Parker (2005) realizó una investigación cuyo propósito principal fue explorar la relación entre la retención estudiantil en la Universidad de Clarion y el éxito de los alumnos en las matemáticas. Los hallazgos demostraron que los estudiantes que tenían más éxito en los cursos de matemáticas tenían mayor probabilidad de permanecer en la universidad y graduarse en cuatro años; esto implica que las matemáticas facilitan el éxito de los estudiantes en su carrera académica.

Lesik (2007) realizó un estudio en el cual participaron 1,276 estudiantes de nuevo ingreso de una universidad, que estudiaban a tiempo completo entre los años 2000 y 2002. Estos estaban matriculados en el curso de álgebra intermedia (matemática básica) o pasaron directamente a tomar los cursos de matemática del nivel universitario. Se encontró que aquellos que participaron en los cursos de matemática básica se mantuvieron más tiempo matriculados en sus estudios universitarios; es decir, que el riesgo de que aquellos estudiantes que tomaron los cursos de matemática básica abandonaran la universidad fue significativamente menor, al compararlos con aquellos que no los tomaron.

Vega Vilca y Agosto (2010) realizaron un estudio para predecir el aprovechamiento académico de los egresados del programa subgraduado de la FAE. Los autores definieron el concepto de “egresado de éxito académico” como un estudiante con promedio de graduación de al menos 3.33, que logró terminar su bachillerato en un promedio de cinco años o menos. En el estudio participaron 391 egresados subgraduados que culminaron estudios en diciembre de 2008, mayo de 2009 y verano de 2009. Los investigadores encontraron que el género del estudiante, así como el tipo de escuela superior de procedencia (pública o privada) no son buenos predictores del éxito académico; sin embargo, el IGS constituye un buen predictor de éxito. Contrario a las conclusiones de Matos Díaz (2008), en este trabajo se concluye que el IGS puede ser un buen predictor del éxito del egresado, siempre que se tenga valores suficientemente altos de este índice. Cuando se comparan dos grupos de estudiantes con IGS diferenciado por 25 puntos, la posibilidad de encontrar un egresado de éxito es mayor en el grupo con IGS más alto (2.67 veces). También encontraron que el índice de los cursos de métodos cuantitativos (Imecu) es un índice nuevo, propuesto en este trabajo, que predice el éxito del futuro egresado. Cuando se comparan dos grupos de estudiantes con Imecu diferenciado por un punto, la posibilidad de encontrar un egresado de éxito es mayor en el grupo con Imecu más alto (3.09 veces).

DeNicco, Harrington y Fogg (2015) estudiaron los factores de retención de estudiantes de primer año de un colegio comunitario. Estos consideraron los factores: género, raza, características de la escuela superior, puntaje en el examen de entrada, desempeño durante el primer año y cursos remediales durante el primer año. Los resultados indican que el desempeño en el primer año es el predictor más fuerte en la retención. El grade point average (GPA) y el número de créditos obtenidos en primer año son predictores estadísticamente significativos en la retención del estudiante. Se encontró que todas las demás variables no fueron significativas para explicar la retención de los estudiantes.

Coronado Ramírez y Sandoval Bravo (2012) realizaron una investigación para determinar si el género, los resultados de la sección de matemáticas de la prueba de aptitud académica y algunos factores demográficos (estado civil, situación laboral y tipo de institución de procedencia) inciden en el rendimiento en los cursos de matemáticas de los estudiantes de nuevo ingreso de la Universidad de Guadalajara, México. Los investigadores no encontraron variables que pudieran establecer una correlación en su rendimiento. Ellos concluyeron que existe otro tipo de variables socioeconómicas o sociohistóricas que pudieran permitir determinar el rendimiento en matemáticas de los estudiantes.

Arias Ortiz y Dehon (2013) realizaron una investigación en la cual analizaron los factores que influenciaban en el abandono de los estudios universitarios por parte de los alumnos de la Université Libre de Bruxelles. Se encontró que a pesar de que muchos comenzaban sus estudios, muy pocos completaban sus grados. También descubrieron que los alumnos provenientes de clase socioeconómica baja eran más vulnerables a abandonar sus estudios y los factores económicos les impedían matricularse nuevamente. Por otro lado, encontraron que una proporción alta de alumnos que volvieron a estudiar en la Universidad, pero en un campo de estudio distinto al que estaban antes de abandonarla, culminaron sus estudios, en comparación a los que se matricularon nuevamente en el mismo campo de estudio en el que estaban originalmente. Indican que esto sugiere que las universidades deben reevaluar los mecanismos disponibles para trabajar con los fracasos y guiar a los estudiantes en la selección que estos realicen de las profesiones que desean estudiar.

