Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
La perspectiva estudiantil sobre el desempeo del profesor: un modelo de regresin
logstica ordinal
Mara Noel Rodrguez-Ayn1
Unidad Acadmica de Educacin Qumica
Facultad de Qumica, Universidad de la Repblica.
RESUMEN
La regresin logstica es una tcnica estadstica de creciente uso en investigaciones en
Ciencias de la Salud y en Educacin. El objetivo de este trabajo es presentar un modelo de
regresin logstica ordinal empleando variables educativas, de modo de ofrecer al lector
algunos lineamientos metodolgicos a partir de datos empricos, con un enfoque aplicado.
Desde una perspectiva constructivista se modela el criterio percepcin estudiantil sobre el
desempeo del profesor como facilitador del aprendizaje por medio de regresin logstica
ordinal, empleando el programa SPSS. Los datos proceden de una encuesta aplicada a 244
estudiantes de primer ao de la Facultad de Qumica, Uruguay. Las calificaciones
estudiantiles, as como su opinin general sobre las actitudes y estrategias del profesor,
resultaron ser buenos predictores del criterio. Se discuten detalles sobre la elaboracin y
seleccin de modelos, transformacin de variables, interpretacin de parmetros, anlisis de
efectos de interaccin y confusin, evaluacin del ajuste del modelo y empleo de estadsticos
de diagnstico mediante patrones de covariables. Se comparan los resultados de la regresin
logstica binaria y la ordinal empleando SPSS.
Palabras clave: Regresin logstica ordinal, variables ordinales, Educacin Superior,
evaluacin docente.
ABSTRACT
Logistic regression is a statistical analytical technique of increasing use in health care and
educational research. The purpose of this paper is to present a logistic regression model for
ordinal response variables within an educational environment, in order to provide readers with
guidelines from real data and a practical point of view. Based on a constructivist framework,
the criterion students perception of the teacher as a facilitator of learning is modeled by
ordinal logistic regression, employing the statistical package SPSS. Data were collected in a
survey carried out among 244 students of the first year of the School of Chemistry, Uruguay.
Students grades as well as their general opinion towards teachers strategies and attitudes
proved to be effective predictors of the criterion. Details of model-building procedure,
transformation of predictors, parameters interpretation, examination of interaction and
confounding effects, goodness-of-fit assessment and regression diagnosis based on covariate
patterns are discussed. Results of both ordinal and binary logistic regression with SPSS are
also compared.
Keywords: Ordinal logistic regression, ordinal response variables, Higher Education,
teachers assessment.
e-mail: mayan@fq.edu.uy
Facultad de Qumica, Universidad de la Repblica. CC 1157 CP 11800 Montevideo-Uruguay
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
1.- Introduccin
El objetivo de este trabajo es presentar un modelo de regresin logstica ordinal,
proporcionado directrices sistematizadas para que los usuarios de esta tcnica puedan adoptar
decisiones respecto a su eleccin. El trabajo se enmarca en el estudio de la perspectiva
estudiantil sobre el desempeo del profesor en la Universidad.
El uso de la regresin logstica para modelar variables educativas se ha incrementado
en la ltima dcada. En la prediccin del rendimiento acadmico los antecedentes muestran la
mejor adecuacin de esta tcnica frente a la regresin lineal (Garca, Alvarado y Jimnez,
2000). Sin embargo, su uso en contextos educativos ha estado ms orientado a la prediccin
de la desercin/retencin universitaria que a otras cuestiones, tal vez porque en estos casos las
variables dependientes son tpicamente dicotmicas o categricas (Peng, So, Stage y St. John,
2002). El aumento de la popularidad de la regresin logstica puede ser atribuido en parte al
fcil acceso a programas de estadstica que ofrecen anlisis de este tipo (Peng, Lee e Ingersoll,
2002). Estos autores realizaron un relevamiento de los artculos publicados en el Journal of
Educational Research durante 1990-2000, encontrando 8 publicaciones en las que se haba
empleado esta tcnica. El tema central, comn a todos los trabajos, fue la prediccin del
rendimiento escolar, abarcando kindergarten, educacin primaria y secundaria. En todos los
casos la variable dependiente fue dicotmica.
