ESTUDIOS

Estudios sobre calidad de

la educación en Colombia
► Working paper

Determinantes del desempeño

académico universitario.
El caso de la Región
Caribe colombiana

Gustavo Rodríguez
Presidente de la República
Juan Manuel Santos Calderón

Ministra de Educación Nacional

Gina María Parody d’Echeona

Viceministra de Educación Superior

Natalia Ariza Ramírez

“La elaboración de este documento estuvo a cargo

de los autores de las investigaciones, ganadores
de la convocatoria de estudiantes 2010, con la
revisión de la Oficina Asesora de Gestión de
Proyectos de Investigación del ICFES, y el apoyo
de la Oficina de Divulgación del ICFES.”

Elaboración del documento:

Directora General
Ximena Dueñas Herrera Gustavo Rodríguez Albor
Estudiante del Doctorado en Ciencias Sociales
Secretaria General Docente catedrático e investigador del
Maria Sofía Arango Arango programa de Economía del Instituto de
Estudios Económicos del Caribe (IEEC) de la
Director de Evaluación Universidad del Norte
Julián Patricio Mariño von Hildebrand galbor@uninorte.edu.co

Director de Producción y Operaciones Marco Ariza Dau

Edgar Rojas Gordillo Estudiante de la Maestría en Economía
Universidad del Norte
Subdirectora de Análisis y Divulgación daum@uninorte.edu.co
Silvana Godoy Mateus
Tutor:
Jefe Oficina Asesora de Comunicaciones y Mercadeo José Luis Ramos Ruíz Ph.D.
Sandra Milena García Villamizar Docente del programa de Economía
e investigador del Grupo de Análisis
Jefe Oficina Asesora de Gestión de Proyectos de Investigación Económico (Graneco) del Instituto de
Adriana Molina Mantilla Estudios Económicos del Caribe (IEEC) de la
Universidad del Norte
Revisión de estilo jramos@uninorte.edu.co
Fernando Carretero Socha
El nombre original de la propuesta de
Diagramación investigación presentada en la Convocatoria
Johana Angel Murcia ICFES 2010 es “Factores socioeconómicos
Alejandra Guzmán Escobar determinantes del desempeño académico
universitario: el caso de la prueba ECAES -2009
Bogotá, D.C., Noviembre de 2014 en la región Caribe colombiana”. Los autores
agradecen los comentarios y recomendaciones
de Luis Jaime Piñeros Jiménez. Las opiniones,
las tesis y los argumentos expresados son
de propiedad exclusiva de los autores y no
representan el punto de vista del ICFES.

ICFES. 2014. Todos los derechos de autor reservados ©.

Todo el contenido es propiedad exclusiva y reservada del ICFES y es el resultado de investigaciones y obras protegidas por la legislación nacional e
internacional. No se autoriza su reproducción, utilización ni explotación a ningún tercero. Solo se autoriza su uso para fines exclusivamente académicos.
Esta información no podrá ser alterada, modificada o enmendada.
 Resumen

El desempeño académico del estudiante universitario constituye un factor relevante para

obtener un panorama de la calidad de la educación superior. En el caso de los países en vías
de desarrollo como Colombia, y en particular la Región Caribe, resulta pertinente estudiar los
factores que pueden incidir en los resultados de las pruebas diseñadas por el Estado para
este fin.Este trabajo pretende aportar evidencia empírica acerca de los determinantes del
rendimiento académico de los estudiantes universitarios de la Región Caribe colombiana,
particularmente a partir de los resultados obtenidos en la prueba SABER PRO de 2009
en las áreas de Administración, Contaduría, Economía, Derecho, Ingenierías, Medicina y
Licenciaturas. Mediante una modelación multinivel, se analiza la relación entre diferentes
variables socioeconómicas y de la universidad, la calificación media obtenida en las pruebas
por estudiantes para cada disciplina. Varios resultados empíricos explican el rendimiento
académico como: el “efecto universidad” determinado en gran parte por la calidad de la
institución, el relativamente débil poder explicativo que tiene nivel socioeconómico y las
brechas de género encontradas en las diferentes áreas estudiadas.

Palabras claves: desempeño universitario, modelo multinivel, capital humano, brecha de

rendimiento.

3
 Introducción

Desde la segunda mitad de la década de los años 1950, diversos estudios empíricos han
intentado analizar el rendimiento académico a partir de diferentes variables explicativas;
algunas escolares, como el tamaño del grupo, la relación estudiante/profesor y el tamaño de
la escuela entre otras; y no escolares, como es el caso del ingreso de la familia, la educación
de los padres y el género del estudiante, por mencionar algunas de estas.

Hasta comienzos de la década de los años 1970, los primeros trabajos que contemplaron
variables educativas partieron de Schultz, Becker y Mincer. Particularmente, Schultz estudió
la forma de medir los beneficios de la inversión en capital humano, y propuso un método
alternativo que consiste en “calcular la inversión humana a través de su rendimiento más que
a través de su coste” (Schultz, 1972, p. 23, citado en Villalobos y Pedroza, 2009). Becker, por
su parte, tomó los elementos más relevantes de Schultz y reformuló la teoría de la inversión en
capital humano, aportando un conjunto amplio de aplicaciones con formalización matemática.

Para finales de la década de los años 1970, la bibliografía sobre los determinantes del
logro escolar estuvo casi limitada a los países desarrollados, y solo algunos trabajos muy
puntuales como el de Simmons y Alexander (1978) empiezan a incluir en su análisis a los
países de Latinoamérica. Desde ese entonces, el número de estudios se ha incrementado
debido fundamentalmente a los avances en los desarrollos informáticos –en registro de datos
y análisis estadístico– y al reconocimiento general de la importancia creciente del papel que
desempeña el capital humano en el crecimiento económico en países emergentes.

Sin embargo, estudios que evalúen el desempeño académicode los estudiantes universitarios en
Colombia, basados en la teoría de capital humano, son realmente escasos. Esto debido, en parte, a
que la aplicación de las pruebas de desempeño en este nivel educativo se inició voluntariamente
desde el año 2003 y de forma obligatoria con la Ley 1324 del 13 de julio de 2009.

Por ello, los estudios relacionados con los determinantes del desempeño de los estudiantes
en Colombia se han enfocado en análisis descriptivos o reflexivos sobre la educación en
niveles diferentes a la educación superior, donde se destaca el escaso uso de explicaciones
econométricas. Los trabajos más destacados corresponden a temas sobre la calidad de
la educación y sus determinantes (Piñeros y Rodríguez, 1998; Gaviria y Barrientos, 2001;
Núñez, Steiner, Cadena y Pardo, 2002; Barrera y Gaviria, 2003; Mina, 2004), la estructura
salarial y los incentivos de los docentes (Gaviria y Umaña, 2002; Borjas y Acosta, 2002;
Umaña, 2004), resultados de las facultades de economía en las ECAES (Montenegro, 2005;

4
Valens, 2007)), la eficiencia de la educación (Marcelo y Ariza, 2005; Iregui, Melo y Ramos,
2006) y la politización de la educación (Duarte, 1996). En el Caribe colombiano, los estudios
que han analizado la educación superior se enfocan en la calidad universitaria en la región
(por ejemplo, los trabajos de Ferro, Roa y Abello (1999), Moreno y Ramos (2003), Roa (2003),
Quesada y Blanco (2004) y Viloria (2006) y en las brechas de rendimiento (Barón, 2010). Por
tanto, la presente investigación es novedosa en Colombia, pues sería la primera en realizar,
en el nivel universitario, un análisis modelando los resultados de rendimiento en las pruebas
SABER PRO en diversas áreas de conocimiento.

