Análisis cualitativo comparativo difuso para determinar influencias entre variables socio-económicas y el rendimiento académico de los universitarios

Fedriani Martel, Eugenio M.; Paguillo, Inmaculada Romano Article Análisis cualitativo comparativo difuso para determinar influencias entre variables socio-económicas y el rendimiento académico de los universitarios Revista de Métodos Cuantitativos para la Economía y la Empresa Provided in Cooperation with: Universidad Pablo de Olavide, Sevilla Suggested Citation: Fedriani Martel, Eugenio M.; Paguillo, Inmaculada Romano (2017) : Análisis cualitativo comparativo difuso para determinar influencias entre variables socio-económicas y el rendimiento académico de los universitarios, Revista de Métodos Cuantitativos para la Economía y la Empresa, ISSN 1886-516X, Universidad Pablo de Olavide, Sevilla, Vol. 24, pp. 250-269 This Version is available at: https://hdl.handle.net/10419/195390 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by-sa/4.0/ REVISTA DE M´ ETODOS CUANTITATIVOS PARA LA ECONOM´ IA Y LA EMPRESA (24). P´aginas 250–269. Diciembre de 2017. ISSN: 1886-516X. D.L: SE-2927-06. www.upo.es/revistas/index.php/RevMetCuant/article/view/2889 An´alisis cualitativo comparativo difuso para determinar influencias entre variables socio-econ´omicas y el rendimiento acad´emico de los universitarios Fedriani Martel, Eugenio M. Departamento de Econom´ıa, M´etodos Cuantitativos e Historia Econ´omica Universidad Pablo de Olavide (Espa˜na) Correo electr´onico: [email protected] Romano Paguillo, Inmaculada Departamento de Econom´ıa, M´etodos Cuantitativos e Historia Econ´omica Universidad Pablo de Olavide (Espa˜na) Correo electr´onico: [email protected] RESUMEN El objetivo de este art´ıculo es explicar el rendimiento acad´emico con la ayuda de una t´ecnica novedosa: el an´alisis cualitativo comparativo difuso. Para hacerlo posible, se consideran diferentes variables que afectan a la educaci´on superior, as´ı como el rendimiento acad´emico de los estudiantes universitarios. Los datos utilizados provienen de los diferentes grados impartidos en la Facultad de Ciencias Empresariales de la Universidad Pablo de Olavide, de Sevilla (Espa˜na), desde el a˜no 2009, aunque la t´ecnica utilizada puede ser f´acilmente adaptada a otros colectivos y situaciones. Palabras claves: econom´ıa de la educaci´on; educaci´on superior; an´alisis cualitativo comparativo; espacio europeo de educaci´on superior. Clasificaci´on JEL: I21; C02. MSC2010: 91B15; 03B52. Art´ıculo recibido el 15 de diciembre de 2016 y aceptado el 19 de julio de 2017. 250 Fuzzy-Set Qualitative Comparative Analysis to Determine Effects from Socio-Economical Factors and University Students Performance ABSTRACT The objective of this paper is to explain academic performance with the aid of an innovative technique: Fuzzy-set Qualitative Comparative Analysis (fsQCA). To do so, different objective factors, which affect higher education, are analyzed and the academic performance of university students is also considered. Specifically, data of students on different degrees in the Faculty of Business Sciences of the Pablo de Olavide University of Seville since 2009 was used, but it is believed that the methodology described can be easily extrapolated. Keywords: education economics; higher education; qualitative comparative analysis; European higher education area. JEL classification: I21; C02. MSC2010: 91B15; 03B52. 