Peng, So, Stage y St. John (2002) relevaron el uso de la regression logstica en tres
publicaciones de Educacin Superior durante 1988-1999: Research in Higher Education, The
Review of Higher Education y The Journal of Higher Education. Encontraron 52 artculos en
los que se emplearon los siguientes anlisis: logit (47), tobit (1), logit y tobit (1) y regresin
logstica politmica (3). Entre los temas abordados hubo 29 artculos sobre matrcula y
retencin en la Universidad. Solamente 3 artculos abordaron cuestiones sobre los profesores
universitarios. A partir de dicho relevamiento los autores detectaron algunas fallas
metodolgicas, as como informacin incompleta, en los resultados de algunos autores:
ausencia de resultados sobre estudios de interaccin entre predictoras, reportes de efectos de
interaccin procedentes de anlisis de efectos de confusin, ausencia de resultados de
estadsticos de diagnstico, ausencia de errores tpicos de las estimaciones impidendo al lector
analizar su estabilidad, confusin entre odds ratio y probabilidad. Pedhazur (1997) menciona
esta confusin y la interpretacin de los parmetros de la ecuacin de regresin logstica de
manera anloga a los parmetros de una regresin lineal como los principales errores en que
se incurre al emplear la regresin logstica.
En este trabajo se analiza la relacin entre el criterio percepcin que tienen los
estudiantes de la Facultad de Qumica (FQ) de la figura del docente como sujeto facilitador de
su aprendizaje y un conjunto de predictoras propias de los estudiantes (descriptivas y de
opinin/actitud hacia la gestin de los profesores). Aunque la evaluacin docente debe
realizarse a partir de informacin procedente de diversas fuentes - enfoque multiestratgico (Cohen y Manion, 1994; Fernndez, Mateo y Muiz, 1996; Hernndez, Fernndez y Baptista,
1998; Mateo y Fernndez, 1993; Muiz, Garca y Virgos, 1991; Muoz, Ros de Deus y
Abalde, 2002), los cuestionarios de opinin estudiantil constituyen la fuente de informacin
que cuenta con mayor apoyo emprico y la que tiene mayor garanta de fiabilidad y validez de
la informacin recabada (Fernndez y otros, 1996).
2
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
Garca-Valcrcel (2001) seala que el docente universitario debe saber qu sucede en
el aula, cmo aprenden los estudiantes, cmo organizar el espacio y el tiempo, qu estrategias
didcticas son ms convenientes. Ejemplos de acciones docentes que propician la motivacin
para el aprendizaje y por tanto un mayor rendimiento acadmico y un mayor grado de
satisfaccin en los alumnos son: presentar objetivos de la asignatura, cuidar la claridad y el
ritmo de exposicin, mostrar buena disposicin para evacuar consultas, mostrarse accesible a
los alumnos, flexibilizar los contenidos programticos para adaptarse a los intereses,
necesidades y experiencias de los alumnos, atender a las capacidades cognitivas que se desean
desarrollar, etc. (Alonso Tapia, 1997; Garca-Valcrcel, 1991).
Dado su carcter exploratorio, los resultados presentados pueden servir de referencia
para estudios futuros. Las conclusiones constituyen insumos para optimizar la estrategia de
indagacin por encuesta, como parte de la evaluacin docente Institucional. Se explica el
procedimiento de construccin de los modelos de regresin logstica, la interpretacin de las
estimaciones, la evaluacin del ajuste y estadsticos de diagnstico, considerando patrones de
covariables. Se comparan resultados de regresiones logsticas binaria y ordinal empleando
SPSS.
2.- Mtodo
2.1.- Participantes
Participaron 244 estudiantes de una asignatura de primer ao de la FQ, comn a todas
las carreras: Qumica Farmacutica (QF), Bioqumica Clnica (BC), Qumica (Q), Ingeniera
Qumica (IQ) e Ingeniera de Alimentos (IA).
2.2.- Instrumento de medida
Encuesta piloto conteniendo delimitacin de objetivos, instrucciones sobre cmo
contestar, variables descriptivas y 11 tems de opinin medidos en una escala Likert de 5
puntos (5 Totalmente de acuerdo, 1 Totalmente en desacuerdo).
Cuadro 1
Definicin y operacionalizacin de variables
Nombre
FACIL
Definicin conceptual
Definicin operativa
Variable dependiente
Percepcin estudiantil
El docente resulta un
sobre el docente
sujeto facilitador de
como facilitador de su
su aprendizaje
aprendizaje
Variables independientes
CARR
Carrera(s)
Carrera(s)
Escala
1 TD 2 D 3 I
4 A 5 TA
1QF 2BC 3IQ 4IA
5Q 6QFyBC 7IQeIA
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
Diferencia entre el
0 ingreso
ao de ingreso a la FQ
1 1 ao atraso
y el ao de la
2 2 aos atraso
encuesta
1 TD 2 D 3 I
Hbitos de estudio del
Habitualmente repasa
4 A 5 TA
alumno
los temas
Autoevaluacin del alumno Se siente ms
1 TD 2 D 3 I
capacitado que antes
respecto a su capacidad
4 A 5 TA
para resolver
de resolver situaciones
situaciones nuevas
nuevas
Calificaciones en el
Puntaje en el
continua
parcial
parcial
0-24 puntos
Dificultad del curso
Constructo con 3
continua
segn el alumno
indicadores
3-15 puntos
Conformidad con las
Constructo con 5
continua
actitudes y estrategias
indicadores
5-25 puntos
didcticas docentes
Situacin curricular del
SITCUR
alumno
ESTUD
AUTO
NOTAS
DIF
DOC
Las variables latentes DIF y DOC se obtuvieron por anlisis de componentes
principales con rotacin varimax de 8 tems medidos en escala Likert de 5 puntos. El puntaje
de cada factor se obtuvo por suma de los puntajes en los tems, siendo el de Cronbach 0,62
y 0,81 respectivamente.
