POPULARIDAD VS. RENDIMIENTO ACADÉMICO EN LOS

POPULARIDAD VS. RENDIMIENTO ACADÉMICO EN LOS

POPULARIDAD VS. RENDIMIENTO ACADÉMICO EN LOS
ESTUDIANTES UNIVERSITARIOS DE ADE: ¿HAY EFECTO
CROWDING OUT?
Martínez de Ibarreta Zorita, Carlos1
[email protected]
Redondo Palomo, Raquel1
Rua Vieites, Antonio1
Borrás Pala, Francisco1
Fabra Florit, Eugenia1
1
Departamento de Métodos Cuantitativos
Universidad Pontificia Comillas de Madrid
Existen cada vez más trabajos que tratan de analizar la relación existente entre la posición
de popularidad de un estudiante dentro de la red de interacciones sociales de su curso y su
grado de éxito o fracaso académico.
En esta línea, el presente trabajo mide dicha popularidad a través del grado de centralidad o
conectividad de la posición de un alumno en la red social de una clase y estudiar su
influencia en el rendimiento académico, controlando las características propias del alumno
como es su grado de habilidad previa y las de su contexto es decir, la estructura y
composición de su red de relaciones.
El objetivo final pretendido es contrastar empíricamente si una mayor acumulación de
capital social produce, a corto plazo, un efecto negativo en la acumulación de capital
académico, es decir, un efecto crowding out entre ambos o, por el contrario, son conceptos
no relacionados o relacionados de forma directa.
Metodológicamente todo esto se hace mediante la aplicación de modelos multinivel a una
muestra de estudiantes de ADE de una universidad privada.
Palabras clave: rendimiento académico, popularidad social, redes sociales, regresión multinivel.
Agradecimientos: a todas los alumnos colaboradores en la elaboración de la base de datos de amistades
1
1
Introducción
¿Son los estudiantes más populares de una clase los que además obtienen las mejores notas?
O por el contrario, ¿hay que elegir entre dedicar tiempo y esfuerzo a ser popular o a mejorar el
rendimiento académico propio? En este trabajo se intenta obtener una aproximación empírica a
dichos interrogantes, mediante la estimación de modelos que expliquen el rendimiento
académico de estudiantes de ADE de la Universidad Pontificia Comillas de Madrid en función
de su grado de popularidad (centralidad) en su grupo una vez controlados otros factores
influyentes, tanto académicos como personales y de contexto.
Hay muchos trabajos que estudian la relación entre los resultados de un alumno y los
efectos del grupo o de los compañeros (peers). Uno de los enfoques seguidos en la literatura ha
consistido en medir dichos efectos como la media de los resultados o de los comportamientos
del grupo de referencia del alumno, ya sea éste el colegio, la clase o la residencia de estudiantes
(dorm), como sucede en los trabajos de SACERDOTE(2001), HANUSHEK(2003) et al. o
ZIMMERMAN (2003) entre otros. Con este tipo de agregación sin embargo, se está ignorando
quiénes son los estudiantes que realmente interactúan entre sí (quiénes son los “verdaderos”
peers) así como la variación en la fuerza de las interacciones entre los diferentes miembros del
grupo.
Otro enfoque alternativo, con base en la teoría de redes sociales, define los peer effects a
partir del grado de centralidad o popularidad que un alumno tiene en su red social. Esta teoría
sostiene que el comportamiento de los individuos miembros de una red está forzado a ser
consistente con las normas y comportamientos de la propia red. De esta forma, la propia
estructura de la red y la posición del individuo dentro de ésta, afectará a su comportamiento
individual. En esta línea pueden señalarse los trabajos de HAYNIE (2001), MIHALY (2009) o
la revisión realizada por JACKSON (2006). El presente trabajo se enmarca dentro de este
segundo enfoque.
Respecto a la relación entre popularidad y rendimiento académico existen argumentos
teóricos y empíricos tanto a favor de la existencia un vínculo positivo como de la presencia de
un vínculo negativo entre ambos constructos. En el primer caso se argumenta que, si los
individuos interconectados están preocupados con la percepción del grupo, la relación entre
popularidad y rendimiento tenderá a ser positiva, además de producirse efectos sinérgicos y de
reforzamiento entre ambos. El trabajo de CALVO-ARMENGOL et al. (2009) encuentra
resultados en esta dirección. En el segundo caso, se parte de que existe una restricción temporal
a la acumulación de capital humano (académico) y capital social (popularidad), puesto que
2
conseguir y mantener amistades es un proceso que consume tiempo, al igual que las actividades
destinadas a mejorar el rendimiento académico (estudio, realización de trabajos, etc.). Por lo
tanto tenderá a haber una relación inversa entre ambos conceptos. En esa línea se encuentra el
trabajo de MIHALY (2009).
2
Muestra, modelos y variables
2.1. Muestra
Se ha empleado una muestra de tamaño n=590 estudiantes de 2º y 3º curso del grado en
Administración y Dirección de Empresas (ADE) de la Universidad Pontificia Comillas de
Madrid (ICADE), ya estén cursando la especialidad E2 (sólo ADE) o la especialidad E3 (ADE
+ Derecho). La Tabla 1, que refleja la composición porcentual de la muestra por especialidades,
curso y género, permite apreciar una estructura bastante balanceada. Estos alumnos se enmarcan
en 14 grupos o clases diferentes, 5 en 2º E-3 y 3 en 2º de E-3, 3º de E-2 y 3º E-3. El tamaño
medio de cada uno de estos grupos es de 42,2 alumnos.
