Presentación de PowerPoint · / Teoría del procesamiento de la información Teoria No.3 Language...
Transcript of Presentación de PowerPoint · / Teoría del procesamiento de la información Teoria No.3 Language...
FACTORES DETERMINANTES DE LA RETENCIÓN UNIVERSITARIA: UN CASO DE ESTUDIO EN EL ECUADOR A PARTIR DEL
MODELO DE TINTO
Alban Taipe Mayra Susanamayra.alban utc.edu.ec
Universidad Técnica de Cotopaxi
16, 17 y 18 de octubre 2019. Ibarra-Ecuador
1.- Introducción2.- Estado del Arte3.- Factores de Retención Universitaria4.- Método de investigación 5.- Conclusiones
ESTUDIANTE
UNIVERSIDAD
GOBIERNO
SOCIEDAD
Menores ingresos económicos
Menor participación laboral
Gasto por estudios
Altas tasas de deserción
Gasto administrativo elevado
Menor presupuesto
Gasto público elevado en educación
Gasto en programas de seguridad social
Menores ingresos tributarios
Inequidad social
Desempleo
SITUACIÓN PROBLEMÁTICA
Importancia del Problema45%
59% 59%
40% 40% 40% 40% 40%
59%
18%
53%
Colombia Brazil Costa Rica Estados Unidos
Nueva Zelanda Hungría Noruega Zuecia
Chile Reino Unido Ecuador
TASAS DE DESERCIÓN
OCDE-EUROPA
60%
MEXICO25%
CHILE25%
TURQUIA14%
AMERICA LATINA
10%
ESTADOS UNIDOS
55%
% DE GRADUACIÓN CRISIS EDUCATIVA
ESTADO DEL ARTE
PLANIFICACIÓN
• PROTOCOLO DE REVISIÓN
DESARROLLO
• EJECUCIÓN DEL PLAN
RESULTADOS
•ANÁLISIS DE CONTENIDO
•ESTADÍSTICAS
Kitchenham. et.al (2007)
¿ Cuáles son los factores que influyen en la predicción de la retención estudiantil universitaria ?
Yukselturk, Ozekes & Turel (2014), Wray, Brrett, Aspland & Gardiner (2012),Yasmin (2013), Tan & Shao (2015), Yi et al. (2015), Natek & Zwilling (2014),Lam-ON & Boongoen (2014), Paura & Arhipova (2014), Hoffait & Schyns(2017), Lykourentzou, Giannoukos, Nikolopoulos, Mpardis & Loumos(2009), Levy (2007),Jadric, Garaca & Cukusic (2010), Park & Choi (2009),Houdhaugen (2009), Sultana, Khan & Abbas (2017), Chen & Desjardins(2008), Herzog (2005), Tumen, Shulruf & Hattie (2008), Yukselturk, Ozekes& Turel (2014), Wray, Brrett, Aspland & Gardiner (2012), Yasmin (2013), Tan& Shao (2015), Yi et al. (2015), Natek & Zwilling (2014), Lam-ON &Boongoen (2014), Paura & Arhipova (2014), Hoffait & Schyns (2017),Lykourentzou, Giannoukos, Nikolopoulos, Mpardis & Loumos (2009), Levy(2007),Jadric, Garaca & Cukusic (2010), Park & Choi (2009), Houdhaugen(2009), Sultana, Khan & Abbas (2017), Chen & Desjardins (2008), Herzog(2005), Tumen, Shulruf & Hattie (2008), Sangodiah, Beleya, Muniandy, Heng& Ramendran (2015), Iepsen, Bercht & Reategui (2013), Martinho, Nunes &Minussi (2013), Heredia, Amaya & Barrientos (2015), Willging & Johnson(2009), Melguizo, Sanchez & Velasco (2016). Heng & Ramendran (2015),Iepsen, Bercht & Reategui (2013), Martinho, Nunes & Minussi (2013),Heredia, Amaya & Barrientos (2015), Willging & Johnson (2009), Melguizo,Sanchez & Velasco (2016)
PROBLEMA
Problemática educativa con un elevado impacto económico y social
FACTORES QUE INFLUYEN EN LA
RETENCIÓN UNIVERSITARIA
Diseño de la Investigación
Teoría No.1Absorptive capacity theory / Teoría de la capacidad de absorciònActor network theory / Teoría del actor red
Adaptive structuration theory / teoría de la estructuración adaptativaAdministrative behavior, theory of Agency theory / conducta administrativa, la teoría deTeoría de la AgenciaArgumentation theory / teoría de la argumentaciónChaos theory / Teoría del caosChange theory Cognitive dissonance theory / teoría de la disonancia cognitivaCognitive fit theory / La teoría de ajuste cognitivo Cognitive load theory / teoría de la carga cognitivaCommunication theory / Teoría de la comunicaciónCompetitive strategy (Porter) / La estrategia competitiva (Porter)Complexity theory / teoría de la complejidad