Analizar los resultados del desempeño académico universitario constituye un factor relevante,
debido a que permite tener evidencias sólidas de la calidad de la educación superior, en la
medida que identifican elementos que afectan el rendimiento de los estudiantes, los cuales
son importantes de considerar en el momento de diseñar políticas públicas en pro del
mejoramiento de los procesos educativos universitarios.

En este contexto, el presente trabajo aporta evidencia empírica acerca de los factores que
determinan el rendimiento académico de los estudiantes universitarios de la Región Caribe
colombiana. Se utilizan datos de corte transversal concernientes a la prueba SABER PRO 2009
(antes ECAES1) de las áreas de Economía, Administración, Contaduría, Derecho, Ingenierías,
Medicina y Licenciaturas disponibles en las bases de datos del Instituto Colombiano para la
Evaluación de la Educación (ICFES), con los cuales se estimó una función de producción
educacional, siendo la variable dependiente el resultado obtenido por los estudiantes
universitarios en la prueba SABER PRO 2009.

Con base en lo descrito anteriormente, inicialmente, se exponen las consideraciones teóricas

que soportan la investigación, particularmente asociadas a la teoría del capital humano. Luego,
se describen las características socioeconómicas y brechas de rendimiento académico de
los estudiantes de la Región Caribe colombiana que presentaron la prueba SABER PRO 2009
a partir de la información contenida en los formularios de inscripción.

Seguidamente, se modela econométricamente el rendimiento académico mediante la

estimación de un modelo jerárquico lineal de dos niveles (estudiantes y universidad)
utilizando como variable dependiente el puntaje en SABER PRO 2009 por áreas de estudio
seleccionada y una serie de variables explicativas relacionadas con el estudiante (primer
nivel) y variables relacionadas con la universidad (segundo nivel). Finalmente, se discuten los
resultados obtenidos y proponen algunas recomendaciones de política.

1 En el presente estudio se empleará denominación actual, es decir, prueba SABER PRO, a pesar de que en el año
2009 este examen se conocía como prueba ECAES.

5
 Consideraciones teóricas
sobre capital humano y
desempeño académico

El concepto de capital humano tiene una larga historia en la bibliografía económica

(Psacharopoulos and Patrinos, 2008). La teoría del capital humano fue inicialmente
presentada por Schultz (1961, 1972) y particularmente desarrollada por Becker (1975, 1983).
Esta propuesta hace hincapié en la importancia de la inversión en educación, especialmente
secundaria y universitaria, como elemento fundamental para que el individuo pueda alcanzar
un mayor nivel de ingresos en el futuro.

Según este enfoque, educarse o capacitarse se consideran inversiones de capital, pues

estas “inversiones” elevan sus ingresos, mejora sus destrezas o agrega buenos hábitos a
un individuo a lo largo de su vida. Se denominan capital humano porque los individuos no
pueden separarse de sus conocimientos, habilidades, salud o valores en la forma en que sí
pueden hacerlo de los demás activos (Becker, 1975). Así, un individuo toma la decisión de
invertir en capital humano de forma similar como las empresas y le implica un costo inicial
(como la matrícula o la renuncia a ingresos durante la formación), con la expectativa de
obtener un retorno en el futuro en el que el retorno de la inversión o “tasa interna de retorno”
sea mayor que la tasa de interés de mercado.

Este estudio inicia por considerar la teoría del capital humano en un contexto muy general
para explicar el papel que desempeñan los factores socioeconómicos de los estudiantes
y la calidad de las instituciones universitarias en el desempeño educativo. Si bien las
investigaciones en este campo se basan en esta teoría para adoptar el término productividad
de la educación o educación como generador de crecimiento y desarrollo económico, en una
concepción microeconómica se sugiere la utilización de una función de producción adaptada
al campo de la educación, en la cual se considera el desempeño académico del estudiante
como un output y los insumos a su disposición (libros, condiciones de infraestructura,
recursos didácticos etcétera) y la variables de contexto como su situación y características
socioeconómicas como inputs.

A nivel escolar, desde mediados de la década de los años 1960 comenzaron los estudios
sobre los factores asociados con los resultados académicos basados en el esquema de
función de producción desarrollado en principio por Carroll (1963) y posteriormente por
Coleman (1966) y Jenks (1972).

6
En este sentido, la bibliografía sobre capital humano indica que aspectos como los factores
socioeconómicos de los estudiantes o sus familias, la calidad de las instituciones formativas,
las políticas educativas del gobierno y las expectativas futuras, entre otros, desempeñan un
papel importante en las decisiones de inversión en educación por realizar de las familias e
individuos y en el conocimiento, las destrezas y habilidades que logren adquirir los estudiantes.
Puntualmente, Brunner y Elacqua (2003) encuentran que en la formación del capital humano
en el nivel de secundaria inciden básicamente el origen socioeconómico de la familia
del estudiante y la efectividad (entendida como calidad) de la escuela, sus profesores y
gestión. En esta perspectiva, la evidencia muestra que la clase social afecta enormemente
la acumulación de capital humano, de forma que las familias de una clase socioeconómica
inferior no solo obtienen menos recursos sino también menos capital humano para pasarles
a sus hijos. Así, las investigaciones al respecto (Santín, 2001; Marchesi y Martín, 2002)
encuentran que a medida que se asciende en la escala social, los resultados y expectativas
futuras son mejores.

En cuanto a la calidad de la institución, las investigaciones principalmente giran hacia el nivel

escolar e identifican las características asociadas al desempeño académico como profesores
de calidad (Purkey y Smith, 1983; Teddlie y Stringfield, 1993) y elementos de enseñanza
efectiva --o de calidad-- (Teddie y Stringfield, 1993; McIlrath y Huitt, 1995; Slavin, 1996).

7
 Metodología para establecer los
factores determinantes del
desempeño universitario
En el estudio se emplearon los datos del ICFES2 relacionados con el puntaje obtenido por
22.525 estudiantes de 41 universidades de los departamentos de la Región Caribe (Atlántico,
Bolívar, Cesar, Magdalena, Córdoba, La Guajira y Sucre) en la prueba SABER PRO realizada
en el año 2009 (véase tabla 1).

Tabla 1. Instituciones de educación superior (IES) SABER PRO– 2009

Fuente: ICFES.

2 Información disponible en www.icfes.gov.co

8
Para explicar el desempeño o rendimiento académico universitario, se exploró el efecto de
diferentes variables que representan las características personales, familiares y económicas
de los participantes en la prueba SABER PRO de 2009 (véase tabla 2).
 
Tabla 2. Descripción de las variables socioeconómicas explicativas3

Fuente: elaboración propia.

Con relación al efecto de la calidad de la universidad se consideró como variable proxy la

razón del número de programas de pregrado acreditados sobre el total de programas que
ofrece la universidad, cuya fuente de información es el Sistema Nacional de Información de
la Educación Superior (SNIES) del Ministerio de Educación Nacional4. De igual manera, se
consideró la variable naturaleza o tipo de universidad (INST_ORIGEN) como característica a
nivel de la institución.

Con la información de estas variables se procedió a realizar el análisis descriptivo general de

las principales variables y un análisis de brechas de rendimiento por género, departamento y
tipo de institución (oficial o no oficial), a fin de establecer las características generales de los
participantes en la prueba SABER PRO 2009 en la Región Caribe colombiana.

3 Se conserva la convención utilizada por el ICFES

4 Información disponible en http://www.mineducacion.gov.co/sistemasdeinformacion/1735/channel.html.

9
 Previo a la modelación se construyó un índice de nivel socioeconómico (INS) para los
estudiantes utilizando la metodología PRINQUAL (componentes principales cualitativos)
siguiendo el procedimiento empleado por Ocampo y Foronda (2007) y Piñeros y Rodríguez
(1998). La metodología utilizada se fundamenta en la aplicación de componentes principales
para variables categóricas, procedimiento desarrollado por Young, Takane y de Leeuw (citado
por Guerrero, 2003) que analiza los componentes principales sobre todo tipo de variables,
incluidas cuantitativas y cualitativas. En este procedimiento, solo se tuvieron en cuenta
individuos con la información completa de todas las variables que componen el índice de
nivel socioeconómico, lo que redujo la muestra a 22.244 individuos.