251 1. Introducción Es indudable que existe una relación compleja entre Economía y Educación, pues son ámbitos que se afectan mutuamente y a través de múltiples variables interrelacionadas. Este hecho ha propiciado la aparición de numerosos trabajos de investigación que tratan de desentrañar tales influencias. Por una parte, el interés por el análisis del rendimiento académico de los estudiantes viene justificado por la importancia de una buena elección de la carrera universitaria; un estudiante que elige con criterio tiene una mayor probabilidad de acabar con éxito, tanto en su vida académica como en su vida profesional, lográndose una mayor rentabilidad social y económica. De hecho, distintos autores (como [2], [3] y [14]) se reafirman en la rentabilidad social que genera una educación universitaria adecuada. Por otra parte, en general, una mejora en la tasa de éxito de los estudiantes repercutiría en una disminución en los costes de las universidades y, con ello, en un ahorro económico a escala regional o nacional en los estudios universitarios [5]. Dicha mejora sería posible de conocerse las variables que determinan una gran parte de los resultados académicos finales y la dirección de su influencia en cada caso. Abundando en lo anterior, las implicaciones de una buena elección de la carrera académica (a la hora de la matrícula universitaria) y la profesional van más allá del significado de una inversión en educación del propio individuo y, por ello, este factor (elegir correctamente la carrera) es muy influyente tanto en la economía universitaria como en diferentes aspectos considerados y analizados por la Economía de la Educación. De todo esto se puede deducir que es relevante detectar los factores que explican el éxito o fracaso de los estudiantes, sobre todo en el primer curso académico (porque el primer año puede marcar el resto de la carrera y, además, porque es sobre el que se puede actuar más directamente mediante una modificación en la elección de la misma, por ejemplo). Son numerosos los trabajos que se han desarrollado sobre los factores específicos que influyen en Educación; por ejemplo, se pueden consultar: [4], [12], [16] y [6]. En particular, varios de ellos analizan a estudiantes que estudian asignaturas de Matemáticas para Economía o Empresa; el motivo principal es que estas asignaturas son decisivas para el éxito académico y afectan como ninguna otra en el abandono académico prematuro. 252 En lo que respecta a las variables previas al ingreso en la Universidad, distintos autores han publicado diferentes trabajos sobre las asignaturas que el estudiante debería haber cursado antes de ingresar; en particular, las asignaturas de Matemáticas resultan esenciales para estudiantes del Grado en Economía, del Grado en Administración y Dirección de Empresas, etc. (cualquiera que sea la institución analizada) [6]. El principal objetivo de este trabajo es, consecuentemente, encontrar combinaciones de factores (o condiciones) que permiten garantizar el éxito académico de los estudiantes universitarios (resultado). Para ello, en este trabajo se consideran específicamente las variables y los datos descritos en [7], que se refieren a un colectivo formado por 1492 estudiantes de la Facultad de Ciencias Empresariales de la Universidad Pablo de Olavide, de Sevilla (España). Concretamente, la siguiente sección se dedica a una exposición resumida de los datos y variables consideradas. En otra sección se explica posteriormente la técnica utilizada para el análisis de dichos datos. Justo después se recoge la aplicación de la técnica a los datos y el artículo concluye con algunas de las conclusiones más destacadas del análisis. 2. Datos Los datos utilizados en esta investigación han sido recopilados de distintas fuentes. Los datos económicos, asociados a los estudiantes a través de sus domicilios, se han consultado en distintas bases de datos y actualizados a partir del Instituto Nacional de Estadística (INE) [9, 10, 11], del Instituto Geográfico Nacional (IGN)(www.ign.es), del Instituto de Estadística y Cartografía de Andalucía (IECA) [8], de los Ayuntamientos de Sevilla y Dos Hermanas, de la herramienta web Google Maps (www.google.es/maps) y la página (www.codigo-postal.info/sevilla/sevilla/7). A partir de la información recopilada, se han desarrollado otras variables económicas definidas ad hoc y verificadas por expertos en la materia, atendiendo a las necesidades que el problema que se deseaba resolver sugería. Por otra parte, las variables de carácter académico se han obtenido gracias