Conflict theory / Teoría conflictivaContingency theory / Teoría de la contingenciaCritical realism theory / la teoría de realismo críticoCritical social theory / la teoría social críticaCritical systems thinking theory / Los sistemas críticos pensamiento de la teoría
TEORIAS ANALIZADAS
Teoría No.2
Decision theory
Delone and McLean IS success model / Modelo de éxito Delone y McLean
Design Theory /
Diffusion of innovations theory / La difusión de la teoría de las innovaciones
ynamic capabilities / Capacidades dinámicas
Ecology theory / teoría de la ecología
Equity theory / Teoría de la Equidad
Evolutionary theory
Expectation confirmation theory / Teoría de confirmación expectativa
Feminism theory / Teoría feminista
Game theory / Teoría de juegos
Garbage can theory / La teoría cubo de basura
General systems theory / Teoría general de sistemas
Hermeneutics /Hermenéutica
Illusion of control / Ilusión de control
Impression management theory of / Teoría de la gestión de la impresión
Information integration theory / La teoría de integración de información
Information processing theory / Teoría del procesamiento de la información
Teoria No.3
Language action perspective / Perspectiva de la acción Idioma
Markus' IT power relationship / Relación de poder TI Markus '
Media richness theory / La teoría de la riqueza de los medios de comunicación
Organizational culture theory / Teoría de la cultura organizacional
Organizational information processing theory / La teoría de procesamiento de información de la organización
Organizational knowledge creation / La creación de conocimiento organizacional
Organizational learning theory /
Phenomenology theory / la teoría de la fenomenología
Portfolio theory /
Prospect theory / La teoría prospectiva
Punctuated equilibrium theory / La teoría del equilibrio puntuado
Real options theory / Real options theory
Resistance, theories of / Resistencia, teorías de
Resource-based view of the firm / Teoría de recursos de la empresa
Resource dependency theory / la teoría de la dependencia de recursos
Self-efficacy theory / Ta teoría de la autoeficacia
Sensemaking, theory of / La construcción de sentido, la teoría de
Teoría Maslow
Situated learning theory / La teoría del aprendizaje situado
Obligación que adquiere el mayor de loshijos de una familia, y que, en ausencia delpadre, es quien asume lasresponsabilidades económicas con susfamiliares (Ito & Caste, 2009)
FACTORES DE RETENCIÓN IDENTIFICADOS
Cod Factor
V26 Nivel de satisfacción con la educación universitaria recibida
V29 Experiencia académica adquirida en la educación media
V36 Actitud del docente con el estudiante
V41 Nivel de integración social con el grupo de estudiantes
V43 Satisfacción con mecanismos de motivación estudiantil
V49 Actitud de seguridad respecto al grupo
V51 Pertinencia con la universidad
288 alumnos de Carreras de Ciencias Humanas y Técnicas en una Universidad Pública del Ecuador
RECOPILACIÓN DE LA INFORMACIÓN
Fases para la obtención del aporte:
1.- Análisis Descriptivo de la Población2.- Pruebas de fiabilidad y validez del cuestionario3.- Modelamiento de datos a través de la técnica de regresión lineal mediante minimos cuadrados ordinarios Resultados de la encuesta aplicada a los estudiantes
Validez de la encuesta
Estadísticos de fiabilidad
Alfa de Cronbach N de elementos
,908 37
Escala Frecuencia %%
Válido
%
Acumulado
Baja influencia 14 0.4 0.4 0.4
Mediana
influencia110 3.5 3.5 3.9
Alta influencia 1116 25.5 25.5 29.4
Influye
totalmente2533 70.6 70.6
100.
