POPULARIDAD VS. RENDIMIENTO ACADÉMICO EN LOS

ESTUDIANTES UNIVERSITARIOS DE ADE: ¿HAY EFECTO

CROWDING OUT?

Martínez de Ibarreta Zorita, Carlos1

charlie@cee.upcomillas.es

Redondo Palomo, Raquel1

Rua Vieites, Antonio1

Borrás Pala, Francisco1

Fabra Florit, Eugenia1

1Departamento de Métodos Cuantitativos

Universidad Pontificia Comillas de Madrid

Existen cada vez más trabajos que tratan de analizar la relación existente entre la posición

de popularidad de un estudiante dentro de la red de interacciones sociales de su curso y su

grado de éxito o fracaso académico.

En esta línea, el presente trabajo mide dicha popularidad a través del grado de centralidad o

conectividad de la posición de un alumno en la red social de una clase y estudiar su

influencia en el rendimiento académico, controlando las características propias del alumno

como es su grado de habilidad previa y las de su contexto es decir, la estructura y

composición de su red de relaciones.

El objetivo final pretendido es contrastar empíricamente si una mayor acumulación de

capital social produce, a corto plazo, un efecto negativo en la acumulación de capital

académico, es decir, un efecto crowding out entre ambos o, por el contrario, son conceptos

no relacionados o relacionados de forma directa.

Metodológicamente todo esto se hace mediante la aplicación de modelos multinivel a una

muestra de estudiantes de ADE de una universidad privada.  

Palabras clave: rendimiento académico, popularidad social, redes sociales, regresión multinivel.

Agradecimientos: a todas los alumnos colaboradores en la elaboración de la base de datos de

amistades

1

1 Introducción

¿Son los estudiantes más populares de una clase los que además obtienen las mejores notas?

O por el contrario, ¿hay que elegir entre dedicar tiempo y esfuerzo a ser popular o a mejorar el

rendimiento académico propio? En este trabajo se intenta obtener una aproximación empírica a

dichos interrogantes, mediante la estimación de modelos que expliquen el rendimiento

académico de estudiantes de ADE de la Universidad Pontificia Comillas de Madrid en función

de su grado de popularidad (centralidad) en su grupo una vez controlados otros factores

influyentes, tanto académicos como personales y de contexto.

Hay muchos trabajos que estudian la relación entre los resultados de un alumno y los

efectos del grupo o de los compañeros (peers). Uno de los enfoques seguidos en la literatura ha

consistido en medir dichos efectos como la media de los resultados o de los comportamientos

del grupo de referencia del alumno, ya sea éste el colegio, la clase o la residencia de estudiantes

(dorm), como sucede en los trabajos de SACERDOTE(2001), HANUSHEK(2003) et al. o

ZIMMERMAN (2003) entre otros. Con este tipo de agregación sin embargo, se está ignorando

quiénes son los estudiantes que realmente interactúan entre sí (quiénes son los “verdaderos”

peers) así como la variación en la fuerza de las interacciones entre los diferentes miembros del

grupo.

Otro enfoque alternativo, con base en la teoría de redes sociales, define los peer effects a

partir del grado de centralidad o popularidad que un alumno tiene en su red social. Esta teoría

sostiene que el comportamiento de los individuos miembros de una red está forzado a ser

consistente con las normas y comportamientos de la propia red. De esta forma, la propia

estructura de la red y la posición del individuo dentro de ésta, afectará a su comportamiento

individual. En esta línea pueden señalarse los trabajos de HAYNIE (2001), MIHALY (2009) o

la revisión realizada por JACKSON (2006). El presente trabajo se enmarca dentro de este

segundo enfoque.

Respecto a la relación entre popularidad y rendimiento académico existen argumentos

teóricos y empíricos tanto a favor de la existencia un vínculo positivo como de la presencia de

un vínculo negativo entre ambos constructos. En el primer caso se argumenta que, si los

individuos interconectados están preocupados con la percepción del grupo, la relación entre

popularidad y rendimiento tenderá a ser positiva, además de producirse efectos sinérgicos y de

reforzamiento entre ambos. El trabajo de CALVO-ARMENGOL et al. (2009) encuentra

resultados en esta dirección. En el segundo caso, se parte de que existe una restricción temporal

a la acumulación de capital humano (académico) y capital social (popularidad), puesto que

2

conseguir y mantener amistades es un proceso que consume tiempo, al igual que las actividades

destinadas a mejorar el rendimiento académico (estudio, realización de trabajos, etc.). Por lo

tanto tenderá a haber una relación inversa entre ambos conceptos. En esa línea se encuentra el

trabajo de MIHALY (2009).

2 Muestra, modelos y variables

2.1.Muestra

Se ha empleado una muestra de tamaño n=590 estudiantes de 2º y 3º curso del grado en Administración y Dirección de Empresas (ADE) de la Universidad Pontificia Comillas de Madrid (ICADE), ya estén cursando la especialidad E2 (sólo ADE) o la especialidad E3 (ADE + Derecho). La Tabla 1, que refleja la composición porcentual de la muestra por especialidades, curso y género, permite apreciar una estructura bastante balanceada. Estos alumnos se enmarcan en 14 grupos o clases diferentes, 5 en 2º E-3 y 3 en 2º de E-3, 3º de E-2 y 3º E-3. El tamaño medio de cada uno de estos grupos es de 42,2 alumnos.

