Factores que influyen en la eficiencia del simce

Universidad de Talca
Facultad de Ciencias Empresariales
Escuela de Ingeniería Comercial
Econometría

Análisis de los factores influyentes en la eficiencia
de las escuelas a través del SIMCE.





Aída Guzmán Campos
Paola Peñailillo Leal
Sergio Pérez Navarrete
Cristian Salgado Valdés

Profesor Guía: Medardo Aguirre González
Ayudantes Guía: Claudio CandiaCampano
Gladys Castro Castro
I. Propuesta de los modelos.
Modelos log-log para ambos casos, lenguaje y matemática.

Modelo 1, lenguaje.
LnY1=β0+β1LnX1+α1D5+α2D6+α3D7+α410,081delo 2, matematicaD8-α5D9-α6D11-α7D12-α8D13-α9D14-α10D1-α11D3

Estimación modelo 1, lenguaje
LnY1=5,671+0,014LnX1+0,019D5+0,022D6+0,021D7+0,104D8-0,041D9-0,203D11-0,164D12-0,112D13-0,049D14-0,012D1+0,027D3Modelo 2, matemática.
LnY2=β0+β1LnX2+α1D5+α2D6+α3D7+α410,081delo 2, matematicaD8-α5D9-α6D11-α7D12-α8D13-α9D14-α10D1-α11D3

Estimación modelo 2, matemática.
LnY2=5,609+0,026LnX2+0,030D5+0,026D6+0,024D7+0,081D8-0,041D9-0,275D11-0,229D12-0,170D13-0,082D14-0,046D1-0,050D3

Este modelo log-log presenta como variable dependiente el logaritmo natural del puntaje promedio del año 2010 obtenidopor el establecimiento en lenguaje y matemática y como variables independientes incluye una variable continua, la cual representa el logaritmo natural de los alumnos con puntaje del año 2010 del establecimiento en lectura y matemática, y variables dicotómicas definidas en el anexo 1.
La capacidad predictiva del modelo presentado para lenguaje según R2 es de 0,389, es decir, el modelo explicaun 38,9 % la variabilidad del puntaje promedio 2010 obtenido por los colegios en la prueba SIMCE de lenguaje.
La capacidad predictiva del modelo mostrado para matemática según R2 es de 0,426. El modelo explica un 42,6% la variabilidad del puntaje promedio 2010 obtenido por los colegios en la prueba SIMCE de matemática.
Al realizar la prueba F-global, para los modelos 1 y 2, H0 se encuentraen región de rechazo, en ambos casos, lenguaje y matemática, lo que indica que los modelos son globalmente significativos y confiables, podemos inferir que ambos modelos pueden ser usados con fines predictivos. (ver anexo 2).
Al analizar la capacidad explicativa de ambos modelos, pruebas T, podemos ver que no todas las variables caen en región de rechazo, existen variables en región deaceptación, esto quiere decir que la diferencia en puntaje promedio entre la variable que se está analizando y la variable que se toma como referencia no es significativa. Que las pruebas T caigan en región de aceptación para algunas variables, no significa que las variables dejen de ser significativas para el modelo, es decir, dejen de ser importantes al momento de incluirlas en el análisis de laestimación final del modelo. (ver anexo 3)
Para el caso del modelo de lenguaje, la variable dicotómica corporación pagada cae en región de aceptación, esto quiere decir que la diferencia en puntaje promedio en lenguaje no es significativa respecto a la variable establecimiento público, variable de referencia. En el caso de matemática, sucede la misma situación con las mismas variables.
En relación alsupuesto básico de multicolinealidad, las variables en estudio fueron analizadas desde su nivel de significancia y los betas no estandarizados, los cuales presentaban variables en región de aceptación e inconsistencias en los signos de estos parámetros, lo que nos muestra que algunas de ellas presentan problemas de multicolinealidad, para solucionar esta dificultad, se corrigieron las variablesafectadas, por lo tanto este modelo no presenta problemas de multicolinealidad. (Ver anexo 3).
La multicolinealidad es un problema que se presenta cuando las variables exógenas del modelo tienen un alto nivel de correlación entre sí. Este problema no afecta las propiedades de los estimadores, es decir, los estimadores pueden seguir siendo eficientes a pesar de que el modelo tenga problemas...