2.3.- Procedimiento
La participacin fue voluntaria y annima. Se suministr el cuestionario en clase,
ofreciendo garantas de confidencialidad.
2.4.- Anlisis
Se realizaron regresiones ordinales de probabilidad acumulada y regresiones binarias.
Se asume que existe una variable continua, subyacente a las medidas ordinales del criterio,
que constituye la percepcin estudiantil acerca del rol del docente. Por lo tanto se prefiere la
regresin ordinal frente a la de categoras adyacentes (Agresti, 1989) o a la multinomial,
tcnica que no tiene en cuenta la informacin ordinal contenida en los datos (Agresti, 1989;
Bender & Grouven, 1997; Manor, Mathews & Power, 2000). Los anlisis incluyen definicin
de variables dependiente e independientes, estadstica descriptiva, transformacin de
variables, anlisis univariado y multivariado, estudio de interacciones, diagnstico y
validacin del modelo. El paquete estadstico empleado fue el SPSS versin 11.0.
3.- Resultados
3.1.- Estadstica descriptiva y transformacin de variables
La Tabla 1 muestra la media, la desviacin tpica y el estadstico de KolmogorovSmirnov (KS) con la correccin de la significacin de Lilliefors para las variables continuas.
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
Tabla 1
Estadsticos de variables continuas
NOTAS
DOC
DIF
Media
8,5
16,1
7,9
Desv. tp
3,39
3,5
2,22
KS (sig)
0,095 (0,000)
0,139 (0,000)
0,145 (0,000)
La Tabla 2 muestra las frecuencias de las variables categricas. Como algunas
categoras tienen muy pocos casos, estas variables fueron transformadas. SITCUR se
dicotomiz en NSITCUR: ingreso/atraso curricular; CARR se dicotomiz en CARRDIC:
carreras biolgicas (QF, BC y Q) / ingenieriles (IQ e IA); FACIL se transform en NFACIL
con 3 categoras: TD y D / I /TA y A; ESTUD y AUTO se transformaron en NESTUD y
NAUTO con 4 categoras: TD y D / I / A / TA.
Tabla 2
Frecuencias de variables categricas
SITCUR
CARR
FACIL
QF
TD
75
13
ingresos
181
BC
D
38
43
IQ
I
75
85
1 ao de atraso
54
IA
A
41
95
Q
TA
9
8
ms de 1 ao de atraso
9
QF y BC
5
IQ e IA
1
ESTUD
18
43
51
99
33
AUTO
4
16
78
116
30
3.2. Anlisis univariado
Se tom una significacin univariada < 0,25 como criterio de inclusin de una
predictora en el anlisis multivariado, para contemplar la posibilidad de que alguna variable
con asociacin univariada dbil, en presencia de otras variables, pudiera tornarse una
predictora importante. Los resultados se resumen en la Tabla 3.
Tabla 3
Asociacin de NFACIL con cada predictora
Variable
Estadstico
tau-b
tau-c
Gamma
d
CARRDIC
0,100
0,114
0,175
0,114
NSITCUR
-0,162
-0,161
-0,309
-0,210
NAUTO
0,283
0,286
0,427
0,283
NESTUD
0
0
0
0
Kruskal-Wallis
NOTAS DOC - DIF
16,934 - 101,067
- 26, 818
Sig.
0,096
0,005
0,000
0,997
0,000
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
3.3.- Regresin logstica uni y multivariada
Se realizaron regresiones logsticas ordinales univariadas y multivariada (modelo 1)
con todas las variables excepto NESTUD, a efectos de comparar los coeficientes de regresin
(Tabla 4).
Tabla 4
Regresin univariada y multivariada completa
NOTAS
DOC
DIF
NAUTO
NSITCUR
CARRDIC
Coeficiente
uni
Mod 1
0,150
0,108
0,529
0,508
-0,287
-0,026
0,798
0,286
-0,684
-0,408
0,394
0,0608
Error tpico
uni
Mod 1
0,037
0,045
0,058
0,062
0,058
0,071
0,161
0,185
0,273
0,325
0,239
0,283
Wald
uni
Mod 1
16,346
5,804
82,566
67,314
24,504
0,133
24,683
2,390
6,302
1,576
2,710
0,046
Los estadsticos de Wald univariados fueron todos significativos, lo cual es esperable
dadas las asociaciones significativas de la Tabla 3. En la regresin multivariada los valores de
Wald de NOTAS, DOC y NAUTO son superiores a 2, significativos, en tanto que DIF,
NSITCUR y CARRDIC no contribuyen al modelo. Esto sugiere la eliminacin de estas tres
variables, con miras a obtener un modelo ms parsimonioso.