Tabla 1. Composición porcentual de la muestra por especialidad, curso y género (%

s/total)

Especialidad

Curso

Mujeres

Hombres

Total

E2

Todos

25,7

22,5

48,2

2º

14,7

12,9

27,6

3º

11,0

9,6

20,6

E3

Todos

24,4

27,4

51,8

2º

12,4

13,2

25,5

3º

12,0

14,2

26,2

Total N=5915

0,14

9,91

00,0Fuente: elaboración propia

La base de datos empleada en este trabajo ha sido construida mediante la agregación de

información proveniente de dos fuentes diferentes. Por una parte, de la base de datos de

expedientes académicos de la Universidad (ICADE) se ha extraído información de cada uno de

los alumnos de la muestra acerca de su expediente académico (nota en cada asignatura y

convocatorias empleadas) así como de algunas otras características sociodemográficas y

académicas de carácter preuniversitario y de las pruebas de admisión. Por otra parte, y con el

objeto de analizar la red social de amistades de la clase o grupo al que pertenece cada alumno,

se pidió a cada alumno que cumplimentara un sencillo cuestionario en el que debía identificar

3

nominalmente a sus mejores cuatro amigos dentro de su grupo o clase, además de que valorara

cómo de importante para él o ella han sido determinados factores a la hora de establecer sus

amistades actuales. La clave académica de alumno fue el campo clave con el que relacionar

ambas fuentes de información.

2.2.Modelos

Tal y como suele establecerse en la literatura, el rendimiento académico de un estudiante

(R) es un output en una función de producción en la que los inputs pueden agruparse en diversas

categorías, entre las que pueden destacarse la de características sociodemográficas de dicho

individuo (C), la de sus antecedentes familiares y de entorno (FE), la de los efectos derivados

del ambiente académico y del grupo (peer effects en la literatura) (AG) en el que dicho alumno

está inserto, su propia capacidad genérica previa (R-1) y también cabe tener en cuenta en este

caso su grado popularidad académica (capital social académico) (P). Simbólicamente esto queda

reflejado en la ecuación [1]

Ri=F ¿C;FE;AG;R-1;P) [1]

Como el objetivo del presente trabajo es analizar y cuantificar el posible efecto del nivel

de popularidad de un alumno respecto a su clase o grupo sobre el rendimiento académico en el

grado en Administración de Empresas, una vez controlados el resto de factores influyentes, la

ecuación genérica [1] podría especificarse para su estimación empírica como una regresión

múltiple con forma lineal tal y como aparece reflejada en [2].

Ri(h)=∝+β (h) P(h)i+γ (h) X i+ε i [2]

En donde Ri representa el rendimiento académico medido de la forma “h” del estudiante

“i”, Pi es el vector de variables que capturan el grado de popularidad del alumno “i”, Xi es el

vector que recoge el resto de características personales, familiares, de entorno académico y de

rendimiento previo de las que se dispone de información empírica y que actúan como variables

de control y i es el término de perturbación aleatoria. Por su parte, (h)y hson los

vectores de parámetros que recogen el efecto en el rendimiento académico “h” de los factores

recogidos en los vectores P y X respectivamente.

Sin embargo, hay que tener en cuenta que la estructura de la muestra es de carácter

jerárquico, existiendo dos niveles de agregación, el nivel individual y el nivel de la clase o

4

grupo de pertenencia de los alumnos. Por este motivo se considerará adecuado plantear un

modelo de regresión jerárquico o multinivel en su versión más sencilla de intercepto aleatorio 1,

que se correspondería con un modelo de datos de panel con efectos aleatorios. Así la

especificación elegida pasa a ser la que recogen las ecuaciones [3] y [4].

Rij (h)=μ j+β (h)Pij+γ (h) X ij+ε ij [3]

μ j=β0+δ j

[4]

Donde “j” indica el grupo o clase “j”, el término refleja el valor medio del intercepto

para todos los grupos y todas las observaciones y el término j es la desviación del grupo “j”

respecto a la media global. Así se capturan las características no medibles del grupo y que

pueden hacer que su rendimiento académico global sea mayor o menor para el conjunto de

alumnos perteneciente a ese nivel (diferentes profesores con diferente nivel de exigencia, por

ejemplo). En consecuencia, se estimarán empíricamente mediante regresión multinivel tantos

modelos como diferentes medidas de rendimiento académico se consideren.

Es preciso señalar que considerar la estructura multinivel de los datos permite incluir en

la ecuación [3] variables explicativas pertenecientes al nivel superior (el grupo o la clase) sin

riesgo de cometer la denominada falacia ecológica, que consiste en analizar datos a un nivel

superior y extraer de ahí conclusiones para el nivel inferior –FREEDMAN (2001)-.

Los detalles acerca de las variables tanto endógenas como explicativas se recogen en el

siguiente epígrafe.

2.3.Variables

2.3.1. Variables dependientes: medidas de rendimiento académico

Se han considerado diferentes medidas de rendimiento académico, ya sea este

contemplado desde el punto de vista del éxito (nota media o porcentaje de sobresalientes) como

del fracaso (porcentaje de asignaturas suspensas), como variables dependientes alternativas en

cada uno de los modelos estimados. En concreto se han empleado las siguientes variables:

1 Se han probado modelos con pendientes aleatorias pero su estimación no ha convergido debido al escaso número de grupos o entidades de segundo nivel consideradas, J=14, y su alto grado de homogeneidad entre unos y otros.