Tabla 1. Composición porcentual de la muestra por especialidad, curso y género (% s/total)
Especialidad Curso Mujeres Hombres Total
E2
E3
Todos
25,7
22,5
48,2
2º
14,7
12,9
27,6
3º
11,0
9,6
20,6
Todos
24,4
27,4
51,8
2º
12,4
13,2
25,5
3º
12,0
14,2
26,2
50,1
49,9
100,0
Total N=591
Fuente: elaboración propia
La base de datos empleada en este trabajo ha sido construida mediante la agregación de
información proveniente de dos fuentes diferentes. Por una parte, de la base de datos de
expedientes académicos de la Universidad (ICADE) se ha extraído información de cada uno de
los alumnos de la muestra acerca de su expediente académico (nota en cada asignatura y
convocatorias empleadas) así como de algunas otras características sociodemográficas y
académicas de carácter preuniversitario y de las pruebas de admisión. Por otra parte, y con el
objeto de analizar la red social de amistades de la clase o grupo al que pertenece cada alumno,
se pidió a cada alumno que cumplimentara un sencillo cuestionario en el que debía identificar
nominalmente a sus mejores cuatro amigos dentro de su grupo o clase, además de que valorara
cómo de importante para él o ella han sido determinados factores a la hora de establecer sus
3
amistades actuales. La clave académica de alumno fue el campo clave con el que relacionar
ambas fuentes de información.
2.2. Modelos
Tal y como suele establecerse en la literatura, el rendimiento académico de un estudiante
(R) es un output en una función de producción en la que los inputs pueden agruparse en diversas
categorías, entre las que pueden destacarse la de características sociodemográficas de dicho
individuo (C), la de sus antecedentes familiares y de entorno (FE), la de los efectos derivados
del ambiente académico y del grupo (peer effects en la literatura) (AG) en el que dicho alumno
está inserto, su propia capacidad genérica previa (R-1) y también cabe tener en cuenta en este
caso su grado popularidad académica (capital social académico) (P). Simbólicamente esto queda
reflejado en la ecuación [1]
𝑅𝑖 = 𝐹(C;FE;AG;R-1;P)
[1]
Como el objetivo del presente trabajo es analizar y cuantificar el posible efecto del nivel
de popularidad de un alumno respecto a su clase o grupo sobre el rendimiento académico en el
grado en Administración de Empresas, una vez controlados el resto de factores influyentes, la
ecuación genérica [1] podría especificarse para su estimación empírica como una regresión
múltiple con forma lineal tal y como aparece reflejada en [2].
𝑅𝑖 (ℎ) =∝ +𝜷(𝒉)𝑷(𝒉)𝒊 + 𝜸(𝒉)𝑿𝒊 + 𝜀𝑖
[2]
En donde R i representa el rendimiento académico medido de la forma “h” del
estudiante “i”, P i es el vector de variables que capturan el grado de popularidad del alumno “i”,
X i es el vector que recoge el resto de características personales, familiares, de entorno
académico y de rendimiento previo de las que se dispone de información empírica y que actúan
como variables de control y ε i es el término de perturbación aleatoria. Por su parte, β(h) y
γ(h) son los vectores de parámetros que recogen el efecto en el rendimiento académico “h” de
los factores recogidos en los vectores P y X respectivamente.
Sin embargo, hay que tener en cuenta que la estructura de la muestra es de carácter
jerárquico, existiendo dos niveles de agregación, el nivel individual y el nivel de la clase o
grupo de pertenencia de los alumnos. Por este motivo se considerará adecuado plantear un
4
modelo de regresión jerárquico o multinivel en su versión más sencilla de intercepto aleatorio 1,
que se correspondería con un modelo de datos de panel con efectos aleatorios. Así la
especificación elegida pasa a ser la que recogen las ecuaciones [3] y [4].
𝑅𝑖𝑗 (ℎ) = 𝜇𝑗 + 𝜷(𝒉)𝑷𝒊𝒋 + 𝜸(𝒉)𝑿𝒊𝒋 + 𝜀𝑖𝑗
[3]
𝜇𝑗 = 𝛽0 + 𝛿𝑗
[4]
Donde “j” indica el grupo o clase “j”, el término β 0 refleja el valor medio del intercepto
para todos los grupos y todas las observaciones y el término δ j es la desviación del grupo “j”
respecto a la media global. Así se capturan las características no medibles del grupo y que
pueden hacer que su rendimiento académico global sea mayor o menor para el conjunto de
alumnos perteneciente a ese nivel (diferentes profesores con diferente nivel de exigencia, por
ejemplo). En consecuencia, se estimarán empíricamente mediante regresión multinivel tantos
modelos como diferentes medidas de rendimiento académico se consideren.
Es preciso señalar que considerar la estructura multinivel de los datos permite incluir en
la ecuación [3] variables explicativas pertenecientes al nivel superior (el grupo o la clase) sin
riesgo de cometer la denominada falacia ecológica, que consiste en analizar datos a un nivel
superior y extraer de ahí conclusiones para el nivel inferior –FREEDMAN (2001)-.
Los detalles acerca de las variables tanto endógenas como explicativas se recogen en el
siguiente epígrafe.
2.3. Variables
2.3.1. Variables dependientes: medidas de rendimiento académico
Se han considerado diferentes medidas de rendimiento académico, ya sea este
contemplado desde el punto de vista del éxito (nota media o porcentaje de sobresalientes) como
del fracaso (porcentaje de asignaturas suspensas), como variables dependientes alternativas en
cada uno de los modelos estimados. En concreto se han empleado las siguientes variables:
•
Nota media total 2
1
Se han probado modelos con pendientes aleatorias pero su estimación no ha convergido debido al escaso
número de grupos o entidades de segundo nivel consideradas, J=14, y su alto grado de homogeneidad
entre unos y otros.
