DOCUMENTOS DE TRABAJO FCEA ISSN 1909-4469 / ISSNe 2422-4642

Año 2016

No.19

Departamento de Economía

DESIGUALDADES EDUCATIVAS EN AMERICA LATINA, PISA 2012: CAUSAS DE LAS DIFERENCIAS EN DESEMPEÑO ESCOLAR ENTRE LOS COLEGIOS PUBLICOS Y PRIVADOS

Geovanny Castro Aristizabal Gregorio Giménez Esteban Domingo Pérez Ximénez-de-Embún

Facultad de Ciencias Económicas y Administrativas, FCEA

1

Año 2016

DOCUMENTOS DE TRABAJO FCEA ISSN 1909-4469 / ISSNe 2422-4642

No.19

Documento de Trabajo FCEA ISSN 1909-4469 / ISSNe 2422-4642 Año 2016 No. 19 Desigualdades educativas en América Latina, PISA 2012: causas de la diferencia en desempeño escolar entre los colegios públicos y privados Autores: Geovanny Castro Aristizabal. [[email protected]] Gregorio Giménez Esteban. [[email protected]] Domingo Pérez Ximénez-de-Embún. [[email protected]] Departamento de Economía WEBSITE: wp_fcea.javerianacali.edu.co Comité editorial Alina Gómez Mejía Julián Piñeres Luis Fernando Aguado Pedro Pablo Sanabria Pulido Correspondencia, suscripciones y solicitudes Calle 18 No. 118-250 Vía Pance Santiago de Cali, Valle del Cauca, Colombia Pontificia Universidad Javeriana Cali Facultad de Ciencias Económicas y Administrativas Teléfonos: (57+2) 3218200 Ext.: 8694 Correo electrónico: [email protected] Sello Editorial Javeriano - 2016 Coordinador: Iris Cabra [email protected] Concepto Gráfico: William Fernando Yela Melo Formato 28 x 21 cms. ©Derechos Reservados ©Sello Editorial Javeriano Enero de 2016 La serie de Documentos de Trabajo FCEA pone a disposición para el análisis, discusión y retroalimentación de la comunidad académica los avances y resultados preliminares del trabajo académico de los profesores de la Facultad de Ciencias Económicas y Administrativas. Estos documentos no han sido sometidos a procesos de evaluación formal por pares internos ni externos a la Facultad. Se espera que muchos de estos documentos posteriormente sean sometidos a evaluación en publicaciones especializadas. Las opiniones expresadas en este documento son de exclusiva responsabilidad de los autores y no comprometen institucionalmente a la Facultad de Ciencias Económicas y Administrativas, ni a la Pontificia Universidad Javeriana Cali.

2

Contenido

1. 2.

INTRODUCCION Y CONTEXTO EN AMERICA LATINA LA TITULARIDAD DEL CENTRO COMO CONDICIONANTE DEL DESEMPEÑO ESCOLAR 2.1. EVIDENCIA PARA PAISES DESARROLLADOS 2.1.1. EVIDENCIA PARA PAISES EN VIAS DE DESARROLLO 3. METODOLOGIA 3.1 TECNICAS ECONOMETRICAS EMPLEADAS 3.1.1. LA ESTIMACION A TRAVES DE 2SLS 3.2 LA DESCOMPOSICION DE OAXACA-BLINDER – OB 4. RESULTADOS 4.1 ANALISIS DE ENOGENEIDAD 4.2 FACTORES CONDICIONANTES DE LA DIFERENCIA EN DESEMPEÑO ESCOLAR 4.2.1. LECTURA 4.2.2. MATEMATICAS 4.2.3. CIENCIAS 5. CONCLUSIONES 6. BIBLIOGRAFIA 7. ANEXOS

3

DESIGUALDADES EDUCATIVAS EN AMERICA LATINA, PISA 2012: CAUSAS DE LAS DIFERENCIAS EN DESEMPEÑO ESCOLAR ENTRE LOS COLEGIOS PUBLICOS Y PRIVADOS Geovanny Castro Aristizabal [email protected] Departamento de Economía Pontificia Universidad Javeriana, Cali Gregorio Giménez Esteban [email protected] Departamento de Estructura e Historia Económica y Economía Pública Universidad de Zaragoza

Domingo Pérez Ximénez-de-Embún [email protected] Departamento Análisis Económico Universidad de Zaragoza

RESUMEN El presente trabajo constata y explica las causas de las diferencias en resultados escolares entre centros educativos públicos y privados de América Latina. Para ello, se utiliza información de los 8 países latinoamericanos que participaron en PISA 2012. Las estimaciones de variables instrumentales en dos etapas, combinadas con la técnica de descomposición de Oaxaca-Blinder, revelan que Uruguay y Brasil presentaron la mayor brecha educativa, y Colombia y México la menor. Dichas divergencias fueron causadas, en mayor medida, por el componente observado del modelo. Específicamente, fueron las diferencias en las características individuales, los factores que originaron, en mayor proporción, las brechas en desempeño; seguidas de las características familiares, y los recursos de los centros educativos. Además, la descomposición en el componente no observado sugiere que los estudiantes de los colegios privados hacen un mejor uso de los medios educativos que tienen en sus hogares, así como de los recursos de sus centros.

Palabras Clave: Rendimiento escolar, resultados escolares, educación pública y privada, función de producción educativa, variables instrumentales, descomposición OaxacaBlinder, PISA, América Latina.

Códigos JEL: C29, I21, I24, I28, I29. 4

EDUCATIONAL INEQUITIES IN LATIN AMERICA, PISA 2012, CAUSES OF DIFFERENCES IN SCHOOL PERFORMANCE BETWEEN PUBLIC AND PRIVATE SCHOOLS

ABSTRACT The paper notes and explains the causes of the differences in school performance between public and private schools in Latin America. It uses information from the 8 Latin American countries that participated in PISA 2012. The estimations, two steps with instrumental variables, combined with the technique of the Oaxaca-Blinder’s decomposition, reveal that Uruguay and Brazil had the highest education gap, and Colombia and Mexico the lowest. These differences are explained, mainly, by the observed component of the model. Specifically, the differences in individual characteristics explain the greater proportion of the gaps in performance; followed by family characteristics and resources of the schools. In addition, the decomposition in the no-observed component suggests that students from private schools make better use of the educational resources, both in their homes and in their schools. Keywords: academic achievement, public and private education, educational production function, instrumental variables, Oaxaca-Blinder decomposition, PISA, Latin America. Códigos JEL: C29, I21, I24, I28, I29.

5

1.

Introducción y contexto en América Latina

Los países latinoamericanos vienen realizando grandes esfuerzos para mejorar su calidad educativa. Aunque no todas han empleado las mismas políticas y estrategias, ni han avanzado al mismo ritmo, en los últimos 15 años, han asumido el reto de una mayor cobertura, expandiendo el acceso a todos los niveles, reconociendo los derechos de la población desfavorecida y excluida e incrementando el gasto público en proporción y cantidad real por alumno (Rivas, 2015). Esto, gracias al reconocimiento de la educación como derecho fundamental, lo que condujo a que la legislación educativa fuera cargada de garantías, y en algunos casos, de decretos específicos para ampliar los derechos de la población excluida (López, 2007)1. Este esfuerzo legislativo estuvo acompañado por un mayor gasto público educativo. Se hizo necesario ampliar la oferta educativa en estas regiones, construyendo más escuelas y creando nuevas plazas docentes: "Los presupuestos educativos de la región aumentaron como nunca antes gracias al crecimiento de la economía, de los recursos estatales y del esfuerzo financiero por la educación. Si en 2002 se invertían 1,261 PPP$ constantes por alumno de nivel secundario en promedio en los países analizados, en 2011 se había llegado a 2,084" (Op. cit. 2015, 53)2. Para el conjunto de los países de América Latina en PISA 2012, este crecimiento permitió ampliar la cobertura en 3,5 millones de alumnos nuevos en jardín, 1,3 en secundaria y 8,7 millones en educación superior. También logró que los años promedio de escolaridad aumentaran entre los años 2000 y 2010: Argentina pasó de 8,6 a 9,5, Brasil de 5,8 a 7,7, Chile de 8,8 a 9,7, Colombia de 6,5 a 8,5, México de 7,1 a 8,3, Perú de 8,3 a 8,7 y Uruguay de 7,9 a 8,1 (Ibid., 2015). Además, avanzaron en materia de calidad educativa, mejorando el desempeño en las evaluaciones internacionales en las que han participado. No obstante, en algunos aspectos no logró cambios sustanciales. En el Segundo Estudio Regional Comparativo y Explicativo –SERCE-, aplicado en el año 2006, y en el Tercer Estudio Regional Comparativo y Explicativo –TERCE-,

1

Ver Anexo 1. Como consecuencia, se produjo un aumento de los años de escolaridad obligatoria. De acuerdo con la información del Centro de Implementación de Políticas Públicas para la Equidad y el Crecimiento -CIPPEC-, para el promedio de estos países (exceptuando Costa Rica), en el año 2000 los años de educación obligatoria correspondían a 10, para 2015 se amplió a 13 años de obligatoriedad1. En este mismo periodo, Argentina, Brasil y Uruguay pasaron de 10 a 14 años de escolaridad obligatoria, Colombia de 10 a 12 años, México de 9 a 15 años, Chile de 8 a 13 años. En el caso de Perú, se mantuvieron en 12 años (Rivas, 2015). 2 Sin embargo, el comportamiento de este tipo de gasto no fue igual entre los países que participaron en PISA 2012. Argentina, pasó de invertir, como proporción del PIB, 3,4% en 2004 a 5,2% en 2012 (Bezem, et al., 2012). Brasil, en el año 2000 destinó 34 billones de reales a la educación (4,7% del PIB), en el año 2012 invirtió 86 billones (6,1% del PIB) (Gentili, 2013). Uruguay, se constituyó como el país con mayor esfuerzo financiero en materia educativa. Entre los años 2000 y 2011 incrementó el gasto público en 6,1 puntos porcentuales. Chile, Colombia y México tuvieron un leve crecimiento. Para el mismo periodo 2000-2011, el primero creció 0,8 puntos porcentuales (3,7% a 4,5% del PIB), el segundo 0.9 puntos (3,5% a 4,4% del PIB) y el tercero 1,2 puntos (de 4,0% a 5,2% del PIB). Finalmente, Perú fue el único que experimentó una reducción del gasto público educativo al pasar de 3,1% del PIB en el año 2000 a 2,7% en el 2011 (Rivas, 2015). 6

del año 20133, de los ocho países que también participaron en PISA 2012, seis mejoraron su desempeño al aumentar el puntaje medio total. Particularmente, Perú y Chile se destacaron con las más altas variaciones (43,6 y 34,0 puntos, respectivamente). Costa Rica y Uruguay fueron las regiones que presentaron una disminución en su rendimiento. Al analizar los resultados por áreas, se encuentra que los estudiantes de estos países se desempeñaron mejor en matemáticas que en lectura (ver Anexo 2)4. No obstante, en educación secundaria, estos países han obtenido un rendimiento relativamente bajo comparado con otras regiones. Con base en los resultados PISA 2012, en todas las competencias evaluadas, las regiones se ubicaron entre los 20 peores resultados, de las 65 economías participantes. Chile se constituyó como el país de mejor desempeño entre los países latinoamericanos. Entre tanto, Perú fue el de más bajo rendimiento en las tres competencias. Además, el puntaje medio obtenido en matemáticas, área de énfasis, los situó por debajo del nivel dos (básico), exceptuando a Chile. En promedio, menos del 1% de los estudiantes latinoamericanos estuvo en los niveles cinco y seis (BID, 2015)5. Por otro lado, al comparar estos resultados con el promedio de los países de la OCDE, los de Europa Occidental –EOC-, de Europa Oriental –EOR- y los que conforman la región Asía Pacífico –AP-6, se encuentran amplias brechas. Mientras que en los países latinoamericanos el 63,0% no alcanzó el nivel dos en matemáticas, el porcentaje medio para estas regiones fue de: 23,0% OCDE, 20,7% EOC, 31,7% EOR y 9,2% AP (Rivas, 2015)7. Además, en estos resultados, se hizo evidente la existencia de brechas en rendimiento escolar entre los tipos de centro: en promedio, los estudiantes que 3