5

Nota media total2

Nota media de asignaturas de 1er curso

Nota media de asignaturas de 2º curso

Porcentaje de asignaturas suspensas (en primera convocatoria) sobre total de

asignaturas cursadas (medida de fracaso académico)

Porcentaje de sobresalientes sobre el total de asignaturas cursadas.

Para calcular las notas medias, y con el fin de tener en cuenta la convocatoria en la que se

ha superado una asignatura, y a igualdad de nota dar menos peso a aquellas obtenidas en

convocatorias más avanzadas se ha empleado la siguiente fórmula de ponderación expresada en

[5]

rendim asig=0,8(n ºconvocatoria−1)∗calificaci ó n [5]

A la hora de obtener las notas medias por curso y totales, y teniendo en cuenta que no

todas las asignaturas son igual de importantes en cuanto a número de créditos y que no se

dispone de la misma información de todos los alumnos, se ha efectuado una media ponderada

de los rendimientos, usando como ponderaciones el número de créditos académicos

correspondientes a cada una de ellas tal y como refleja la fórmula [6], en donde “k” es el

número de asignaturas que se agregan.

notamedia=∑j=1

k [0,8¿¿(n º convocatoria j−1)∗calificaci ón j∗cr é ditos j¿]

∑j=1

k

cr é ditos j

¿¿

[6]

La Tabla 2 presenta los estadísticos principales de estas medidas de rendimiento

académico. Puede apreciarse que la nota media global es de 6,8 con desviación típica de 0,9 y

que las notas medias de los alumnos durante el primer curso son en general, superiores a las que

obtienen a lo largo del segundo curso y además, son más homogéneas entre sí. Respecto al

porcentaje de suspensos y sobresalientes se aprecia un mayor grado de variabilidad en la

distribución de los segundos y que hay alumnos que no han llegado a suspender ninguna

asignatura o que nunca han obtenido ningún sobresaliente a lo largo de sus dos primeros años de

estudios.

2 Se promedian las asignaturas de primer curso, segundo curso y aquellas cursadas en el primer semestre de 3er curso y que hayan sido volcadas a la base de datos de Expedientes Académicos de la Universidad.

6

La Tabla 3 muestra las correlaciones entre estas variables endógenas alternativas en los

modelos. Puede apreciarse que, si bien presentan correlaciones significativas y positivas entre sí

(negativas en el caso del porcentaje de suspensos) estas correlaciones no son unitarias indicando

que están aproximándose a diferentes dimensiones del éxito (fracaso) académico.

Tabla 2. Estadísticos resumen de las medidas de rendimiento académico.

NMedi

aDesv.

Típicamíni

moMáxi

moNota 1º 590 7,1 0,8 5,0 9,3Nota 2º 590 6,3 1,3 1,7 9,3Nota Total 590 6,8 0,9 4,2 9,3%

suspensos 590 8,3 9,9 0,0 42,9%

sobresalientes 590 9,6 14,0 0,0 81,3Fuente: elaboración propia

Tabla 3. Matriz de correlaciones entre las medidas de rendimiento académico.

Nota

1º

Nota

2ºNotaTotal

%suspe

nsos

%sobresalientes

Nota 1º 1        

Nota 2º0,

7732 1      

Nota Total0,

93580,

9326 1    

% suspensos-

0,6918-

0,5811-

0,7019 1  %

sobresalientes0,

77210,

68320,780

4-

0,4052 1Fuente: elaboración propia

2.3.2. Variables objetivo: medidas de popularidad de un alumno en su grupo

Con el fin de poder contrastar empíricamente si el grado de popularidad académica de un

alumno dentro de su grupo o clase influye en su rendimiento académico, una vez controlados

otros factores determinantes del mismo, se hace necesario definir alguna medida que aproxime

dicho concepto de popularidad.

Para realizar todo esto en primer lugar se ha reconstruido la estructura de la red social de

amistad existente entre los alumnos de una clase a partir de un cuestionario en el que cada

7

alumno indicaba quiénes son los cuatro mejores amigos de su clase. A partir de ahí se ha

obtenido la matriz de adyacencia3 de primer orden.

Las redes sociales están compuestas por individuos denominados actores (alumnos en

este caso) y las relaciones que entre ellos se establecen. Desde el punto de vista de su

modelización matemática, los actores y sus relaciones directas se representan mediante una

matriz cuadrada, de manera que el elemento aij=1 si el actor i está relacionado (en esa dirección)

con el actor j y aij=0 en otro caso. Es importante, por tanto, tener en cuenta que esa matriz no

tiene por qué ser simétrica, dado que las relaciones sociales no tienen por qué serlo. En el caso

del presente trabajo se han considerado no simétricos los vínculos de amistad, lo que da lugar a

una red dirigida y con matriz de adyacencias no simétricas en consecuencia.

La Figura 1 muestra la estructura de la red social de amistad de dos de los grupos

analizados en este trabajo. Por ejemplo el alumno nº 1 del grupo inferior señaló como amigos a

los alumnos nº 11, 17, 31 y 43 mientras que fue señalado como amigo por los alumnos nº 11,

31, 43, 17 y 18.

Figura 1. Red social de dos de las clases o grupos analizados

3 Los cálculos de las diferentes medidas sobre redes sociales han sido realizadas mediante el programa Ucinet versión 6.376.

8

Fuente: elaboración propia

Siguiendo el trabajo de MIHALY(2009) se han propuesto como posibles medidas

aproximadas del grado de popularidad de un alumno dentro de su grupo o clase algunas de las

medidas de centralidad y poder que la teoría de redes sociales ha desarrollado.