NOTAS y DOC prcticamente mantienen los mismos coeficientes de regresin
(considerando los errores tpicos). Ello significa que las restantes variables, al ser agregadas,
no afectan estos efectos, ninguna de las restantes es confundidora de los efectos de NOTAS o
DOC. La variable NAUTO en cambio presenta un coeficiente ms bajo en el modelo 1 que en
el univariado. Esto significa que su relacin con NFACIL depende de la inclusin de otras
variables en la ecuacin (efecto de confusin).
Se realizaron dos regresiones multivariadas adicionales: eliminando las variables DIF,
NSITCUR y CARRDIC (modelo 2) y eliminando adems NAUTO (modelo 3). En la Tabla 5
se comparan los coeficientes de regresin y su IC 95% para todos los modelos.
Tabla 5
Comparacin de coeficientes de los modelos univariado y
multivariados
Modelo
Uni
NOTAS
DOC
0,150 (0,077-0,223)
0,529 (0,415-0,643)
0,798 (0,483-1,113)
0,108 (0,02-0,195)
0,508 (0,386-0,629)
0,286 (-0,077-0,649)
0,122 (0,004-0,206)
0,513 (0,395-0,630)
0,293 (-0,066-0,653)
0,135 (0,053-0,217)
0,527 (0,411-0,643)
NAUTO
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
NOTAS y DOC tienen prcticamente los mismos coeficientes en todos los modelos.
NAUTO tiene un estadstico de Wald ligeramente superior a 2 en los modelos 1 y 2. Su
exclusin de la ecuacin (modelo 3) no afecta los parmetros de NOTAS y DOC, por lo que
se eligi el modelo 3 como ms parsimonioso. No interes por tanto indagar cul de las
variables (NOTAS, DOC o ambas) es confundidora del efecto de NAUTO. La prueba de
lneas paralelas para el modelo 3 da un valor de 2 (2 gl) de 1,689, con una significacin de
0,43, por lo tanto se acepta la hiptesis de paralelismo.
La significacin de los trminos eliminados tambin se analiz comparando los
estadsticos de razn de verosimilitud de los modelos multivariados. Puesto que la tcnica
PLUM no permite el agregado de variables en bloques para la comparacin de 2LL se
realizaron dos regresiones binarias, tomando como variable dependiente NFACIL
dicotomizada de acuerdo con los siguientes criterios: NFACDIC1 (1 Desacuerdos / 0
Indecisos y Acuerdos) y NFACDIC2 (1 Desacuerdos e Indecisos / 0 Acuerdos). La
codificacin se eligi de manera tal de estimar en las regresiones binarias la ods de categora
k / categora > k, igual que PLUM. Las regresiones binarias se realizaron en tres bloques
consecutivos, agregando las siguientes variables en cada uno: NOTAS y DOC (bloque 1),
NAUTO (bloque 2) y DIF, NSITCUR y CARRDIC (bloque 3). En la Tabla 6 se muestra
2LL y la significacin del cambio en 2LL de cada modelo respecto al inmediatamente
anterior:
Tabla 6
- 2LL para modelos anidados
Variable
- 2LL
-2LL Bloque -2LL Bloque
dependiente inicial
1 (sig)
2 (sig)
166,631
165,583
NFACDIC1 262,877
(0,000)
(0,306)
231,991
229,635
NFACDIC2 332,314
(0,000)
(0,125)
-2LL Bloque
3 (sig)
164,631
(0,813)
222,642
(0,072)
Las diferencias entre los bloques 3 y 2 (3 gl) y entre bloques 1 y 2 (1 gl) no son
significativas, resultado consistente con que el modelo ms parsimonioso es el que contiene
NOTAS y DOC (modelo 3, bloque 1). Las dos ecuaciones de regresin binaria son y los dos
logits acumulados de PLUM son:
Logit ( NFACDIC 1 = 1) = 7,735 0,547 * DOC 0,083 * NOTAS
Logit ( NFACDIC 2 = 1) = 10,863 0,544 * DOC 0,168 * NOTAS
Logit ( NFACIL = 1) = 7,835 0,537 * DOC 0,135 * NOTAS
Logit ( NFACIL 2) = 10,286 0,537 * DOC 0,135 * NOTAS
(1)
(2)
(3)
(4)
La diferencia en los signos de los coeficientes se debe a que en la regresin binaria se
Log ( P(Y = 1)) = cte + i X i ,
en
tanto
que
en
la
ordinal
modela
Log ( P(Y < k ))= cte i X i . El coeficiente de NOTAS en (1) es la mitad de su valor en las
restantes, pero considerando el rango de error (Tabla 5), los intervalos se solapan
razonablemente. Para DOC los coeficientes y sus rangos son prcticamente iguales en los 4
casos. Todo esto es coherente con que el test de pruebas paralelas realizado en la regresin
7
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
ordinal no haya sido significativo, por lo cual se asume que los coeficientes de las predictoras
son los mismos con independencia de la ubicacin de los puntos de corte.