0
Total 3773 100.0 100.0
Método de agrupación visual – corte de intervalo de 1 a 5 para establecer limites superiores de los rangos
Hypothesis Mean Moda Desv.tip
H1 4.27 5 0.889
H2 4.28 5 1.004
H3 4.17 5 1.085
H4 4.35 5 1.042
H5 4.02 4 0.914
H6 4.03 4 1.022
H7 4.05 4 0.892
H8 4.25 5 1.078
H9 4.24 5 1.173
H10 4.21 5 1.138
H11 4.33 5 0.991
Medidas de tendencia central
Resultado de la Escala de Likert
Promedio de la media > 4 = alta relación entre las respuestas de los estudiantes respecto a la retención
MODELADO DE LOS DATOS
Variable Dependiente:Retención
Vector de Variables Independientes:
X= (F1, F2,…..Fn)
Fórmula:
El método de ajuste por mínimos cuadrados oregresión lineal permite obtener la pendientede la recta y la ordenada del origen,correspondientes a la recta y=ax+b que mejorse ajusta a los n datos (xi, yi) es decir, permiteestablecer una relación funcional entre dosvariables; donde (x) es la variableindependiente y, (y) es la variable dependiente
Especificación EstimaciónDependent Variable: DES
Method: ML - Binary Logit (Newton-Raphson / Marquardt
steps)
Variable Coefficient Std. Error z-Statistic P-value
C -4.819.381 0.356954 1.350.141 0.00000
F1 0.818043 0.187763 4.356.790 0.00000
F2 0.629028 0.180224 3.490.262 0.00050
F3 -0.390826 0.139217 2.807.320 0.00400
F4 0.380309 0.172667 2.202.562 0.02760
F5 0.809717 0.181720 4.455.839 0.00000
F6 0.852620 0.152875 5.577.225 0.00000
F7 0.687710 0.150909 4.557.112 0.00000
F8 1.384.878 0.160912 8.606.428 0.00000
F9 0.281206 0.135480 2.075.625 0.03790
F10 0.637297 0.143733 4.433.882 0.00000
F11 1.346.561 0.202286 6.656.711 0.00000
Prob(LR
statistic) 0.00000
V30 = C(1)*V26 + C(2)*V29 + C(3)*V36 + C(4)*V41 + C(5)*V43 + C(6)*V49 + C(7)*V51 +
C(8)
Resultados Modelo de Regresión Lineal
Coeficientes de significancia y correlación de factores
Y=1 alta probabilidad de retenciónY=0 baja probabilidad de retencion
Variable Coefficient Std. Error t-Statistic Prob.
V26 0.229385 0.064203 3.572806 0.0004V1 -0.010153 0.075786 -0.133964 0.8936
V18 -0.000124 0.018478 -0.006715 0.9946V27 0.005307 0.063166 0.084012 0.9331V28 0.034645 0.032200 1.075940 0.2831V29 0.098684 0.032460 3.040163 0.0026V31 -0.071265 0.048732 -1.462370 0.1450V32 0.070217 0.045295 1.550216 0.1225V34 0.040511 0.049203 0.823327 0.4112V35 0.056608 0.061897 0.914552 0.3614V36 -0.108561 0.053321 -2.035986 0.0429V37 0.017577 0.060821 0.288998 0.7728V38 0.041612 0.044716 0.930600 0.3531V39 0.002584 0.052487 0.049239 0.9608V40 -0.000763 0.061679 -0.012371 0.9901
F-statistic 5.522855 Durbin-Watson stat 1.962405Prob(F-statistic) 0.000000
V41 -0.163962 0.049597 -3.305909 0.0011V42 0.085383 0.080178 1.064923 0.2881V43 0.162834 0.065196 2.497607 0.0132V44 0.051155 0.053335 0.959123 0.3385V45 0.012749 0.066843 0.190728 0.8489V46 -0.034052 0.048474 -0.702490 0.4831V47 0.013287 0.033113 0.401264 0.6886V48 0.027776 0.041299 0.672558 0.5019V49 0.180535 0.050646 3.564645 0.0004V50 -0.003144 0.045525 -0.069066 0.9450V51 -0.157935 0.061855 -2.553328 0.0113V52 0.000999 0.046389 0.021546 0.9828V53 -0.026346 0.027741 -0.949706 0.3433V54 -0.024217 0.053973 -0.448689 0.6541V55 0.013158 0.036100 0.364488 0.7158V57 0.057369 0.051833 1.106807 0.2696
C 1.291498 0.391661 3.297490 0.0011
R-squared 0.439924 Mean dependent var 3.701550Adjusted R-squared 0.360269 S.D. dependent var 0.660207S.E. of regression 0.528054 Akaike info criterion 1.679720Sum squared resid 62.73934 Schwarz criterion 2.134168Log likelihood -183.6839 Hannan-Quinn criter. 1.862456
MODELO INICIAL
Dependent Variable: V30Method: Least SquaresDate: 07/02/19 Time: 13:08Sample: 1 279Included observations: 272
Variable Coefficient Std. Error t-Statistic Prob.