2
Se promedian las asignaturas de primer curso, segundo curso y aquellas cursadas en el primer semestre
de 3er curso y que hayan sido volcadas a la base de datos de Expedientes Académicos de la Universidad.
5
•
Nota media de asignaturas de 1er curso
•
Nota media de asignaturas de 2º curso
•
Porcentaje de asignaturas suspensas (en primera convocatoria) sobre total de
asignaturas cursadas (medida de fracaso académico)
•
Porcentaje de sobresalientes sobre el total de asignaturas cursadas.
Para calcular las notas medias, y con el fin de tener en cuenta la convocatoria en la que se
ha superado una asignatura, y a igualdad de nota dar menos peso a aquellas obtenidas en
convocatorias más avanzadas se ha empleado la siguiente fórmula de ponderación expresada en
[5]
𝑟𝑒𝑛𝑑𝑖𝑚 𝑎𝑠𝑖𝑔 = 0,8(𝑛º 𝑐𝑜𝑛𝑣𝑜𝑐𝑎𝑡𝑜𝑟𝑖𝑎−1) ∗ 𝑐𝑎𝑙𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛
[5]
A la hora de obtener las notas medias por curso y totales, y teniendo en cuenta que no
todas las asignaturas son igual de importantes en cuanto a número de créditos y que no se
dispone de la misma información de todos los alumnos, se ha efectuado una media ponderada
de los rendimientos, usando como ponderaciones el número de créditos académicos
correspondientes a cada una de ellas tal y como refleja la fórmula [6], en donde “k” es el
número de asignaturas que se agregan.
𝑛𝑜𝑡𝑎𝑚𝑒𝑑𝑖𝑎 =
(𝑛º 𝑐𝑜𝑛𝑣𝑜𝑐𝑎𝑡𝑜𝑟𝑖𝑎𝑗 −1)
∑𝑘
𝑗=1[0,8
∗𝑐𝑎𝑙𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛𝑗 ∗𝑐𝑟é𝑑𝑖𝑡𝑜𝑠𝑗 ]
∑𝑘
𝑗=1 𝑐𝑟é𝑑𝑖𝑡𝑜𝑠𝑗
[6]
La Tabla 2 presenta los estadísticos principales de estas medidas de rendimiento
académico. Puede apreciarse que la nota media global es de 6,8 con desviación típica de 0,9 y
que las notas medias de los alumnos durante el primer curso son en general, superiores a las que
obtienen a lo largo del segundo curso y además, son más homogéneas entre sí. Respecto al
porcentaje de suspensos y sobresalientes se aprecia un mayor grado de variabilidad en la
distribución de los segundos y que hay alumnos que no han llegado a suspender ninguna
asignatura o que nunca han obtenido ningún sobresaliente a lo largo de sus dos primeros años de
estudios.
La Tabla 3 muestra las correlaciones entre estas variables endógenas alternativas en los
modelos. Puede apreciarse que, si bien presentan correlaciones significativas y positivas entre sí
(negativas en el caso del porcentaje de suspensos) estas correlaciones no son unitarias indicando
que están aproximándose a diferentes dimensiones del éxito (fracaso) académico.
6
Tabla 2. Estadísticos resumen de las medidas de rendimiento académico.
N
Media
Desv. Típica
mínimo
Máximo
Nota 1º
590
7,1
0,8
5,0
9,3
Nota 2º
590
6,3
1,3
1,7
9,3
Nota Total
590
6,8
0,9
4,2
9,3
% suspensos
590
8,3
9,9
0,0
42,9
% sobresalientes
590
9,6
14,0
0,0
81,3
Fuente: elaboración propia
Tabla 3. Matriz de correlaciones entre las medidas de rendimiento académico.
Nota
1º
Nota
2º
Nota
Total
%
suspensos
Nota 1º
1
Nota 2º
0,7732
1
Nota Total
0,9358
0,9326
1
% suspensos
-0,6918
-0,5811
-0,7019
1
% sobresalientes
0,7721
0,6832
0,7804
-0,4052
%
sobresalientes
1
Fuente: elaboración propia
2.3.2. Variables objetivo: medidas de popularidad de un alumno en su grupo
Con el fin de poder contrastar empíricamente si el grado de popularidad académica de un
alumno dentro de su grupo o clase influye en su rendimiento académico, una vez controlados
otros factores determinantes del mismo, se hace necesario definir alguna medida que aproxime
dicho concepto de popularidad.
Para realizar todo esto en primer lugar se ha reconstruido la estructura de la red social de
amistad existente entre los alumnos de una clase a partir de un cuestionario en el que cada
alumno indicaba quiénes son los cuatro mejores amigos de su clase. A partir de ahí se ha
obtenido la matriz de adyacencia 3 de primer orden.
Las redes sociales están compuestas por individuos denominados actores (alumnos en
este caso) y las relaciones que entre ellos se establecen. Desde el punto de vista de su
modelización matemática, los actores y sus relaciones directas se representan mediante una
matriz cuadrada, de manera que el elemento a ij =1 si el actor i está relacionado (en esa dirección)
con el actor j y a ij =0 en otro caso. Es importante, por tanto, tener en cuenta que esa matriz no
tiene por qué ser simétrica, dado que las relaciones sociales no tienen por qué serlo. En el caso
3
Los cálculos de las diferentes medidas sobre redes sociales han sido realizadas mediante el programa
Ucinet versión 6.376.
7
del presente trabajo se han considerado no simétricos los vínculos de amistad, lo que da lugar a
una red dirigida y con matriz de adyacencias no simétricas en consecuencia.
