Evaluación del Sistema de Selección Universitaria:

Evaluación del Sistema de Selección Universitaria:
Facultad de Economía Universidad de Chile
Christopher Neilson1 y Nicolás Grau2
Resumen
En este trabajo se analizan los datos de ramos cursados en la Facultad de Economía y
Administración de la Universidad de Chile, para intentar evaluar la eficiencia del
sistema de selección universitaria actual al predecir el rendimiento de los alumnos. Se
llevan acabo análisis mediante matrices de transición y regresiones OLS. Se encuentra
que el sistema actual ignora variables relevantes para predecir el rendimiento
académico, como la posición relativa de las notas del colegio. La cual incluso se
muestra más robusta que los puntajes de las distintas pruebas de selección. En
segundo lugar se encuentra evidencia de que no existe catching up al ser el
rendimiento de primer año un muy buen predictor del rendimiento posterior en la
escuela medido por notas y reprobaciones.
Introducción
El objeto de este trabajo es evaluar sí, dado las restricciones de información,
la selección de los postulantes se hace de manera eficiente. En otras
palabras, se pretende estudiar la capacidad de los procesos de selección de
utilizar de mejor manera la información existente.
Se asume que lo que pretende un mecanismo de selección es predecir el
desempeño de los alumnos medido por rendimiento académico, para luego
admitir a los postulantes de mejor desempeño predicho. Por tales motivos, la
evaluación de los procesos de selección requiere identificar el grupo de las
variables que estando disponibles, tienen capacidad predictiva.
La hipótesis de nuestro trabajo es que las variables consideradas para el
proceso de selección de estudiantes en la Facultad de Ciencias Económicas
de la Universidad de Chile (FACEA), no permiten una elección eficiente de
los postulantes. En particular, nuestra hipótesis cosiste en que el mecanismo
obvia una variable observable al momento de la postulación, ésta es la
posición relativa de los alumnos en su colegio. La cual es un buen predictor
del rendimiento posterior. Las variables más ponderadas actualmente (PAA
o PSU) tiene poco poder predictivo dentro de la muestra seleccionada por
diversas razones y esto lleva a sobre valorar la preparación de ésta e ignora
otras proxies de habilidad y motivación, las cuales si son observables.
Para estos efectos hemos utilizado dos tipos de metodología estadística. Con
el fin de graficar, de manera simple, las correlaciones entre las variables de
selección y el desempeño posterior de los alumnos, se ha usado elementos
de estadística descriptiva, tales como: gráficos y matrices de transición. La
primera metodología se ha complementado con un análisis econométrico
multivariado, el que ha permitido verificar de manera más exacta las
correlaciones presentes en nuestras hipótesis.
1
2
[email protected]
[email protected]
Se encuentra que el promedio de notas del colegio, puntaje de la prueba
específica de matemática, calidad del colegio3\, sexo, región y la posición
relativa de los alumnos en sus colegios, todas predicen en algún grado el
rendimiento de los alumnos en la universidad. El análisis multivariado
permite afirmar que, por el hecho de ser parte del decil 10 de notas en el
colegio, los alumnos obtienen mejores notas y menores tasas de reprobación
en la universidad. A su vez, el análisis empírico establece que, por un lado,
la prueba de aptitud académica no explica de manera satisfactoria el
desempeño académico de los estudiantes y, por otro lado, se verifica la alta
persistencia del ranking de notas de primer año, a lo largo de la carrera. La
evidencia sugiere que el sistema de selección actual es un mal predictor del
rendimiento en el margen y no existe evidencia robusta de ``catching up''
por parte de los alumnos con bajo rendimiento durante le primer año.
Descripción de datos y metodología empleada
Para la elaboración de este estudio hemos utilizado dos fuentes de
información, ambas de carácter individual: los puntajes de las pruebas de
admisión, lo que incluye ciertas características del colegio y del alumno; y
la base de datos de los alumnos de la Facultad de Ciencias Económicas y
Administrativas de la Universidad de Chile, la cual contiene las notas de los
alumnos y algunas características personales.
La base de datos de los alumnos de la facultad, que va desde 1990 a 2004,
contiene un total de 3668 observaciones. Por otro lado, el trabajo utiliza los
resultados de las pruebas de admisión de los años 1992, 1994-2002.
La base de datos final se construyó a partir de la unión de ambas fuentes de
información. Por las características de los datos y la ausencia de la
información de tres años, esta base de datos quedó compuesta por 2222
observaciones.