3.4.- Seleccin de la escala adecuada para las variables continuas
Habiendo predictoras continuas hay que verificar si se cumple el supuesto de
linealidad con el logit. Se categorizaron las predictoras en cuartiles y se disearon tres
vectores ortogonales, representando las componentes lineal, cuadrtica y cbica de la
tendencia del logit. Se realizaron dos regresiones ordinales, una con NOTAS y las tres
componentes para DOC, y otra a la inversa. Entre los vectores ortogonales solamente las
componentes lineales resultaron significativas, por lo que se concluye que hay linealidad del
logit con NOTAS y con DOC.
3.5.- Estudio de componentes de interaccin y multicolinealidad
Para investigar interaccin se realiz la regresin ordinal agregando el trmino
NOTAS*DOC al modelo 3. Su estadstico de Wald fue ser 0,088, no significativo. La
colinealidad se busc estudiando la correlacin de Pearson entre NOTAS y DOC. El
coeficiente, aunque estadsticamente significativo, fue de 0,170, revelando una asociacin
muy dbil entre las dos variables. La conclusin es que no hay interaccin ni colinealidad.
3.6.- Evaluacin del modelo
Adems de los ya estudiados estadsticos de Wald y (2LL) se analizaron
estadsticos pseudo R2, el ajuste del modelo a los datos experimentales y la eficacia predictiva
del modelo.
3.6.1.- Pseudo R2
Los valores de pseudo R2 de Cox y Snell, Nagelkerke y McFadden son razonables:
0,445, 0,504 y 0.275, si bien deben tomarse con precaucin dado que ninguno de ellos explica
la varianza de manera anloga al coeficiente R2 de la regresin lineal.
3.6.2.- Ajuste del modelo a los datos
Se estudi el ajuste para cada logit, de manera anloga a lo sugerido por Hosmer y
Lemeshow (1989) para la regresin logstica politmica. Interesa determinar para cada logit el
estadstico de Hosmer y Lemeshow (HS) - recomendado cuando hay predictoras continuas - y
los estadsticos de Pearson (P) y Desviacin (D). Para los dos ltimos es necesario considerar
los patrones de covariables y no los sujetos individualmente, dado que el nmero de
configuraciones de covariables es 126 y al nmero de casos 244 (Hosmer y Lemeshow, 1989;
Peng, So y otros, 2002). Dado que en el men de SPSS HS es una opcin en la regresin
binaria, en tanto que P y D son opciones de la regresin ordinal, para obtener las tres
estimaciones se hizo uso de ambos procedimientos. Se realizaron dos regresiones ordinales y
dos regresiones binarias, empleando NFACDIC1 y NFACDIC2 (Tabla 7).
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
P y D tienen significacin 1, pero ello no es informativo pues las predictoras son
continuas y hay un nmero elevado de casillas con frecuencia cero. Esto invalida la hiptesis
de que si el ajuste del modelo a los datos es bueno, ambos estadsticos se distribuyen segn
chi-cuadrado. Se hizo el cociente entre cada estadstico y el nmero de grados de libertad:
tanto P como D resultan inferiores a los grados de libertad para ambos logits, lo cual indica
que el ajuste es bueno. HS tampoco es significativo, indicando que los modelos se ajustan
bien a los datos.
Tabla 7
Estadsticos de bondad de ajuste
Estadstico
Regresin binaria
NFACDIC1
P (123 gl)
D (123 gl)
HS (8 gl)
NFACDIC2
-
5,343
Regresin ordinal
NFACDIC1
NFACDIC2
68,117
80,175
79,245
8,072
87,637
-
3.6.3.- Eficacia predictiva del modelo
La Tabla 8 muestra la
predictiva.
clasificacin y la Tabla 9 algunas medidas de eficacia
Tabla 8
Clasificacin
Categora Pronosticada (CP)
D
I
A
recuento
30
23
3
D
res. tip.
