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

email

Institución