Además de la construcción del INS se analizó y modeló de manera independiente cada

área de conocimiento, debido a que los resultados de las pruebas no son técnicamente
unificables dada la diversidad de programas con naturaleza de estudio diferentes. Por ello, se
realizó una selección de un grupo de áreas de conocimiento, teniendo en cuenta la afinidad
de la prueba y la frecuencia, a fin de garantizar comparaciones entre individuos de una misma
área y tamaños de muestra suficientemente grandes para las pruebas de iguales medias5.
Las áreas de conocimientos seleccionadas a partir de los criterios establecidos fueron:
Medicina, Derecho, Economía, Administración y Contaduría. En el caso de las Licenciaturas
y las Ingenierías, se utilizó la agrupación de Barón (2010, p.15).

Tabla 3. Áreas de conocimiento prueba SABER PRO – 2009

Participantes Participación
Areas de conocimiento seleccionadas
(N) (%)
Medicina 994 7
Derecho 3.128 21
Economía 400 3
Administración 3.102 21
Contaduría 2.296 15
Licenciaturas (Todas) 2.071 18
Ingenierías (Civil, Sistemas, Eléctrica, Electrónica y Mecánica) 2.319 15
Total 14.310 100

Fuente: elaboración propia, a partir de base datos ICFES, pruebas SABER PRO 2009.

5 Para efecto de las comparaciones, Barón (2010, p. 16), en su análisis de las brechas de rendimiento académico
para Barranquilla, señala: “Los archivos con microdatos que el ICFES hace disponibles públicamente estandariza
los resultados de cada prueba a nivel nacional a tener media 100 y desviación igual a 10. Esto se realiza por prueba
y a nivel nacional, no para cada ciudad, lo que nos permite hacer las comparaciones entre ciudades y agregar los
diferentes resultados para cada prueba por ciudad”. En este caso, las comparaciones se realizan dentro de cada
área de conocimiento utilizando como base de comparación el departamento y otras variables de interés.

10
 Una vez realizados los pasos anteriores, se procedió a la modelación de la variables
mediante los modelos de regresión multinivel, en los cuales se supone que hay un conjunto
de datos jerárquicos, con una sola variable dependiente que es medida en el nivel más
bajo y variables explicativas que existen en todos los niveles (De la Cruz, 2008, p.4). Esta
perspectiva de análisis es vital en este tipo de investigaciones, pues toman en consideración
el contexto, permiten analizarlo en conjunto con la heterogeneidad propia de cada estudiante
y contribuyen a identificar patrones y grupos específicos que demandan mayor atención e
intervención; contrario a los modelos de regresión tradicionales, en los cuales se tiende a
subestimar el error típico y a asignar las características del grupo a cada individuo (Rodríguez
y Murillo, 2011, p. 304).

Así, para estimar el efecto de las variables se usó el modelo multinivel de dos niveles,
estudiante y universidad, para cada área del conocimiento seleccionada, y se tomó como
variable dependiente el resultado obtenido en la prueba SABER PRO 2009. Para realizar
las estimaciones de los modelos se incluyeron progresivamente las variables de ajuste,
inicialmente en la parte fija y luego en la parte aleatoria del modelo de acuerdo con el
procedimiento presentado por Pardo, Ruiz y San Martin (2007).

A. Construcción del índice de nivel socioeconómico (INS) de los aplicantes a la prueba

SABER PRO 2009

Según Díaz (2000), el análisis de componentes principales tiene como objetivos, entre
otros, generar nuevas variables a partir de unos datos o variables originales, reducir la
dimensión del espacio donde están inscritos los datos, eliminar variables que aporten
poco al estudio y facilitar la interpretación de los datos. En este contexto, el procedimiento
PRINQUAL (componentes principales cualitativas) es una extensión del análisis de
componentes principales ordinarios, el cual acepta tanto variables cualitativas como
cuantitativas.

El procedimiento se aplicó al grupo de variables especificadas en la tabla 4, y se

obtuvieron siete componentes6.

Realizado el paso anterior, se procedió a tomar los dos primeros componentes con
valores propios mayores que 1 como criterio de selección (Díaz, 2000), los cuales
explican el 59,65% de la varianza total (véase tabla 5). Una vez seleccionados el número
de componentes, se realizó el cálculo de la matriz de las cargas de componentes, para
conocer la contribución de cada una de las variables originales en los dos componentes
principales seleccionados (Ocampo et al., 2007).

6 Se obtuvo una medida de adecuación muestral (Kaiser-Meyer-Olkin) de 0,769 y la prueba de esfericidad de Bartlett
resultó significativa (0,00) y un alfa de Cronbach total de 1.

11
 Tabla 4. Variables para la construcción del INS7

Fuente: elaboración de los autores a partir de la base de datos del ICFES.

Así, el primer componente se tipifica principalmente por las variables Estrato, Nivel del Sisben8,
Ingreso familiar y Nivel educativo de los padres (padre y madre), explicando el 43,24% de la
varianza total. Por su parte, el segundo componente explica el 16,42% de la variabilidad, y se
tipifica por las variables ocupación de los padres9.

Tabla 5. Componentes principales INS Tabla 6. Contribuciones - Componentes

principales INS

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

7 Valores mayores en la escala ordinal indican mejores condiciones socioeconómicas.

8 El Sistema de Selección de Beneficiarios para Programas Sociales (Sisben) es una herramienta del Departamento
de Planeación Nacional de Colombia para identificar beneficiarios potenciales de programas sociales.
9 Se considera pertinente el análisis de las contribuciones de las variables originales para interpretar los factores o
componentes resultantes, sin usar etiquetas que lleven a interpretaciones confusas.

12
 El siguiente paso es la obtención de las calificaciones de cada componente para cada individuo
utilizando un procedimiento de regresión10; estas calificaciones se ponderan de acuerdo con
el aporte de cada componente en la varianza total para obtener un solo indicador sintético11
del nivel socioeconómico del estudiante, el cual se utilizará en el modelo econométrico como
variable independiente. Por último, se realiza un procedimiento simple de cambio de escala
a fin de llevarla a una que toma valores de 1 a 10, con el fin de facilitar su interpretación. El
gráfico 1 presenta el histograma de frecuencias y los percentiles calculados para el INS en
escala de 1 a 10.

Gráfico 1. Histograma de frecuencias para INS_10

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

B. El modelo Multinivel

La presente investigación estima los factores determinantes del desempeño académico

de los estudiantes universitarios de la Región Caribe colombiana. Un modelo de regresión
lineal según la teoría del capital de humano se define así:

Yi = γ0 + γi xi + ei (1)

10 Toda la metodología de PRINQUAL se desarrolló utilizando el software SPSS.

11 Esta parte del procedimiento se realiza en la hoja de cálculo del SPSS para los 22.244 individuos que componen
la muestra.

13
 Donde:

Yi: desempeño académico de los estudiantes representado en el puntaje medio de la

prueba SABER PRO 2009.
γ0: la intersección con el eje Y.
γi: el parámetro que indica el valor de cambio por cada unidad de aumento en la variable.
xi (por ejemplo, el nivel socioeconómico del estudiante) y corresponde a la pendiente.
ei: el término del error.