Corresponden a las evaluaciones aplicadas a países de América Latina por el Laboratorio Latinoamericano de Evaluación de la Calidad Educativa –LLECE- de la UNESCO, con el ánimo de medir los logros en aprendizaje de sus estudiantes en las competencias de lectura, matemáticas y ciencias. Se evaluaron los estudiantes de 15 países de tercer y sexto grado de la educación primaria 4 Al comparar estos resultados, para el promedio de los 15 países participantes, se tiene un significativo incremento del rendimiento obtenido por los estudiantes de ambos grados y en las áreas evaluadas, especialmente, en matemáticas. En tercero, el puntaje medio en esta competencia aumentó 31 puntos y en sexto 19 puntos, la mayor variación entre las tres áreas evaluadas (ver Anexo 3). 5 Para cada país, el porcentaje de estudiantes en los niveles cinco y seis son: 1,6% Chile, 1,3% Uruguay, 0,8% Brasil, 0,6% Costa Rica, 0,6% México, 0,6% Perú, 0,3% Argentina y 0,3% Colombia. En lectura, el promedio también fue menor al 1,0% y en ciencias menor al 0,5%. En cada una de estas áreas se destacan Chile (0,6% y 1,0%) y Uruguay (0.9% y 1,0%). Colombia y México obtuvieron el porcentaje más bajo en lectura (0,3 y 0,4%) y Perú, en el área de ciencias, prácticamente no tiene estudiantes en estos dos niveles (BID, 2015). 6 Estas regiones están conformadas de la siguiente manera: 1) EOC: Austria, Bélgica, Francia, Alemania, Grecia, Irlanda, Italia, Liechtenstein, Luxemburgo, Países Bajos, Portugal, España y Suiza, 2) EOR: Albania, Bulgaria, Croacia, República Checa, Estonia, Hungria, Latvia, Lituania, Montenegro, Polonia, Rumanía, Fed. Rusa, Servia, República Eslovaca y Eslovenia, y 3) AP: Taipei-China, Hong Kong China, Japón, Corea, Macao-China, Shanghái-China y Singapur (Rivas, 2015). 7

En lectura, esta proporción para América Latina fue de 46,0%, y en las demás de 18,0%, 16,9%, 28,0% y 8,6%, respectivamente. Por último, en ciencias, el 49,6% de los estudiantes latinoamericanos no lograron los conocimientos básicos en esta área, frente a un 17,8% de la OCDE, 16,4% de EOC, 25,3% de EOR y 7,4% de AP, lo que deja unas diferencias similares a la obtenida en lectura (Rivas, 2015).

7

asisten a los colegios privados obtuvieron un mayor puntaje en las tres áreas, comparados con los que asisten a los colegios públicos (ver Anexo 4). De otro lado, durante los años transcurridos del siglo XXI, en los países latinoamericanos se ha presentado, en el nivel básico y secundario, una tendencia de pasajes de alumnos del sector público al privado8. Esto no implica necesariamente que la educación pública sea de peor calidad que la educación privada. De hecho, como lo señala la Organización para la Cooperación y Desarrollo Económico –OCDE- (2011), los estudiantes de los centros públicos, con similares características socioeconómicas a los de las instituciones privadas, tienden a lograr similares resultados en PISA. Además, la elección del centro escolar puede estar sesgada cuando los padres dan un mayor peso a los costos asociados a la educación que a la calidad misma del centro escolar Por lo anterior, los estudios en economía de la educación se han volcado a establecer, si aun teniendo cuenta un conjunto amplio de características individuales, familiares y de centro escolar, el desempeño académico escolar está condicionado por el tipo de centro escolar. En su mayoría, estos estudios, han sido enfocados a la estimación de la Función de Producción Educativa –FPE-, a partir de distintas metodologías, para obtener los factores que determinan el rendimiento académico escolar. Si bien han incluido la titularidad del centro como uno de los factores determinantes, y han estimado la brecha educativa entre las escuelas públicas y privadas, no han identificado las causas por las cuales se presentaron las brechas en rendimiento escolar. En función de lo anterior, el presente trabajo busca establecer si se dieron brechas significativas en el desempeño académico de los estudiantes latinoamericanos que participaron en PISA 2012. Para ello, se estimará la FPE a través de la metodología de variables instrumentales, para las tres competencias evaluadas, y controlando por tipo de centro escolar. A partir de los resultados de la FPE, y aplicando la descomposición de Oaxaca-Blinder –OB-, se pretende, específicamente, identificar los factores que incidieron en las divergencias escolares entre los centros públicos y privados, lo que se constituye como la principal aportación del presente trabajo9.

8

Los países con un mayor traslado de estudiantes de escuelas públicas a las privadas en estos niveles fueron, en su orden, Perú (14,0% en 2000 a 25% en 2011), Chile (55,0% en 2000 a 63% en 2013), Brasil (8,0% en 2000 a 16,0% en 2012), Uruguay (12,0% en 2001 a 19,3% en 2010) y Argentina (22,0% en 2000 a 27,1% en 2011). México mantuvo las proporciones en ambos sectores, mientras que Colombia ha experimentado un crecimiento del sector público. Para el conjunto de la región, en el año 2000, el porcentaje de estudiantes en colegios privados fue del 15,0%, en el año 2010, esta proporción subió al 18,0%. (Rivas, 2015). 9

Metodológicamente hablando, la técnica de descomposición de Oaxaca-Blinder ha sido escasamente empleada en el caso del rendimiento escolar, y ha sido usada para encontrar los factores que inciden en las diferencias entre países y/o regiones (Gertel, et al., 2012; Ramos, et al., 2012; García, et al., 2010; Ammermüller, 2004), para hallar las variables que afectaron el cambio en rendimiento académico a través del tiempo (Oreiro & Valenzuela, 2013; Barrera-Osorio, et al., 2011) y para explicar las diferencias en desempeño a partir de las características individuales (Sánchez, 2011). Por lo tanto, desde este punto de vista, este trabajo no solo aporta a llenar un vacío en la literatura, también contribuye con un nuevo enfoque metodológico: en la aplicación de la descomposición OB se incorporan las estimaciones a través de variables instrumentales, que son más robustas que las obtenidas a través de Mínimos Cuadrados Ordinarios –MCO-, método comúnmente empleado en esta técnica. Así, los resultados obtenidos aquí serán más consistentes que los que se obtendrían en el caso de MCO.

8

El artículo se encuentra estructurado de la siguiente manera. Seguida de esta introducción, está la revisión de la literatura en el marco de la economía de la educación respecto a la titularidad del centro escolar y su relación con el desempeño académico escolar. En la tercera sección, se encuentra la parte metodológica, en la que se expone el modelo estimado, se justifican las variables incluidas en él y se describe la descomposición de Oxaca-Blinder. Posteriormente, están los resultados, que muestran que las divergencias público-privado, en las tres competencias, se originaron en mayor medida, y de forma significativa, por las diferencias en dotación individual. La quinta sección contiene las conclusiones y algunas recomendaciones en materia de política educativa. Por último, están las referencias bibliográficas y los anexos. 2.

La titularidad del centro como condicionante del desempeño escolar

Los trabajos en economía de la educación han agrupado en tres los factores determinantes del rendimiento escolar: 1) las características individuales, 2) las características familiares y 3) los factores escolares. A partir de los trabajos de Alexander y Simmons (1975), Jencks (1972) y Coleman, et al. (1966), el segundo aspecto ganó importancia. En ellos, se reconoce por primera vez, que su influencia en el rendimiento escolar, es mayor que la de las características del centro escolar. Esto ha hecho que no se establezca un consenso respecto a cuál es el principal factor determinante. Por una parte, dentro de los estudios más recientes, se encuentran aquellos que argumentan que son los ingresos familiares, el nivel educativo de los padres y los recursos educativos existentes en el hogar los que condicionan en mayor medida el desempeño educativo [ver Thieme, et al. (2013), para Chile, Sun, et al. (2012), para Hong Kong, Tian (2006), para los Estados Unidos, Ammermüller, et al. (2005) y Woessmann (2005), para Europa oriental y occidental, respectivamente]. Por el otro, hay evidencia empírica que sugiere que los factores asociados a los centros escolares y a los institucionales son los principales determinantes [de los de escuela, ver Henríquez, et al. (2012), Barrera-Osorio, et al. (2011), Woessmann (2010), Hanushek y Woessmann (2007a), Vegas (2006), Chaudhury, et al. (2006) y Woessmann y West (2006), de los institucionales ver Steinberg (2014), Hanushek, et al. (2013) Woessmann, et al. (2007) y Woessmann (2003b)]. Esta heterogeneidad, también se presenta cuando se trata de relacionar la titularidad del centro escolar y el desempeño académico. En algunos casos, se ofrece evidencia sobre relación significativamente positiva en favor de los centro privados, mientras que en otros no. En este sentido, tal y como lo sugieren Bishop y Woessmann (2004), no existen resultados que permitan concluir sobre una generalidad en este tipo de relación, tanto en países desarrollados, como en los países en vías de desarrollo. 2.1.

Evidencia para países desarrollados

Dentro de las investigaciones que encuentran un efecto positivo de la titularidad del centro escolar, están los elaborados por Schultz y McDonald (2013) y Levin (2002), quienes, para los Estados Unidos y Holanda, respectivamente, determinaron que el asistir a colegios privados de carácter religioso favorece el desempeño. Dearden, et al. (2011), para el Reino Unido, encuentran que los estudiantes de escuelas privadas tienen mayores 9

posibilidades de alcanzar un nivel de educación superior y mayores salarios10. Por último, para los países participantes en PISA (desarrollados y en vías de desarrollo), West y Woessmann (2010) y Fuchs y Woessmann (2007), encontraron que cuando la importancia del sector privado aumenta, el puntaje promedio en estas pruebas es mayor. De otro lado, Altonji, et al. (2005), para los Estados Unidos, argumentan que la relación positiva entre el rendimiento escolar y el tipo de centro, se hace débil al tener en cuenta factores observables e inobservables. Más aún, Mancebón y Muñiz (2008) y Calero y Escardíbul (2007), para España, muestran que, después de incluir las características familiares como variables de control, esta relación desaparece. De hecho, Donkers y Robert (2008), al hallar sesgos de selección, determinaron, luego de controlar a través de variables socioeconómicas, que los centros privados obtendrían peores resultados que los públicos, en el área de matemáticas evaluada en PISA 2006. Estos dos frentes de investigación también se encuentran al estudiar los países en vías de desarrollo.