La Figura 1 muestra la estructura de la red social de amistad de dos de los grupos
analizados en este trabajo. Por ejemplo el alumno nº 1 del grupo inferior señaló como amigos a
los alumnos nº 11, 17, 31 y 43 mientras que fue señalado como amigo por los alumnos nº 11,
31, 43, 17 y 18.
Figura 1. Red social de dos de las clases o grupos analizados
Fuente: elaboración propia
Siguiendo el trabajo de MIHALY(2009) se han propuesto como posibles medidas
aproximadas del grado de popularidad de un alumno dentro de su grupo o clase algunas de las
medidas de centralidad y poder que la teoría de redes sociales ha desarrollado.
En los estudios sobre redes, tal y como exponen HANEMANN y RIDDLE (2005) el
poder de cada individuo se realiza en base a la medida de tres conceptos fundamentales: el
grado de centralidad, la cercanía (closeness) y la capacidad de mediación (betweenness).
1) Grado de centralidad (Degree centrality)
8
La centralidad en la red se basa en el hecho de que a mayor número de vínculos con
más individuos que tiene un actor (ego) en la red, mayor poder es el que puede tener. A
la hora de analizar el grado de centralidad de un actor en la red es importante considerar
la dirección de las relaciones, dado que un individuo que recibe muchas será un
individuo que puede ser denominado “prominente” (popular a los efectos de este
trabajo) y con gran capacidad de influencia, mientras que por el contrario, un individuo
del que salen muchas relaciones será un individuo dependiente e “influenciable”. Para
medir el grado de centralidad “in” de un individuo en una red se han calculado de
modo tentativo en este trabajo las siguientes medidas:
a. Grado de centralidad “in” de FREEMAN (1979). Se basa en el recuento del número
de enlaces que llegan a cada actor, y ofrece una medida del grado de influencia que
ese actor tiene en el resto (InDregree). Esta medida, al ser dependiente del tamaño de
cada grupo se calcula normalizada por el tamaño del mismo.
b. Grado de centralidad de BONACICH (1987). Propone una modificación a la medida
de Freeman, en el siguiente sentido: la medida de Freeman se basa en que un actor
tiene más poder (popularidad) a medida que tiene más conexiones, pero dos actores
con el mismo grado de centralidad no tienen por qué ser igualmente importantes. Esa
importancia dependerá también de las conexiones de los vecinos (nivel “meso”), de
manera que si los vecinos tienen muchas conexiones el grado de poder será mayor.
Asimismo, Bonacich distingue grado de centralidad y grado de poder, destacando una
doble interpretación. Por una parte, si un vecino tiene una sola conexión sobre un
actor, este actor tendrá mucho poder sobre el vecino, y al revés; pero por otra, si un
actor tiene muchas vinculaciones, tiene gran poder de influencia sobre muchos, y al
revés. Para intentar captar esta dualidad, esta medida propone la incorporación de un
factor de atenuación, que será positivo en el caso de que las relaciones de los vecinos
proporcionen más poder al ego (extensión del caso de centralidad), o negativo en el
caso de que las muchas relaciones de los vecinos les hagan a estos menos
dependientes del ego. En este trabajo se considera la medida de Bonacich relativa a
los vínculos “in” dirigidos a cada alumno concreto en cada caso (ego).
2)
Cercanía (Closeness)
Dado que el grado de centralidad aproxima el nivel de poder de un individuo calculado
solo a nivel “meso”, se propone la cercanía como un concepto para aproximar también
el poder de un individuo en la red teniendo en cuenta las relaciones indirectas de un
actor con todos los demás integrantes de la red, ofreciendo una medida más “macro”. Si
9
un actor puede llegar a otro a través de pocos pasos en la red, o es alcanzable en pocos
pasos por otros muchos actores, tendrá una posición estructural en ella, que puede ser
transformada en poder o interpretada como aproximación de popularidad. Existen
diversas aproximaciones para medir la cercanía en una red, eligiéndose en este caso las
medidas de alcance (reachability), que se basan en computar cuántos individuos de la
red pueden alcanzar a un actor (o pueden ser alcanzados por él) en uno, dos,…pasos. En
este trabajo se ha elegido como medida de cercanía de cada alumno el porcentaje de
alumnos de la clase que pueden conectar con él o ella en dos pasos como máximo,
medida denominada In2step.
3)
Mediación (Betweenness)
Un tercer concepto, complementario con los anteriores, para aproximar el poder (o
popularidad) de un individuo en una red es el concepto de mediación. La mediación
consiste en la capacidad de un actor para vincular (mediar) a dos vecinos suyos que no
tienen conexión directa entre ellos. Efectivamente, si en una red, para llegar del actor “i”
al actor “j” es necesario pasar por el actor “m” (vecino de ambos), entonces este último
tendrá un cierto poder sobre los dos anteriores, que se denomina poder de mediación. Las
medidas más destacadas para medir la mediación son las siguientes:
a. Medida de relaciones binarias de Freeman. Esta medida está basada en el hecho de
que cuantos más individuos de la red dependan de un actor dado para establecer
conexiones, mayor será el poder de ese actor. Así pues, esta medida consiste en el
conteo (de manera computacional) del número de pares de individuos de la red en
cuyo camino geodésico de conexión (más corto) aparece el actor dado, pudiendo
tener en cuenta el número de pasos o distancia de esa conexión.
b. Flow centrality. La medida del flujo de centralidad extiende la medida anterior por
considerar la mediación de un actor en todos los caminos de conexión (no sólo los
más cortos) entre otros dos individuos de la red y por ello, pondera adecuadamente
por la longitud de tal camino. Esta lógica responde al hecho de que un actor tendrá
una posición más central y con más poder en la red cuando sea la única alternativa
para conectar a dos individuos, pero tendrá menos poder cuando haya otras posibles
vías de conexión, aunque sean más largas. Esta es la medida aproximativa de la
popularidad de un individuo seleccionada para este trabajo.
