Palabras clave
CORRELACIÓN INTRACLASE
MODELO MULTINIVEL.
STANDARDIZED COEFFICIENTS
INTRA CLASS CORRELATION
MULTILEVEL MODEL.
Cómo citar
Resumen
Ocho países de la región latinoamericana participaron de la evaluación PISA 2012, obteniendo pobres resultados en la evaluación matemática. Al analizar los factores que se asocian con este desempeño, los resultados de esta investigación muestran que la asistencia a la educación preescolar juega un rol importante en el rendimiento futuro de los estudiantes. Además, incluso controlando por variables tradicionalmente relacionadas con el rendimiento como el estatus socioeconómico del hogar, o el nivel educativo de los padres, esta investigación muestra que los factores personales tienen una gran relevancia al momento de explicar las diferencias en los resultados: el autoconcepto de los estudiantes en el área matemática, su interés hacia esta materia y la familiaridad con conceptos matemáticos son variables que resultaron importantes para predecir los puntajes en la prueba PISA.Citas
Banerjee, A. V., Cole, S., Duflo, E., & Linden, L. (2007). Remedying Education: Evidence from Two Randomized Experiments in India. The Quarterly Journal of Economics, 122(3), 1235-1264. https://doi.org/10.1162/qjec.122.3.1235
Barrera-Osorio, F., & Linden, L. L. (2009). The Use And Misuse Of Computers In Education: Evidence From A Randomized Experiment In Colombia. The World Bank. https://doi.org/10.1596/1813-9450-4836
Coleman, J. (1966). Equality of Educational Opportunity. Washington D.C.: UD Deparment of Education
Cristia, J., Ibarraran, P., Cueto, S., Santiago, A., & Severin, E. (2012). Technology and Child
Cristia, J. (2012). Technology and child development: evidence from the one laptop per child program. [IDB Working Paper Series, N° 304], Washington, D.C., Department of Research and Chief Economist, Banco Interamericano de Desarrollo. Recuperado de https://publications.iadb.org/handle/11319/3919
Cristia, J., Czerwonko, A., & Garofalo, P. (2010). Does ict Increase Years of Education? Evidence from Peru. [Working Papers, N° 110], Washington, D.C., Banco Interamericano de Desarrollo. Recuperado de https://publications.iadb.org/handle/11319/3010
Fernández, A. (2013). Análisis de la Resiliencia Educativa de los estudiantes costarricenses con datos de la Prueba de Lectura de la Evaluación PISA 2009. Revista de Ciencias Económicas, 31(2), 75-99. Recuperado de http://revistas.ucr.ac.cr/index.php/economicas/article/view/12696
Fernández, A. (2014). La influencia del acceso al uso de computadoras en edad temprana sobre el rendimiento en matemáticas. Revista de Ciencias Económicas, 32(2), 113. https://doi.org/10.15517/rce.v32i2.17261
Fernández, A. (2017). Un modelo de ecuaciones estructurales bayesiano: aplicación al rendimiento matemático en PISA 2012. (Aprobado para ser publicado en la Revista Estadística Española).
Fernández, A., & Del Valle, R. (diciembre, 2013). Desigualdad Educativa en Costa Rica: La brecha entre los estudiantes de colegios públicos y privados. Revista CEPAL, 111. Recuperado de http://repositorio.cepal.org//handle/11362/35932
Giménez, G., Arias R, R., Castro A, G., Fernández, L. J., Ospina P, N., & Sánchez, L. (2014). ¿Por qué los estudiantes de colegios públicos y privados de Costa Rica obtienen distintos resultados académicos? (Quinto Informe del Estado de la Educación). Programa Estado de la Nación en Desarrollo Humano Sostenible, San José, Costa Rica.
Glewwe, P., Hanushek, E., Humpage, S., & Ravina, R. (2011). School Resources and Educational Outcomes in Developing Countries: A Review of the Literature from 1990 to 2010 (No. w17554). Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w17554
Glewwe, P., Kremer, M., & Moulin, S. (2007). Many Children Left Behind? Textbooks and Test Scores in Kenya (No. w13300). Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w13300
Hanushek, E. A. (1986). The Economics of Schooling: Production and Efficiency in Public Schools. Journal of Economic Literature, 24(3), 1141-1177.
Montero, E. (2012). Los modelos de ecuaciones estructurales como herramienta para explorar posibles relaciones causales en investigación educativa: Una ilustración con datos de PISA 2009 en Costa Rica. Aporte Especial. Cuatro Informe del Estado de la Educación. Programa Estado de la Nación en Desarrollo Humano Sostenible, San José, Costa Rica.
Montero, E., Rojas, S., & Zamora, E. (2014). Costa Rica en las pruebas PISA 2012. Quinto Informe del Estado de la Educación. Programa del Estado de la Nación en Desarrollo Humano Sostenible, San José, Costa Rica.
Montero, E., Rojas, S., Zamora, E., & Rodino, A. (2013). Costa Rica en las pruebas PISA 2009 de Competencia Lectora y Alfabetización Matemática. Cuarto Informe del Estado de la Educación: Programa Estado de La Nación en Desarrollo Humano Sostenible, San José, Costa Rica.
Moreira, T. E. (2009). Factores endógenos y exógenos asociados al rendimiento en matemática: un análisis multinivel. Revista Educación, 33(2), 61. https://doi.org/10.15517/revedu.v33i2.505
Muralidharan, K., & Sundararaman, V. (2013). Contract Teachers: Experimental Evidence from India (No. w19440). Cambridge, MA: National Bureau of Economic Research. https://doi.org/10.3386/w19440
OECD. (2009). PISA Data Analysis Manual: SPSS, Second Edition. OECD Publishing. https://doi.org/10.1787/9789264056275-en
OECD. (2012). PISA 2009 Technical Report. OECD Publishing. https://doi.org/10.1787/9789264167872-en
OECD. (2013). PISA 2012 Assessment and Analytical Framework. OECD Publishing. https://doi.org/10.1787/9789264190511-en
Rojas, L. (2004). Factores Asociados a la Repitencia de los y las Estudiantes que Cursan Sétimo Año en Colegios Académicos, Diurnos y Públicos: Un Análisis de Niveles Múltiples. [Tesis doctoral]. Universidad Estatal a Distancia, San José, Costa Rica.
Tan, J.-P., Lane, J., & Lassibille, G. (1999). Student Outcomes in Philippine Elementary Schools: An Evaluation of Four Experiments. The World Bank Economic Review, 13(3), 493-508. https://doi.org/10.1093/wber/13.3.493
Van Buuren, S., & Groothuis-Oudshoorn, K. (2011). mice : Multivariate Imputation by Chained Equations in R. Journal of Statistical Software, 45(3). https://doi.org/10.18637/jss.v045.i03