6,4
,4
-4,4
recuento
13
40
32
NFACIL I
res. tip
-,5
1,4
-1,0
recuento
0
29
74
A
res. tip
-4,3
-1,6
4,1
Tabla 9
Medidas de eficacia predictiva
Proporcin de:
A reales correctamente pronosticados
D reales correctamente pronosticados
A reales pronosticados como D
D reales pronosticados como A
pronsticos de A acertados
pronsticos de D acertados
I reales pronosticados como A o D
Operacin
74/103
30/56
0
3/56
74/109
30/43
45/85
71,8
53,6
0
5,4
67,9
69,8
52,9
Entre los D reales (Tabla 8) la tendencia es que su pronstico tambin sea D
(res.>1,96), o a que no sea A (< 1,96). Anlogamente, entre los A el pronstico tiende a ser
A o a no ser D. A y D tienen pronsticos bastante acertados y es muy poco probable que una
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
categora extrema de la escala sea pronosticada como la opuesta. Los I no tienen residuos
significativos.
El modelo tiene una buena capacidad predictiva para A: 71,8%, no as de D (53,6%)
(Tabla 9). En cuanto a errores, no hay ningn A pronosticado como D y solamente un 5,4 %
de D tiene pronsticos de A. Casi un 70% de los pronsticos de A y D son pronsticos
correctos. Estos porcentajes deben interpretarse con precaucin, puesto que las probabilidades
pronosticadas basadas en una ecuacin derivada de los mismos datos tienden a arrojar valores
inflados, (Pedhazur, 1997). El modelo tiene una capacidad de atribucin de opiniones a
sujetos indecisos del 52,9%.
La Tabla 8 tiene un valor relativo, pues los residuos se calculan a partir de la hiptesis
de independencia entre las variables sin tomar en cuenta que son variables ordinales. Por lo
tanto se estimaron tambin tau-b, tau-c, d (entre 0,53 y 0,563) y Gamma (0,781) para la
asociacin de NFACIL con CP, lo que muestra que hay clara asociacin positiva entre
categoras reales y estimadas.
3.7.- Estadsticos de diagnstico
Se trabaj separadamente con las ecuaciones 3 y 4 para identificar los grupos de casos
que afectan el ajuste y/o los parmetros estimados. Los estadsticos de diagnstico no se
pueden estimar a partir de datos individuales, por las mismas razones expuestas al estimar P y
D. Estas estimaciones, as como los P y D producidos por la eliminacin de cada patrn,
fueron realizadas de acuerdo con las recomendaciones de Hosmer y Lemeshow (1989) y los
estadsticos as obtenidos coinciden exactamente con los resultados de la Tabla 7. Peng y So
(2002) sealan como un error de SPSS que en el men Regresin Logstica se consideren
casos y no patrones al estimar estadsticos de bondad de ajuste. Con PLUM SPSS estima P y
D correctamente a partir de patrones. Por tanto, en el modelado de variables dicotmicas, una
alternativa para evaluar el ajuste es emplear PLUM para estimar P y D. De hecho, la regresin
binaria no es ms que un caso particular de regresin ordinal, con un nmero de categoras
igual a 2. En la Figura 1se muestran las grficas de P y D para ambos logits.
Figura 1
W
5,0000
4,0000
Cambio en Desviacin
Cambio en chi-cuadrado de Pearson
6,0000
W
W
W
W
W
0,0000
W W W
W W WWW
W
WW
WW W W
WW
W
W
WW
W
W
W
W
W WW
W
W
W
W
W
W
W
W
W
W
W
W
WW
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
0,00000
W
W W
W
2,0000
W
WW
W
W
WW
W
W
W
W
W
WW
WW
W
WW
0,50000
3,0000
W WW
0,00000
Probabilidad estimada
W
W
WW
W
W
W
W W
W
WW
W W
W W
W W W
WW
W W
W
WW
W W W
WWW
W
WW
W
W
W
W
W
W
W
W
W
W
W WW W
W
W
WW
W
W
W
W
W
W
W
0,0000
1,00000
W
W
W
1,0000
0,75000
2,0000
W WW
WWW W
W
W
W
W
W
0,25000
4,0000
W
WW
W
W
W
W
W
W
W
W
W
W
W
W
W
W W
WW
W
WWW
W
W
W
W
W
0,25000
0,50000
0,75000
1,00000
Probabilidad estimada
W
W
5,0000
Cambio en Desviacin
Cambio en chi-cuadrado de Pearson
6,0000
W
W
4,0000
W
W
2,0000
W
W
W
W
W
WW
W
W
W WW
W
WW
W
W
WW
WW
W
W
W W
W
W
W
WW
0,0000
W
WW
W
W
W
W
W
W
W
WW
0,00000
0,25000
WW
W
W W
W
WW W
WW
W
0,50000
W
W
W
W
W
WW W
WW
W
W
W
WW WWW W
WW
WW
W
WW
WW
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
0,75000
Probabilidad estimada
1,00000
4,0000
3,0000
0,0000
WW
WW
1,0000
W
W
W
W
W
W
W
W W WW
W
W
W
W
W
W
W
W
W
WW
W W
WW
W
W
W
WWW
W W
W
0,00000
0,25000
2,0000
W
W
W
W
0,50000
W
W
W
W
W
W
W W
W
W
W
W
W
W
W
W
W
W W W
W
WW
W
W
W
W
WW
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
W
0,75000
1,00000
Probabilidad estimada
10
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
El lmite para considerar un ajuste pobre es P o D > 4 (Hosmer y Lemeshow, 1989).