La Tabla 4 presenta los valores medios de estas medidas y la Tabla 5 la matriz de
correlaciones entre las mismas y la nota media total.
Como puede apreciarse, todas estas medidas de centralidad recogen diferentes
dimensiones del concepto y se ha decidido incorporar a los modelos como indicador de
10
popularidad el indicador de mediación (betweenness) puesto que es el que recoge mejor el
concepto de individuo central y popular que se quiere aproximar, es el que mayor grado de
correlación presenta con la variable de rendimiento académico y es la menos sensible al hecho
de tener una red fragmentada.
Tabla 4. Estadísticos resumen de las medidas de centralidad y poder (popularidad).
Variable
N
Media
Desv.típica
mínimo
Máximo
Freeman
590
0,067
0,038
0
0,222
Bonacich
590
654,603
2917,480
0
24367
In2step
590
0,140
0,079
0
0,389
Betweenness
590
0,033
0,052
0
0,283
Fuente: elaboración propia
Tabla 5. Matriz de correlaciones entre las medidas de centralidad (popularidad) y la nota total.
Freeman
Bonacich
In2step
Betweenness
Freeman
1
Bonacich
0,15
1
In2step
0,7945
0,1652
1
Betweenness
0,2716
0,1102
0,4475
1
Nota total
0,0919
0,0387
0,0815
0,1503
Nota total
1
Fuente: elaboración propia
2.3.3. Variables de control
Se han añadido algunas variables adicionales para intentar capturar la heterogeneidad
individual que afecta a la nota media de los alumnos, cuyos estadísticos descriptivos se recogen
en la Tabla 6.
Respecto a las variables que actúan como proxies de la habilidad y capacidad intelectual y
académica previa del alumno se han considerado las siguientes, que se espera tengan un efecto
positivo en el rendimiento académico.
•
Haber cursado o no un Bachillerato de Ciencias
•
Nota de la PAU (prueba de acceso a la universidad)
•
Nota en la prueba de matemáticas correspondiente a las pruebas especificas de
selección de la Universidad Pontificia Comillas de Madrid.
Respecto a características personales, sociales y familiares del alumno se han contemplado:
•
Ser hombre. Variable dicotómica que intenta captar el posible efecto fijo en el
rendimiento entre géneros.
•
Ser o no de Madrid. Variable dicotómica que intenta recoger el posible efecto
diferencial entre vivir con los padres (opción abrumadoramente mayoritaria si se es
11
de Madrid) o tener que residir fuera del entorno familiar, ya sea en colegio mayor,
residencia, piso compartido o con otros familiares, con lo que ello conlleva en dos
vertientes diferentes: por una parte, carecer del impulso y ayuda parental para
centrarse y rendir en los estudios y por otra, tener que dedicar esfuerzos adicionales a
recuperar el capital social y relacional que probablemente se haya visto disminuido
con el cambio de entorno.
•
Tener o no madre universitaria 4. En línea con la literatura y tal y como se analiza en
MARTÍNEZ DE IBARRETA et. al (2010), se espera que una mayor formación de
los padres influya en un mayor rendimiento de los hijos
•
Haber cursado o no los estudios en un colegio religioso. Al ser la Universidad
Pontificia Comillas de Madrid una institución de tipo católico, dirigida por los
Jesuitas y constar los estudios de alguna asignatura de carácter religioso – ético –
moral podría pensarse que aquellos alumnos procedentes de colegios religiosos se
encuentran con un clima institucional más parecido al que conocen, debiendo dedicar
menos esfuerzos a su adaptación social.
Además se han recogido algunas variables contextuales, esto es, relativas al grupo o clase al que
pertenece el alumno:
•
Desviación típica de las notas medias en cada grupo. Esta variable pretende recoger el
grado de competitividad existente en cada clase. Cuanto mayor sea la desviación
típica, mayores diferencias existen entre unos alumnos y otros dentro del grupo y eso
puede actuar como un factor de comparación y competitividad para obtener mejores
resultados individuales.
•
Nivel de cohesión social del grupo, medido (de forma inversa) a través de la distancia
geodésica media entre cada par de alumnos en la red social de amistades. Recuérdese
que la distancia geodésica entre el alumno “i” y el alumno “j” en una red social es el
mínimo número de pasos que los conectan entre sí. A mayor distancia geodésica
media entre los alumnos del grupo, menor grado de cohesión social presentará este.
Se espera que una mayor cohesión social del grupo influya positivamente en el
rendimiento académico de los alumnos pertenecientes a él.
Tabla 6. Estadísticos descriptivos de las variables explicativas
Variable
N
Media
Desv.típica
mínimo
Máximo
Hombre
590
0,50
0,50
0
1
Madrid
590
0,61
0,49
0
1
4
No se considera el nivel de formación del padre al tener de forma abrumadora formación universitaria
para los alumnos de la muestra.