En los estudios sobre redes, tal y como exponen HANEMANN y RIDDLE (2005) el

poder de cada individuo se realiza en base a la medida de tres conceptos fundamentales: el

grado de centralidad, la cercanía (closeness) y la capacidad de mediación (betweenness).

1) Grado de centralidad (Degree centrality)

La centralidad en la red se basa en el hecho de que a mayor número de vínculos

con más individuos que tiene un actor (ego) en la red, mayor poder es el que puede

tener. A la hora de analizar el grado de centralidad de un actor en la red es importante

considerar la dirección de las relaciones, dado que un individuo que recibe muchas será

un individuo que puede ser denominado “prominente” (popular a los efectos de este

trabajo) y con gran capacidad de influencia, mientras que por el contrario, un individuo

del que salen muchas relaciones será un individuo dependiente e “influenciable”. Para

medir el grado de centralidad “in” de un individuo en una red se han calculado de

modo tentativo en este trabajo las siguientes medidas:

a. Grado de centralidad “in” de FREEMAN (1979). Se basa en el recuento del número

de enlaces que llegan a cada actor, y ofrece una medida del grado de influencia que

ese actor tiene en el resto (InDregree). Esta medida, al ser dependiente del tamaño de

cada grupo se calcula normalizada por el tamaño del mismo.

b. Grado de centralidad de BONACICH (1987). Propone una modificación a la medida

de Freeman, en el siguiente sentido: la medida de Freeman se basa en que un actor

tiene más poder (popularidad) a medida que tiene más conexiones, pero dos actores

con el mismo grado de centralidad no tienen por qué ser igualmente importantes. Esa

importancia dependerá también de las conexiones de los vecinos (nivel “meso”), de

manera que si los vecinos tienen muchas conexiones el grado de poder será mayor.

Asimismo, Bonacich distingue grado de centralidad y grado de poder, destacando una

doble interpretación. Por una parte, si un vecino tiene una sola conexión sobre un

actor, este actor tendrá mucho poder sobre el vecino, y al revés; pero por otra, si un

actor tiene muchas vinculaciones, tiene gran poder de influencia sobre muchos, y al

revés. Para intentar captar esta dualidad, esta medida propone la incorporación de un

factor de atenuación, que será positivo en el caso de que las relaciones de los vecinos

proporcionen más poder al ego (extensión del caso de centralidad), o negativo en el

caso de que las muchas relaciones de los vecinos les hagan a estos menos

9

dependientes del ego. En este trabajo se considera la medida de Bonacich relativa a

los vínculos “in” dirigidos a cada alumno concreto en cada caso (ego).

2) Cercanía (Closeness)

Dado que el grado de centralidad aproxima el nivel de poder de un individuo

calculado solo a nivel “meso”, se propone la cercanía como un concepto para aproximar

también el poder de un individuo en la red teniendo en cuenta las relaciones indirectas

de un actor con todos los demás integrantes de la red, ofreciendo una medida más

“macro”. Si un actor puede llegar a otro a través de pocos pasos en la red, o es

alcanzable en pocos pasos por otros muchos actores, tendrá una posición estructural en

ella, que puede ser transformada en poder o interpretada como aproximación de

popularidad. Existen diversas aproximaciones para medir la cercanía en una red,

eligiéndose en este caso las medidas de alcance (reachability), que se basan en

computar cuántos individuos de la red pueden alcanzar a un actor (o pueden ser

alcanzados por él) en uno, dos,…pasos. En este trabajo se ha elegido como medida de

cercanía de cada alumno el porcentaje de alumnos de la clase que pueden conectar con

él o ella en dos pasos como máximo, medida denominada In2step.

3) Mediación (Betweenness)

Un tercer concepto, complementario con los anteriores, para aproximar el poder (o

popularidad) de un individuo en una red es el concepto de mediación. La mediación

consiste en la capacidad de un actor para vincular (mediar) a dos vecinos suyos que no

tienen conexión directa entre ellos. Efectivamente, si en una red, para llegar del actor “i”

al actor “j” es necesario pasar por el actor “m” (vecino de ambos), entonces este último

tendrá un cierto poder sobre los dos anteriores, que se denomina poder de mediación. Las

medidas más destacadas para medir la mediación son las siguientes:

a. Medida de relaciones binarias de Freeman. Esta medida está basada en el hecho de

que cuantos más individuos de la red dependan de un actor dado para establecer

conexiones, mayor será el poder de ese actor. Así pues, esta medida consiste en el

conteo (de manera computacional) del número de pares de individuos de la red en

cuyo camino geodésico de conexión (más corto) aparece el actor dado, pudiendo

tener en cuenta el número de pasos o distancia de esa conexión.

b. Flow centrality. La medida del flujo de centralidad extiende la medida anterior por

considerar la mediación de un actor en todos los caminos de conexión (no sólo los

más cortos) entre otros dos individuos de la red y por ello, pondera adecuadamente

por la longitud de tal camino. Esta lógica responde al hecho de que un actor tendrá

10

una posición más central y con más poder en la red cuando sea la única alternativa

para conectar a dos individuos, pero tendrá menos poder cuando haya otras posibles

vías de conexión, aunque sean más largas. Esta es la medida aproximativa de la

popularidad de un individuo seleccionada para este trabajo.

La Tabla 4 presenta los valores medios de estas medidas y la Tabla 5 la matriz de

correlaciones entre las mismas y la nota media total.