a la colaboración de los profesores y coordinadores de las asignaturas del Área de Métodos Cuantitativos del Departamento de Economía, Métodos Cuantitativos e Historia Económica de la Universidad Pablo de Olavide, de Sevilla (UPO). Los datos de acceso e información previa de los estudiantes se han con253 seguido gracias al Área de Estudiantes y al Área de Gestión de Matrícula y Expediente Académico de Grado de la misma UPO. Los datos académicos o educativos (a los que se acaba de hacer referencia) corresponden a un conjunto de 1492 estudiantes de Grado de la UPO, en concreto, de la Facultad de Ciencias Empresariales (FCE). Este grupo de estudiantes está delimitado por ser alumnos de las asignaturas obligatorias que imparte el Área de Métodos Cuantitativos del Departamento de Economía, Métodos Cuantitativos e Historia Económica en la FCE. A partir de las calificaciones obtenidas en dichas asignaturas, se calcula un índice del rendimiento académico de cada estudiante, según se explicita en [7]. Grosso modo, el indicador consiste en calcular la media aritmética de las notas conseguidas por el estudiante y multiplicarla por un “coeficiente penalizador”, que depende del grupo en el que dicho estudiante es clasificado según una red neuronal artificial entrenada para generar subgrupos casi-homogéneos por número de asignaturas matriculadas y convocatorias agotadas. Una vez normalizadas las calificaciones entre 0 y 1, puesto que el coeficiente penalizador también está entre 0 y 1, los valores del indicador se mueven teóricamente entre 0 y 1. Además de los valores del indicador, se conocen (entre otras) las siguientes características personales y educativas previas de los estudiantes. Todas ellas son conocidas a través de un formulario sencillo previo a que los estudiantes comiencen sus estudios universitarios. No obstante, en el conjunto de datos utilizado para este trabajo solo hay 858 casos en los que se conocen con fiabilidad los valores de todas y cada una de las variables. En el siguiente listado de variables, se indica entre corchetes el nombre original de cada variable, aunque algunas de ellas hubieron de recodificarse posteriormente (por lo que pueden no coincidir exactamente con las denominaciones de las tablas de resultados). Sexo [Sexo]: variable que toma los valores mujer yhombre, con un único valor posible para cada estudiante si bien puede haber datos perdidos. Edad [Edad]: valor numérico (creado a partir de la fecha de nacimiento de cada estudiante) que corresponde a la edad del estudiante en el momento de entrar por primera vez en los estudios universitarios. Municipio familiar [Mun_f]: municipio familiar del estudiante durante el primer curso de estudios universitarios. 254 Dirección postal familiar [Dir_f]: dirección de la familia del estudiante durante el primer curso de universidad. A partir de las dos variables anteriores se obtienen las variables socioeconómicas del estudiante. Municipio durante el curso [Mun_c]: municipio del estudiante durante el curso, que no tiene que coincidir obligatoriamente con el municipio familiar. Dirección postal durante el curso [Dir_c]: dirección del estudiante durante el curso, siendo esta variables en algunos casos coincidente con la dirección postal familiar. A partir de las dos variables anteriores se obtiene la distancia en km y la distancia en tiempo desde este domicilio del estudiante hasta la UPO. Tipo de centro [Tipo_centro]: tipo de centro donde el estudiante ha cursado sus estudios justamente anteriores al acceso a la UPO. Puede tomar los siguientes valores: 1. I.E.S. (centros públicos) 2. C.D.P. (centros concertados o privados) 3. Otros Nota del expediente Bachillerato [Nota_exp]: nota del expediente académico del estudiante en bachillerato; esta nota está comprendida entre 5 y 10. Nota fase general de la PAU [Nota_GPAU]: nota de la fase general de la PAU (Prueba de Acceso a la Universidad); esta nota está calculada como la media obtenida a partir de los exámenes de: Comentario de