ANALISIS DE LOS RESULTADOS SABER PRO DEL PROGRAMA DE INGENIERÍA EN PRODUCCIÓN ACUÍCOLA AÑO 2016-2019

Palabras clave: Técnicas multivariadas, Análisis de componentes principales, Análisis de la regresión.

Resumen

La presente investigación tuvo como objetivo definir las principales variables y su incidencia sobre el puntaje de las pruebas SABER PRO dentro del programa de Ingeniería en Producción Acuícola de la Universidad de Nariño en los últimos cuatro años (2016-2019), para ello se utilizaron 384 datos correspondientes a estudiantes de noveno semestre que presentaron las pruebas de estado.

Se determinó mediante diferentes técnicas multivariadas, que todas las variables inciden sobre las dos primeras componentes, con la necesidad de fortalecer Lectura crítica, Comunicación escrita y Competencia ciudadana, las cuales tienen mayor contribución sobre las tres últimas (>50) y por lo tanto impidieron que la variabilidad retenida en las primeras sea mayor al 60%.

Por otro lado, el incumpliendo del supuesto de homocedasticidad previo al Análisis de regresión múltiple no afecto la capacidad predictiva del modelo, la cual fue del 99%, el Análisis de regresión cuantílica y sus cinco modelos no presentaron diferencias significativas entre ellos, por lo que se concluye que todas las variables son indispensables para predecir el puntaje global, cada una con su grado de contribución, calidad de asociación y peso sobre las combinaciones lineales de las dos primeras componentes.

Descargas

La descarga de datos todavía no está disponible.
Visitas al resumen del artículo: 95

Biografía del autor/a

Sandra Milena Cerón Benavides, Esp

Ingeniera en Producción Acuícola, Esp. Estadística Aplicada, Docente, Departamento de Recursos Hidrobiológicos, Universidad de Nariño, Pasto.

Manuel F. Romero-Ospina, MSc.

Licenciado en electrónica, Esp. Estadística Aplicada y MSc, Bioestadística y Bioinformática, Docente, Fundación Universitaria Libertadores, Bogotá.

Referencias

[1] Portal Único del Estado Colombiano. Gov.co. Resultados Saber Pro [Internet]. Bogotá, D.C.; [cited 2020 Mar 26]. Available from: https://www.datos.gov.co/browse?q=saber pro&sortBy=relevance%3E
[2] Kassambara A. Practical Guide to Principal Component Methods in R. In: Multivariate Analysis II. STHDA; 2017. p. 170.
[3] Boccardo-Bosoni G, Ruiz-Bruzzone F. Estadística descriptiva con Rstudio/Forma de una distribución: simetría, curtosis y normalidad. In: RStudio para Estadística Descriptiva en Ciencias Sociales Manual de apoyo docente para la asignatura Estadística Descriptiva [Internet]. Segunda ed. RStudio/Bookdown; 2019 [cited 2020 Mar 20]. Available from: https://bookdown.org/gboccardo/manual-ED-UCH/estadistica-descriptiva-con-rstudio.html#estimacion-puntual-de-estadisticos-descriptivos-usando-r
[4] Salazar C. Cálculo de correlaciones [Internet]. RPbus.com. 2018 [cited 2020 Apr 4]. Available from: https://rpubs.com/camilamila/correlaciones
[5] Ortega-Martínez RM, Tuya-Pendás LC, Martínez-Ortega M, Pérez-Abreu A, Cánovas AM. El coeficiente de correlacion de los rangos de spearman caracterizacion. Revista Habanera de Ciencias Medicas. 2009;8(2): 19.
[6] Calderon S. Inflación de la varianza (VIF) [Internet]. RPbus.com. 2018 [cited 2020 Apr 15]. Available from: https://rpubs.com/scalderon/434714
[7] Amat-Rodrigo J. Apuntes varios(miscellaneous)/ Identificación de outliers, observaciones con alto leverage y observaciones influyentes. [Internet]. Correlación lineal y Regresion lineal simple. 2016 [cited 2020 Apr 15]. Available from: https://www.cienciadedatos.net/documentos/24_correlacion_y_regresion_lineal#identificación_de_outliers,_observaciones_con_alto_leverage_y_observaciones_influyentes
[8] Amat-Rodrigo J. RPubs - Introducción a la regresion lineal multiple [Internet]. Rpubs.com. 2016 [cited 2020 Apr 3]. Available from: https://rpubs.com/Joaquin_AR/226291
[9] S-Cade B, R-Noon B. A gentle introduction to quantile regression for ecologists. Front Ecol Environ. 2003;1(8): 412–20.
[10] Das K, Krzywinski M, Altman N. Points of significance Quantile regression/Quantile regression robustly estimates the typical and extreme values of a response. Nat Methods. 2019;16(6): 451–2.
[11] ICFES. Informe nacional Saber Pro 2016 - 2018 1. Bogotá, D.C.; 2018.
[12] Orjuela J. Análisis del Desempeño Estudiantil en las Pruebas de Estado para Educación Media en Colombia mediante Modelos Jerárquicos Lineales. Ingeniería. 2013;18(2): 54–67.
[13] ICFES. Las diferencias y el contexto en los módulos específicos. Documento de análisis de resultados Examen SABER PRO 2017. Módulo de Anális Económico. Colombia; 2018.
[14] Martínez CY, Mendoza LF. Análisis de los resultados de la evaluación en competencias genéricas de las prueba SABER PRO 2014 en programas de Licenciatura en el área de las ciencias naturales y educación ambiental de cuatro universidades del País. Universidad Distrital Fancisco José de Caldas; 2016.
[15] (ICFES) IC para la E de la E. Guia de Orientación. Saber Pro Módulos de Competencias Genéricas. Bogotá, D.C.; 2017. p. 90.
[16] Rodriguez Manrique JA, Ruiz Escorcia RR, Cohen Manrique CS. Análisis Multivariado Aplicado a la Evaluación de Competencias Saber-Pro en el Departamento de Sucre, Colombia. Lima, Peru; 2018. Report No.: 16.
[17] Marquín MJ. Predicción del rendimiento académico mediante técnicas del análisis multivariado en la asignatura de Álgebra Lineal [Tesis de Maestria en investigación de operaciones y estadistica].Universidad Tecnologíca de Pereira UTP; 2017.
[18] Rodriguez Ayán MN. Análisis multivariado del desempeño académico de estudiantes universitarios de Química. Universidad Autónoma de Madrid; 2007.
[19] Pérez-Pulido MO, Aguilar-Galvis F, Orlandoni-Merli G, Ramoni-Perazzi J. Análisis estadístico de los resultados de las pruebas de estado para el ingreso a la educación superior en la Universidad de Santander, Colombia. Rev Científica. 2016;27: 328–39.
Publicado
2021-10-06
Sección
Artículo de Investigación