2.1.1. Evidencia para países en vías de desarrollo Empleando la información de PISA, Fernández y Del Valle (2013), para Costa Rica, y controlando por factores socioeconómicos, estimaron un efecto directo entre el puntaje medio, obtenido en lectura y matemáticas, y el tipo de centro escolar, en favor de los colegios privados. Así mismo, Montero, et al. (2012), al comparar los resultados entre los colegios públicos costarricenses, de la jornada diurna, y los privados, determinaron que los primeros obtuvieron un desempeño menos favorable. Estas desigualdades también fueron encontradas por Gamboa y Waltenberg (2012) en los países latinoamericanos participantes en las pruebas PISA 2006-2009. Estimaron que, de acuerdo al país y al año, esta brecha estuvo entre el uno por cien y el 25%, un rango relativamente alto, comparado con los demás países participantes. Con base en los resultados del SERCE, el Laboratorio Latinoamericano de Evaluación de la Calidad de la Educación –LLECE-, también calculó diferencias en desempeño entre los establecimientos escolares; sin embargo, Cervini (2012), al “reanalizar” estos resultados, concluyó que el efecto escolar neto tuvo un menor efecto que el obtenido por el LLECE11. De los estudios que no encuentran relación entre la titularidad del centro escolar y el desempeño académico de los estudiantes, se tienen los elaborados por Oliveira, et al. (2013), para Brasil, Krüger y Formichella (2012), Formichella (2011) y Cervini (2003) para Argentina. En el primer trabajo, se sugiere, a partir de sus resultados, que los 10

Se encuentran otras investigaciones menos recientes que están sobre esta línea. Vella (1999), para Autralia, concluye los estudiantes de colegios privados poseen más probabilidades de terminar el bachillerato y encontrar un empleo, Neal (1997) encuentra que estos colegios a cargo de la iglesia, obtuvieron un mayor rendimiento en los estudiantes que pertenecían a minorías étnicas en los Estados Unidos, ya que las escuelas públicas a las que tendrían acceso estos estudiantes son de baja calidad, por último, Coleman y Hoffer (1987) y Coleman, et al. (1982), determinaron para los Estados Unidos, que los estudiantes de escuelas privadas tienen un mayor éxito escolar. 11 El autor advierte que, dado el distinto enfoque metodológico que empleó, esta conjetura no puede aplicarse con certeza a cada país en particular. Aun así, afirma que es posible encontrarse con diferencias importantes a las encontradas por el LLECE.

10

estudiantes con bajo rendimiento en octavo grado, obtendrían aún un peor desempeño si asistieran a colegios privados. En el segundo, no se pudo establecer una clara tendencia de igualdad de oportunidades entre los recursos de las escuelas públicas y privadas. Los dos últimos, al emplear como variables de control el entorno y las características socioeconómicas y culturales de las escuelas, encontraron, en su orden, que la correlación entre la estructura administrativa de la escuela (pública-privada) y el rendimiento escolar se desvanece y que las brechas no resultan significativas. Por último, Mina (2004), determinó que la presencia de escuelas privadas en Colombia tuvo un efecto ambiguo, ya que no se comprueba que se dé por un sistema de competencia entre los planteles. Según el autor, la demanda educativa en este país es más por las plazas que por calidad. Para Tanzania, Lassibille y Tan (2001), tampoco lograron establecer relación alguna entre la titularidad del centro y el desempeño de sus estudiantes, incluso, en el caso de Finlandia y Indonesia, Kirjavainen y Loikkanent (1998) y Newhouse y Beegle (1991), respectivamente, hallaron que dicha relación es negativa. Ahora bien, teóricamente hablando, la economía de la educación, ha planteado dos argumentos que justifican el efecto del tipo de centro escolar sobre el desempeño de los estudiantes: 1) los centros públicos tienden a tener una menor autonomía en su gestión, lo que los hace menos eficientes, y esta menor eficiencia, hace que obtengan menores resultados en las evaluaciones, y 2) dada la existencia de los colegios privados, la competencia de mercado entre las instituciones educativas, hace que las escuelas públicas obtengan un menor rendimiento. No obstante, las investigaciones que abordan la calidad educativa desde estas perspectivas siguen encontrando resultados ambiguos. Por ejemplo, Steinberg (2014), para la ciudad de Chicago, halla evidencia sobre la relación entre el nivel de autonomía de los centros educativos y el rendimiento en lectura, sin embargo, no la encontró para el caso de matemáticas. Por su parte, Benton (2014), al estudiar separadamente las escuelas privadas y públicas, no encontró efecto alguno de la autonomía. En cambio, Hanushek, et al. (2013), determinaron que ésta favorece el desempeño en los estudiantes de países desarrollados y con alto rendimiento, pero afecta de manera negativa a los de países en vías de desarrollo y con bajo desempeño. Desde el punto de vista de la competencia de mercado, en OCDE (2014), se sugiere que el mejor desempeño de los estudiantes de los colegios privados, en PISA 2012, no estuvo relacionado con el nivel de competencia de los centros escolares, de hecho, en OCDE (2011), se encontró, que aquellos países con una mayor proporción de escuelas privadas, no obtuvieron mayores puntajes en PISA 2009. Aun así, West y Woessmann (2010) y Woessmann, et al. (2009), determinaron un efecto directo, de la mayor competencia entre los centro educativos, incluidos los públicos. Como se ve, no existe consenso del efecto de la titularidad del centro escolar sobre el rendimiento de los estudiantes. Por un lado, se argumenta una fuerte correspondencia entre estos, pero por el otro, la relación se hace débil o se desvanece. Incluso, se mencionaron trabajos que muestran una asociación negativa. Tampoco se encuentran estudios que determinen cuáles son las causas de las brechas escolares. Por lo tanto, el presente artículo pretende dar un paso adicional al enfocarse en la identificación de los factores que originan las diferencias en rendimiento escolar entre los centros públicos y privados, aplicando para ello la técnica de descomposición de OaxacaBlinder (1973), poco empleada en educación, incorporando en ella estimaciones de la 11

FPE a través de la metodología de variables instrumentales. Además, se busca disminuir la escasez relativa de estudios empíricos aplicados a países latinoamericanos. 3.

Metodología

La economía de la educación ha empleado ampliamente la FPE para estudiar la calidad educativa y encontrar los principales factores que condicionan el desempeño académico escolar, agrupando en cuatro componentes las variables independientes: a) las características individuales, b) las familiares, c) las escolares y d) el factor que incluye las habilidades del estudiante. Así, siguiendo lo realizado por Hanushek, et al. (2013) y Hanushek y Woessmann (2012; 2011), la estructura de la FPE que se estima aquí es: (1)

Donde

denota el puntaje medio de los cinco valores plausibles del

estudiante i en el periodo t, en la competencia j, y contiene los factores inobservables del modelo, tales como las habilidades y capacidades de aprender del estudiante, y las decisiones de los padres u otras instituciones administrativas del estado. Cada i-ésimo coeficiente, y , mide, en su orden, el efecto de las características individuales, familiares y de escuela, sobre el rendimiento medio en el área j. Las variables incluidas en (2), están acorde con lo establecido en economía de la educación (ver Anexo 5). La primer sumatoria de la expresión (1) reúne las características del estudiante. Se han incluido en ella las variables sexo, que mide las brechas por género, tanto en comprensión lectora (Woessmann, 2010; Mullis, et al., 2007), como en matemáticas y ciencias (García, 2012; Ammermüller, et al., 2005), norepetidor, como proxy de la capacidad académica del estudiante (Oreiro & Valenzuela, 2013; Hong & Yu, 2007), y mide el impacto del rezago escolar (Cordero, et al., 2013), por último, esfuerzo y disciplina, para conocer si las oportunidades que tiene de aprender el estudiante determina su desempeño (Post, 2011; García, et al., 2010). La segunda sumatoria se agrupan las características familiares, en las que se tuvo en cuenta la cantidad de libros en el hogar (Crespo, et al., 2012; Woessmann, et al., 2007), el nivel educativo del padre y de la madre (Cordero, et al., 2013; Hanushek & Woessmann, 2011; Martins & Veiga, 2010) y el tiempo que dedica el padre a su trabajo (Woessmann, 2010). Con estas variables se busca evaluar el impacto de lo que la literatura ha definido como el estatus socioeconómico y cultural del hogar. Los factores de escuela (tercer sumatoria) que se consideran son: la ratio profesor/alumno y el tamaño del centro escolar, tomando en cuenta lo elaborado por Hanushek (2011), Hanushek y Luque (2000) y Vignoles, et al. (2000). Por último, para encontrar de qué manera las decisiones que toman los directores y profesores, sobre la responsabilidad en la gestión de su institución, se construyó el indicador autonomía de acuerdo con los lineamientos empleados por Hindrinks, et al. (2010).

12

3.1.

Técnicas econométricas empleadas

Para la estimación de la FPE se han empleado, con mayor frecuencia, las metodologías de Mínimos Cuadrados Ordinarios –MCO- y los Modelos Lineales Jerárquicos –HML por sus siglas en inglés-. La primera, no tiene en cuenta que las unidades estudiadas (estudiantes y escuelas), tienen componentes relacionados intrínsecamente entre sí, a través de la variable dependiente (puntaje medio), un aspecto que si contempla los HML. Por lo tanto, las estimaciones MCO pueden arrojar una representación incompleta de los sistemas educativos, al no considerar la manera en que son asignados los estudiantes a los centros educativos o en el interior del plantel. Por esta razón, los HML han ganado un gran espacio en los estudios que se realizan con base en encuestas educativas, al arrojar coeficientes más robustos 12. Sin embargo, como lo señalan Hanushek y Woessmann (2011), como las capacidades de aprender del estudiante y sus habilidades cognitivas, se encuentran contenidas en el término de error (no son directamente observables), entonces pueden estar correlacionadas con al menos uno de los inputs individuales de la FPE. De igual manera, algunos de los factores de escuela, que son el resultado de las decisiones tomadas por los ministerios de educación (variables inobservables), podrían estar relacionados con uno de los inputs escolares. De presentarse esta correlación [ ], se origina el 13 problema de endogeneidad , por lo que las estimaciones a través de MCO y HML no son convenientes, ya que los coeficientes resultantes no son consistentes e insesgados. Para resolver este problema, la literatura sugiere trabajar con la metodología de Variables Instrumentales –VI- ya que “corrige” la relación entre los inputs y el error. Por lo anterior, el presente trabajo aplicará a la FPE, en primera instancia, los estadísticos propuestos por Baum, et al. (2003) y Davison y MacKinnon (1993) para la detección de la endogeneidad. De encontrarse este problema, posteriormente, se instrumentalizará el modelo con base en la metodología de Mínimos Cuadrados en Dos Etapas -2SLS-14, que corresponde a uno de los enfoques de la metodología VI. Y Para determinar si los instrumentos fueron los adecuados, se emplearán los test desarrollados por Sargan (1958) y Basmann (1960). A continuación se desarrolla esta metodología. 12