Como puede apreciarse, todas estas medidas de centralidad recogen diferentes

dimensiones del concepto y se ha decidido incorporar a los modelos como indicador de

popularidad el indicador de mediación (betweenness) puesto que es el que recoge mejor el

concepto de individuo central y popular que se quiere aproximar, es el que mayor grado de

correlación presenta con la variable de rendimiento académico y es la menos sensible al hecho

de tener una red fragmentada.

Tabla 4. Estadísticos resumen de las medidas de centralidad y poder (popularidad).

Variable N

Media

Desv.típica

mínimo

Máximo

Freeman 590 0,067 0,038 0 0,222

Bonacich 590

654,603

2917,480 0

24367

In2step 590 0,140 0,079 0 0,389Betwee

nness 590 0,033 0,052 0 0,283Fuente: elaboración propia

Tabla 5. Matriz de correlaciones entre las medidas de centralidad (popularidad) y la nota

total.

Freeman

Bonacich

In2step

Betweenness

Nota total

Freeman 1        

Bonacich 0,15 1      

In2step0,794

50,165

2 1    Betwee

nness0,271

60,110

20,447

5 1  Nota

total0,091

90,038

70,081

5 0,1503 1Fuente: elaboración propia

11

2.3.3. Variables de control

Se han añadido algunas variables adicionales para intentar capturar la heterogeneidad

individual que afecta a la nota media de los alumnos, cuyos estadísticos descriptivos se recogen

en la Tabla 6.

Respecto a las variables que actúan como proxies de la habilidad y capacidad intelectual y

académica previa del alumno se han considerado las siguientes, que se espera tengan un efecto

positivo en el rendimiento académico.

Haber cursado o no un Bachillerato de Ciencias

Nota de la PAU (prueba de acceso a la universidad)

Nota en la prueba de matemáticas correspondiente a las pruebas especificas de

selección de la Universidad Pontificia Comillas de Madrid.

Respecto a características personales, sociales y familiares del alumno se han

contemplado:

Ser hombre. Variable dicotómica que intenta captar el posible efecto fijo en el

rendimiento entre géneros.

Ser o no de Madrid. Variable dicotómica que intenta recoger el posible efecto

diferencial entre vivir con los padres (opción abrumadoramente mayoritaria si se es

de Madrid) o tener que residir fuera del entorno familiar, ya sea en colegio mayor,

residencia, piso compartido o con otros familiares, con lo que ello conlleva en dos

vertientes diferentes: por una parte, carecer del impulso y ayuda parental para

centrarse y rendir en los estudios y por otra, tener que dedicar esfuerzos adicionales a

recuperar el capital social y relacional que probablemente se haya visto disminuido

con el cambio de entorno.

Tener o no madre universitaria4. En línea con la literatura y tal y como se analiza en

MARTÍNEZ DE IBARRETA et. al (2010), se espera que una mayor formación de

los padres influya en un mayor rendimiento de los hijos

Haber cursado o no los estudios en un colegio religioso. Al ser la Universidad

Pontificia Comillas de Madrid una institución de tipo católico, dirigida por los

Jesuitas y constar los estudios de alguna asignatura de carácter religioso – ético –

moral podría pensarse que aquellos alumnos procedentes de colegios religiosos se

encuentran con un clima institucional más parecido al que conocen, debiendo dedicar

menos esfuerzos a su adaptación social.

4 No se considera el nivel de formación del padre al tener de forma abrumadora formación universitaria para los alumnos de la muestra.

12

Además se han recogido algunas variables contextuales, esto es, relativas al grupo o clase

al que pertenece el alumno:

Desviación típica de las notas medias en cada grupo. Esta variable pretende recoger

el grado de competitividad existente en cada clase. Cuanto mayor sea la desviación

típica, mayores diferencias existen entre unos alumnos y otros dentro del grupo y eso

puede actuar como un factor de comparación y competitividad para obtener mejores

resultados individuales.

Nivel de cohesión social del grupo, medido (de forma inversa) a través de la distancia

geodésica media entre cada par de alumnos en la red social de amistades. Recuérdese

que la distancia geodésica entre el alumno “i” y el alumno “j” en una red social es el

mínimo número de pasos que los conectan entre sí. A mayor distancia geodésica

media entre los alumnos del grupo, menor grado de cohesión social presentará este.

Se espera que una mayor cohesión social del grupo influya positivamente en el

rendimiento académico de los alumnos pertenecientes a él.

Tabla 6. Estadísticos descriptivos de las variables explicativas

Variable NMedi

aDesv.

típicamíni

moMáxi

moHombre 590 0,50 0,50 0 1Madrid 590 0,61 0,49 0 1Madre Universitaria 590 0,81 0,39 0 1Colegio Religioso 590 0,60 0,49 0 1Bach. ciencias 590 0,38 0,49 0 1Nota PAU 590 8,27 0,85 5,43 9,83Prueba matemáticas 590 4,83 1,57 0,70 10,00Sigma nota grupo 14 1,11 0,16 0,82 1,38Dist. geodésica media

grupo 14 3,60 1,11 2,10 5,50Fuente: elaboración propia

3 Resultados

Se han estimado modelos multinivel con dos niveles (alumnos y grupo o clase de

pertenencia), con la especificación sencilla de intercepto aleatorio, para las diferentes variables

endógenas detalladas en el epígrafe anterior, esto es, nota media total, nota media de primer

curso, nota media de segundo curso, porcentaje de asignaturas suspensas en primera

convocatoria y porcentaje de asignaturas con calificación de sobresaliente. El conjunto de

variables explicativas empleado ha sido el mismo en todos los modelos.