12
Madre Universitaria
590
0,81
0,39
0
1
Colegio Religioso
590
0,60
0,49
0
1
Bach. ciencias
590
0,38
0,49
0
1
Nota PAU
590
8,27
0,85
5,43
9,83
Prueba matemáticas
590
4,83
1,57
0,70
10,00
Sigma nota grupo
14
1,11
0,16
0,82
1,38
Dist. geodésica media grupo
14
3,60
1,11
2,10
5,50
Fuente: elaboración propia
3
Resultados
Se han estimado modelos multinivel con dos niveles (alumnos y grupo o clase de
pertenencia), con la especificación sencilla de intercepto aleatorio, para las diferentes variables
endógenas detalladas en el epígrafe anterior, esto es, nota media total, nota media de primer
curso, nota media de segundo curso, porcentaje de asignaturas suspensas en primera
convocatoria y porcentaje de asignaturas con calificación de sobresaliente. El conjunto de
variables explicativas empleado ha sido el mismo en todos los modelos.
Los resultados obtenidos aparecen en la Tabla 7 y de su análisis pueden realizarse los
siguientes comentarios:
•
Respecto a la variable Betweenness o grado de mediación, que ha sido elegida como
indicador de popularidad académica, se aprecia que presenta un efecto positivo y
significativo en todos los modelos excepto en el que explica el porcentaje de
sobresalientes, en donde no resulta significativa. En consecuencia, si un alumno
presenta una posición central y mediadora en la red social de su grupo, su rendimiento
académico es mayor, una vez controlados el resto de factores. Por lo tanto parece ser
que popularidad social y rendimiento académico no tienen carácter excluyente y
sustitutivo sino más bien complementario, no apreciándose por tanto evidencias de
crowding out entre la acumulación de capital humano y de capital social en base a estas
medidas.
•
El grado de cohesión interna de cada clase o grupo, medido (de forma inversa) a través
de la distancia geodésica media entre pares de alumnos, presenta un efecto positivo en
el rendimiento académico en todos los modelos, si bien el grado de evidencia es más
débil en el modelo del porcentaje de suspensos.
•
El grado de competitividad académica del grupo, medido por la desviación típica de las
notas de los alumnos dentro de cada grupo, presenta un efecto significativo pero
negativo en todos los modelos sobre el rendimiento académico del alumno, excepto en
el modelo para el porcentaje de suspensos, en donde actúa como factor mitigador. Así,
de forma contraria a lo esperado, parece que estar inmerso en el contexto de una clase
13
en donde hay estudiantes con rendimientos muy dispares entre sí no provoca un efecto
de emulación y competencia sino que empeora el rendimiento promedio del alumno.
•
Las variables indicadoras de los conocimientos, capacidades y habilidades académicas
previas del alumno (haber cursado bachillerato de ciencias, nota de la PAU, nota en la
prueba de matemáticas) resultan significativas y con el signo positivo esperado en todos
los modelos, excepto la prueba de Matemáticas para el modelo del porcentaje de
asignaturas suspensas, en donde esta variable no resulta significativa.
•
Los alumnos obtienen caeteris paribus menor rendimiento académico promedio que las
alumnas, si bien no hay diferencias significativas en el modelo del porcentaje de
asignaturas suspensas.
•
El ser de Madrid supone un rendimiento académico promedio superior en los modelos
relativos a la nota media y, con una evidencia más débil, en el modelo del porcentaje de
sobresalientes, no habiéndose encontrado efectos significativos en el modelo del
porcentaje de suspensos. De esta manera parece que el esfuerzo de dotarse de capital
social en una nueva situación vital para los alumnos que estudian alejados de sus
familias y entornos habituales está asociado (y es posible que provoque) una menor
acumulación de capital humano y académico en sus estudios universitarios.
•
No se ha encontrado suficiente evidencia empírica acerca de la influencia en las
variables endógenas de las variables dicotómicas que recogen el haber estudiado o no
en colegio religioso y el tener o no madre con estudios universitarios.
•
En el modelo que explica el porcentaje de sobresalientes, éste no guarda relación
significativa con el nivel de mediación o popularidad, indicando que la consecución de
un mayor nivel de excelencia académica en su mayor grado depende más de
características individuales del alumno que de circunstancias grupales o de contexto.
Este resultado se ve reforzado por el hecho de que tampoco sea un factor significativo el
proceder de un colegio religioso o no y que el hecho de ser de Madrid o no muestre sólo
evidencia débil. En consecuencia, la excelencia académica la pueden conseguir tanto
alumnos no centrales en la red y con menor dotación de capital social (piénsese en la
figura tópica del “empollón” aislado) como alumnos centrales en la red.
•
En el modelo para explicar el porcentaje de asignaturas suspensas en primera
convocatoria se aprecia que los factores de capacidad previa reducen de forma
significativa dicho porcentaje, no siendo relevantes el resto de características personales
y familiares. Es interesante destacar que en este caso, el mayor o menor grado de
cohesión social del grupo del alumno no influye, mientras que su grado de centralidad o
mediación sí reduce de forma significativa el porcentaje de suspensos.
14
•
Se aprecian diferencias de matiz en la influencia de factores relacionados con la
popularidad y las características del grupo, entre los modelos para la nota media y los
modelos para el fracaso (suspensos) o excelencia (sobresalientes), que atienden a los
extremos de la distribución. Puede aventurarse que en estos últimos casos priman más
las características individuales que las características globales del grupo o la posición
social o relacional del alumno dentro del mismo.
•
Respecto a la idoneidad de la modelización multinivel realizada, los test de razón de
verosimilitud no permiten rechazar la equivalencia entre el modelo jerárquico propuesto
y la regresión múltiple para los modelos de nota total, nota de primer curso y porcentaje
de sobresalientes. Por el contrario, existen efectos aleatorios no nulos en los modelos
para la nota de segundo curso y para el porcentaje de asignaturas suspensas.
