715.96226 Prob > chi2 = .
Profesor: Identity
sd(_cons) .7863313 .1646062 .5216987 1.185199
LR test vs. linear regression: chibar2(01) = 15.69 Prob >= chibar2 = 0.0000
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
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
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
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
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 %)
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
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
de resultados.
El coeficiente de regresión no estandarizado (B), está expresado en las mismas unidades de medida que 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
La tabla a continuación muestra en el modelo las variables de primero y segundo nivel, las cuales explican la
Tabla 26. Salida del Modelo, variables del primero y segundo nivel con Stata
Profesor: Identity
sd(_cons) .3807127 .1084173 .2178697 .6652698
LR test vs. linear regression: chibar2(01) = 8.87 Prob >= chibar2 = 0.0015
La tabla del modelo ejemplo muestra el modelo multinivel resultante, en el que se observan dos variables
Selección (P=0,034), Incidencia en el Rendimiento Académico del Grado de Satisfacción con los servicios
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%
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
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.
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
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
dependiente (el Rendimiento Académico en los estudiantes de Medicina, ULA). Dicha modelación incluye las
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
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
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
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
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
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)
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
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
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
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
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
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
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 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
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
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
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
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
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
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
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
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
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
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,
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
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
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
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
Resultado contradictorio porque se esperaría que los altos puntajes más bien debieran asociarse con cursos en los que
Estos resultados son parcialmente similares a los encontrados por Barragán, 2009, en un estudio multinivel para
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
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
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
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
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
que el conjunto de variables asociadas al profesor y la institución tienen mayor influencia en el Rendimiento
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
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
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
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
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
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
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
Sin embargo, desde el segundo nivel, ninguno de los factores pedagógicos (Profesor, Institución y currículo)
Así mismo, tampoco los factores Sociodemográficos (Sexo, Edad, Lugar de Procedencia, Residencia,
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
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
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
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
3. Los Estilos de Aprendizaje requieren de nuevos instrumentos y nuevas alternativas que tengan mayor
4. La Motivación al Logro debe medirse con un instrumento con mayor capacidad de interpretación por parte del
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
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.
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.
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
Performing EM optimization:
Profesor: Identity
sd(_cons) .8241244 .2346896 .4716201 1.440102
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:
Profesor: Identity
sd(_cons) .7820865 .225711 .444219 1.376932
LR test vs. linear regression: chibar2(01) = 8.09 Prob >= chibar2 = 0.0022
. browse
Performing EM optimization:
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
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 **
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)
0,059631