Los resultados obtenidos aparecen en la Tabla 7 y de su análisis pueden realizarse los

siguientes comentarios:

13

Respecto a la variable Betweenness o grado de mediación, que ha sido elegida como

indicador de popularidad académica, se aprecia que presenta un efecto positivo y

significativo en todos los modelos excepto en el que explica el porcentaje de

sobresalientes, en donde no resulta significativa. En consecuencia, si un alumno

presenta una posición central y mediadora en la red social de su grupo, su rendimiento

académico es mayor, una vez controlados el resto de factores. Por lo tanto parece ser

que popularidad social y rendimiento académico no tienen carácter excluyente y

sustitutivo sino más bien complementario, no apreciándose por tanto evidencias de

crowding out entre la acumulación de capital humano y de capital social en base a estas

medidas.

El grado de cohesión interna de cada clase o grupo, medido (de forma inversa) a través

de la distancia geodésica media entre pares de alumnos, presenta un efecto positivo en

el rendimiento académico en todos los modelos, si bien el grado de evidencia es más

débil en el modelo del porcentaje de suspensos.

El grado de competitividad académica del grupo, medido por la desviación típica de las

notas de los alumnos dentro de cada grupo, presenta un efecto significativo pero

negativo en todos los modelos sobre el rendimiento académico del alumno, excepto en

el modelo para el porcentaje de suspensos, en donde actúa como factor mitigador. Así,

de forma contraria a lo esperado, parece que estar inmerso en el contexto de una clase

en donde hay estudiantes con rendimientos muy dispares entre sí no provoca un efecto

de emulación y competencia sino que empeora el rendimiento promedio del alumno.

Las variables indicadoras de los conocimientos, capacidades y habilidades académicas

previas del alumno (haber cursado bachillerato de ciencias, nota de la PAU, nota en la

prueba de matemáticas) resultan significativas y con el signo positivo esperado en todos

los modelos, excepto la prueba de Matemáticas para el modelo del porcentaje de

asignaturas suspensas, en donde esta variable no resulta significativa.

Los alumnos obtienen caeteris paribus menor rendimiento académico promedio que las

alumnas, si bien no hay diferencias significativas en el modelo del porcentaje de

asignaturas suspensas.

El ser de Madrid supone un rendimiento académico promedio superior en los modelos

relativos a la nota media y, con una evidencia más débil, en el modelo del porcentaje de

sobresalientes, no habiéndose encontrado efectos significativos en el modelo del

porcentaje de suspensos. De esta manera parece que el esfuerzo de dotarse de capital

social en una nueva situación vital para los alumnos que estudian alejados de sus

familias y entornos habituales está asociado (y es posible que provoque) una menor

acumulación de capital humano y académico en sus estudios universitarios.

14

No se ha encontrado suficiente evidencia empírica acerca de la influencia en las

variables endógenas de las variables dicotómicas que recogen el haber estudiado o no

en colegio religioso y el tener o no madre con estudios universitarios.

En el modelo que explica el porcentaje de sobresalientes, éste no guarda relación

significativa con el nivel de mediación o popularidad, indicando que la consecución de

un mayor nivel de excelencia académica en su mayor grado depende más de

características individuales del alumno que de circunstancias grupales o de contexto.

Este resultado se ve reforzado por el hecho de que tampoco sea un factor significativo el

proceder de un colegio religioso o no y que el hecho de ser de Madrid o no muestre sólo

evidencia débil. En consecuencia, la excelencia académica la pueden conseguir tanto

alumnos no centrales en la red y con menor dotación de capital social (piénsese en la

figura tópica del “empollón” aislado) como alumnos centrales en la red.

En el modelo para explicar el porcentaje de asignaturas suspensas en primera

convocatoria se aprecia que los factores de capacidad previa reducen de forma

significativa dicho porcentaje, no siendo relevantes el resto de características personales

y familiares. Es interesante destacar que en este caso, el mayor o menor grado de

cohesión social del grupo del alumno no influye, mientras que su grado de centralidad o

mediación sí reduce de forma significativa el porcentaje de suspensos.

Se aprecian diferencias de matiz en la influencia de factores relacionados con la

popularidad y las características del grupo, entre los modelos para la nota media y los

modelos para el fracaso (suspensos) o excelencia (sobresalientes), que atienden a los

extremos de la distribución. Puede aventurarse que en estos últimos casos priman más

las características individuales que las características globales del grupo o la posición

social o relacional del alumno dentro del mismo.

Respecto a la idoneidad de la modelización multinivel realizada, los test de razón de

verosimilitud no permiten rechazar la equivalencia entre el modelo jerárquico propuesto

y la regresión múltiple para los modelos de nota total, nota de primer curso y porcentaje

de sobresalientes. Por el contrario, existen efectos aleatorios no nulos en los modelos

para la nota de segundo curso y para el porcentaje de asignaturas suspensas.

