Determinantes del rendimiento en la prueba PISA aplicando modelos multinivel: Argentina, 2012

Abstract

El propósito de este artículo es describir el empleo de los modelos multinivel utilizando la prueba PISA 2012. Se presentan, resumidamente, sus principales características conceptuales y, al mismo tiempo, se realizan las estimaciones en torno al rendimiento de los alumnos en la prueba considerando tres alternativas de desarrollo.El principal interés radica en analizar de qué manera los modelos multinivel brindan herramientas de análisis útiles y válidas en las Ciencias Sociales, y resaltar que es una metodología que debiera ser tenida en cuenta cuando los datos disponibles hayan sido originados a partir de un sistema de muestreo polietápico. En este caso, los resultados aportan evidencias que es relevante considerar la estructura jerárquica de los datos considerando una segunda jerarquía que agrupa a los individuos, quienes conforman la primera (los alumnos son el primer nivel y las escuelas el segundo). Estos modelos multinivel, cuando su uso es pertinente, brindan mejores estimadores y explican parte de la variabilidad que existe debido a diferencias en las unidades del segundo nivel, que quedaría oculto si el método de estimación fuera el tradicional mínimos cuadrados ordinarios.The aim of this article is to describe the use of multilevel models based on PISA 2012 data. The paper contains a summary of the main aspects of the technique and –at the same time- three different models are estimated using as a dependent variable the students performance. The main interest is focused on analyzing how this kind of models provide useful and valid tools to analyze Social Science’s data, and on considering multilevel models when data has been gathered after using multiple level sampling techniques. In this case, results indicate that it is relevant to consider the hierarchical structure of the data, acknowledging a second level that groups several members (students are the first level and schools are the second one). These multilevel models, when appropriate, provide better estimations and explain part of the variability that exists because of differences in second level unities, which would be hidden if the estimation was run with ordinary least squares.