Ahora bien, tal como lo explican Rodríguez y Murillo (2011), si se tienen dos universidades
o más, cada una tendría su propia ecuación (1); sin embargo, debido a que este tipo
de investigaciones no está interesada en uno o dos universidades solamente, sino en
un gran número de ellas, resulta más pertinente modelar el rendimiento académico
mediante la estimación de un modelo multinivel o jerárquico lineal. Para ello, se utilizan
como variable dependiente el puntaje en SABER PRO 2009 en las áreas de Economía,
Administración, Contaduría, Derecho, Ingenierías, Medicina y Licenciaturas y una serie
de variables explicativas relacionadas con el estudiante (primer nivel) como género, y
nivel socioeconómico, entre otras, y variables relacionadas con la universidad (segundo
nivel) como naturaleza o tipo y calidad de la institución.

Para facilitar la interpretación de los resultados, se construyó un modelo de dos niveles

(estudiantes y universidad) tanto de efectos fijos como aleatorios (modelo mixto),
partiendo de la estructura más sencilla que es el modelo vacío o nulo hasta llegar a un
modelo multinivel con un factor de efectos aleatorios, los resultados se presentan por
área de conocimiento y se toma como variable dependiente el puntaje obtenido en la
prueba SABER PRO 200912.

C. Incondicional o nulo. Modelo 1

De acuerdo con Rodríguez y Murillo (2011), este modelo permite hacer la comparación
con los modelos posteriores, de manera que se puede contrastar si hay un aporte en la
explicación de la variabilidad a medida que se incluyen las variables de ajuste. Se obtiene
eliminando todo lo relacionado con las variables independientes, de allí su nombre. La
ecuación (2) representa la estructura mixta del modelo para el nivel 1 (estudiantes o
participantes a la prueba SABER PRO13) y nivel 2 (universidad), así:

Yij = γ00 + u0j + eij (2)

12 El software utilizado para generar los resultados es el SPSS versión 18, y se sigue el procedimiento presentado por
Pardo et al.,(2007), para la descripción, ajuste e interpretación de este tipo de modelos con este software.
13 En el nivel 1 adopta la siguiente forma: Yij = β0j + eij.

14
 Donde:

Yij: variable dependiente correspondiente al puntaje SABER PRO 2009 de cada

individuo.
γ00 + u0j: puntaje medio en la población de universidades y la variación aleatoria de
cada universidad en torno a esa media.
eij: efecto aleatorio asociado al estudiante i, con distribución normal, media cero y
varianza constante (Ωe).

D. Análisis de regresión: medias como resultados. Modelo 2

Se exploró un modelo que intenta explicar las medias de rendimiento de las distintas
universidades o variabilidad de nivel 2. Para este modelo se utilizó como variable de
segundo nivel la proporción de programas acreditados sobre el total de la oferta de
programas de la universidad como variable proxy de la calidad de la misma. Esta
variable se centra en la media a fin de que el intercepto represente la media de la variable
dependiente, en este caso el rendimiento académico.

El objetivo de este modelo es pronosticar el rendimiento académico promedio de cada

universidad a partir del nivel calidad de las mismas, dado que existen diferencias entre
las medias de las universidades, y estas diferencias pueden explicarse por el nivel de
calidad de la institución. En cuanto a la estructura del modelo, este solo adiciona una
covariable medida en el nivel 2 que es la proporción de programas acreditados sobre el
total de la oferta de programas de cada universidad (Calidad_cent)14, expresada como la
diferencia respecto a la media en la ecuación 4, (Zj=Zj - Z̅ ).

Yij = γ00 + γ01Zj + (u0j + eij) (3)

E. Análisis de covarianza: un factor de efectos aleatorios. Modelo 3

En el análisis de covarianza se incluyeron variables de nivel 1 y de nivel 2, intentando

explicar las diferencias por área de conocimiento tanto en las medias de rendimiento
académico entre las universidades o nivel 2, como las diferencias entre el rendimiento
académico de los estudiantes de la misma universidad. Así, en este modelo se presentan
en primera instancia las estimaciones de parámetros fijos tanto para las variables de
nivel 1 como de nivel 2, que además de la variable proxy para medir la calidad de la
14 En este caso, el 61% de las universidades contaba a la fecha del estudio con por lo menos un programa de
pregrado acreditado.

15
 universidad incluye una dicotómica relacionada con el tipo o naturaleza de la institución
(1 si es pública y 0 si es privada).

La ecuación 4 presenta la estructura del modelo mixto:

Yij = γ00 + γ01 (Cal_cent) + γ02 (INST_ORIGEN) + γ10 (GÉNERO) + γ11 (INS_cent)
+ γ12 (EST_SN_CABEZA_FMLIA) + γ13 (ESTU_TRABAJA) + γ14 (Cal_cent) (INS_cent)
+ γ15 (GRUPO_EDAD) + (u0j + ej) (4)

Con la información obtenida de la variabilidad en el estudiante y la universidad, se calculó

el coeficiente de correlación intraclase (CCI), a partir de la información que arroja cada
modelo y permite conocer el porcentaje de varianza explicada teniendo controladas las
variables referidas al contexto del estudiante y de la universidad, lo cual indicó el efecto
neto de la universidad.

σ2 μ0
CCI = (6)
(σ2 e0 + σ2 μ0 )

16
 Resultados

A. Análisis descriptivo general

El análisis descriptivo de los individuos estudiados revela que cerca del 60% de la muestra
es de sexo femenino, la edad predominante se ubica entre los 21 y 25 años (57%) y la
mayoría (79%) tienen la condición de solteros. El tamaño de la familia promedio oscila
en el rango de entre 3 y 5 integrantes (68%), el 15% es cabeza de familia y cerca del 26%
tiene por lo menos 1 persona a cargo. Asimismo, se aprecia que el nivel educativo es
similar entre padre y madre, con un porcentaje de profesionales ligeramente mayor en el
caso de los padres. Por ocupación , cerca de la mitad de las madres de los aplicantes15
16
se dedican a labores del hogar (47%) y el 12% de los padres son empresarios.

La muestra de aplicantes en SABER PRO2009 se concentra en los estratos bajos (el 55%
pertenece a los estratos 1 y 2), los estratos 5 y 6 solo aportaron el 6,5% de la muestra. A su
vez los ingresos familiares se ubican principalmente en el rango de menos de tres salarios
mínimos (70%) y un 46% manifestó pertenecer, en alguno de sus niveles, al régimen
subsidiado de salud. El 54% de la muestra estaba trabajando al momento de diligenciar el
formulario. El valor de la matrícula pagada en el último año se concentra en el rango en de
entre 1 millón y 3 millones de pesos (30%) y menos de 500.000 pesos (29%).

Tabla 7. Características aplicantes SABER PRO 2009 en la Región Caribe colombiana.

Continúa en la siguiente página

15 Clasificación utilizada por Broomhall y Johnson (1994), conformada por doce (12) áreas de ocupación.

17
 Fuente: elaboración propia, a partir de ICFES. Pruebas SABER PRO 2009.

Tabla 8. Características familiares – Ocupación de los padres (%)

Fuente: ICFES.

B. Brechas de rendimiento académico

Para el cálculo de las brechas de rendimiento dentro de cada área de conocimiento se

tuvieron en cuenta tres variables de interés: género, departamento y naturaleza de la
universidad (pública o privada).

18
 ► 1. Brechas de rendimiento por género

Al tomar los puntajes promedio en SABER PRO 2009 y comparar los resultados
entre hombres y mujeres en cada área de conocimiento se obtuvieron diferencias
estadísticamente significativas (con excepción del área de Contaduría) en todas las
áreas a favor de los hombres, especialmente en Economía e Ingenierías. Por otra parte,
la última columna de la tabla 9 presenta los percentiles 95 para cada área y por género;
en esta se destaca que entre los mejores estudiantes de Medicina no existen brechas de
género. En el resto de las áreas la diferencia permanece a favor de los hombres.