Para el primer logit hay slo un patrn cuyos P y D estn muy apartados del resto. Para el
segundo logit hay 4 patrones con P > 4 , de los cuales 3 tambin tienen D > 4. En la Tabla
10 se resumen las caractersticas de los 5 patrones. P, D y B fueron estimados segn las
ecuaciones 5.11, 5.12 y 5.10 de Hosmer y Lemeshow (1989). La suma de VD, probabilidad
pronosticada, P , D y B se informan para la regresin correspondiente pues VD es
diferente en cada caso y las 4 estimaciones dependen de la ecuacin de regresin.
Patr
n
62
3
76
99
117
Tabla 10
Caractersticas de los patrones de covariables
Suma
Prob.
N de
P
D
B
NOTAS DOC
de VD estimada
casos
(a)
(a)
(a)
(a)
2
8
15
2
0,24
6,3
5,7
0,093(a)
(b)
(b)
(b)
(b)
1
1
16
0
0,88
7,4
4,3
0,16(b)
(b)
(b)
(b)
(b)
6
9
18
5
0,39
5,2
5,2
0,25(b)
(b)
(b)
(b)
(b)
4
11
19
3
0,21
7,3
5,6
0,35(b)
(b)
(b)
(b)
(b)
2
14
20
1
0,085
4,5
2,3
0,13(b)
(a) estimaciones segn ecuacin 3 (b) estimaciones segn ecuacin 4
Lev.
0,015
0,021
0,046
0,046
0,027
Ningn patrn tiene B elevado, aunque s P y D. Los patrones 3 y 117 estn en las
regiones de probabilidad pronosticada en las que es esperable P elevados (Hosmer y
Lemeshow, 1989). Los patrones 62, 76 y 99 tienen probabilidades estimadas de 0,24, 0,39 y
0,21 y probabilidades reales (cocientes suma de VD/nmero de sujetos) de 1, 0,83 y 0,75.
Estas diferencias pueden contribuir a generar P elevados: son configuraciones de baja
probabilidad pronosticada y valor de variable dependiente contrario a lo que el modelo
predice. Conceptualmente, las configuraciones de las predictoras son plausibles y la
eliminacin de cualquiera de estos patrones no modifica sensiblemente los parmetros de la
ecuacin de regresin, por lo que no hay razonas para excluirlos de los datos.
4.- Discusin de resultados y conclusions
Las ecuaciones 3 y 4 estiman el logit de como mximo la opinin k/como mnimo la
opinin k. Al ser negativos los coeficientes de las predictoras, valores altos de stas se
asocian con una mayor probabilidad de categoras de respuesta elevadas en la variable
dependiente. Sujetos con NOTAS altas, controlando por DOC, tienden a visualizar al docente
como un mediador de su proceso de aprendizaje. Anlogamente, sujetos con alto grado de
conformidad con las estrategias y actitudes docentes, controlando por NOTAS, tienen mayor
probabilidad de considerar al docente como facilitador del aprendizaje. Como las predictoras
son independientes, es vlido afirmar que los alumnos con puntajes altos en NOTAS y en
DOC son los que tienen ms probabilidad de considerar que el docente facilita su aprendizaje.
Para una mejor interpretacin de estos resultados se recurre a las OR. Como no hay
efectos de interaccin, se puede calcular la OR de cada predictora exponenciando cada
coeficiente de regresin. Dadas las escalas de medida de las variables continuas (Cuadro 1)
consideramos 5 y 3 puntos respectivamente como una variacin de inters en NOTAS y
DOC. Tomemos la ecuacin 3, que modela la ods de NFACIL=1/NFACIL>1. En este caso
se est estudiando la ods de no considerar al docente como un gua para el aprendizaje, con
respecto a afirmar que s lo es o a estar indeciso. Desde una perspectiva constructivista, segn
11
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
la cual se concibe al docente como un facilitador del proceso de aprendizaje del alumno, este
cociente de probabilidades representa de alguna manera un ndice de fracaso del profesor en
su gestin docente. Esta interpretacin obviamente adolece de ser reduccionista, por cuanto la
evaluacin de la gestin docente no slo debe nutrirse de las opiniones estudiantiles. Pero se
puede considerar como un ndice de fracaso, el cual debe ser contrastado con otras medidas e
ndices antes de pretender arribar a cualquier conclusin sobre la gestin docente. Bajo esos
supuestos, la ecuacin estima el ndice de fracaso docente en funcin de las calificaciones
(NOTAS) y de la opinin general de los alumnos sobre el profesor (DOC).