Texto, Idioma, Filosofía e Historia; el valor de esta nota está comprendido entre 0 y 10. Nota acceso [Nota_Acceso]: nota general de selectividad (propiamente, media de las calificaciones de los exámenes de la PAU), con valor comprendido entre 4 y 14. Como se ha comentado, las variables anteriores permiten obtener información sobre las características socio-económicas de cada estudiante. Una vez realizados los cálculos y las modificaciones oportunas a la base de datos de ámbito económico, las variables utilizadas son las que a continuación se describen. Conviene aclarar que los datos corresponden a los municipios de Andalucía (en concreto, a un total de 840 municipios). 255 Extensión del municipio [ExtMun_año]: kilómetros cuadrados de la superficie de cada término municipal completo en el año 2010. Corresponde a la última información publicada en la base cartográfica numérica a escala 1:25.000 del IGN. Distancia a la capital provincial [Dist_año]: kilómetros de distancia entre cada núcleo principal del municipio y la capital de provincia. La fuente utilizada es el INE. Altitud sobre el nivel del mar [Altitud_mar_año]: metros de altitud sobre el nivel del mar de un punto de la entidad singular principal. Es la información publicada del año 1999 en la base de datos de cartografía del IGN. Población [Pob_año]: número de habitantes (a fecha del 1 de enero del año correspondiente) inscritos en el padrón municipal custodiado por el ayuntamiento del municipio. La información obtenida es desde el año 1996 al año 2011, siendo la fuente de obtención de dicha información el INE. La variable Población ha tenido que ser modificada para algunos análisis (con la ayuda de los Ayuntamientos de Sevilla y Dos Hermanas), para obtener información de la población por distritos de la capital de Sevilla así como para obtener información de los distintos núcleos poblacionales de Dos Hermanas; en particular, para obtener información sobre Montequinto, cuyo conocimiento es crucial para este trabajo por proximidad a la UPO y por el volumen de estudiantes que proceden de allí. Edad media de la población [Edad_Pob_año]: promedio en años de la edad del total de la población inscrita en el padrón municipal residente en el municipio correspondiente. La información corresponde al período desde el año 2001 hasta 2010 y ha sido obtenida del INE. Población extranjera [Pob_Ext_año]: número de habitantes extranjeros, a fecha del 1 de enero del año correspondiente, inscritos en el padrón municipal desde 1997 a 2011. IBI de naturaleza urbana: noinmuebles oficina [IBI_ofic_año]: número de inmuebles de oficina que existen en cada municipio. La fuente de es la Dirección General del Catastro y corresponde al impuesto sobre bienes inmuebles y bienes de naturaleza urbana, del año 1999 hasta el año 2010. IRPF: renta neta declarada media [RentaN_año]: la renta neta media se define como el cociente entre la renta neta total declarada y el número de declaraciones. La información que se facilita en esta variable está medida en euros y es la que se obtiene como suma de las rentas 256 declaradas según el tipo de rendimiento: rentas netas del trabajo, rentas netas de actividades empresariales, rentas netas de actividades profesionales y otros tipos de rentas. La fuente utilizada es la Agencia Tributaria y la información se refiere a los años 1999, 2000, 2002, 2003, 2004 y 2006. I.B.I. de naturaleza urbana: base imponible [NumBase_año]: valor de la base imponible, atendiendo a que se ha considerado como unidad urbana a todos los inmuebles con una relación de propiedad perfectamente delimitada a efectos fiscales. La variable ha sido elaborada a partir de la información de la Dirección General del Catastro, en concreto de sus estadísticas catastrales. Los años disponibles son desde 1998 hasta 2010. Energía [Energía_año]: datos procedentes de las facturaciones en megavatios por hora realizadas por la Compañía Sevillana de Electricidad a sus abonados. Se debe tener en cuenta que existen municipios que no poseen suministros, luego allí los datos son estimados. La fuente de la base de datos es la propia Compañía Sevillana de Electricidad, del año 1998 hasta 2010. 