Si bien se ha encontrado relación positiva entre el grado de popularidad de un alumno

(aproximada por su nivel de intermediación o betweenness) cabe plantearse el grado de

endogeneidad de esta posición en la red social. En otras palabras, hasta qué punto es el

rendimiento académico el que hace que un alumno sea popular. A falta de desarrollar un

tratamiento más técnico de la cuestión, de manera preliminar, se preguntó a cada alumno

participante en la muestra que valorara en una escala de 0 a 10 el peso que para él o ella habían

tenido una serie de factores en la formación de sus amistades actuales en general. Entre estos 15

nueve factores se incluyó el hecho de tener un rendimiento académico parecido. Si el

rendimiento académico no resultara ser uno de los factores más valorados globalmente en la

formación de las amistades, se tendría un primer indicio de la exogeneidad de la amistad

respecto del rendimiento académico.

La Tabla 8 presenta los valores medios de estos nueve factores tanto para la muestra

completa como para cuatro subconjuntos o clusters de alumnos obtenidos mediante la

aplicación del análisis cluster (aplicando el algoritmo de las “k” medias) para la clasificación de

los individuos muestra. La Tabla 8 recoge de forma adicional para cada uno de los clústers la

nota media total, la media de betweenness y el porcentaje de hombres que contiene. Se ha

realizado esta clasificación de los alumnos según su diferente perfil a la hora de lograr nuevas

amistades para analizar si algún grupo de alumnos valora especialmente el rendimiento

académico como factor de formación de amistad y si el rendimiento académico de ese grupo y

su grado de mediación son especialmente elevados respecto al existente en el resto de grupos

Puede observarse que para el conjunto de la muestra el factor rendimiento académico recibe

una valoración media de 4,82 y se encuentra en la posición séptima del ranking de valoración,

tan sólo por delante de los factores relativos a la cercanía y al azar. En los conglomerados

obtenidos se observa que si bien en tres de ellos la valoración media de este factor está por

encima del 5, en el cluster nº 4 este factor recibe una valoración media de 1,77 y en todos los

casos se encuentra en uno de los últimos lugares de importancia respecto al resto de factores.

16

Tabla 7. Modelos de regresión multinivel para diferentes medidas de rendimiento académico.

Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5Endógena Endógena Endógena Endógena Endógena

Nota Total Nota 1º Nota 2º % Suspensos%

SobresalientesVariables

explicativascoefi

cientep

-valorcoefi

cientep

-valorcoefi

cientep

-valorcoefi

cientep

-valorcoefi

cientep

-valor

Hombre-

0,25410

,0000-

0,17500

,0010-

0,38650

,00000,4328

0,5480

-2,3921

0,0210

Madrid0,1572

0,0180

0,1029

0,0660

0,2281

0,0260

-0,8649

0,2570

1,7749

0,1050

Colegio Religioso0,1004

0,1080

0,0201

0,7020

0,2415

0,0120

-1,1366

0,1120

-0,0397

0,9690

Bach. ciencias0,2789

0,0000

0,2483

0,0000

0,3636

0,0000

-2,4390

0,0010

3,1848

0,0030

Nota PAU0,6451

0,0000

0,5809

0,0000

0,7957

0,0000

-5,5432

0,0000

8,3748

0,0000

Prueba matemáticas0,0905

0,0000

0,0873

0,0000

0,1208

0,0010

-0,3305

0,2070

1,5186

0,0000

Madre universitaria0,1215

0,1250

0,0884

0,1830

0,1898

0,1180

-0,6053

0,5020

0,0063

0,9960

Sigma nota grupo-

0,63440

,0090-

0,39650

,0760-

1,26350

,0370-

12,67380

,0090-

7,42180

,0690

Betweenness1,9771

0,0030

0,9462

0,0880

3,3973

0,0010

-20,1701

0,0080

5,6880

0,6000

Dist geodésica media grupo

-0,1877

0,0000

-0,1299

0,0000

-0,2948

0,0010

1,1231

0,1130

-1,4903

0,0180

Constante2,1407

0,0000

2,5850

0,0000

1,1244

0,2390

68,3872

0,0000

-54,5002

0,0000

Chi 2(10)345,3300

0,0000

379,0300

0,0000

225,7500

0,0000

167,3600

0,0000

213,7400

0,0000

Efectos aleatorios grupo  

17

Sigma (constante)0,0299  

0,0541  

0,2595  

2,1719  

0,6424  

Sigma (residuos)0,7351  

0,6158  

1,1208  

8,3399  

1,2065  

LR test vs. regresión lineal

0,0300

0,4350

0,4100

0,2599

11,9700

0,0003

12,1000

0,0003

0,0700

0,3945

N 590 590 590 590 590Grupos 14 14 14 14 14

Fuente: elaboración propia

18

La Tabla 9 por su parte presenta la matriz de correlaciones entre la valoración dada al

rendimiento académico como factor formativo de amistad y el grado de intermediación o

betweenness y la nota media total. Puede apreciarse que las correlaciones no son significativas.

Tabla 8. Medias de los factores de formación de amistades en la muestra y en los clusters.

Medias de las variables en los clustersFactores de

amistadTodo

sClust

er 1Clust

er 2Clust

er 3Clust

er 4Afinidad 

caracteres 7,98 7,98 8,40 7,96 7,70Compartir ocio 7,79 7,49 7,49 8,06 7,92Compartir 

aficiones 7,70 7,76 7,87 7,81 7,39Valores 

parecidos 7,49 7,87 8,06 7,37 6,94Amigos comunes 5,62 7,35 1,17 6,91 5,39Clase social 

parecida 5,27 6,79 5,90 6,56 1,57Rend. 