Vázquez Calle y Cabrera Pérez (2004) realizaron un estudio cuyo objetivo principal fue identificar y evaluar la importancia relativa de las características académicas y no académicas, que explican el éxito o fracaso en completar el grado de bachillerato de los estudiantes de nuevo ingreso, de la Universidad de Puerto Rico en Cayey (UPRC) de los años académicos 1995 al 1998. Específicamente consideraron las siguientes variables independientes para estimar el modelo de regresión logística, mediante el cual se midió el efecto neto de cada predictor sobre la probabilidad de éxito en graduarse: variables académicas preuniversitarias (aptitud en matemática, aptitud verbal, aprovechamiento en matemáticas, español e inglés, índice académico de escuela superior); variables académicas universitarias (índice académico obtenido en su primer año de estudios, cumplimiento con el índice mínimo de 2.00 y el área académica de admisión); variables no académicas (género, escuela superior de procedencia, ingreso del hogar, educación del padre, educación de la madre y generación del estudiante).

Con relación a las variables académicas universitarias, los investigadores indicaron que de todos los estudiantes que obtuvieron un promedio académico menor de 2.00 en el primer año de estudios en la UPRC, el 88.7% no completó el bachillerato. Adicional a esto, los resultados indican que el desempeño académico de los estudiantes al finalizar el primer año de universidad determina significativamente el éxito o fracaso posterior en completar el grado académico.

Relacionado con el área académica en las que estaban matriculados los estudiantes de nuevo ingreso que participaron en la investigación, encontraron que las áreas de Ciencias Naturales y Administración de Empresas reflejaron una tasa de éxito en graduarse mayor, que los estudiantes de las áreas de Ciencias Sociales y Humanidades.

En relación con las variables no académicas, encontraron que las mujeres tuvieron una tasa ligeramente mayor de éxito en graduarse que los hombres. Además, no encontraron evidencia de que el tipo de escuela superior de procedencia tuviera un efecto significativo en la probabilidad de completar o no el grado de bachillerato. En particular, los investigadores encontraron que los estudiantes de escuela privada reflejaron una probabilidad de éxito tan solo 5% mayor que sus homólogos de escuela pública.

Se agruparon las variables que se relacionan entre sí con la finalidad de generar constructos, los cuales se visualizan como nuevas variables que no son observables directamente, sino a partir de las variables observables asociadas a dicho constructo. Se estudió la relación entre cuatro constructos que relacionan el desempeño del estudiante egresado de la FAE. La Tabla 3 muestra los constructos y las variables observadas asociadas a cada uno de ellos.

Tabla 3
Constructos y sus variables asociadas del modelo en estudio

Fuente: Elaboración propia.

El modelo que se utiliza en el estudio es un sistema de relaciones lineales entre cuatro bloques de variables (constructos), tal como ilustra la Figura 1. Estas relaciones lineales involucran cuatro hipótesis sobre desempeño de los estudiantes de la FAE:

1. H1: C1→ C2, el desempeño en la escuela superior influye positivamente en el desempeño de los cursos introductorios universitarios.

2. H2: C2 → C3, el desempeño en los cursos introductorios universitarios influye positivamente en el desempeño de los cursos intermedios y avanzados universitarios.

3. H3: C2 → C4, el desempeño en los cursos introductorios universitarios influye positivamente en el desempeño general (éxito)

4. H4: C3 → C4, el desempeño en los cursos intermedios y avanzados universitarios influye positivamente en el desempeño general (éxito)

Figura 1
Diagrama del modelo en estudio
Fuente: Elaboración propia.

La metodología PLSPM trabaja básicamente en tres pasos. Primero, se calculan ponderaciones (weights) en cada constructo, para combinarse linealmente con las variables asociadas a cada constructo y originar valores (scores) representativos. Segundo, se calculan las correlaciones (loadings) entre los scores y las variables asociadas a cada constructo. Tercero, se calculan los coeficientes del sistema de relaciones lineales de la Figura 1. La Tabla 4 presenta los cálculos mencionados en los dos primeros pasos, además presenta el cálculo de communality para cada variable asociada a su constructo. Se observa que el valor más bajo es para la variable ADMI 4007, la cual aporta solo el 15.3% de su variabilidad al constructo C3. Esta variabilidad es mucho menor que el 45% que sugieren los autores de este trabajo, a pesar de que Sánchez (2013) sugiere una variabilidad de 50%. Este resultado motivó el retiro de dicha variable y el reprocesamiento de los datos, con una variable menos asociada al constructo C3.

Tabla 4
Ponderaciones de las variables de cada constructo

Fuente: Elaboración propia.

Para medir la consistencia interna de cada constructo, se determinó el alpha de Cronbach y una mejor medida de consistencia interna basada en los loadings llamada rho de Dillon y Goldstein (DG.rho); en todos los casos son mayores de 0.7; además, los primeros autovalores (eigen) de la matriz de correlaciones de las variables asociadas al constructo son mayores de 1, tal como muestra la Tabla 5; y ratifican la consistencia interna en cada constructo.

Tabla 5
Medidas de consistencia interna de cada constructo

Fuente: Elaboración propia.