V26 0.281497 0.048032 5.860599 0.0000V29 0.108030 0.028384 3.806053 0.0002V36 -0.025837 0.042362 -0.609920 0.0429V41 -0.127460 0.038652 -3.297636 0.0011V43 0.229691 0.049307 4.658418 0.0000V49 0.190973 0.034395 5.552404 0.0000V51 -0.085055 0.045688 -1.861645 0.0438
C 1.518677 0.216723 7.007470 0.0000
R-squared 0.406553 Mean dependent var 3.691176Adjusted R-squared 0.390818 S.D. dependent var 0.665599S.E. of regression 0.519501 Akaike info criterion 1.557073Sum squared resid 71.24853 Schwarz criterion 1.663126Log likelihood -203.7619 Hannan-Quinn criter. 1.599649F-statistic 25.83696 Durbin-Watson stat 1.960612Prob(F-statistic) 0.000000
COMPROBACION DEL MODELO
Pruebas
Supuesto de Normalidad de datosA través del Test Jarque-Bera basada en la asimetría clásica y el coeficiente de kurtosis(Gel, 2008), permite establecer la bondad de ajuste de los datos para determinar quelos mismos pertenecen a una distribución normal
Residuos del modelo propuesto / presenta una distribución normal lo que da mayor validez al
modelo propuesto
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 1.300809 Prob. F(7,264) 0.2500Obs*R-squared 9.068800 Prob. Chi-Square(7) 0.2478Scaled explained SS 8.802737 Prob. Chi-Square(7) 0.2671
Test Equation:Dependent Variable: RESID^2Method: Least SquaresDate: 07/02/19 Time: 13:26Sample: 1 279Included observations: 272
Variable Coefficient Std. Error t-Statistic Prob.
C 0.501812 0.156552 3.205405 0.0015V26 -0.012656 0.034697 -0.364764 0.7156V29 -0.024387 0.020503 -1.189437 0.2353V36 -0.026085 0.030601 -0.852448 0.3947V41 0.000191 0.027921 0.006855 0.9945V43 0.004500 0.035617 0.126330 0.8996V49 0.048126 0.024845 1.937034 0.0538V51 -0.045834 0.033003 -1.388770 0.1661
R-squared 0.033341 Mean dependent var 0.261943Adjusted R-squared 0.007710 S.D. dependent var 0.376722S.E. of regression 0.375267 Akaike info criterion 0.906611Sum squared resid 37.17782 Schwarz criterion 1.012664Log likelihood -115.2991 Hannan-Quinn criter. 0.949188F-statistic 1.300809 Durbin-Watson stat 2.042140Prob(F-statistic) 0.250050
El valor de R-squared corresponde a 0.032, el número de observaciones igual a 272 y el valor de F corresponde a 9.068. Entonces:0.032*272 < 9.068, en donde 8,7004 < 9.068
Con base a los resultados obtenidos en donde 8,7004 < 9.068, se acepta la Ho y se rechaza la H1, es decir, el proceso experimental permitió determinar que no existe heterocedasticidad en los datos presentados.