Tabla 9. Brechas de rendimiento por género

** Significativa al 95% de confianza

*** Significativa al99% de confianza

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

► 2. Brechas de rendimiento por departamento

A fin de calcular las brechas de rendimiento por departamento en la prueba SABER PRO
2009, se tomó como referencia el departamento del Atlántico y se presentaron estas
diferencias por área de conocimiento. En el área de Administración de Empresas, el

19
 departamento del Atlántico obtuvo un promedio muy superior respecto a Cesar, Córdoba
y La Guajira, con una brecha calculada de entre del 7% y el 11% a favor del Atlántico,
y en menor medida con Magdalena donde la brecha es del 5,5%. Respecto a Sucre, la
brecha no existe en esta área, mientras que en Bolívar es del 1,8%.

En otras áreas del conocimiento como Derecho y Medicina, la brecha de rendimiento

no favorece a Atlántico; por el contario, Magdalena, Bolívar y Sucre obtienen promedios
significativamente mayores, especialmente en Medicina donde las diferencias con los
dos primeros departamentos son del 6% y el 5%, respectivamente.
En un área crucial como las Licenciaturas por su influencia en la calidad de la educación,
especialmente a nivel escolar, la diferencia en rendimiento a favor del departamento del
Atlántico con los demás departamentos en comparación es muy alta en casi todos los
casos. Con excepción del Cesar y Córdoba, donde la brecha es del 2,5% y se puede
hablar de una diferencia moderada, en los demás casos esta diferencia es muy alta: el
4,5% con Sucre; Magdalena el 7,5%; y cerca del 15% para Bolívar y el departamento de
La Guajira, todas estadísticamente significativas.

Tabla 10. Brechas de rendimiento por departamento

** Significativa al 95% de confianza.

*** Significativa al99% de confianza.

Fuente: cálculos de los autores a partir de la base de datos de ICFES.

20
 ► 3. Brechas de rendimiento por naturaleza de la universidad

Al comparar el rendimiento académico de las universidades privadas y públicas se

detectaron diferencias en todas las áreas excepto en las Licenciaturas. La diferencia
más grande la encontramos en el área de Medicina, donde la brecha representa cerca
del 12% a favor de la universidad pública, mientras que en Derecho e Ingeniería son
del 2,5% y el 1,5% respectivamente. Solo en las áreas de Administración y Economía,
las universidades privadas tuvieron un mejor desempeño promedio que las públicas,
especialmente en esta última área donde la brecha es del 5,7%.

Tabla 11. Brechas de rendimiento por naturaleza de la universidad.

** Significativa al 95% de confianza

*** Significativa al99% de confianza
Fuente: cálculos de los autores a partir de la base de datos del ICFES.
 
C. El modelo

Con el fin de estimar los factores determinantes del desempeño académico de los
estudiantes universitarios de la Región Caribe colombiana se procedió a modelar las

21
 variables explicativas relacionadas con el estudiante (primer nivel) como género, y nivel
socioeconómico, y variables relacionadas con la universidad (segundo nivel) como
naturaleza y calidad de la institución.

Para ello inicialmente, se presenta el modelo nulo por área y la estimación, a partir
de ellos, del “efecto universidad” (modelo 1). Seguidamente, se explican las medias
de rendimiento de las distintas universidades o variabilidad de nivel 2, debida a la
calidad de la institución (modelo 2). Finalmente, se analizan las diferencias por área de
conocimiento tanto en las medias de rendimiento académico entre las universidades o
nivel 2, como las diferencias entre el rendimiento académico de los estudiantes de la
misma universidad (modelo 3).

► Modelo 1: estimación de los efectos de la institución.

Los resultados de la tabla 12 permiten aseverar que el valor poblacional de la constante

o intersección del modelo es distinto de cero; se trata entonces de una estimación de la
media poblacional de rendimiento de las 41 universidades que conformaron la muestra.
La media más alta se alcanzó en el área de Derecho seguida por el área de Licenciaturas,
mientras la media más baja se obtuvo en el área de Medicina.

Tabla 12. Modelo ANOVA (un factor de efectos aleatorios).

Estimaciones de los parámetros de efectos fijos.

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

Por otra parte, la tabla 13 ofrece las estimaciones de los parámetros de covarianza o
las estimaciones asociadas a los efectos aleatorios del modelo. La varianza del factor
universidad en todos los casos resultó significativa (al 90% en el caso de Medicina y
Economía) y, por tanto, mayor que cero, lo cual indica que contribuye a explicar la
variabilidad del rendimiento académico.

22
 El coeficiente de correlación intraclase (CCI), el cual representa el grado de variabilidad
existente entre las distintas universidades en comparación con la variabilidad presente
entre los estudiantes de la misma universidad, se muestra en la penúltima columna. Esta
medida, para el caso del área de Derecho, Medicina y Economía, es bastante alta e indica
que de la variabilidad total del rendimiento académico en estas áreas, el 43%, 39% y 47%
respectivamente, corresponde a la diferencia entre las medias de las universidades, el
valor restante por tanto (57%, 61% y 53%, respectivamente) se atribuye a la variabilidad
del rendimiento académico dentro de cada universidad. En el caso de Administración,
Contaduría, Ingenierías y Licenciaturas, el factor universidad también fue determinante
para explicar las diferencias en el rendimiento académico aunque en un menor grado
que las otras dos áreas (19%, 13%, 17% y 24%, respectivamente).

Tabla 13. Modelo ANOVA (un factor de efectos aleatorios).

Estimaciones de parámetros de covarianza.

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

► Modelo 2: estimación del efecto del nivel de calidad de la universidad.

Los resultados de la tabla 14 muestran las estimaciones de los dos parámetros de efectos
fijos para cada área de conocimiento, es decir, la intersección y el coeficiente asociado
a la covariable Calidad_cent de la universidad. Las intersecciones variaron muy poco
respecto al modelo nulo, por tanto, no se afectaron por la covariable de nivel 2, lo cual
representa una estimación del rendimiento académico promedio de la población de

23
 universidades por ser una variable centrada en la media. En el caso de los coeficientes,
todos resultaron significativos (al 90% en el peor de los casos) y, por tanto, aumentos en
la proporción de programas acreditados generaron incrementos del nivel promedio de
rendimiento académico.

Tabla 14. Modelo de regresión (medias como resultados).

Estimaciones de los parámetros de efectos fijos.

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

En cuanto a la estimación de los parámetros de covarianza de la tabla 15, se muestra

claramente que los coeficientes resultaron significativos, excepto en el caso de Economía
donde el nivel de confianza fue de solo el 86%. Estas estimaciones revelan hallazgos
importantes, especialmente en los casos de Administración, Derecho, Ingeniería,
Licenciaturas y Medicina, en los que el CCI se redujo significativamente a 11% (19% en
el modelo nulo), 17% (43% en el modelo nulo), 11% (17% en el modelo nulo), 15% (24%
en el modelo nulo) y 29% (39% en el modelo nulo), respectivamente.

En el caso de Economía, la reducción fue del 30% (de 47% pasó al 17%); sin embargo,
se debe tener presente que la probabilidad de cometer un error tipo 1 en este caso es
mayor, por tanto, el efecto de la calidad en esta área no es del todo claro.

En síntesis, este resultado se debió a que gran parte de las diferencias observadas entre
el rendimiento académico de las universidades se explica por el nivel de calidad de
institución medida por la variable Calidad_cent.

24
 Tabla 15. Modelo de regresión (medias como resultados).
Estimaciones de los parámetros de covarianza.

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

Comparando las estimaciones de los parámetros de covarianza del modelo nulo o

modelo 1 y el modelo 2, que incluye la variable Calidad_cent, se obtuvo la proporción
de varianza explicada en el nivel 2, es decir, el 42% de las diferencias en rendimiento
académico medio observadas entre las universidades en el área de Administración, se
atribuyó a la calidad de la institución; en el caso de Derecho, este porcentaje ascendió
al 60% y así sucesivamente para todas las demás áreas (véase tabla 16).

Tabla 16. Proporción de la varianza explicada por

la calidad de la universidad.