En una poblacin estudiantil con una misma opinin general hacia el profesor, cada 5
puntos de aumento en NOTAS la diferencia de logits es 0,675, lo que equivale a una OR de
0,51. El ndice de fracaso docente se hace la mitad al aumentar 5 puntos las calificaciones. Si
controlamos por NOTAS, la OR para DOC es 0,20, considerando 3 puntos de variacin en
DOC. El ndice de fracaso docente se reduce a la quinta parte al aumentar 3 puntos la opinin
sobre el docente, cuando las calificaciones se mantienen en un mismo nivel. Las OR para la
ecuacin 4 son exactamente las mismas, ya que se cumple el supuesto de lneas paralelas.
5.- Referencias
Agresti, A. (1989). Tutorial on Modeling Ordered Categorical Response Data. Psychological
Bulletin 105(2), 290-301.
Alonso Tapia, J. (1997). Motivar para el aprendizaje. Barcelona: Edeb.
Bender, R. y Grouven, U. .(1997). Ordinal logistic regression in medical research. Journal of
the Royal College of Physicians of London, 31(5), 546-551.
Cohen, L. y Manion, L. (1994). Research Methods in Education. London: Routledge.
Fernndez, J; Mateo, M.A. y Muiz, J. (1996). Valoracin por parte del profesorado de la
evaluacin docente realizada por los alumnos. Psicothema, 8(1), 167-172.
Garca, M.V.; Alvarado, JM y Jimnez,A. (2000). La prediccin del rendimiento acadmico:
regresin lineal versus regresin logstica Psicothema, 12(2), 248-252
Garca-Valcrcel, A. (1991). El comportamiento de los profesores universitarios en el aula.
Studia Pedagogica, 23, 135-153.
Garca-Valcrcel, A. (2001). La funcin docente del profesor universitario, su formacin y
desarrollo profesional. En Didctica universitaria. Garca-Valcrcel (coord.). Madrid:
Editorial La Muralla.
Hernndez, R.; Fernndez, C. y Baptista, P. (1998). Metodologa de la investigacin. Mxico:
McGraw-Hill.
Hosmer, DW y Lemeshow, S (1989). Applied Logistic Regression. USA: John Wiley & Sons.
Jovell, A.J. (1995). Anlisis de regresin logstica. Madrid: CIS.
12
Revista Electrnica de Metodologa Aplicada
2005, Vol. 10 n 1, pp. 1-13
Manor, O.; Matthews, S. y Power, C. (2000). Dichotomous or categorical response?
Analysing self-rated health and lifetime social class. International Journal of
Epidemiology 29, 149-157.
Mateo, M.A. y Fernndez , J. (1993). Dimensiones de la calidad de la enseanza universitaria.
Psicothema, 5(2), 265-275.
Muiz, J.; Garca, A. y Virgos, J.M. (1991). Escala de la Universidad de Oviedo para la
evaluacin del profesorado. Psicothema, 3(2), 269-281.
Muoz, J.M.; Ros de Deus, M.P. & Abalde, E. (2002). Evaluacin docente vs. evaluacin de
la calidad. Revista Electrnica de Investigacin y Evaluacin Educativa, 8(2), 103134. En: http://www.uv.es/RELIEVE/v8n2/RELIEVEv8n2_4.htm. Consultado el 10
de agosto 2004.
Pardo, A. (2002). Anlisis de datos categricos. Universidad Autnoma de Madrid.
Pedhazur, E. (1997). Multiple Regression in Behavioral Research. Fort Worth: Hartcourt
Brace College Publishers.
Peng, C.J; Lee, K.L e Ingersoll, G.M. (2002). An introduction to logistic regression. Analysis
and reporting. The Journal of Educational Research, 96(1), 3-14
Peng, C.J y So, TSH (2002). Statistical Software Applications and Review. Modeling
strategies in Logistic Regression with SAS, SPSS, Systat, BMDP, Minitab and Stata.
Journal of Modern Applied Statistical Methods, 1(1), 147-156.
Peng, C.J.; So, T.S.:H; Stage, F.K. & St. John, E.P. (2002). The use and interpretation of
logistic regression in Higher Education Journals: 1988-1999. Research in Higher
Education, 43(3), 259-293.
Agradecimiento
A la Profesora Mara Teresa Coello, por su revisin de una versin anterior de este
trabajo, en el curso de Regresin Logstica del Doctorado en Metodologa.
13