3. Metodología aplicada: el análisis cualitativo comparativo difuso En otros trabajos se han comprobado las dificultades de aplicar métodos tradicionales al problema que se está afrontando, por lo que aquí se utiliza una técnica novedosa (fsQCA) para obtener resultados que, aunque parciales, son razonables, en cuanto a que no son incompatibles con los obtenidos por otros autores siguiendo otras estrategias. Pueden destacarse los resultados obtenidos recientemente mediante la aplicación de técnicas basadas en la inteligencia artificial; dichas técnicas están permitiendo obtener fiabilidad a pesar de tratarse de situaciones y modelos con gran número de variables interrelacionadas (véanse, por ejemplo, [7] y [15]). Actualmente se reconocen, al menos, cinco formas de inteligencia artificial inspiradas en el funcionamiento del cerebro humano: 1. Ejecución automática de una respuesta predeterminada a cada posible entrada: este tipo sería el más básico y el análogo a los actos reflejos de los seres vivos. 2. Previsión de un conjunto de estados producidos por las acciones posibles y posterior búsqueda del estado efectivamente sucedido. 257 Cuadro 1: Variables recodificadas para fsQCA Variable Definición Sup. Med. Inf. Sexo mujer 1,95 1,5 1,05 km lejos (en distancia) 0,25 0,03 0,01 sg lejos (en tiempo) 0,3 0,1 0,01 Edad mayor 30 19 16 Centro privado 1,95 1,5 1,05 Bach buen expediente 1 0,5 0,2 Selec_Gen buen expediente 1 0,6 0,4 Selectiv buen expediente 0,6 0,2 0 Nota_Acc buen expediente 1 0,4 0 Poblac gran municipio (pobl.) 1 0,05 0 Edad_P municipio envejecido 0,9 0,8 0,65 Extranj municipio internacional 1 0,05 0 Extens municipio extenso 1 0,05 0 Dist_Cap municipio alejado 1 0,08 0 Altitud municipio elevado 1 0,3 0 Renta municipio próspero 1 0,5 0,3 Catastral municipio caro 0,25 0,05 0 Oficinas municipio mercantil 1 0,08 0 Energ municipio industrial 1 0,08 0 Output alto rendimiento 1 0,5 0 264 propiedad). Aunque habría que analizarlas con más detalle, en cualquier caso, se puede afirmar que se obtienen combinaciones muy favorables para el rendimiento. La primera solución se escribiría: ~km*~sg*~edad*bach*selec_g*selectiv*nota_acc*poblac*extranj*~dist_cap*~altitud* renta*catastral*oficinas*energ Esta solución viene refrendada por los siguientes parámetros: 1. Raw coverage = 0,321658 2. Unique Coverage = 0,033912 3. Consistency = 0,917068 Observando este resultado, se deduce que un estudiante que vive cerca de la UPO, tanto en distancia como en tiempo, con una edad joven, con buenas notas tanto en su expediente de Bachillerato como en las pruebas de selectividad (tanto en la parte genérica como en la especifica, luego, en consecuencia, con buena nota de acceso a la Universidad) va a tener un buen rendimiento académico en la FCE de la UPO (si cumple otras condiciones adicionales). Realmente, hasta aquí no parece una información muy sorprendente, pero también llaman la atención las siguientes variables socioeconómicas detectadas como favorables para el rendimiento en esta solución: su municipio tiene una población numerosa y un alto número de extranjeros, pero está relativamente cercana a la Capital y tanto el valor castastral como el de la renta del municipio son elevados, presentando también un gasto elevado de energía y numerosas oficinas de índole económico. La técnica garantiza que los estudiantes con todas estas características obtendrán un rendimiento académico elevado. A continuación se presenta la otra solución obtenida, que tal vez permita seguir entendiendo las condiciones favorables para el rendimiento académico: ~km*~sg*~edad*bach*selec_g*selectiv*~poblac*~extranj*~dist_cap*~altitud*renta* catastral*~oficinas*~energ Esta solución viene caracterizada por los siguientes parámetros: 1. Raw coverage = 0,260870 265 2. Unique Coverage = 0,043938 3. Consistency = 0,909926 Según