Supuesto de heterocedasticidad
En esta etapa del procesamiento de datos se aplica el Test de Breusch Pagan Godfrey, que permite determinar si los datos son homogéneos a través de determinar la regresión de los residuos cuadrados en los regresores por defecto considerando la siguiente ecuación: Variable Dependiente = Resid ^2
y los regresores las v26 v29 v36 v41 v43 v49 v51 c. Las hipótesis planteadas fueron consideradas bajo las siguientes opciones:
Ho= no existe heterocedasticidadadH1= existe heterocedasticidadad
• Los resultados permiten evidenciar que los factores V26,V29, V36 y V51 tienen una relación inversa como se puedevisualizar en la gráfica y en los coeficientes β. Lo que indicaque a menor satisfacción del alumno con la educaciónrecibida en la universidad, una menor experienciaacadémica adquirida en la educación secundaria, undisminución en el compromiso del docente con losestudiantes y una disminución en la pertinencia delalumno hacia su institución de formación universitaria,conlleva a la disminución del rendimiento académico ycomo resultado se obtendría una disminución en lapermanencia de los alumnos en las universidades.
• Por el contrario los valores de β de signo positivo para lasvariables V41, V43 y V49 podría ser interpretados como elincremento de la integración social del alumno con sugrupo de compañeros, el incremento del nivel desatisfacción respecto a los mecanismos implementadospor la universidad para que el alumno se sienta motivadoy un en la actitud de seguridad del alumno paraexpresarse frente a sus compañeros podría aumentar elrendimiento académico del alumno y por lo tanto lapermanencia estudiantil.
Conclusiones
• La retención de los estudiantes debería ser considerada como un elemento de prioridad en lasinstituciones de Educación Superior, debido a que a permanencia estudiantil universitaria es unaproblemática compleja que se deriva de un conjunto de factores cuyo origen es variadoC1
•Del proceso de análisis se puede concluir que la base de datos puede estar sujeta a criterios desubjetividad. Sin embargo al aplicar Alpha de Cronbach se puede establecer el nivel de validez yconfianza de la recolección y procesamiento de la información.
C2
• La regresión lineal a través de mínimos cuadrados permite determinar el impacto que existe entre lavariable explicada (rendimiento académico) y las variables explicativas (V26, V29, V36, V41, V43, V49,V51), por lo que se puede asumir mediante la estadística y econometría que la teoría de Tinto tiene unrazonamiento lógico en este tipo de estudios.
C3
•De igual manera, se pudo establecer que los factores nivel de satisfacción con la educación universitaria recibida (V26), experiencia académica adquirida en la educación media (V29), actitud del docente con el estudiante (V36), integración social (V41), satisfacción con mecanismos de motivación estudiantil (V43), actitud de seguridad respecto al grupo de compañeros V(49), pertinencia con la universidad (V51) fueron las variables estadísticamente significativas, lo que indica que influyen positiva y negativamente en la permanencia estudiantil
C4
Al.Barrak, M.A., & Alrazgan, M. S. (2015). Prediciting Students’ Performance through Classification: ACase Study. Journal of Theorical & Applied Information Technology, 75(2).Alkan, N (2014). Humor, loneliness and acceptance: Predictors of University drop-out intentions.Procedia. Social and Behavioral Sciences, 152, 1079-1086.Arbid, D.C., & Meiran, N. (2015). Performance on the antisaccade task predicts dropout from cognitivetraining. Intelligence, 49, 25-31.Arifin, M.H. (2016). Exploring factors in contributing student progress in the Open University.International Journal of Information and Education Technology, 6(1), 29.Arulampalam, W., Naylor, R.A., & Smith, J.P. (2005). Effects of in-class variation and student rank on theprobability of withdrawal: cross-section and time-series analysis for UK university student. Economics ofEducation Review, 24(3), 251-262.Arulampalam, W., Naylor, R.A., & Smith, J.P. (2007). Dropping out of medical school in the UK: explainingthe changes over ten years. Medical Education, 41(4), 385-394.Astin, A.W. (1975). Preventing studdents from dropping out. San Francisco: Jossey-Bass.Aulck, L., Velagapudi, N., Blumenstock, J., & West, J. (2016). Predicting student dropout in highereducation. arXiv preprint arXiv: 1606.06364.Azis, A.A., Idris, W.M.R.W., Hassan, H., Jusoh, J.A., & Emran, N.A (2018). Implementing Aproiri Algorithmfor Predicting Result Analysis. GSTF Journal of Computing (JoC), 2(4).
REFERENCIAS BIBLIOGRAFICAS:
GraciasNombres del Ponente
Institución