Fuente: cálculos de los autores a partir de la base de datos del ICFES.

25
 ► Modelo 3: análisis de covarianza.

Analizando los resultados de efectos fijos, se observó que para todas las áreas
analizadas el rendimiento académico promedio a nivel de la población de universidades
fue significativamente mayor que cero (véanse tablas 17 y 18).

Tabla 17. Modelo de regresión (ANCOVA).

Estimaciones de los parámetros de efectos fijos por área de conocimiento.

Fuente: cálculos de los autores a partir de la Base de datos del ICFES

Tabla 18. Modelo de Regresión (ANCOVA)

Estimaciones de los parámetros de covarianza por área de conocimiento

Fuente: Cálculos de los autores a partir de la Base de datos del ICFES 

26
 Discusión de los
resultados obtenidos
Al igual que el resto de modelos y para todas las áreas analizadas, la constante o intersección
es una estimación media del rendimiento académico de las universidades. En este caso, el
rendimiento académico promedio a nivel de la población de universidades fue significativamente
mayor que cero. El “efecto universidad” o la varianza total en el rendimiento que se debe a las
variaciones existentes entre universidades fueron diferentes por área de conocimiento. En este
sentido, en áreas como Economía, Medicina y Derecho por lo menos el 40% de las diferencias
se explicaron por variables de segundo nivel en contraste con el poder explicativo que tuvo
las variables de primer nivel en programas como Administración, Contaduría, Ingenierías y
Licenciatura, donde el efecto universidad fue menor que 25%. En el caso del programa de
Economía, los resultados de este efecto están muy cercanos a los obtenidos por Valens (2004).

Al revisar los resultados de brecha de género, con excepción del programa de Contaduría, la
variable género fue significativa en todas las demás áreas. La diferencia más alta de los hombres
sobre las mujeres se da en el área de las Ingenierías (2,4%), mientras en las demás áreas oscila
entre el 1,2% y el 1,9%. Este resultado puede estar relacionado con las brechas de rendimiento
entre hombres y mujeres halladas en estudios a nivel de secundaría en el área de matemáticas,
que es el fundamento básico de los programas de Economía e Ingenierías, y que se reproducen
a nivel universitario. Un documento del Banco Interamericano de Desarrollo sobre “La condición
de la educación en matemáticas y ciencias naturales en América Latina y el Caribe” realizado por
Valverde y Näslund-Hadley (2010), enfatiza sobre estas diferencias de género en matemáticas, al
catalogarlas como considerables, especialmente en El Salvador y Colombia.

Los resultados obtenidos demuestran y confirman que existe una brecha de género a favor
de los hombres y, por tanto, si el estudiante que presenta la prueba es hombre el rendimiento
académico aumenta en promedio entre 1 y 3 puntos. Este resultado fue similar por el
obtenido por Valens (2007) para el programa de Economía (3,133), y a nivel de secundaria
por Piñeros(1998) quien obtuvo coeficientes de 3,574 para colegios públicos y 3,471 para los
privados en Ciencias17.

La variable Edad (GRUPO_EDAD) resultó significativa para 5 de las áreas (con excepción de
Contaduría y Administración). El signo fue negativo en todos los casos, lo cual significa que a
mayor edad el rendimiento académico disminuye; lo mismo que el género, el impacto fue de
1 a 3 puntos en los resultados de la prueba. El 57%, como se anotó, tenía entre 21 y 25 años
cuando presentó la prueba y solo el 15% tenía más de 31 años; este último grupo obtuvo una
media en el puntaje de cerca de 7 puntos por debajo del primero.
17 Para la prueba de matemáticas este resultado fue de 3,734 y 3,511 para colegios públicos y privados,
respectivamente.

27
 Si el estudiante trabaja (ESTU_TRABAJA) o es cabeza de familia (ESTU_SN_CABEZA), su
rendimiento académico disminuyó. La primera de estas variables resultó determinante en las
áreas de Administración, Medicina y Licenciaturas, y la segunda en áreas como Ingenierías,
Licenciaturas, Derecho y Contaduría. Aunque no existen antecedentes en la literatura sobre
los efectos esperados de este grupo de variables, se esperaba de antemano este resultado,
teniendo en cuenta que si el estudiante trabaja o es cabeza de familia su tiempo para el
estudio disminuye y esto a su vez disminuye su rendimiento.

En cuanto al nivel socioeconómico, este resultó altamente significativo en las áreas de

Administración, Contaduría Medicina y Licenciaturas y tuvo una relación directa con el
rendimiento académico: cuanto más alto es el INS mejor es el rendimiento promedio en
la prueba. El trabajo de Piñeros (1998), el cual sirvió de referencia para el presente estudio
en cuanto a la construcción del INS, obtuvo coeficientes entre 0,21 y 0,52 igualmente
significativos. En este caso se obtuvieron resultados entre 0,29 y 0.80 como se aprecia en la
tabla 17 para las áreas mencionadas.

Cuando se incluyó una interacción entre variables de distinto nivel, el INS del estudiante y
la variable calidad (Cal_cent) de la universidad, el coeficiente tomó un valor positivo y fue
significativo en los programas de Administración, Economía y Derecho, lo cual indicó, para
estos programas, que la relación entre el rendimiento académico y el nivel socioeconómico
de los estudiantes fue mayor cuanto mayor fue la calidad de la institución. En este sentido,
en los casos como Derecho y Economía donde el INS no explica el rendimiento académico
por sí solo, la interacción entre esta variable y la calidad de la institución resultó significativa
y positivamente relacionada con el rendimiento académico. Cabe anotar que no se obtuvo
significancia estadística para la variable INS, y tampoco para su interacción con la variable
Cal_cent en el área de Ingenierías; en otras palabras, no se puede afirmar que el nivel
socioeconómico contribuye a explicar el rendimiento académico en esta área. Además, en
el área de Medicina, a pesar de que la interacción entre la calidad de la institución y el INS
fue significativa, el signo del coeficiente fue negativo, contrario al efecto esperado de una
relación directa entre las dos variables y el rendimiento académico.

En cuanto a la naturaleza o tipo de universidad (pública o privada), si la universidad es

privada, el rendimiento académico disminuye de manera significativa. Esto se cumplió en
los programas de Derecho, Medicina e Ingenierías y el efecto osciló entre 3 y 8 puntos. Este
resultado fue coherente con las brechas de rendimiento obtenidas en el apartado relacionado
con las brechas de rendimiento por naturaleza de la universidad (véase tabla 8).
Tal vez el efecto más importante fue el relacionado con la variable Calidad de la institución
medida por la proporción de programas acreditados sobre la oferta total (Cal_cent). La calidad
de la institución fue altamente significativa en todos los casos y se relacionó positivamente
con el rendimiento académico. Es decir, un aumento marginal de la proporción de programas
acreditados incrementó el promedio de rendimiento académico, en el caso del programa de
Administración en 0,17 puntos y así sucesivamente para los demás programas.

28
 El cálculo del CCI (véase tabla 18) proporcionó una vez más la variabilidad inter-universidad
e intrauniversidad. La inclusión de una segunda variable de nivel 2, como la naturaleza o
tipo de institución (INST_ORIGEN), disminuyó considerablemente la variabilidad existente
entre los distintos centros, en aquellas áreas donde la variable resultó significativa (Derecho,
Ingeniería y Medicina).

Las reducciones más significativas se dieron en Derecho e Ingenierías, pues del 43% pasaron
al 16% y del 17% al 8%, respectivamente, lo cual indicó que gran parte de la diferencias
entre el rendimiento académico promedio de las Universidades se explicó por la calidad de
la universidad y su naturaleza pública o privada. Aunque la reducción en el programa de
Medicina fue de 31 puntos porcentuales (del 39% al 8%) el coeficiente solo fue significativo
al 85% de confianza, por tanto, la probabilidad de cometer un error tipo 1 al igual que en el
programa de Economía fue muy alta.