esta segunda solución, un estudiante con las siguientes características obtendrá también un buen rendimiento académico al finalizar sus estudios (al menos en lo concerniente a las asignaturas de índole cuantitativa): el domicilio del estudiante está cercano a la UPO tanto en tiempo como en distancia, el estudiante es joven y tiene un buen rendimiento en Bachillerato y en Selectividad (tanto en la parte general como en la específica). En cuanto a las características socioeconómicas encontradas como relevantes, este estudiante vive en un municipio con muy poca población (tanto española como extranjera), que es cercano a la Capital, con una altitud cercana al nivel del mar y con una renta y un valor catastral del municipio muy elevados. El municipio gasta poca energía y posee pocas oficinas de carácter económico. Según se puede comprobar, hay muchos casos que quedan fuera de estas soluciones, pero en ninguno de los dos casos se contradice el resto de análisis realizados por otros autores y ambas hacen pensar que son muchas las variables que afectan al rendimiento académico y que pueden servir para determinar perfiles educativos que implican éxito. En el caso de los dos conjuntos de características (condiciones) obtenidas, se comprueba que el éxito académico es posible tanto en municipios grandes como en pequeños, pero ambas soluciones se refieren a estudiantes con buen rendimiento académico previo y, lo que destaca aquí, en municipios con alto nivel económico (al menos, según la renta per cápita y el valor catastral). Hay otras soluciones que no cumplen los criterios exigidos por los investigadores, por lo que se podrían ignorar. No obstante, la siguiente solución más cercana a aparecer (que queda casi en el límite de las que se han eliminado por ser escasamente significativas) es la siguiente: ~sexo*~km*~sg*~edad*bach*selec_g*selectiv*nota_acc*poblac*extranj*~dist_cap* ~altitud*renta*catastral*energ Los parámetros asociados a esta solución son: 1. Raw coverage = 0,212633 266 2. Unique Coverage = 0,001411 3. Consistency = 0,904570 Como se puede comprobar, aquí también aparecen individuos con buen rendimiento previo y que habitan en municipios con alto poder adquisitivo (alta renta y alto valor catastral). 5. Conclusiones Cada día surgen análisis más rigurosos del rendimiento académico de los universitarios. Algunos de ellos utilizan las técnicas más innovadoras. Así, en [7] se utilizan redes neuronales artificiales para predecir el rendimiento académico y, más recientemente, [15] trata de predecir el abandono de los estudios con una técnica también basada en la inteligencia artificial. En cuanto a la aplicación presentada, proporciona pistas para entender el fenómeno que se propone analizar: la relación estrecha entre Economía y Educación. La primera conclusión que debe destacarse de los resultados es que el problema es muy complejo, sobre todo, por la inmensa variabilidad en las relaciones entre las variables implicadas. También es considerable el número de variables en sí mismo, la distinta naturaleza de las características que hay que tener en cuenta, la dificultad de encontrar un conjunto de datos adecuado y fiable, etc. Las variables referentes a género, a estudios previos, a pruebas de acceso o al nivel socioeconómico de los estudiantes son algunas de las que han sido utilizadas para tratar de explicar el rendimiento académico y las relaciones entre las variables que lo favorecen. Se ha demostrado que dichas variables tienen parcial influencia en el rendimiento académico y que la relación entre ellas es consistente en algunos casos. Como es lógico, no todos los estudiantes responden con el mismo rendimiento académico a las mismas características personales. También se detecta una fuerte dependencia del tipo de asignatura; por ello, sería necesario estudiar las distintas habilidades y destrezas que se adquieren con cada asignatura de ámbito cuantitativo y compararlas con los resultados del análisis, para tratar de relacionar los resultados