Académico 4,82 6,22 6,19 5,36 1,77Azar 4,77 4,19 4,50 5,56 4,34Vivir cerca 3,65 0,79 1,88 7,11 2,60

Hombre 0,51 0,52 0,40 0,53 0,55Nota media total 6,89 6,83 6,88 6,90 6,93Betweenness 0,036 0,030 0,031 0,041 0,038N  523 120 82 189 132

Fuente: elaboración propia.

Tabla 9. Matriz de correlaciones entre factor rendimiento académico, nota media y

betweenness

Correlaciones Factor Rend.académico

Nota media total

Betweenness

Factor Rend. académico 1    

Nota media total 0,0402 1  

Betweenness 0,03020,10

36 1N = 457 valor crítico a 2 colas al 5%: 0,088

Fuente: elaboración propia.

19

4 Conclusiones

Como principales conclusiones de este trabajo pueden resaltarse las siguientes:

Se ha encontrado alguna evidencia de que el grado de popularidad de un alumno,

aproximado a través de su grado de mediación en la red social de su clase, es un factor

con influencia positiva en el rendimiento académico de un alumno, una vez controlados

el resto de factores.

El grado de cohesión del grupo en el que está el alumno influye de forma positiva en el

rendimiento académico.

El no ser de Madrid disminuye el rendimiento académico del alumno. En consecuencia

se sugiere que los esfuerzos globales en acumular o recuperar capital social perdido por

el cambio de residencia sí producen un efecto crowding out en la acumulación de

capital académico, mientras que la popularidad académica (medida como posición de

mediación en el grupo) produce sinergias en el rendimiento.

Si se consideran los modelos de excelencia o fracaso (porcentajes de sobresalientes o

suspensos) cobran en ellos más peso los factores individuales que los dependientes del

entorno y del contexto.

Hay indicios de exogeneidad de la popularidad respecto del rendimiento académico,

puesto que este factor es de los menos valorados por los alumnos de la muestra a la hora

de formar sus vínculos de amistad y además dicho factor está incorrelacionado tanto

con el rendimiento académico como con el grado de mediación.

Como limitaciones del trabajo hay que señalar que debido a errores en las respuestas o a

falta de respuesta de algunos alumnos, no ha sido posible reconstruir de forma completa la red

de amistad en algunos de los grupos, lo que lleva a la aparición de estructuras fragmentadas que

afectan a la bondad y representatividad de las medidas de centralidad y popularidad.

Se espera en próximas investigaciones solventar estos inconvenientes así como ampliar la

muestra a un número mayor de grupos de alumnos.

Referencias bibliográficas

BONACICH, P. (1987). Power and centrality. A family of measures. American journal of

sociology, 92, 1170–1182.

BORGATTI, S.P., EVERETT, M.G. y FREEMAN, L.C. (2002) Ucinet for Windows: Software

for Social Network Analysis. Harvard, MA: Analytic Technologies.

20

CALVO – ARMENGOL, A., PATACCHINI, E. y ZENOU, Y. (2009) Peer Effects and Social

Networks in Education. Review of Economic Studies, vol. 76(4), Wiley Blackwell 1239-1267.

FREEDMAN, D. (2001) Ecological inference and the ecological fallacy. In Smelster J, y

Baltes, P. (Eds), International encyclopedia of the social and behavioural sciences. Elsevier,

4027-4030.

FREEMAN, L.C. (1979) Centrality in social networks. Conceptual clarification. Social

Networks, 1, 215-239.

HANEMANN, R.A. Y RIDDLE, M. (2005). Introduction to social network methods. Online en

http://faculty.ucr.edu/~hanneman/

HANUSHEK, E. A., KAIN, J. F., MARKMAN, J. M. & RIVKIN, S. G. (2003) Does

peer ability affect student achievement, Journal of Applied Econometrics 18, 527–544.

HAYNIE, D. (2001) Delinquent peers revisited: Does network structure matter?,

American Journal of Sociology 106(4), 1013–1057.

HERRERA, M.; (2008) An introduction to multilevel analysis: Is the individual demand

for health affected by the physician of primary care?. MPRA Paper nº 35267. Online

http://mpra.ub.uni-muenchen.de/35267

JACKSON, M. O. (2006) The economics of social networks, en R. B. W. Newey & T.

Persson, eds, Advances in Economics and Econometrics, Theory and Applications: Ninth World

Congress of the Econometric Society, Vol. 1, Cambridge University Press, chapter 1.

MARTINEZ DE IBARRETA, C., RÚA VIEITES, A., REDONDO PALOMO,R.,

FABRA FLORIT, E., NUÑEZ PARTIDO, A. Y MARTÍN RODRIGO, M.J. (2010). Influencia

del Nivel Educativo de los Padres en el Rendimiento Académico de los Estudiantes de ADE. Un

Enfoque de Género. Investigaciones de Economía de la Educación, 5. 1273 - 1295

MIHALY, K. (2009) Do More Friends Mean Better Grades? Student Popularity and

Academic Achievement. RAND Corporation.

http://www.rand.org/pubs/working_papers/WR678.

21

SACERDOTE, B. (2001) Peer effects with random assignment: Results for dartmouth

roommates, The Quarterly Journal of Economics 116(2), 681–704.

SNIJDERS T.A.B. y BOSKER R.J., (1999) Introduction to basic and advanced multilevel

modeling, Sage, London.

WASSERMAN, S. y FAUST, K. (1994) Social Network Analysis: Methods and

Applications. Cambridge University Press.

ZIMMERMAN, D. J. (2003) Peer effects in academic outcomes: Evidence from a natural

experiment, Review of Economics and Statistics 85(1), 9–23.

22