La Tabla 6 muestra los coeficientes positivos del sistema de relaciones lineales entre constructos representados en el modelo propuesto de la Figura 2, donde se muestran además las variables asociadas a cada constructo.

Tabla 6
Coeficientes significativos entre los constructos

Fuente: Elaboración propia.

Figura 2
Relación significativa entre los constructos
Fuente: Elaboración propia.

La prueba de coeficientes resultó altamente significativa en los cuatro casos; por lo tanto, se concluye que las cuatro hipótesis formuladas fueron validadas, es decir:

1. 1. El desempeño en la escuela superior influye positivamente en el desempeño en los cursos introductorios universitarios.
2. 2. El desempeño en los cursos introductorios universitarios influye positivamente en el desempeño en los cursos intermedios y avanzados universitarios.
3. 3. El desempeño en los cursos introductorios universitarios influye positivamente en el desempeño general (éxito).
4. 4. El desempeño en los cursos intermedios y avanzados universitarios influye positivamente en el desempeño general (éxito).

Para el análisis de los datos bajo estudio, mediante regresión logística, se definió una nueva variable llamada éxito. La nueva variable se refiere al éxito académico del estudiante y se definió como aquel alumno que culminó su bachillerato en cinco años o menos y obtuvo un promedio de graduación de tres puntos o más. De esta manera se encontraron 102 estudiantes de éxito académico, de un total de 202 estudiantes. Además, se promediaron las notas de los cursos que se ofrecen en dos partes, como son los cursos de contabilidad CONT 3105 y CONT 3106, los cursos de métodos cuantitativos MECU 3031 y MECU 3032, y los cursos de finanzas FINA 3106 y FINA 3107. En este caso, los promedios obtenidos definen nuevas variables; estas son: índice de los cursos de contabilidad (Icont), índice de los cursos de métodos cuantitativos (Imecu) e índice de los cursos de finanzas (Ifina).

El modelo de regresión logística propuesto establece que el éxito académico de un estudiante de la FAE depende de la influencia de las siguientes variables: género del estudiante, tipo de escuela, IGS, Icont, Imecu, Ifina, índice de los cursos de estadística (Iesta), índice del curso Gerencia Estratégica (Iadmi) e índice del curso Gerencia de Operaciones (Igeop).

La Tabla 7 muestra la evaluación del modelo de regresión logística propuesto. Se observa que cuatro variables no son significativas (n.s.); estas son: género del estudiante, Icont, Iadmi e Igeop; por lo tanto, hay cinco variables significativas que sí influyen en el éxito académico del estudiante: tipo de escuela, IGS, Imecu, Ifina e Iesta.

Tabla 7
Resultados del modelo de regresión logística propuesto

Fuente: Elaboración propia.

Se construyó un modelo de regresión logística para el éxito académico considerando las variables que resultaron significativas en el modelo que se ilustra en la Tabla 7. Se calcularon los OR y un intervalo del 95% de confianza para los mismos. Los resultados se muestran en la Tabla 8.

Tabla 8
Cálculo del OR de las variables significativas

Fuente: Elaboración propia.

De los resultados que muestra la Tabla 8 se puede concluir lo siguiente:

1. 1. OR _Escuela=5.802; si se comparan los estudiantes que provienen de escuelas públicas y privadas, la posibilidad de encontrar un estudiante de éxito académico entre los que provienen de escuela privada es casi seis veces la posibilidad de encontrarlo entre los que provienen de escuela pública.
2. 2. OR _IGS=1.022; si se comparan dos grupos de estudiantes diferenciados por 50 puntos de IGS; la posibilidad de encontrar un estudiante de éxito en el grupo de estudiantes con IGS mayor será casi tres veces (1.02250=2.97) la posibilidad de encontrarlo entre los estudiantes de IGS menor; es decir, a mayor IGS, mayor la posibilidad de encontrar un estudiante de éxito.
3. 3. OR _Imecu=1.895; si se comparan dos grupos de estudiantes diferenciados por un punto, en la escala de cero a cuatro, en la nota de los cursos de métodos cuantitativos, la posibilidad de encontrar un estudiante de éxito académico en el grupo de mayor nota será casi dos veces la posibilidad de encontrarlo entre los estudiantes con menor nota.
4. 4. OR _Ifina=3.185; si se comparan dos grupos de estudiantes diferenciados por un punto, en la escala de cero a cuatro, en la nota de los cursos finanzas, la posibilidad de encontrar un estudiante de éxito académico en el grupo de mayor nota será algo más de tres veces la posibilidad de encontrarlo entre los estudiantes con menor nota.
5. 5. OR _Iesta=2.139; si se comparan dos grupos de estudiantes diferenciados por un punto en la nota de los cursos de estadística, en la escala de cero a cuatro, la posibilidad de encontrar un estudiante de éxito académico en el grupo de mayor nota será el doble de la posibilidad de encontrarlo entre los estudiantes con menor nota.