Para una mayor referencia, puede consultarse los libros de Goldstein (2011) y Bryk y Raudenbush (2002). 13 Esto puede presentarse porque que en la FPE no todas las variables independientes son exógenas, en el sentido estadístico, debido a la omisión de variables o a la selección de la muestra. De ser diferentes de cero las correlaciones entre X y , las variables independientes se definen como endógenas. 14 Como su nombre lo indica, la estimación de bajo la correlación entre las k variables de X y se realiza en dos etapas. La primera, una regresión a través de MCO de las k variables endógenas y sus respectivos instrumentos. El objetivo aquí es obtener los valores estimados de las variables endógenas para luego, como segunda fase, realizar una regresión mínimo cuadrática de Y con base en los valores estimados de las variables endógenas y obtener los estimadores de , definidos como los estimadores de variables instrumentales bietápicos -. También se encuentran los enfoques de Método Generalizado de Momentos –MGM- y de Máxima Verosimilutud con Información Limitada. Los coeficientes estiamdos y sus desviaciones estándar, son muy similares entre los tres. Para un amplio desarrollo de los tres, puede referirse a Green (2012), Wooldridge (2010), Baum, et al. (2007), Hayashi (2000), Davison y MacKinnon (1993) y Arellano (1987) 13

3.1.1. La Estimación a través de 2SLS

Considérese el caso del modelo lineal estándar con k variables explicativas, definida como la Ecuación Estructural –EE-: (2) En la EE se supone que , que las variables son exógenas y que hay potencialmente variables endógenas, de esta manera, respectivamente, y . Se sabe ya que si se estima (2) a través de MCO los parámetros serán sesgados e inconsistentes, por lo que se debe encontrar una variable o un conjunto de variables instrumentales para cada una de las , esto es, variables relacionadas con las endógenas pero no con el 15 error . Una forma de plantear la correlación entre las variables endógenas y las variables instrumentales es la de establecer una relación lineal entre ellas, en la cual se incluyan las es decir, que contenga las variables exógenas explicitas en (2), así16: (3) donde , es decir, representan las covarianzas entre la variable endógena (xij) y las variables exógenas (zmi), con lo cual debe ser distinto de cero y estadísticamente significativo17. Además, la , y se supone que , lo cual hace que . Así, para obtener los estimadores de bajo la correlación entre y el método 2SLS opera de la siguiente manera: Como una primera fase, se calculan los coeficientes de la Forma Reducida –FR[expresión (3)] a través de MCO, y con base en ellos, se obtienen los valores estimados para . Lo que se hace en esta etapa es obtener un instrumento óptimo para resultado de la “combinación” lineal de múltiples instrumentos. La aplicación de MCO a la FR conduce a que los coeficientes estimados para sean . Sustituyendo en (3) se tiene:

15

Para que estas variables sean adecuadas, se debe cumplir: 1) que no se encuentran especificadas en el modelo, lo que implica que, aun las , siendo exógenas, no pueden usarse únicamente como variables instrumentales para . A esta condición, junto con la incorrelación con el error, se le conoce con el nombre de Restricciones de Exclusión. 2) No están correlacionadas con y 3) no lo están con el error. Sea , el conjunto de dichas variables instrumentales, que no están incluidas en (2), sus covarianzas son y . 16 Dado que tanto como son exógenas cualquier combinación lineal entre ellas también es exógena, esto quiere decir que, cualquier combinación lineal entre ellas no está correlacionada con el error (Wooldridge, 2010). 17

El contraste o prueba de hipótesis que plantea para la significancia de los parámetros es conjunta, por lo que y debe contrastarse con la distribución F. 14

(3’) La segunda etapa del método 2SLS, incluye los valores de la expresión (2). Luego, aplica nuevamente MCO para obtener los manera:

de

en , de esta (2’)

Con

y

. Los

a través de MCO son18: (4)

Ahora, si X1 se regresa en Z, entonces (ajuste perfecto). Haciendo uso de la matriz idempotente , entonces (4) puede expresarse como: (4’) Teniendo en cuenta que las columnas de la matriz se calculan con base en las predicciones de las regresiones que se realizan de las correspondientes columnas de X en Z, entonces la expresión (5’) puede expresarse como sigue (Greene, 2012):

(5) Operando las transpuestas de matrices y la inversa de la expresión entre corchetes, el estimador bietápico corresponde a19: (6) El estimador 2SLS puede ser calculado a través de la información contenida en Y, Z y X. Cuando hay identificación exacta, esto es, cuando el número de variables endógenas es igual al número de variables exógenas ( ), entonces (6) se reduce a: (7’) La respectiva matriz de varianzas y covarianzas de

corresponde a:

Para el resultado, debe tenerse en cuenta que la matriz de (10’) es idempotente e igual a , por lo tanto, (3’) puede expresarse como . Además, como , entonces . 19 Téngase en cuenta las siguientes propiedades de matrices. Siendo A y B dos matrices definidas, entonces Además, y que . 15 18

;

(8)

Este estimador, entre todos los posibles, es el de menor; sin embargo, cuando se compara con los obtenidos a través de MCO, suelen ser mayores. Esta comparación solo puede realizarse cuando todas las variables independientes son exógenas, en caso contrario no, porque precisamente los estimadores MCO dejan de ser consistentes. Así, con esta metodología, se gana en consistencia e insesgadez, pero se pierde en eficiencia. Como se mencionó, si se detecta el problema de endogeneidad, se empleará este enfoque para estimar la FPE, por tipo de centro escolar y para las tres competencias evaluadas en PISA 2012. Los coeficientes estimados y los inputs se incorporarán en la técnica de descomposición de Oaxaca-Blinder, que a continuación de presenta. 3.2.

La descomposición de Oaxaca-Blinder –OB-

Desarrollada independientemente por Ronald Oaxaca (1973) y Alan Blinder (1973), esta técnica permitió observar en qué medida la discriminación, en función de la raza o el género, afectó a los salarios cobrados en el mercado de trabajo americano. Desde entonces, ha sido utilizada en numerosas ocasiones en economía laboral, para estudiar los efectos de la discriminación salarial, pero escasamente empleada en economía de la educación, más aún, en el contexto latinoamericano20. Teniendo en cuenta los resultados logrados por dos grupos (por ejemplo, colegios públicos y privados), con esta técnica se pueden identificar las causas que dan origen a las diferencias de dichos resultados, a través de un componente explicado por el modelo, y otro inexplicado. Empleando las regresiones para cada grupo (FPE estimada para cada centro escolar), la descomposición calcula qué porcentaje de la diferencia en resultados (brecha en rendimiento académico) se debe a la existencia de los factores observables, obtenido con base en las características de los individuos de cada grupo (estudiantes de escuelas públicas y privadas), y al componente inexplicado o residual. Este último, contiene todo aquello que no ha sido incluido en el modelo, bien sea por que los factores no son directamente medibles, bien sea por la omisión de variables, por lo tanto, no puede ser explicado por las características grupales. Siguiendo a Jann (2008)21, lo que interesa estudiar aquí son las diferencias en puntaje medio –VP- entre los colegios privados (grupo A) y públicos (grupo B). Esta diferencia se escribe como . Se define X como la matriz de

20

Diversos el estudios empíricos han utilizado esta metodología para analizar la existencia de discriminación en mercados de trabajo latinoamericanos. Véase Artal et al. (2009), Bernat (2005), Tenjo y Herrera (2009) y Barraza (2010) la utilizan para el caso colombiano, encontrando evidencia sobre la existencia de discriminación por género en diversas áreas metropolitanas. Quiñones y Rodriguez (2011) la emplean para estudiar las diferencias en los retornos de la educación para Bogotá y doce áreas metropolitanas en Colombia, tuvieron en cuenta el posible problema de endogeneidad al corregir el sesgo de selección a través de la propuesta de Heckman (1979), emplearon la ecuación de Mincer (1974) y estimaciones MCO. 21 Para ver un amplio desarrollo de esta técnica, puede consultarse a Fortin, et al. (2011). 16

dotaciones (características observables) y agrupa a las variables que condicionan a VP en la ecuación (1). De esta manera: ,

(8)

con como el vector de coeficientes, que incluye el intercepto, y error. Suponiendo que y que , se tiene:

el término de

(9) La expresión (9) da las diferencias en resultados debidas a las características grupales, la cual puede reescribirse en función de una triple descomposición: (9’) En

(9’)

el

componente observado del modelo corresponde a , y se define como el efecto dotaciones. Como las características de los estudiantes, en media, son diferentes en cada grupo, este captura las diferencias en dotaciones individuales. El componente no observado lo conforman y . EL primero (efecto coeficientes), mide la diferencia entre cómo la estimación del modelo valoraría las dotaciones del grupo B, de acuerdo a cómo las valora para el grupo A, y cómo la estimación las valora realmente. El segundo (efecto interacción), recoge el hecho de que las diferencias tanto en dotaciones como en coeficientes se dan simultáneamente entre los dos grupos22. La expresión (9’) queda como , asumiendo que interesa analizar las diferencias para el grupo B eligiendo el A como grupo de referencia23, donde D corresponde a la componente explicada por el modelo y C e I forman la parte no explicada, De este modo, la estimación viene dada por: (10) EL principal problema que tiene esta técnica, cuando se trabaja con variables dicotómicas, es que los resultados de la descomposición cambian en función del grupo que se elija como referencia (Jann, 2008; Yun, 2005; Horrace & Oaxaca, 2001; Oaxaca & Ransom, 1999). Si bien el valor general de la descomposición y el componente explicado no se verán alterados, sí que habrá cambios en la componente no explicada, y se alterará

22

La primer y segunda componente explican, en su orden, la diferencia en rendimiento académico que se produciría en el grupo B si sus individuos tuvieran, en media, las mismas características que los individuos del grupo A, y la diferencia en resultados que se produciría en el grupo B si este grupo de individuos obtuviera los mismos coeficientes que los del grupo A. 23

de

Para hallar la descomposición para el grupo A eligiendo a B como contrafactual se procedería un modo similar: 17

la parte de esta componente que es atribuida a diferencias en los coeficientes y en los términos independientes (Oaxaca & Ransom, 1999)24. Por lo anterior, y como el presente trabajo usa ese tipo de variables, se sigue la metodología propuesta por Jann (2008), con base en Yun (2005) y Gardeazabal y Ugidos (2004), ya que permite que los resultados de la descomposición de OB sean independientes de la elección de la categoría omitida, usada como base. 4.

Resultados

La base de datos con la que se trabajó fue construida a partir de la información disponible en la OCDE. Se obtuvo la información tanto de estudiantes como de escuelas, siendo estas observaciones estadísticamente representativas de la población para cada uno de los países estudiados (OCDE, 2015) 25. La base la original, y la derivada de ella, contiene lo que se conoce como missing values, los cuales pueden generar sesgos que afectan la inferencia estadística, por lo que es importante identificar y “sustituir” los datos omitidos26. Por lo tanto, teniendo en cuenta lo propuesto por Media y Galván (2007), para el tratamiento de información faltante en encuestas educativas, este trabajo empleó la metodología de imputación hot-deck a aquellos inputs de la FPE que superen el 10% de missing values del total de observaciones, antes de realizar las pruebas de endogeneidad y las estimaciones econométricas27.