Repitiendo el cálculo de la tabla 19, se observó cómo aumenta el porcentaje de varianza explicada
al introducir la variable de nivel 2, naturaleza de la institución (INST_ORIGEN), en las áreas de
Derecho, Ingeniería y Medicina. En otras palabras, la calidad de la institución y la naturaleza de
la institución explicaron el 53% de las diferencias en rendimiento académico medio observadas
entre las universidades en el área de Ingeniería y el 63% en el área de Derecho.

Tabla 19. Proporción de la varianza explicada por

la calidad y naturaleza de la universidad.

Fuente: cálculos de los autores a partir de la Base de datos del ICFES

29
 Conclusiones e
implicaciones de política
El estudio realizado mostró que existen factores que están relacionados con el desempeño
académico de los estudiantes universitarios que realizaron la prueba SABER PRO 2009
en la Región Caribe colombiana. Varios resultados empíricos tienen un particular interés:
(1) el “efecto universidad” que es relativamente alto para la explicación del rendimiento
académico universitario;(2) la variable calidad que explica una parte importante del “efecto
universidad”;(3) el relativamente débil poder explicativo que tiene nivel socioeconómico en el
rendimiento académico universitario; y (4) evidencia de la brecha de género en el rendimiento
a favor de los hombres.

Desde la perspectiva de la política educativa, los resultados pueden sugerir una variedad de
estas que pueden afectar el rendimiento académico, por lo cual se plantean a continuación
algunas consideraciones. En cuanto a los dos primeros puntos, relacionados con el papel de la
universidad, los resultados apuntan necesariamente a una mayor profundización de la política
nacional de acreditación tanto a nivel institucional en todos sus componentes (administración,
docencia, investigación y extensión) y a nivel de carreras o programas, particularmente en
lo relacionado con su pertinencia. Sin embargo, es necesario que la política de acreditación
permita procesos flexibles que se ajusten a los requerimientos particulares de determinadas
áreas de conocimiento donde el efecto universidad no muestra ser determinante.

Por otro lado, aunque la evidencia encontrada para algunas áreas muestra que los estudiantes
de nivel socioeconómico más altos tienen un rendimiento superior, tal evidencia a nivel de la
educación superior no es contundente, en contraste con lo que diversos estudios empíricos
han demostrado en primaria y secundaria. La explicación puede radicar en que los procesos
de selección, accesibilidad y permanencia en la educación superior influyen al escogerlos
buenos estudiantes de origen socioeconómico bajo y sirven de “filtro natural” en el proceso
educativo universitario. Lo anterior refuerza la idea de que la inversión en educación para los
estratos socioeconómicos bajos debe realizarse desde las primeras etapas de la educación,
tal como lo sugiere Psacharopoulos (2007). Esto debe crear las condiciones apropiadas para
un mejor desempeño en el nivel universitario.

En cuanto a la brecha de género encontradas a favor de los hombres en áreas como Economía
e Ingenierías, su poder de explicación en el rendimiento académico es tan importante como
los niveles de calidad de la universidad y los efectos de los factores socioeconómicos. Es de
vital importancia tener presente que los resultados del estudio demuestran que estas brechas
de género se reproducen en todos los niveles del sistema de educación (primario, medio y
superior); por tanto, una política pública dirigida a cerrar o disminuir esta brecha para ser

30
 exitosa debe concentrarse en el primer nivel, y deben tener como prioridad la reducción de
las diferencias en las matemáticas.

Por último, se debe anotar que las futuras investigaciones sobre el rendimiento académico
universitario deben incluir variables de tipo subjetivo como la percepción del estudiante
sobre la calidad de los servicios recibidos (incluida la calidad de los docentes), donde la
interdisciplinariedad especialmente se beneficiaría de la ayuda de la psicología y sociología
que pueden brindar herramientas para definir mejores variables explicativas que resulten
pertinentes para entender el rendimiento académico y ofrecer una perspectiva diferente
sobre los procesos de elección de los individuos.

Además, se requieren estudios longitudinales que desde el primer nivel educativo den
cuenta de todo el proceso de evolución del estudiante desde las pruebas de Estado hasta
las evaluaciones en la educación superior.

31
 Referencias

• Barón, J. (2010). La brecha de rendimiento académico de Barranquilla. Documentos de

Trabajo Sobre Economía Regional, N° 137versión preliminar Banco de la República.

• Barrera, F. y Gaviria, A. (2003). Efficiency of Colombian Schools. Fedesarrollo Documento

de trabajo. Recuperado el 15 de Noviembre de 2011 en:
http://www.fedesarrollo.org/contenido/a rticulo.asp?chapter=90&article=323

• Barrientos, J. (2008). Calidad de la educación pública y logro académico en Medellín

2004-2006. Una aproximación por regresión intercuartil. Lecturas de Economía, núm. 68,
enero-junio, pp. 123-144 Universidad de Antioquia Medellín, Colombia.

• Becker, G. (1975) Human Capital: A Theoretical and Empirical Analysis, with Special
Reference to Education. 2d ed. New York: Columbia University Press for NBER.
http://books.google.es/books?id=9t69iICmrZ0C&pg=PR3&source=gbs_selected_
pages&ca =3#v=onepage&q&f=false.

• Becker, G. (1983). El capital humano. Madrid: Alianza.

• Borjas, G. y Acosta. O.L. (2002). Recursos públicos y educación en los años noventa.
En Alesina, A. (Editor). Reformas institucionales en Colombia, Fedesarrollo en coedición
Alfaomega Colombiana S.A, Bogotá.

• Broomhall D. and Johnson T. (1994). Economic Factors that Influence Educational

Performance in Rural Schools Source: American Journal of Agricultural Economics, Vol. 76, No.
3 (Aug., 1994), pp. 557-567. Published by: Oxford University Press on behalf of the Agricultural
& Applied Economics Association Stable URL: http://www.jstor.org/stable/1243666.

• Brunner, J. y Elacqua, G. (2003). Informe capital humano en Chile. Universidad Adolfo

Ibáñez, Chile. P. 40 – 81. Recuperado el 14 de Noviembre de 2011 en:
http://www.oei.es/etp/informe_capital_humano_chile_brunner.pdf

• Coleman, J. S., Campbell, E. Q., Hobson, C. F., Mood, J., Weifield, F. D., and York, R. L.
(1966).Equality of Educational Opportunity. Washington, DC: U.S. Department of Health,
Education & Welfare.

32
 • De la Cruz, F. (2008) Modelos Multinivel. Revista Peruana de Epidemiología. Vol. 12 (3). pp. 2–8.
En: http://sisbib.unmsm.edu.pe/bvrevistas/epidemiologia/v12_n3/pdf/a02v12n3.pdf

• Díaz, L. G. Estadística multivariada: inferencia y métodos. Facultad de Ciencias.

Universidad Nacional de Colombia. Bogotá, 2000.

• Duarte, J. (1996). La Debilidad del Ministerio de Educación y la Politización de la

Educación en Colombia: dos problemas a enfrentar en el Plan Decenal. Coyuntura Social,
No.14, Bogotá.

• Gaviria A & Barrientos J. (2001). Determinantes de la calidad de la educación en Colombia

Archivos de Economía. Documento 159. Departamento Nacional de Planeación.

• Gaviria, A. y Umaña, C. (2002). Estructura salarial de los docentes públicos en Colombia,

Coyuntura Social No. 26, Fedesarrollo, pp. 103-120.

• Guerrero, M. (2003). Metodología de clasificación socioeconómica de los hogares

chilenos. Documento preparado por el departamento de metodología estadística.
Santiago, Chile.