alcanzados según el nivel real de una característica en particular. Mediante el uso de una técnica novedosa (fsQCA), se ha estimado un modelo que explica adecuadamente cómo algunas condiciones (o causas) afectan a la variabilidad de un indicador de ren267 dimiento académico previamente definido. Llevar esto a la práctica permitiría incluso realizar recomendaciones de índole académica a los estudiantes que comienzan, a partir de datos previos y características objetivas. Consideramos que herramientas de este tipo (con los matices necesarios en cada caso) serían muy interesantes para las universidades que deseen poder orientar a los estudiantes que ingresan por primera vez en la institución. Como línea futura de investigación, se propone realizar nuevos análisis con un conjunto de datos que incorpore otras facultades y titulaciones, tratando de comparar si las soluciones (o combinaciones de factores relevantes) propuestas por la técnica son apropiadas en otros contextos académicos, para poder trasladar estos resultados a otros estudios. Referencias [1] Aguilera, J.; Fedriani, E. M.; Delgado, B. (2014): “Institutional distance among country influences and environmental performance standardization in multinational enterprises”. Journal of Business Research 67(11), pp. 2385–2392. [2] Alba, R.; Segundo, S. M. (1995): “The return to education in Spain”. Economics of Education 14(2), pp. 155–166. [3] Barceinas, F.; Alonso, J. L.; Raymond, J. L.; Roig, J. L. (2000): “Los rendimientos de la educación en España”. Papeles de Economía Española 86, pp. 128–148. [4] Becker, W. E.; Walstad, W. B. (1987): Econometric modelling in economic education research. Boston: Kluwer Nijhoff Publishing. [5] De la Fuente, Á.; Jimeno, J. F. (2012): La rentabilidad privada y fiscal de la educación en España. Madrid: Observatorio sobre Capital Humano en España, BBVA Research. [6] Dolado, J. J.; Morales, E. (2007): “Which factors determine academic performance of undergraduate students in economics?”. CEPR Discussion Papers 6237, 22 pp. [7] Fedriani, E. M.; Hidalgo, M. A.; Romano, I. (2017): “The prediction of academic success of university students to optimize their performance”, por aparecer. [8] IECA (2013): Sistema de Información Multiterritorial de Andalucía (SIMA). Sevilla: Instituto de Estadística y Cartografía de Andalucía. 268 [9] INE (2009): Anuario Estadístico de España 2009. Madrid: Instituto Nacional de Estadística. [10] INE (2010): Anuario Estadístico de España 2010. Madrid: Instituto Nacional de Estadística. [11] INE (2011): Anuario Estadístico de España 2011. Madrid: Instituto Nacional de Estadística. [12] Navarro, M. L.; Marcenaro, O. D. (2003): “Condiciones de acceso y otras características del estudiante como determinantes del éxito en el primer curso universitario”. En San Segundo, M. J.; Zorrilla, R. (eds.): Economía de la Educación: AEDE XII. Madrid: Asociación de Economía de la Educación, pp. 42–61. [13] Ragin, C. (2008): Redesigning social inquiry: Fuzzy sets and beyond. Chicago: Chicago University Press. [14] Raymond, J. (2002): “Convergencia real de las regiones españolas y capital humano”. Papeles de Economía Española 93, pp. 109–121. [15] Rovira, S.; Puertas, E.; Igual, L. (2017): “Data-driven system to predict academic grades and dropout”. PLoS ONE 12(2), pp. 1–21. [16] Tejedor, F. J.; García, A. (2007): “Causas del bajo rendimiento del estudiante universitario: propuesta de mejora en el marco del EEES”. Revista de Educación 342, pp. 443–473. [17] Woodside, A. G. (2013): “Moving beyond multiple regression analysis to algorithms: Calling for adoption of a paradigm shift from symmetric to asymmetric thinking in data analysis and crafting theory”. Journal of Business Research 66(4), pp. 463–472. [18] Woodside, A. G.; Zhang, M. (2013): “Cultural diversity and marketing transactions: Are market integration, large community size, and world religions necessary for fairness in ephemeral exchanges?”. Psychology and Marketing 30(3), pp. 263–276. 269