24

Las críticas que recibe esta técnica, giran en torno a la interpretación de las componentes observada y no observada y a los problemas de especificación e identificación del modelo con el que se trabaja. Para ello, ver Ospino, et al. (2010) y Riach y Rich (2002). Otra, apunta al hecho de que no se tiene en cuenta que la discriminación se puede producir en el acceso a las dotaciones. Además, el uso de medias grupales impide obtener resultados comparativos a nivel individual dentro de la muestra. En este punto, puede consultase a Madenn (1999). 25

Para América Latina, se tienen 90.799 observaciones, para estudiantes, y 3.722 para escuelas, distribuidas de la siguiente forma: 1) 5.908 y 226 observaciones -obs.- para Argentina, 2) 19.204 y 839 obs. para Brasil, 3) 6.856 y 221 obs. para Chile, 4) 9.073 y 352 obs. para Colombia, 5) 4.602 y 193 obs. para Costa Rica, 6) 33.806 y 1.471 obs. para México, 7) 6.035 y 240 obs. para Perú y 8) 5.315 y 180 obs. para Uruguay. 26

Para ello, existen diferentes métodos de imputación que han ido evolucionando desde la formulación del marco conceptual propuesto por Rubin (1976). Little y Rubin (2002) clasifican los métodos de imputación de datos faltantes en: 1) análisis de datos completos (listwise), 2) análisis de datos disponibles (pairwise), 3) imputación por medias no condicionadas, 4) imputación por medias condicionadas mediante métodos de regresión, 4) máxima verosimilitud y 5) imputación múltiple. No incluyen las metodologías hoc-deck y hoc-deck con regresión. 27 El hot-deck es un método no paramétrico que sustituye los registros faltantes (receptores) con la información recogida de una selección aleatoria de valores observados (donantes), por lo que no introduce sesgos en el estimador y su desviación estándar. Por esta razón, se considera superior a los métodos de medias condicionadas y no condicionadas y se constituye como una mejor opción que los procedimientos listwise deletion y pairwise deletion. Además, son más eficientes que los métodos de imputación múltiple y la regresión paramétrica porque preserva la distribución de probabilidad de las variables imputadas (Durrant, 2009).Cabe mencionar que no hay un criterio que determine a partir de qué proporción se deben aplicar los métodos de imputación (Median & Galván, 2007).

18

4.1.

Análisis de endogeneidad

La hipótesis nula que plantean los estadísticos desarrollados por Durbin (1954) y Wu (1973)-Hausman (1978) para la identificación de este problema, es que todas las variables del modelo son exógenas [ . Si el p-value asociado a estos estadísticos es menor al nivel de significancia, entonces no hay suficiente evidencia estadística para aceptar dicha hipótesis, por lo tanto, este resultado sugiere la presencia de endogeneidad. Estas pruebas fueron aplicadas a cada uno de los inputs de la FPE, para cada tipo de centro escolar y en las tres competencias evaluadas. Se determinó que solo la variable norepetidor, que toma el valor de uno si el estudiante no repitió ningún curso ni en primaria ni en secundaria, cero en caso contrario, se encontraba correlacionada con el error, ya que el p-value de cada uno de los test fue menor al 10% (ver Tabla 1).

Área

Tabla 1: Identificación endogeneidad e instrumentos. América Latina, PISA2012. Test Durbin (score) chi2(1)

Lectura

Wu-Hausman F(●) Sargan chi2(1) Basmann chi2(1)

Matemáticas

Durbin (score) chi2(1) Wu-Hausman F(●) Sargan chi2(1)

BRA

Pri.

64,54 (0,00)

CHL

Púb.

Pri.

34,7

132,47

21,92

(0,00)

(0,00)

(0,00)

Púb.

COL

CRI

MEX

PER

URY

Pri.

Púb.

Pri.

Púb.

Pri.

Púb.

Pri.

Púb.

Pri.

Púb.

40,4

51,23

28,66

4,99

32,19

10,15

533,98

54,47

53,28

10,89

11,41

Pri. 2,57

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,03)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,10)

65,48

35,06

133,6

21,99

41,07

51,68

28,73

4,96

32,35

9,96

544,94

55,07

53,78

10,38

11,4

2,55

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,03)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,10)

1,96

1,45

7,47

1,27

3,53

4,82

3,01

0,35

1,07

1,48

4,81

0,13

4,93

5,67

3,8

1,13

(0,04)

(0,48)

(0,02)

(0,25)

(0,17)

(0,08)

(0,22)

(0,83)

(0,58)

(0,47)

(0,02)

(0,71)

(0,02)

(0,05)

(0,05)

(0,28)

1,94

1,44

7,46

1,27

3,51

4,81

3,01

0,35

1,06

1,45

4,81

0,13

4,92

5,63

3,79

1,12

(0,04)

(0,48)

(0,02)

(0,25)

(0,17)

(0,09)

(0,22)

(0,83)

(0,58)

(0,48)

(0,02)

(0,71)

(0,02)

(0,05)

(0,05)

(0,28)

91,99

25,2

116,38

30,43

14,54

19,31

14,65

8,47

14,13

5,25

657,3

77,01

105,65

16,51

9,23

9,68

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,10)

94,07

25,33

117,24

30,63

14,55

19,34

14,65

8,45

14,13

5,18

674,06

78,33

107,97

13,51

9,22

9,64

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,10)

2,16

0,03

0,25

0,92

5,51

0,01

0,59

2,53

5,47

1,6

0,16

0,26

0,3

2,78

0,37

1,97

(0,14)

(0,86)

(0,61)

(0,33)

(0,02)

(0,90)

(0,74)

(0,28)

(0,06)

(0,44)

(0,68)

(0,60)

(0,86)

(0,24)

(0,53)

(0,16)

2,15

0,02

0,25

0,92

5,48

0,01

0,59

2,51

5,45

1,56

0,16

0,26

0,29

2,75

0,37

1,94

(0,14)

(0,86)

(061)

(0,33

(0,02)

(0,90)

(0,74)

(0,28)

(0,06)

(0,45)

(0,68)

(0,60

(0,86)

(0,25)

(0,54)

(0,16)

Durbin (score) chi2(1) 151,84

39,79

161,42

9,6

32,97

17,86

63,22

12,26

33,49

3,47

546,13

48,39

56,9

4,39

3,37

2,6

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,06)

(0,00)

(0,00)

(0,00)

(0,03)

(0,06)

(0,10)

Wu-Hausman F(●) 158,02

40,29

163,13

9,59

33,35

17,88

63,72

12,24

33,67

3,42

557,6

48,84

57,48

4,35

3,36

2,6

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,00)

(0,02)

(0,00)

(0,06)

(0,00)

(0,00)

(0,00)

(0,03)

(0,06)

(0,10)

Basmann chi2(1)

Ciencias

ARG Púb.

Sargan chi2(1) Basmann chi2(1)

0,3

3,1

1,73

4,2

1,49

4,5

2,12

1,94

1,83

1,75

3,35

2,45

5,25

0,86

0,19

2,09

(0,98)

(0,07)

(0,18)

(0,04)

(0,22)

(0,03)

(0,34)

(0,37)

(0,39)

(0,41)

(0,06)

(0,11)

(0,07)

(0,06)

(0,65)

(0,14)

0,3

3,08

1,73

4,19

1,48

4,49

2,12

1,93

1,82

1,71

3,35

2,44

5,24

0,85

0,19

2,07

(0,98)

(0,07)

(0,18)

(0,04)

(0,22)

(0,03)

(0,34)

(0,38)

(0,40)

(0,42)

(0,06)

(0,11)

(0,07)

(0,06)

(0,65)

(0,15)

Variable intrumentalizada: norepitente, Instrumentos incluidos: sexo esfuerzo disciplina libros educamadre educapadre emppadre publico STRATIO SCMATEDU autonomia SCHSIZE, Instrumentos excluidos: motivacion, minucie, clascie y prescolar, ARG: Argentina, BRA: Brasil, CHL: Chile, COL: Colombia, CRI: Costa Rica, MEX: México, PER: Perú y URY: Uruguay. Púb. Público, Pri. Privado. p-value entre paréntesis. Para endogeneidad, Durbin y Wu-Hausman, nivel de significancia 10%. Para instrumentos, Sargan y Basmann, 1%. Imputación datos missing a través de hot-deck, según Medina y Galván (2007). Fuente: Cálculos propios con base en información PISA 2012, OCDE.

19

Dados estos resultados, se procedió a instrumentalizar el modelo. Las variables empleadas fueron: motivación, los minutos promedio de duración de clases (minuesp, minumat y minucie) y el número de horas de clases que toma el estudiante por fuera del centro escolar (entre dos y cuatro hora para clasesp, clasmat y clascie), y en el caso de Brasil y México, la variable preescolar, esperando que estas se relacionen con la condición de no repetidor y no con el error del modelo28. Para validar los instrumentos, se planteó la hipótesis sobre la incorrelación de los instrumentos con el error del modelo. A partir de las regresiones bietápicas (2SLS), se aplicaron los test de identificación y sobre identificación de Basann (1960) y Sargan (1958). Se encontró, en las tres áreas evaluadas y para cada centro escolar, que no hubo suficiente evidencia estadística para rechazar la hipótesis nula, ya que los p-value asociados a los test fueron mayores que el nivel de significancia del uno por cien, por lo tanto, los instrumentos fueron los adecuados (ver Tabla 1). Ahora bien, al identificar la endogeneidad, los estimadores MCO dejan de ser insesgados, y de emplearse sus coeficientes en la técnica de descomposición de OB, sus resultados son inconsistentes y podrían conducir a errores. Por esta razón, se incorporó en ella las estimaciones obtenidas a través de 2SLS, siendo más robustas que las de MCO, al solucionar la endogeneidad. Seguidamente, se exponen los resultados de la descomposición. 4.2.

Factores condicionantes de la diferencia en desempeño escolar

El primer resultado que arroja la técnica OB, permite establecer si hubo o no diferencias significativas en desempeño escolar entre los dos tipos de centros. Así, este trabajo determinó que hubo brechas escolares entre los colegios públicos y privados, en las tres competencias evaluadas en PISA 2012, y en todos los países de América Latina. Para el promedio latinoamericano, en lectura, matemáticas y ciencias, los colegios públicos obtuvieron 67,1, 65,8 y 63.8 puntos más que las escuelas públicas, respectivamente. Como se mencionó, esta técnica permite no solo cuantificar significativamente las divergencias público-privado, además, con ella se puede determinar en qué proporción de estas brechas se originan por los componentes observado e inobservado del modelo, y para cada uno, qué porcentaje es explicado por las características del estudiante, de su familia y del centro escolar. A continuación se interpretan los resultados para cada área.

28

La variable motivación se construyó con base en la respuesta que el estudiante da a la pregunta “En las últimas dos semanas de clases, cuántas veces se escapó del colegio un día entero?” y toma el valor de uno si su respuesta fue “ninguna vez”, cero en caso contrario. Por un lado, el que un estudiante asista al colegio lo hace menos propenso a repetir curso en su periodo escolar. Por el otro, al recibir más clases, bien sea por una mayor duración de las mismas o bien sea tomándolas por fuera del centro, hace que la probabilidad de repetir curso sea menor ya que el estudiante se encuentra más preparado. La variable preescolar toma el valor de uno si el estudiante realizó preescolar, cero en caso contrario. Se asume que la educación temprana, como lo es la educación preescolar, fortalece la formación del individuo, por lo que la posibilidad de repetir curso es menor.