• Ferro, J., Roa, A. y Abello, R. (1999), La educación superior en la Costa Caribe y sus
retos actuales. En: El rezago de la Costa Caribe colombiana, Meisel, A. y Calvo, H. (ed.),
Banco de la República-Fundesarrollo-Universidad del Norte-Universidad Jorge Tadeo
Lozano Seccional del Caribe, Bogotá.

• Iregui, A. M., Melo, L. y Ramos, J. (2006) Evaluación y análisis de eficiencia de la

educación en Colombia. Banco de la República. Bogotá. En:
http://www.banrep.gov.co/docum/ftp/borra381.pdf

• Jenks, C. S. (1972). Inequality: A Reassessment of the Effects of Family and Schooling in

America. NY: Basic Books.

• Marcelo, D. y Ariza, N. (2005). Evolución de los resultados de la educación en Colombia

(1997-2003). Departamento Nacional de Planeación, Archivos de Economía 286, julio.

• Marchesi, A. & Martín, E. (eds). (2002). Evaluación de la educación secundaria.

Fotografía de una etapa polémica. Instituto IDEA, Madrid: SM.

• McIlrath, D., & W. Huitt (1995).The Teaching-Learning Process: A Discussion of Models.

Valdosta, GA: Valdosta State University. (La version resumida puede consultarse en: W.
Huitt The Teaching-Learning Process: A Discussion of Models.Deborah A. McIlrath and
William G. Huitt.Disponible en http://chiron.valdosta.edu/whuitt/files/modeltch.html

33
 • Mina, A. (2004). Factores asociados al logro educativo a nivel municipal. Universidad de
los Andes, Documento CEDE 2004-15, marzo.

• Mincer, J. (1974). Schooling, Earnings and Experience. New York, Columbia University Press.

• Montenegro, A. (2005). Los ECAES de Economía. Documentos de Economía No. 20.

Pontificia Universidad Javeriana. Facultad de Ciencias Económicas y Administrativas.
Departamento de Economía. Septiembre de 2005. Bogotá. En: http://www.javeriana.edu.
co/fcea/area_economia/inv/documents/LosECAESdeeconomia.pdf

• Moreno C., J. L. y Ramos R., J. L. (2003). La eficiencia productiva en la educación

superior de la región Caribe. Un estudio comparativo entre universidades públicas y
privadas de Barranquilla, Santa Marta y Cartagena. Documentos, N° 21, ICFES-CERES,
Barranquilla.

• Núñez, J.; Steiner, R.; Cadena, X. y Pardo, R. (2002). ¿Cuáles colegios ofrecen mejor
educación en Colombia? Departamento Nacional de Planeación, Archivos de Economía
193, junio.

• Ocampo M., y Foronda C. Estudio de la calidad de vida en Bolivia: metodología y

medición Oficina del Informe de Desarrollo Humano. Programa de las Naciones Unidas
Para el Desarrollo (PNUD). Centro de Investigaciones Económicas y Empresariales
(CIEE) Universidad Privada Boliviana. Revista Investigación y Desarrollo, Nº7, 2007.

• Pardo A., Ruiz M., San Martín R. (2007). Como ajustar e interpretar modelos multinivel
con SPSS. Piscothema, vol. 19 numero 002. Universidad de Oviedo, pp. 308-321.

• Piñeros, L. y Rodríguez, A. (1998). Los insumos escolares en la educación secundaria

y su efecto sobre el rendimiento académico de los estudiantes: Un estudio en Colombia.
Banco Mundial, Departamento de Desarrollo Humano, LCSHD Paper Series No. 36, diciembre.

• Psacharopoulos, G. and Patrinos, H. A. (2008). Education and human capital. En:

International Handbook of Development Economics. Dutt, A. K. and Ros, J. (Ed.). Vol.
1,pp. 341 – 355.

• Psacharopoulos, G. (2007). El rendimiento de la inversión en educación superior:

métodos, datos e implicaciones en políticas. Centro de Estudios de la Educación
Superior. CEGES. Madrid.

• Purkey, S. C., and Smith, M. S. (1983). Effective Schools: A Review. The Elementary
School Journal, 83(4), pp. 427 - 452.

34
 • Quesada, V. y Blanco, I. (2004) Calidad en la educación superior en Colombia. Panorama
Económico, N° 12, Facultad de Ciencias Económicas, Universidad de Cartagena, Cartagena.

• Roa V., A. (2003). Acreditación y evaluación de la calidad en la educación superior

colombiana. Consejo Nacional de Acreditación, Bogotá.
http://www.cedus.cl/files/Informe%20Acreditaci%C3%B3n%20-%20Colombia%20-%20
Resumen.pdf

• Rodríguez-Jiménez, O. R. & Murillo-Torrecilla, F. J. (2011). Estimación del efecto

escuela para Colombia. magis, Revista Internacional de Investigación en Educación, 3
(6), pp. 299-316.

• Santín, D. (2001). Influencia de los Factores Socioeconómicos en el Rendimiento Escolar

Internacional: Hacia la Igualdad de Oportunidades Educativas. Universidad Complutense
(España). En: http://eprints.ucm.es/6725/1/0101.pdf

• Schultz, T. W. (1961): “Investment in Human Capital”. American Economic Review. Vol.

51, No .1, pp. 1-17.

• Schultz, T. W. (1972), El Valor Económico de la Educación, Tecnos, México.

• Shekhar K., C. (2006). Human Capital and Growth Empirics. The Journal of Developing
Areas, Vol. 40, No. 1. p. 153-179. Published by: College of Business, Tennessee State
University. En: http://www.jstor.org/stable/4193022

• Simmons, J. and Leigh Alexander (1978). The Determinants of School Achievement: A

Review of the Research. Economic Development and Cultural Change, January 1978.

• Slavin, R. (1996). Salas de Clase Efectivas, Escuelas Efectivas: Plataforma de Investigación

para una Reforma Educativa en América Latina. PREAL, Documento de Trabajo No. 3. En:
http://www.preal.cl/slavin3.pdf

• Teddlie, C. and S. Stringfield (1993).Schools Make a Difference: On Lessons Learned

Form a 10-Year Study of School Effects. New York: Teachers College Press.

• Umaña, C. (2004) Esquema de incentivos para la carrera docente. Departamento

Nacional de Planeación, Archivos de Economía 270, octubre.

• Valens, M. (2007). “Calidad de la Educación Superior en Colombia: un análisis Multinivel

con base en el Ecaes de Economía 2004”. Revista Sociedad y Economía. Universidad
del Valle, No. 13, p.133-154. Descargado en:

35
 http://paginasweb.univalle.edu.co/~revistasye/anteriores.php?n=13
• Valverde, G. y Näslund-Hadley, E. (2010). La condición de la educación en matemáticas
y ciencias naturales en América Latina y el Caribe. División de Educación. (SCL/EDU).
Notas técnicas. Banco Interamericano de Desarrollo. Washington.

• Villalobos, G. y Pedroza, R., (2009). Perspectiva de la teoría del capital humano acerca
de la Relación entre Educación y Desarrollo Económico. Tiempo de Educar, Vol. 10, Núm.
20, Julio - Diciembre, 2009, p. 273-306. Universidad Autónoma del Estado de México.
México. En: http://redalyc.uaemex.mx/redalyc/pdf/311/31112987002.pdf

• Viloria, J. (2006). Educación Superior en el Caribe Colombiano: Análisis de Cobertura

y Calidad. Serie Documentos de Trabajo Sobre Economía Regional, No. 69. Centro de
Estudios Económicos Regionales (CEER) Banco de la República, Cartagena.
http://www.banrep.gov.co/documentos/publicaciones/regional/documentos/
DTSER-69%20(VE).pdf

36
 Calle 17 No. 3-40 • Teléfono:(57-1)338 7338 • Fax:(57-1)283 6778 • Bogotá - Colombia
www.icfes.gov.co

37