La primera metodología empleada consiste en el uso de gráficos y matrices
de transición para verificar la existencia de correlaciones entre ciertas
variables explicativas y las variables dependientes. A pesar del carácter
ilustrativo de tal análisis estadístico, los resultados que éste entrega no
permiten verificar la hipótesis de la causalidad.
Para los efectos de determinar la existencia de correlaciones entre el buen
rendimiento académico y características observables, hemos utilizado
mínimos cuadrados ordinarios. Esta metodología, a pesar de su simplicidad,
y por los menos en este caso, logra dilucidar el efecto puro de las variables
explicativas sobre la variable dependiente.
3
Este medido como el promedio de los puntajes de PAA del colegio.
La función de producción del desempeño universitario se asume de la
siguiente manera:
Y  X  
Donde Y es la variable que da cuenta del desempeño (promedio de notas), X
el conjunto de variables explicativas, y  la perturbación.
El conjunto de variables de control junto con su descripción se presentan el
la tabla A.1 en el anexo.
Resultados
Como se observa en la figura 1, existe una distribución de promedio de
notas de plan común distinta, para los alumnos según su nivel de notas
relativo en el colegio. Se ve que la distribución de los ``mateos'' del
colegio domina estocásticamente a la distribución del resto.
La
distribución más favorable de los buenos alumnos del colegio, se
ejemplifica en la mayor mediana de ésta, en relación a la distribución de
notas de los alumnos del 90\% más malo de su colegio.
Figura 1
Este resultado también se confirma para la reprobación de ramos. En otras
palabras, los alumnos que tenían las mejores notas en sus colegios, tendían a
reprobar menos ramos y tener mejores notas en promedio.
La matriz de transición muestra como cambia el ranking de los alumnos en
el tiempo y medido en distintas variables. En la Tabla 2, se muestra el
ranking de los alumnos en la prueba de aptitud de matemáticas y su ranking
al finalizar la malla común de ingeniería comercial (6 semestres). Si la PAA
fuera un buen predictor, uno esperaría una fuerte correlación entre ambos
rankings. Es decir, los mejores puntajes tenderían a tener las mejores notas
como también los alumnos promedio, deberían seguir siendo alumnos
promedio en general. La Tabla 2 muestra que esta hipótesis no se confirma
y aunque existe cierta relación, la correlación es bastante baja4.
Tabla 2.
Ranking Notas Malla Comun
ranking_nota_MC
2
3
4
5
6
7
8
9
1
5.76
9.15
7.8
7.46
9.49
12.54
12.2
13.22
9.49
12.88
100%
2
7.34
7.34
10.09
11.47
9.63
11.47
9.63
13.3
7.8
11.93
100%
3
7.88
11.2
6.64
9.96
7.47
12.03
10.79
9.96
15.35
8.71
100%
4
10.82
10.82
9.51
10.82
10.16
9.18
10.82
10.49
8.52
8.85
100%
5
9.15
10.98
14.02
12.8
13.41
8.54
6.71
8.54
7.93
7.93
100%
6
7.72
10.42
10.42
7.34
9.65
11.97
10.04
7.72
15.83
8.88
100%
7
10.27
10.71
7.59
12.05
12.05
9.38
8.04
9.38
11.16
9.38
100%
8
10.84
9.64
14.46
9.64
12.05
7.83
14.46
10.24
4.82
6.02
100%
9
14.21
10.38
12.02
9.84
6.56
8.2
12.02
8.74
8.2
9.84
100%
10
14.97
10.18
12.57
8.98
8.38
10.18
7.78
8.38
9.58
8.98
100%
212
224
224
220
218
230
230
226
226
212
2,222
Ranking PAA Matematicas
1
Total
A continuación se presentan los resultados del análisis multivariado. Se
controla por una serie de variables lo que permite aislar la relación entre
distintas variables.
Análisis Multivariado
El objeto de esta sección es, a través del uso de MCO, determinar el poder
explicativo del conjunto de variables que podrían ser utilizadas por los
mecanismo de selección del proceso de ingreso a la educación superior.
El primer modelo usa como variables explicativas las características del
individuo, su colegio y sus resultados de prueba de aptitud. Además de el
promedio de notas, se agrega el ranking relativo del alumno en su respectivo
colegio. Se evalúa el ranking por quintil y con una variable dummy que
identifica el decil más alto.
4
De hecho, el análisis multivariado da cuenta de un efecto no significativo en muchas
especificaciones.
10 Total
En las Tablas A.2 – A.4, se muestran los resultados de tres regresiones por
MCO, del promedio de notas de plan común respecto de un set de variables
explicativas.