20

4.2.1. Lectura

En esta competencia, se presentó la mayor desigualdad educativa entre las tres. En promedio, los colegios públicos estuvieron 67,1 puntos por arriba de los públicos. Uruguay y Brasil se constituyeron como los países más desiguales (95,7 y 83,8), entre tanto, Chile y México obtuvieron la menor brecha entre los ocho países (49,3 y 43,5). Estas divergencias estuvieron explicadas en mayor proporción por el efecto dotación (83,6% en promedio), seguido del efecto coeficientes (8,6% en promedio) y del efecto interacción (7,8 en promedio), por lo tanto, el modelo tienen un alto poder explicativo. En el caso de Uruguay, de los 94, 7 puntos de diferencia, 73,3 corresponden a las efecto dotación, 24,2 al efecto coeficientes y -1,7 al efecto interacción (no significativo). De esta manera, las diferencias en dotación representaron el 77,4% de la brecha escolar. Para México y los restantes países de América Latina, se mantuvo la misma estructura; es decir, el componente observado representó la mayor proporción de las diferencias en desempeño académico. Así, en cada uno de ellos, las diferencias en dotación fueron las que originaron esta diferencia en comprensión lectora (ver Tabla 2). Dentro del efecto dotación, las diferencias en las características individuales entre los estudiantes de los colegios públicos y privados, tuvieron el mayor peso. Para cada uno de estos países, las divergencias en dotación individual correspondieron al 92,1% ARG, 92,0% URY, 74,8 CHL, 62,9% MEX, 61,2% PER, 59,1% CRI, 41,3% BRA y 37,6% COL. Para Costa Rica, este efecto no resultó significativo. En segundo lugar, se encontraron las diferencias en dotación familiar, y por último, las escolares, excepto Colombia. En este país, las diferencias en dotación escolar, entre las escuelas públicas y privadas, se ubicaron como el segundo factor de importancia, seguido de las familiares. Tabla 2: Condicionantes brechas escolares, lectura. América Latina, PISA 2012. ARG

BRA

CHL

COL

CRI

MEX

PER

URY

Privado

448,424***

480,093***

462,505***

456,441***

502,989***

464,358***

442,257***

499,080***

Público

(2,929) 372,398***

(1,948) 396,280***

(1,903) 413,157***

(2,869) 396,427***

(3,528) 431,687***

(3,532) 420,815***

(3,597) 368,585***

(3,145) 403,306***

(3,161)

(1,254)

(2,999)

(1,966)

(1,608)

(0,969)

(1,868)

(1,944)

76,026*** (4,309)

83,813*** (2,317)

49,347*** (3,552)

60,014*** (3,478)

71,303*** (3,877)

43,543*** (3,662)

73,672*** (4,053)

95,774*** (3,697)

Individuales

40,616*** (7,436)

14,075* (7,388)

38,012*** (7,405)

15,322** (6,189)

44,764 (39,356)

54,217*** (20,742)

33,094** (16,508)

67,531* (36,730)

Familiares

4,831***

11,788***

10,296***

12,406***

13,070**

24,440***

11,464**

12,802**

Escolares

(1,475) -1,641

(2,197) 8,181***

(1,492) 2,479

(2,596) 13,032***

(5,433) 17,891

(3,875) 7,414

(5,836) 9,465*

(5,096) -6,993

(2,901)

(2,566)

(1,525)

(4,303)

(17,580)

(6,191)

(5,616)

(5,241)

43,805*** (7,986)

34,043*** (7,104)

50,786*** (6,011)

40,761*** (5,235)

75,725 (53,379)

86,071*** (22,712)

54,022*** (14,919)

73,341** (35,837)

Individuales

-41,592 (42,633)

-85,082*** (29,607)

25,702 (38,072)

-38,468 (44,897)

32,333 (125,844)

188,973 (147,434)

24,330 (76,647)

11,245 (94,186)

Familiares

23,412* (12,922)

17,829** (7,536)

27,368*** (9,838)

19,293** (8,758)

2,121 (23,059)

39,466*** (11,363)

5,537 (20,024)

21,872 (18,121)

Diferencial

Diferencia Dotaciones

Total Coeficientes

21

Escolares

-6,403 (19,452)

-7,978 (13,469)

-47,987*** (16,813)

5,010 (11,992)

-5,767 (13,310)

-86,205* (46,118)

-65,746*** (12,512)

-18,216** (9,257)

cosntante

44,858 (38,008)

118,841*** (22,282)

5,171 (32,534)

41,231 (46,407)

1,355 (105,796)

-133,599 (138,481)

59,816 (62,293)

9,301 (92,403)

Total

20,275*

43,611***

10,255**

27,066***

30,042***

8,635**

23,937***

24,202***

(11,901)

(4,305)

(4,366)

(5,726)

(4,659)

(3,937)

(4,767)

(6,967)

Individuales

12,835

24,880***

-4,606

7,897

-11,689

-26,383

-3,685

-6,906

Familiares

(12,330) -2,270

(8,749) -8,199***

(9,167) -4,915***

(9,022) -6,500**

(39,555) -6,103

(20,746) -19,956***

(16,733) -5,344

(37,197) -11,032*

(1,939)

(2,561)

(1,907)

(2,944)

(5,683)

(3,978)

(6,019)

(5,813)

1,382 (3,636)

-10,523*** (3,212)

-2,173 (3,606)

-9,211* (5,369)

-16,673 (17,746)

-4,824 (6,352)

4,742 (6,017)

16,169*** (5,734)

11,947

6,158

-11,694*

-7,813

-34,464

-51,163**

-4,287

-1,768

(13,593)

(8,014)

(6,502)

(7,042)

(53,441)

(22,751)

(15,140)

(36,325)

Interaccción

Escolares Total

Nota: ***p < 0.01, **p< 0.05, *p< 0.1. Desviaciones estándar robustas entre paréntesis. Individuales: sexo, norepitente, esfuerzo y disciplina. Familiares: libros, educamadre educapadre y emmpadre. Escolares: autonomia, STRATIO, SCMATEU, y SCHSIZE. Variable instrumentalizada norepitente. Instrumentos incluidos: sexo, norepitente, esfuerzo, disciplina, libros, educamadre educapadre, emmpadre, autonomia, STRATIO, SCMATEU y SCHSIZE. Instrumentos no incluidos: motivacion, minuesp, minumat, minucie, clasesp, clasmat, clascie y prescolar (Brasil y México). Variables dependientes, valor medio PV*READ. La imputación para los datos missing se realizó con la metodología hot-deck según Medina y Galván (2007). Fuente: Cálculos propios con base en información PISA 2012, OCDE.

Respecto al componente no observado, hay que resaltar que en todos los casos el efecto coeficientes resultó significativo. Esto quiere decir que los estudiantes de los colegios privados sacaron un mejor provecho de su estatus socioeconómico y de la tenencia de bienes culturales (menos en CRI, PER y URY, efecto no significativo) o hicieron un mejor uso de los recursos escolares (solo en CHL, MEX y PER), y que las brechas escolares se debieron a los factores inobservables del modelo. Por último, el efecto interacción, en general, no fue significativo (ver Tabla 2). 4.2.2. Matemáticas

La diferencia calculada aquí, ubicó a esta área como la segunda de mayor brecha escolar. Para el promedio de América Latina, de los 65,8 puntos de diferencia, 50,0 se debieron al efecto dotación, y 15,8 al efecto neto del componente no observado del modelo (efecto coeficientes e interacción), con lo cual, también en este caso, el modelo tuvo un alto poder explicativo (76,0%). Al igual que en lectura, Uruguay y Brasil obtuvieron las desigualdades más grandes (93,3 y 86,3), entre tanto, Colombia, con 52,0 puntos, y México, con 39,4 puntos, fueron las regiones con la menor divergencia (ver Tabla 3). Tabla 3: Condicionantes brechas escolares, matemá. América Latina, PISA 2012. ARG

BRA

CHL

COL

CRI

MEX

PER

URY

Privado

428,924***

463,592***

445,209***

422,482***

468,825***

450,535***

426,344***

494,230***

Público

(2,249) 370,149***

(2,295) 377,296***

(1,904) 392,967***

(3,582) 370,944***

(3,536) 398,134***

(3,891) 411,066***

(4,001) 352,246***

(3,538) 400,869***

(2,910)

(1,177)

(2,241)

(1,428)

(1,296)

(0,982)

(1,955)

(1,867)

Diferencial

22

Diferencia

58,775*** (3,677)

86,297*** (2,579)

52,242*** (2,940)

51,538*** (3,856)

70,692*** (3,766)

39,470*** (4,013)

74,098*** (4,453)

93,362*** (4,001)

Individuales

28,595*** (5,407)

30,587*** (9,262)

36,942*** (7,280)

21,400*** (13,152)

-22,889 (21,450)

61,129** (23,828)

39,134** (19,431)

84,976** (42,899)

Familiares

4,902***

13,797***

11,995***

10,046**

17,870***

23,327***

8,366

12,558**

Escolares

(1,174) -3,182

(2,370) 7,452***

(1,504) 2,516

(4,275) 16,376**

(5,088) -11,507

(4,116) 4,131

(6,942) 8,257

(5,860) -5,267

Dotaciones

(2,300)

(2,647)

(1,538)

(6,833)

(11,640)

(6,649)

(6,607)

(5,345)

30,315*** (6,041)

51,836*** (8,825)

51,453*** (5,915)

47,822*** (7,542)

-16,525 (30,003)

88,587*** (25,729)

55,756*** (17,922)

92,267** (41,800)

Individuales

-67,396* (36,450)

-23,907 (34,566)

67,255* (35,584)

32,757 (70,628)

-159,546** (70,350)

235,607 (169,322)

35,954 (89,938)

58,995 (109,588)

Familiares

13,303 (11,403)

23,533*** (7,746)

28,959*** (8,699)

15,440 (10,723)

28,232 (19,268)

43,407*** (12,202)

3,626 (23,888)

17,452 (18,657)

Total Coeficientes

Escolares

14,673

-13,319

-61,333***

9,337

27,862**

-87,998*

-35,804***

-2,260

cosntante

(15,707) 44,222

(16,091) 58,084**

(14,676) -15,655

(12,998) -29,200

(11,228) 134,860**

(51,329) -184,176

(13,466) 21,881

(9,371) -55,586

(29,512)

(25,658)

(31,299)

(74,494)

(62,456)

(159,066)

(72,961)

(106,787)

4,802 (10,700)

44,390*** (4,108)

19,226*** (3,923)

28,334*** (4,645)

31,409*** (5,209)

6,841 (4,233)

25,657*** (5,009)

18,602*** (6,678)

Individuales

19,861* (10,585)

6,755 (10,134)

-14,799* (8,615)

-6,486 (13,651)

49,044** (21,942)

-32,940 (23,820)

-6,749 (19,602)

-25,065 (43,229)

Familiares

-2,008 (1,657)

-10,289*** (2,671)

-5,732*** (1,736)

-4,263 (4,390)

-10,360** (5,278)

-20,464*** (4,217)

-4,466 (7,120)

-7,845 (6,425) 15,403***

Total Interaccción

Escolares Total

5,804*

-6,397**

2,094

-13,869*

17,124

-2,555

3,901

(3,066)

(3,184)

(3,048)

(7,191)

(11,797)

(6,801)

(6,947)

(5,774)

23,657** (11,776)

-9,930 (9,377)

-18,438*** (6,273)

-24,617*** (7,965)

55,808* (30,252)

-55,958** (25,755)

-7,314 (18,070)

-17,507 (42,134)

Nota: ***p < 0.01, **p< 0.05, *p< 0.1. Desviaciones estándar robustas entre paréntesis. Individuales: sexo, norepitente, esfuerzo y disciplina. Familiares: libros, educamadre educapadre y emmpadre. Escolares: autonomia, STRATIO, SCMATEU, y SCHSIZE. Variable instrumentalizada norepitente. Instrumentos incluidos: sexo, norepitente, esfuerzo, disciplina, libros, educamadre educapadre, emmpadre, autonomia, STRATIO, SCMATEU y SCHSIZE. Instrumentos no incluidos: motivacion, minuesp, minumat, minucie, clasesp, clasmat, clascie y prescolar (México). Variables dependientes, valor medio PV*MATH. La imputación para los datos missing se realizó con la metodología hot-deck según Medina y Galván (2007). Fuente: Cálculos propios con base en información PISA 2012, OCDE.