Si bien se ha encontrado relación positiva entre el grado de popularidad de un alumno
(aproximada por su nivel de intermediación o betweenness) cabe plantearse el grado de
endogeneidad de esta posición en la red social. En otras palabras, hasta qué punto es el
rendimiento académico el que hace que un alumno sea popular. A falta de desarrollar un
tratamiento más técnico de la cuestión, de manera preliminar, se preguntó a cada alumno
participante en la muestra que valorara en una escala de 0 a 10 el peso que para él o ella habían
tenido una serie de factores en la formación de sus amistades actuales en general. Entre estos
nueve factores se incluyó el hecho de tener un rendimiento académico parecido. Si el
rendimiento académico no resultara ser uno de los factores más valorados globalmente en la
formación de las amistades, se tendría un primer indicio de la exogeneidad de la amistad
respecto del rendimiento académico.
La Tabla 8 presenta los valores medios de estos nueve factores tanto para la muestra
completa como para cuatro subconjuntos o clusters de alumnos obtenidos mediante la
aplicación del análisis cluster (aplicando el algoritmo de las “k” medias) para la clasificación de
los individuos muestra. La Tabla 8 recoge de forma adicional para cada uno de los clústers la
nota media total, la media de betweenness y el porcentaje de hombres que contiene. Se ha
realizado esta clasificación de los alumnos según su diferente perfil a la hora de lograr nuevas
amistades para analizar si algún grupo de alumnos valora especialmente el rendimiento
académico como factor de formación de amistad y si el rendimiento académico de ese grupo y
su grado de mediación son especialmente elevados respecto al existente en el resto de grupos
Puede observarse que para el conjunto de la muestra el factor rendimiento académico recibe
una valoración media de 4,82 y se encuentra en la posición séptima del ranking de valoración,
tan sólo por delante de los factores relativos a la cercanía y al azar. En los conglomerados
obtenidos se observa que si bien en tres de ellos la valoración media de este factor está por
15
encima del 5, en el cluster nº 4 este factor recibe una valoración media de 1,77 y en todos los
casos se encuentra en uno de los últimos lugares de importancia respecto al resto de factores.
16
Tabla 7. Modelos de regresión multinivel para diferentes medidas de rendimiento académico.
Variables explicativas
Modelo 1
Modelo 2
Modelo 3
Modelo 4
Modelo 5
Endógena
Endógena
Endógena
Endógena
Endógena
Nota Total
Nota 1º
Nota 2º
% Suspensos
% Sobresalientes
coeficiente
p-valor
coeficiente
p-valor
coeficiente
p-valor
coeficiente
p-valor
coeficiente
p-valor
Hombre
-0,2541
0,0000
-0,1750
0,0010
-0,3865
0,0000
0,4328
0,5480
-2,3921
0,0210
Madrid
0,1572
0,0180
0,1029
0,0660
0,2281
0,0260
-0,8649
0,2570
1,7749
0,1050
Colegio Religioso
0,1004
0,1080
0,0201
0,7020
0,2415
0,0120
-1,1366
0,1120
-0,0397
0,9690
Bach. ciencias
0,2789
0,0000
0,2483
0,0000
0,3636
0,0000
-2,4390
0,0010
3,1848
0,0030
Nota PAU
0,6451
0,0000
0,5809
0,0000
0,7957
0,0000
-5,5432
0,0000
8,3748
0,0000
Prueba matemáticas
0,0905
0,0000
0,0873
0,0000
0,1208
0,0010
-0,3305
0,2070
1,5186
0,0000
Madre universitaria
0,1215
0,1250
0,0884
0,1830
0,1898
0,1180
-0,6053
0,5020
0,0063
0,9960
-0,6344
0,0090
-0,3965
0,0760
-1,2635
0,0370
-12,6738
0,0090
-7,4218
0,0690
1,9771
0,0030
0,9462
0,0880
3,3973
0,0010
-20,1701
0,0080
5,6880
0,6000
-0,1877
0,0000
-0,1299
0,0000
-0,2948
0,0010
1,1231
0,1130
-1,4903
0,0180
2,1407
0,0000
2,5850
0,0000
1,1244
0,2390
68,3872
0,0000
-54,5002
0,0000
345,3300
0,0000
379,0300
0,0000
225,7500
0,0000
167,3600
0,0000
213,7400
0,0000
Sigma nota grupo
Betweenness
Dist geodésica media grupo
Constante
Chi 2(10)
Efectos aleatorios grupo
Sigma (constante)
0,0299
0,0541
0,2595
2,1719
0,6424
Sigma (residuos)
0,7351
0,6158
1,1208
8,3399
1,2065
LR test vs. regresión lineal
0,0300
0,4350
0,4100
0,2599
11,9700
0,0003
12,1000
0,0003
0,0700
N
590
590
590
590
590
Grupos
14
14
14
14
14
Fuente: elaboración propia
17
0,3945
La Tabla 9 por su parte presenta la matriz de correlaciones entre la valoración dada al
rendimiento académico como factor formativo de amistad y el grado de intermediación o
betweenness y la nota media total. Puede apreciarse que las correlaciones no son significativas.
Tabla 8. Medias de los factores de formación de amistades en la muestra y en los clusters.
Medias de las variables en los clusters
Factores de amistad
Todos
Cluster 1
Cluster 2
Cluster 3
Cluster 4
Afinidad caracteres
7,98
7,98
8,40
7,96
7,70
Compartir ocio
7,79
7,49
7,49
8,06
7,92
Compartir aficiones
7,70
7,76
7,87
7,81
7,39
Valores parecidos
7,49
7,87
8,06
7,37
6,94
Amigos comunes
5,62
7,35
1,17
6,91
5,39
Clase social parecida
5,27
6,79
5,90
6,56
1,57
Rend. Académico
4,82
6,22
6,19
5,36
1,77
Azar
4,77
4,19
4,50
5,56
4,34
Vivir cerca
3,65
0,79
1,88
7,11
2,60
Hombre
0,51
0,52
0,40
0,53
0,55
Nota media total
6,89
6,83
6,88
6,90
6,93
Betweenness
0,036
0,030
0,031
0,041
0,038
523
120
82
189
132
N
Fuente: elaboración propia.