Los resultados de las regresiones permiten sostener las siguientes
conclusiones: (1) la prueba de selección de mayor poder explicativo es la de
matemáticas específicas, aquello se justifica en la pérdida de significancia
de la paam, cuando se incluye pcem. (2) Haber sido del 10\% de mejor
desempeño en el colegio, controlando por la calidad de este, implica un
mejor promedio de notas en la malla común. Este resultado es robusto a
distintas especificaciones5. (3) El poder explicativo de la calidad del colegio
desaparece al contemplar en la estimación la prueba de matemáticas
específica. (4) Aun controlando por el nivel de notas relativo (dest1), las
notas absolutas en el colegio aun son significativas al explicar robustamente
las notas de Plan Común. (5) Que los últimos anos de ingreso tengan signo
positivo se puede deber a una disminución en la exigencia en FACEA. (6)
Incluso controlando por un número importante de variables el hecho de ser
mujer mejora el promedio de notas en la universidad. (7) El poder
explicativo del promedio de introducción a la economía da cuenta de la
persistencia de las notas de primer año.
Conclusiones
La evidencia indica que el sistema de selección de estudiantes no está
diseñado eficientemente en el caso de la Facultad de Ciencias Económicas y
Administrativas, ya que no ocupa toda la información relevante que está
disponible al momento de la postulación. En particular, el sistema actual no
considera las notas del colegio en términos relativos lo que podría evitar la
inflación en las notas de los colegios. Además el actual sistema de selección
posee muy poco poder para predecir el rendimiento de los alumnos en el
margen. Sin embargo, existe una fuerte correlación entre el rendimiento de
primer año, ya sea, de los ramos matemáticos o de economía con el
rendimiento de plan común. En otras palabras solo se puede observar el
verdadero potencial de los alumnos una vez dentro de la escuela durante el
primer año.
Una recomendación que surge de los resultados es bonificar a los alumnos
del mejor 10% de su colegio en el margen. Dado que es sistema no es capaz
de identificar correctamente entre un postulante que pondera 680 o 690, los
resultados de esta investigación sugieren escoger el alumno de 680 que era
el mejor de su colegio en vez de el postulante de 690 quien no lo era.
Futuras políticas de la escuela que busquen mejorar la calidad del alumnado
deben generar mecanismos alternativos para identificar los alumnos
talentoso y motivados. Un ejemplo de esto puede ser aumentar los cupos de
ingreso, tomando en cuenta la posición relativa, y eliminando los peores
alumnos después de observar su esfuerzo y talento en el primer semestre.
5
En el trabajo Grau y Neilson (2005)b se presentan los resultados para regresiones para la
cantidad de reprobaciones además de usar distintas definiciones de notas. El resultado de
los mejores alumnos es siempre significativo aun controlando por el tipo y calidad del
colegio.
Otra alternativa podría ser generar mecanismos que permitan observar el
esfuerzo y talento antes de que ingresen a la facultad. Este tipo de medida
podría eventualmente ser focalizado a el conjunto de alumnos que no poseen
recursos para ir a preuniversitarios, pero tienen otras características que
predicen un buen rendimiento posterior, tales como la motivación y
esfuerzo.
Cabe señalar que estos resultados son específicos a la muestra usada en el
análisis, lo cual limita la conclusiones a los alumnos que efectivamente
entran a la universidad y a los que están en el margen de aquello. También
será relevante verificar que este comportamiento se mantiene al usar las
nuevas pruebas de admisión.
Anexo
Tabla A.1
Variables Explicativas
Nombre
dest1
Description
Variable dicotómica, que toma el valor 1 si el alumno pertenece al 10% de mejor
rendimiento en su colegio, y 0 en caso contrario
nem
Notas en la enseñanza media
paam
Puntaje en la prueba de aptitud de matemáticas
paav
Puntaje en la prueba de aptitud de verbal
sex
calidad
Sexo del alumno
Variable dicotómica, que toma el valor 1 si el alumno proviene de la región
metropolitana, y 0 en caso contrario
Año de ingreso a la universidad, toma el valor de 1 si el alumno entro el ano x y
cero si no
Calidad del colegio: promedio simple, del promedio del colegio de las pruebas de
verbal y matemáticas
nota_1
Promedio de notas del primer semestre.
pcem
Puntaje en la prueba de Matemáticas específica
rm
ing_x
Variable Dependiente
nota_MC
Promedio de notas de plan común
Tabla A.2
nota_MC
rm
Coef.
Error Est.
t
P>t
[95% Conf.