En particular, el efecto dotación, para cada región, explicó el 98,8% URY, 98,4% CHL, 92,8% COL, 75,2% PER, 60,0% BRA y 51,6% ARG. Para Costa Rica, este efecto no fue significativo, y para México, la proporción fue de 224.4%, en razón a que el efecto neto del componente inobservado fue negativo, haciendo que el puntaje en dotaciones fuera mayor que la diferencia media (88,5 ˃ 39,4). No obstante, para la mayoría de los países de América Latina, la brecha en esta área, fue explicada en mayor proporción por el componente observado del modelo (ver Tabla 3). Al interpretar los resultados por los factores de cada componente, se estimó, para el observado, que las diferencias en dotaciones individuales determinaron en mayor medida, y significativamente, las divergencias del puntaje medio en matemáticas entre las escuelas públicas y privadas (caso excepcional Costa Rica), seguidas de las diferencias en dotación familiar, y en último lugar, las diferencias en dotación escolar, aunque estas, 23

solo fueron significativas en Brasil y Colombia. En este último, los factores escolares ocuparon el segundo lugar (ver Tabla 3). Respecto al aprovechamiento que hicieron los estudiantes de sus propias características y de los recursos escolares, se encontró que los estudiantes de los colegios privados en Brasil, Chile y México aprovecharon más su estatus socioeconómico y la tenencia de bienes culturales, y los de Chile, Costa Rica, México y Perú, hicieron un mejor uso de los recursos escolares (efecto significativo), lo que contribuyó a que las instituciones privadas de estas regiones se desempeñaran mejor en esta área, además de los aspectos que no se consideraron en el modelo (factores inobservables). Estos aspectos fueron los que determinaron, para los demás países, las desigualdades educativas. Finalmente, si bien el efecto interacción resultó significativo, representó una mínima proporción del poder explicativo del modelo en todos los casos (ver Tabla 3). 4.2.3. Ciencias

Las estimaciones para esta competencia son similares a las obtenidas en los dos casos anteriores. Se sigue, para el promedio de América Latina, que el componente observado explica en mayor medida las diferencias en rendimiento escolar entre los centros públicos y privados. Este representó el 87,2%, de los 63,8 puntos de divergencia media. Por lo tanto, el modelo mantiene su alto poder explicativo. Las regiones que se ubicaron arriba del promedio para Latinoamérica fueron, en su orden: Uruguay (94,8 puntos), Brasil (83,1 puntos), Costa Rica (70,6 puntos) y Argentina (68,7 puntos). Los que obtuvieron una brecha inferior fueron: Perú (60,1 puntos), Chile (51,6), Colombia (42,4 puntos) y México (37,4). A partir de los resultados en las tres áreas, Uruguay y Brasil se consolidan como las regiones con las mayores desigualdades educativas en América Latina, mientras que Colombia y México, son los países con la menor diferencia. Al considerar este componente para cada país, se estimó que las diferencias en dotaciones representaron, de los puntos de diferencia público-privado en cada región, el 188,9% MEX, 111,2% COL, 88,8% CHL, 82,2% URY, 69,8% PER, 60,5% ARG, 58,1 CRI y 37,6% BRA, (ver Tabla 4). Para México, como se dio en el caso de matemáticas, y Colombia, las proporciones superan el cien por cien, porque el efecto neto del componente no observado del modelo fue negativo, causando que los puntos medios de diferencia fueran menores al efecto dotación (42,4 ˂ 47,2 COL; 37,4 ˂ 70,7 MEX). Dentro de este componente, las diferencias en dotación individual entre los estudiantes de colegios públicos y privados, fueron el factor más relevante en la explicación de las desigualdades educativas entre los tipos de centro, excepto en Brasil, donde estas ocuparon el segundo lugar. Para el promedio de América Latina, las diferencias en características individuales, originaron el 65,8% del efecto dotación. Como segundo factor, se ubicaron las diferencias en dotación familiar (25,6%), y en último lugar las diferencias en recursos escolares (8,6%). Finalmente, el efecto neto del componente no observado del modelo, explicó significativamente las diferencias en desempeño (menos en Argentina), en el cual, los estudiantes de los colegios privados en Brasil, Chile, Colombia y México sacaron un mejor provecho de su estatus socioeconómico y de la tenencia de bienes culturales 24

(características familiares), entre tanto, los de las regiones de Chile, México y Perú hicieron un mejor uso de los recursos escolares (ver Tabla 4). Tabla 4: Condicionantes brechas escolares, ciencias. América Latina, PISA 2012. ARG

BRA

CHL

COL

CRI

MEX

PER

URY

453,377***

474,956***

466,466***

436,715***

491,209***

449,999***

420,939***

502,259***

(2,910)

(1,903)

(1,664)

(3,767)

(2,658)

(3,023)

(2,991)

(3,364)

384,656*** (3,840)

391,834*** (1,209)

414,814*** (2,774)

394,238*** (2,257)

420,580*** (1,503)

412,545*** (0,878)

360,826*** (1,575)

407,426*** (1,704)

68,721***

83,122***

51,652***

42,477***

70,629***

37,453***

60,112***

94,832***

(4,818)

(2,255)

(3,234)

(4,391)

(3,053)

(3,148)

(3,380)

(3,771)

Diferencial

Privado Público Diferencia Dotaciones

Individuales

41,254***

12,135

29,169***

23,414*

23,735

45,515**

26,084*

71,070**

Familiares

(11,337) 4,792***

(8,077) 13,789***

(5,927) 11,691***

(12,556) 9,457**

(16,603) 14,978***

(18,415) 19,802***

(14,635) 8,952

(35,105) 14,270**

Escolares

(1,490) -4,450

(2,188) 5,372**

(1,316) 5,025***

(4,248) 14,405**

(3,984) 2,359

(3,229) 5,435

(5,620) 6,922

(5,612) -7,310

(2,957)

(2,602)

(1,369)

(7,005)

(8,278)

(5,296)

(4,835)

(5,522)

41,596*** (11,935)

31,297*** (7,800)

45,884*** (4,871)

47,276*** (7,641)

41,071* (22,619)

70,752*** (19,894)

41,959*** (13,035)

78,030** (34,478)

-81,201 (55,123)

-88,534*** (31,591)

6,422 (32,242)

-21,879 (73,331)

-25,964 (54,921)

152,298 (131,189)

14,715 (67,930)

47,196 (89,925)

Familiares

16,581

21,869***

36,232***

23,273*

12,576

33,051***

2,371

4,767

Escolares

(14,026) 20,568

(7,740) 23,117

(9,087) -36,253**

(12,503) -2,825

(15,813) 0,048

(9,602) -69,242*

(20,034) -47,663***

(18,957) -1,554

cosntante

(21,207) 42,360

(14,265) 86,924***

(15,250) 10,743

(14,539) 13,455

(12,423) 43,959

(40,306) -109,743

(10,681) 47,323

(9,545) -17,712

Total Coeficientes

Individuales

(53,719)

(22,813)

(28,005)

(74,995)

(47,094)

(123,750)

(54,429)

(87,678)

-1,691

43,376***

17,144***

12,024*

30,619***

6,364*

16,746***

32,697***

(13,289)

(4,252)

(4,288)

(6,441)

(4,472)

(3,457)

(4,113)

(6,616)

23,891 (15,929)

26,076*** (9,303)

-0,055 (7,773)

4,662 (14,329)

8,286 (17,166)

-21,245 (18,430)

-1,573 (14,836)

-21,527 (35,511)

Familiares

-1,707

-10,284***

-7,786***

-6,186

-9,135**

-14,935***

-3,098

-5,545

Escolares

(2,123) 6,632*

(2,538) -7,343**

(1,767) -3,536

(4,530) -15,299*

(4,292) -0,212

(3,336) -3,482

(5,756) 6,078

(6,160) 11,177*

(3,879)

(3,184)

(3,189)

(7,827)

(8,620)

(5,452)

(5,188)

(5,918)

28,816* (17,260)

8,449 (8,621)

-11,377** (5,671)

-16,823* (9,061)

-1,061 (22,874)

-39,663** (19,942)

1,408 (13,259)

-15,894 (34,902)

Total Interaccción

Individuales

Total

Nota: ***p < 0.01, **p< 0.05, *p< 0.1. Desviaciones estándar robustas entre paréntesis. Individuales: sexo, norepitente, esfuerzo y disciplina. Familiares: libros, educamadre educapadre y emmpadre. Escolares: autonomia, STRATIO, SCMATEU, y SCHSIZE. Variable instrumentalizada norepitente. Instrumentos incluidos: sexo, norepitente, esfuerzo, disciplina, libros, educamadre educapadre, emmpadre, autonomia, STRATIO, SCMATEU y SCHSIZE. Instrumentos no incluidos: motivacion, minuesp, minumat, minucie, clasesp, clasmat, clascie y prescolar (México). Variables dependientes, valor medio PV*SCIE. La imputación para los datos missing se realizó con la metodología hot-deck según Medina y Galván (2007). Fuente: Cálculos propios con base en información PISA 2012, OCDE.

25

5.

Conclusiones

Los países en América Latina han realizado grandes esfuerzos por aumentar la cobertura y calidad educativa, al reconocer la educación como derecho fundamental. Han reformado sus legislaciones y han aumentado el gasto educativo. Consecuentemente, crearon 13,5 millones de nueva plazas (jardín, educación secundaria y superior), subieron los años de educación obligatoria (de diez a 13 años entre los años 2000 y 2015), y los años promedio de escolaridad, y mejoraron el rendimiento en educación primaria (en TERCE el puntaje medio fue mayor que en SERCE). No obstante, en educación secundaria, la calidad educativa no ha tenido cambios significativos. Con base en la clasificación que realizó la OCDE en PISA 2012, estos países se ubicaron en el tercio más bajo del ranking. Además, en promedio, menos del 1,0% de los estudiantes latinoamericanos se ubicaron en los niveles cinco y seis en lectura y matemáticas, y menos del 0.5% en ciencias, lo que determinó amplias diferencias con respecto al desempeño medio de la OCDE, de Europa y Asia Pacífico. Incluso, en estos resultados se presentaron marcadas diferencias entre el desempeño de los colegios públicos y privados, lo que sugiere la presencia de desigualdades educativas. Por lo anterior, los trabajos empíricos en economía de la educación, han planteado si la titularidad del centro escolar es un factor que determina el rendimiento escolar. Los resultados obtenidos en este punto son heterogéneos. Mientras algunos reconocen la relación positiva y significativa en favor de los centros privados, otros, al controlar por las características socioeconómicas del estudiante, concluyen que esta relación se hace débil o desaparece, o encuentran una relación negativa. Los resultados también son ambiguos cuando se argumentan las brechas a partir de la competencia de mercado, o del grado de autonomía y nivel de eficiencia de los centros educativos. Por lo tanto, no hay consenso respecto a las causas que dan origen a las diferencias en desempeño. Con el ánimo de realizar un aporte en ese aspecto, el presente trabajo, a partir de la información obtenida de PISA 2012, y de las estimaciones bietápicas de la FPE, incorporadas en la técnica de descomposición de Oaxaca-Blinder, identificó los condicionantes de las diferencias en rendimiento escolar entre las escuelas públicas y privadas en las regiones de América Latina, en las tres competencias evaluadas. Primero, se determinaron brechas significativas en desempeño en América Latina. Para el caso de lectura, los colegios privados obtuvieron, en promedio, 67,1, puntos más que los públicos. En matemáticas y ciencias lograron 65,8 y 63.8 puntos más, respectivamente. Uruguay y Brasil se constituyeron como los países latinoamericanos con la mayor desigualdad educativa, mientras que Colombia y México fueron los de menor divergencia. Posteriormente, se determinó que estas divergencias fueron originadas, en mayor medida, por el componente observado del modelo, por lo tanto, este tuvo un alto poder explicativo. Para cada área, las brechas escolares se causaron en un 82,8%, en lectura, 76,0%, en matemáticas, y 87,2%, en ciencias, por las diferencias en dotaciones (individuales, familiares y escolares) entre los estudiantes de colegios públicos y privados. Específicamente, se halló que fueron las diferencias en dotación individual el factor más importante dentro del componente observado, seguido de las diferencias en dotación familiar, y en último lugar, las escolares. Por último, a partir de los resultados obtenidos del efecto neto del componente inobservado, se encontró, de manera general, que los 26