Tabla 9. Matriz de correlaciones entre factor rendimiento académico, nota media y betweenness
Correlaciones
Factor Rend.
académico
Nota media
Betweenness
total
Factor Rend. académico
1
Nota media total
0,0402
Betweenness
0,0302
N = 457
valor crítico a 2 colas al 5%: 0,088
Fuente: elaboración propia.
4
1
0,1036
1
Conclusiones
Como principales conclusiones de este trabajo pueden resaltarse las siguientes:
•
Se ha encontrado alguna evidencia de que el grado de popularidad de un alumno,
aproximado a través de su grado de mediación en la red social de su clase, es un factor
con influencia positiva en el rendimiento académico de un alumno, una vez controlados
el resto de factores.
18
•
El grado de cohesión del grupo en el que está el alumno influye de forma positiva en el
rendimiento académico.
•
El no ser de Madrid disminuye el rendimiento académico del alumno. En consecuencia
se sugiere que los esfuerzos globales en acumular o recuperar capital social perdido por
el cambio de residencia sí producen un efecto crowding out en la acumulación de
capital académico, mientras que la popularidad académica (medida como posición de
mediación en el grupo) produce sinergias en el rendimiento.
•
Si se consideran los modelos de excelencia o fracaso (porcentajes de sobresalientes o
suspensos) cobran en ellos más peso los factores individuales que los dependientes del
entorno y del contexto.
•
Hay indicios de exogeneidad de la popularidad respecto del rendimiento académico,
puesto que este factor es de los menos valorados por los alumnos de la muestra a la hora
de formar sus vínculos de amistad y además dicho factor está incorrelacionado tanto
con el rendimiento académico como con el grado de mediación.
Como limitaciones del trabajo hay que señalar que debido a errores en las respuestas o a
falta de respuesta de algunos alumnos, no ha sido posible reconstruir de forma completa la red
de amistad en algunos de los grupos, lo que lleva a la aparición de estructuras fragmentadas que
afectan a la bondad y representatividad de las medidas de centralidad y popularidad.
Se espera en próximas investigaciones solventar estos inconvenientes así como ampliar la
muestra a un número mayor de grupos de alumnos.
Referencias bibliográficas
BONACICH, P. (1987). Power and centrality. A family of measures. American journal of
sociology, 92, 1170–1182.
BORGATTI, S.P., EVERETT, M.G. y FREEMAN, L.C. (2002) Ucinet for Windows: Software
for Social Network Analysis. Harvard, MA: Analytic Technologies.
CALVO – ARMENGOL, A., PATACCHINI, E. y ZENOU, Y. (2009) Peer Effects and Social
Networks in Education. Review of Economic Studies, vol. 76(4), Wiley Blackwell 1239-1267.
FREEDMAN, D. (2001) Ecological inference and the ecological fallacy. In Smelster J, y Baltes,
P. (Eds), International encyclopedia of the social and behavioural sciences. Elsevier, 4027-4030.
19
FREEMAN, L.C. (1979) Centrality in social networks. Conceptual clarification. Social
Networks, 1, 215-239.
HANEMANN, R.A. Y RIDDLE, M. (2005). Introduction to social network methods. Online en
http://faculty.ucr.edu/~hanneman/
HANUSHEK, E. A., KAIN, J. F., MARKMAN, J. M. & RIVKIN, S. G. (2003) Does peer
ability affect student achievement, Journal of Applied Econometrics 18, 527–544.
HAYNIE, D. (2001) Delinquent peers revisited: Does network structure matter?, American
Journal of Sociology 106(4), 1013–1057.
HERRERA, M.; (2008) An introduction to multilevel analysis: Is the individual demand for
health affected by the physician of primary care?. MPRA Paper nº 35267. Online
http://mpra.ub.uni-muenchen.de/35267
JACKSON, M. O. (2006) The economics of social networks, en R. B. W. Newey & T. Persson,
eds, Advances in Economics and Econometrics, Theory and Applications: Ninth World
Congress of the Econometric Society, Vol. 1, Cambridge University Press, chapter 1.
MARTINEZ DE IBARRETA, C., RÚA VIEITES, A., REDONDO PALOMO,R., FABRA
FLORIT, E., NUÑEZ PARTIDO, A. Y MARTÍN RODRIGO, M.J. (2010). Influencia del Nivel
Educativo de los Padres en el Rendimiento Académico de los Estudiantes de ADE. Un Enfoque
de Género. Investigaciones de Economía de la Educación, 5. 1273 - 1295
MIHALY, K. (2009) Do More Friends Mean Better Grades? Student Popularity and Academic
Achievement. RAND Corporation. http://www.rand.org/pubs/working_papers/WR678.
SACERDOTE, B. (2001) Peer effects with random assignment: Results for dartmouth
roommates, The Quarterly Journal of Economics 116(2), 681–704.
SNIJDERS T.A.B. y BOSKER R.J., (1999) Introduction to basic and advanced multilevel
modeling, Sage, London.
WASSERMAN, S. y FAUST, K. (1994) Social Network Analysis: Methods and Applications.
Cambridge University Press.
20
ZIMMERMAN, D. J. (2003) Peer effects in academic outcomes: Evidence from a natural
experiment, Review of Economics and Statistics 85(1), 9–23.
21