Interval]
-0.0144
0.0253
-0.6
0.57
-0.0641
0.0353
paam
0.0006
0.0003
2.2
0.03
0.0001
0.0012
paav
0.0003
0.0002
1.9
0.06
0.0000
0.0006
calidad
0.0001
0.0002
0.4
0.71
-0.0003
0.0004
nem
0.0013
0.0002
5.4
0.00
0.0008
0.0017
-0.0515
0.0206
-2.5
0.01
-0.0919
-0.0111
ing1994
0.0433
0.0514
0.8
0.40
-0.0576
0.1442
ing1995
0.0654
0.0473
1.4
0.17
-0.0274
0.1583
ing1996
-0.0162
0.0425
-0.4
0.70
-0.0996
0.0671
ing1997
0.0346
0.0444
0.8
0.44
-0.0525
0.1217
ing1998
0.0647
0.0458
1.4
0.16
-0.0251
0.1546
ing1999
0.0217
0.0442
0.5
0.62
-0.0650
0.1085
ing2000
-0.0078
0.0488
-0.2
0.87
-0.1036
0.0879
ing2001
0.1246
0.0482
2.6
0.01
0.0302
0.2191
ing2002
0.3597
0.0557
6.5
0.00
0.2504
0.4690
_cons
3.1599
0.3630
8.7
0.00
2.4479
3.8719
dest1
sex
pcem
Number of obs
F( 15, 1577)
Prob > F
R-squared
Root MSE
1593
12.68
0
0.1395
0.35637
Tabla A.3
nota_MC
Coef.
rm
Error Est.
t
P>t
[95% Conf.
Interval]
-0.0074
0.0243
-0.3
0.762
-0.0551
0.0404
paam
0.0008
0.0003
2.7
0.007
0.0002
0.0013
paav
0.0003
0.0002
1.62
0.106
-0.0001
0.0006
dest1
0.1965
0.0266
7.39
0.000
0.1443
0.2486
calidad
0.0006
0.0002
3.32
0.001
0.0003
0.0010
nem
0.0007
0.0002
3.25
0.001
0.0003
0.0011
sex
-0.0490
0.0195
-2.51
0.012
-0.0873
-0.0107
ing1994
0.0442
0.0500
0.88
0.378
-0.0540
0.1423
ing1995
0.0577
0.0462
1.25
0.212
-0.0330
0.1484
ing1996
-0.0030
0.0421
-0.07
0.944
-0.0855
0.0796
ing1997
0.0546
0.0438
1.25
0.212
-0.0312
0.1404
ing1998
0.0929
0.0448
2.07
0.038
0.0050
0.1808
ing1999
0.0267
0.0441
0.61
0.544
-0.0597
0.1131
ing2000
0.0034
0.0483
0.07
0.944
-0.0914
0.0982
ing2001
0.1428
0.0478
2.99
0.003
0.0491
0.2366
ing2002
0.3754
0.0543
6.91
0.000
0.2689
0.4819
_cons
3.0134
0.3390
8.89
0.000
2.3486
3.6783
Numero de obs
F( 16, 1576)
Prob > F
R-squared
Root MSE
1593
17.74
0
0.1746
0.34915
Tabla A.4
nota_MC
Coef.
Error Est.
t
P>t
[95% Conf.
Interval]
rm
0.0458
0.0349
1.31
0.190
-0.0227
0.1142
paam
0.0009
0.0005
1.58
0.114
-0.0002
0.0019
paav
0.0006
0.0003
2.37
0.018
0.0001
0.0012
dest1
0.2075
0.0414
5.01
0.000
0.1262
0.2887
calidad
0.0005
0.0003
1.82
0.069
0.0000
0.0010
nem
0.0013
0.0004
2.82
0.005
0.0004
0.0021
-0.0638
0.0306
-2.08
0.038
-0.1238
-0.0037
0.0010
0.0005
2.00
0.046
0.0000
0.0020
ing1999
-0.0689
0.0386
-1.79
0.075
-0.1446
0.0068
ing2000
-0.0985
0.0402
-2.45
0.015
-0.1774
-0.0195
ing2001
0.0328
0.0418
0.78
0.434
-0.0494
0.1149
ing2002
0.2619
0.0560
4.68
0.000
0.1520
0.3717
_cons
1.7777
0.9465
1.88
0.061
-0.0805
3.6359
sex
pcem
ing1994
ing1995
ing1996
ing1997
ing1998
Number of obs
F( 12, 738)
Prob > F
R-squared
Root MSE
751
16.69
0
0.2317
0.35457
Bibliografía
Fischer R. and A.Reppeto, “Método de Selección y Resultados Académicos: Escuela
de Ingeniería de la Universidad de Chile”, Estudios Públicos N° 92, 2003.