Analysis of student performance in Colombian high school government tests using hierarchical lineal models

Jaime Orjuela

Abstract


In this paper, Hierarchical Lineal Models are applied for analyzing individual factors of student performance in Colombian High School Government Tests, using data from 2009 , which are the latest results publicly available from the Instituto Colombiano para el Fomento de la Educación Superior (Icfes).

Initially the paper describes the data as well as assumptions for cleaning and preprocessing steps that were necessary. After that, concepts related to Hierarchical Lineal Models are introduced, and the models are applied to the data. According to the obtained results, there exists a direct relationship between non academics features and student performance, evaluated in Colombian High School Government Tests. These features (social and economic) are different between public and private schools, and also between daytime schools and other-time schools.


Keywords


High Schools Education in Colombia, High School Government Tests, Hierarchical Lineal Models.

References


A. G. &. J. Barrientos, «Determinantes de la calidad de la educación en Colombia.,» Archivos de Economía, p. 88, Noviembre 2001.

T. P. &. K. Wolpin, «The production of cognitive achievement in children: Home, school and racial test score gaps,» University of Pensilvania, p. 70, 2006.

L. Gamboa, «La teoria del valor agregado: una aproximación a la calidad de la educación en Colombia,» Revista de Economía Universidad del Rosario, pp. 95-116, 2003.

A. M. e. A. Iregui, «Evaluación y análisis de efi ciencia de la educación en Colombia,» Banco de la República, p. 105, 2006.

M. Lara, «Asociación entre la efectividad de la funcionalidad familiar en las familias de los estudiantes de la facultad de enfermería de la fundación universitaria Sanitas y el rendimiento económico,» Universidad Nacional de Colombia, p. 70, 2009.

PISA, «Data Analysis Manual,» PISA, OECD, 2009.

H. Goldstein, «Multilevel Statistical Models,» Bristol University, p. 192, 1999.

S. Raudenbush, Hierarchical Linear Models, Applications and Data Analysis Methods, Chicago US: Sage, 2002.

J. Figel, «Competencias clave para el aprendizaje permanente,» Al tablero, p. 11, 2009.

L. G. Diaz, Estadística Multivariada: inferencia y métodos, Bogotá: Universidad Nacional de Colombia, 2002.

Icfes, Metodología de construcción del índice de nivel socioeconómico de los estudiantes INSE y de la clasifi cación socioeconómica CSE de los colegios., Bogotá: Icfes, 2010.

Min. Educación, «Decreto 299 de 2009: Por el cual se reglamentan algunos aspectos relacionado con la validación del Bachillerato en un sólo examen,» Imprenta Nacional, Bogotá, 2009.

D. C. Montgomery, Introduction to linear regression analysis, Arizona State University: Jolm Wiley & Sons, Inc., 2006.

J. Albright, «Estimating Multilevel Model using SPSS, Stata, SAS and R,» University of Michigan, p. 35, 2010.

M. O’Neill, ANOVA & REML: A guide to linear mixed models in an experimental design context, STatistical Advisory & Training Service Pty Ltd, 2010.

A. Gaviria, «Determinantes de la calidad de educación en Colombia,» Archivos de Economía, p. 19, 2001.

PISA, «PISA 2009 Results: what students know and can do. Students performance in reading, mathematics and science,» OECD, 2009.

PISA, «PISA 2012 Results in focus: what 15-years-old know and what they can do with what they know,» OECD, 2012.




DOI: https://doi.org/10.14483/udistrital.jour.reving.2013.2.a04

Creative Commons License

Recognition-No Commercial-No Derivative Works

Facultad de Ingeniería

Universidad Distrital Francisco José de Caldas

ISSN 0121-750X   E-ISSN 2344-8393