estudiantes de los colegios privados sacaron mejor provecho de su estatus socioeconómico y de la tenencia de sus bienes culturales. Además, hicieron un mejor uso de los recursos escolares, lo que les permitió un mayor puntaje en las competencias evaluadas en PISA 2012. Así, dada la endogeneidad de la condición de no repetidor y su correlación con la motivación del estudiante, las clases adicionales que toma dentro y/o fuera del centro escolar, el diseño de la política educativa también debe ir encaminada a fomentar en él estos dos aspectos. En ese sentido, las escuelas públicas deben buscar mejores herramientas que garanticen a sus estudiantes una vida digna durante su tránsito escolar, evitando tanto su inasistencia y como su deserción escolar, aspectos que influyen en la repetición de curso. Para ello, debe coordinar con políticas sociales, la atención a los problemas de salud, vivienda y alimentación que se encuentran articulados al sistema educativo, lo que permitirá a su vez, velar por su trayectoria escolar; esto es, impedirá el abandono escolar (Rivas, 2015). Además, dada la relevancia de las características familiares en la explicación de las brechas público-privado, es importante involucrar a las familias en el proceso de educación de sus hijos, redefiniendo el papel que juegan las familias como un actor adicional del sistema educativo. Por lo tanto, es conveniente la creación de comunidades de aprendizaje, ya que así es posible integrar a los padres en los procesos pedagógicos de los colegios, más cuando a raíz de la segregación residencial, los cambios en la vida urbana y la ruptura de los lazos sociales el clima en las aulas de clase se ve afectado, sobre todo en la educación temprana [UNICEF (2011), citado en Rivas (2015, p. 315)]. Respecto a los factores escolares, se propone la construcción de un sistema de medición de los recursos y/o materiales escolares con base en el nivel socioeconómico de los estudiantes. Los indicadores que resulten de esta medición deben ser de conocimiento público, creando incentivos a los gobiernos para que puedan realizar una asignación del presupuesto con mayor grado de justicia distributiva. Así, los estudiantes que asisten a los centros escolares menos dotados tendrán, al menos, las mismas condiciones que los que van a escuelas con mejores materiales escolares y podrán hacer un mejor uso de ellos (Rivas, 2015). Finalmente, hay que tener en cuenta que el diseño y la aplicación de la política educativa deben realizarse empleando diversas fuentes; es decir, no pude estar basada solamente en los resultados de las distintas evaluaciones internacionales que se aplican a los estudiantes, ya que estas pruebas son tan solo una aproximación global de los sistemas educativos. Por lo tanto, antes debe tenerse clara la identidad que se desea formar en los individuos, y de esta manera, tener un horizonte más preciso para la construcción del futuro de su sociedad (Cummings, 2003). 6.

Bibliografía

Alexander, L. & Simmons, J., 1975. The determinants of school achievement in developing countries: The educational production function, Working Paper, 201, Washington, DC: World Bank Staff . Altonji, J. G., Todd, E. E. & Taber, R. C., 2005. Selection on Observed and unobserved variables: assesing the effectiveness of catholic schools. Journal of Political Economy, 113(1), pp. 151-184. 27

Ammermüller, A., 2004. PISA: What make the difference? Explaining the Gap in PISA Test Scores Between Finland and Germany, ZEW Discussion Paper, No. 04-04. Mannheim, Germany: Zentrum für Europäische Wirtschaftsforschung (ZEW), Centre for European Economic Research. Ammermüller, A., Heijke, H. & Woessmann, L., 2005. Schooling Quality in Eastern Europe: Educational Production During Transition. Economics of Education Review: forthcoming (revised version of: Research Memorandum ROA-RM-2003/2E. Maastricht: Resear. Economics of Education Review, Issue 24, p. 579–599. Arellano, M., 1987. Computing Robust Standard Errors for Within–Groups Estimators.. Oxford Bulletin of Economics and Statistics, Issue 49, p. 431–434. Atal, J., Ñopo, H. & Winder, N., 2009. New Century, Old Disparities: Gender and Ethnic Wage Gaps in Latin America., s.l.: IDB WP 109, 76. Barranza, N. M., 2010. Discriminación salarial y segregación laboral por género en las áreas metropolitanas de Barranquilla, Cartagena y Montería, Barranquilla, Colombia: Serie Documentos del Instituto de Estudios Económicos del Caribe ieec n.° 31 (Ieec), Universidad del Norte. Barrera-Osorio, F., García-Moerno, V., Patrinos, H. & Porta, E., 2011. Using the Oaxaca-Blinder decomposition technnique to analyze learning outcomes changes over time: An application to Indonesia, Working Paper, 5584, Whasintong D.C: World Bank. Basmann, R. L., 1960. On finite sample distributions of generalized classical linear identifiability test statistics. Journal of the American Statistical Association, Issue 55, p. 650–659. Baum, C. F., Schaffer, M. E. & Stillman, S., 2003. Instrumental Variables and GMM: Estimation y Testing. The Stata Journal, Volumen 3, pp. 1-31. Baum, C. F., Schaffer, M. E. & Stillman, S., 2007. Enhanced Routines for Instrumenal Variables Generalized Method of Moments Estimation and Testing. The Stata Journal, 7(4), pp. 465-506. Benton, T., 2014. A re-evaluation of the link between autonomy, accountability and achievement in PISA 2009, Cambridge, England: Research Division. Assessment Research and Development, Cambridge Assessment. Bernat, L., 2005. Análisis de género de las diferencias salariales en las siete principales áreas metropolitanas colombianas: ¿Evidencias de discriminación?, Bogotá: Cuadernos PNUD – DANE. Bezem, P., Mezzadra, F. & Rivas, A., 2012. Informe final de Monitoreo de la Ley de Financiamiento Educativo. Informe de Monitoreo y Evaluación, Buenos Aires: CIPPEC. BID, B. I. d. D., 2015. America Latina en PISA 2012. [En línea] Available at: http://www.iadb.org/es/temas/educacion/resultados-pisa-2012-en-america-latina,9080.html [Último acceso: 17 7 2015]. Bishop, J. H. & Woessmann, L., 2004. Institutional effects in a simple model of educational production. Education Economics, 12(1), pp. 17-38. Blinder, A. S., 1973. Wage Discrimination: Reduced Form and Structural Estimates. Journal of Human Resources, 8(4), pp. 436-455. Calero, J. & Escardibul, J. O., 2007. Evaluación de servicios educativos: el rendimiento de los centros públicos y privados medidos en PISA-2003. Hacienda Pública Española, 183(4), pp. 3366. 28

Cervini, R., 2003. Diferencias de resultados cognitivos y no-cognitivos entre estudiantes de escuelas públicas y privadas en la educación secundaria de Argentina: Un análisis multinivel. Education Policy Analysis Archives, 11(6), pp. 3-32. Cervini, R., 2012. El “efecto escuela” en países de América Latina: reanalizando los datos del SERCE. Archivos Analiticos de Políticas Educativas, 20(39), pp. 1-28. Chaudhury, N. y otros, 2006. Missing in action: teacher and health worker absence in developing countries. Journal of Economic Perspectives, 20(1), pp. 91-116. Coleman, J. y otros, 1966. Equality of Educational Opportunity. Washington: Department of Education. Coleman, J. S. & Hoffer, T., 1987. Public and private high school: the impact of communities. New York: Basic Books. Coleman, J. S., Hoffer, T. & Kilgore, S., 1982. Cognitive outcomes in public and private schools. Sociology of Education, 55(2), pp. 65-76. Cordero, J. M., García, C. M. & Manchón, C., 2013. Evaluación del rendimiento adacémico y sus condicionantes: Una aproximación a partir de TIMSS 2011. En: M. M. Teijeiro Álvarez, ed. Investigaciones de Economía de la Educación. La Coruña: Asociación de Economía de la Educación, pp. 541-562. Crespo, E., Díaz, C. & Pérez, J., 2012. Factores Condicionantes de la Desigualdad Educativa: Un Análisis para el Caso Español. En: E. Pacheco Vieira, ed. Investigaciones de Economía de la Educación, Vol 7. Oporto, Portugal: Asociación de Economía de la Educación, pp. 759-774. Cummings, W., 2003. The Institutions of Education. A Comparative Study of Educational Development in Six Core Nations. 1a ed. Oxford: : Symposium Books. Davison, R. & MacKinnon, J. G., 1993. Estimation and Inference in Econometrics. 2 ed. New York: Oxford University Press. Dearden, L., Chris, R. & Luke, S., 2011. What determines private schools choice? A comparison between the United Kingdom and Australia. Australian Economic Review, 44(3), pp. 308-320. Donkers, L. & Robert, P., 2008. School choice in the light of the effectiveness differences of various types of public and private school in 19 OECD countries. Journal of School Choice, 2(3), pp. 260-301. Durbin, J., 1954. Errors in variables. Review of the International Statistical Institute, 22(1/3), pp. 2332. Durrant, G. B., 2009. Imputation Methods for Handling Item-Nonresponse in Practice: Methodological Issues and Recent Debates. International Journal of Social Research Methods, 12(4), pp. 293-304. Fernández, A. & Del Valle, R., 2013. Desigualdad educativa en Costa Rica: la brecha engtre estudiantes de colegios públicos y privados. Análsis con los resultados de la evaluación internacional PISA. Revista CEPAL, Volumen 11, pp. 37-57. Formichella, M. M., 2011. Do private schools in Argentina perform better because they are private?. Cepal Review, Volumen 105, pp. 141-155. Fortin, N., Lemieux, T. & Firpo, S., 2011. Descomposition methods in economics. En: O. Ashenfelter & D. Card, edits. Handbook of Labor Economics. North-Holland: Elsevier, pp. Volume 4, part A, 1-102. 29

Fuchs, T. & Woessmann, L., 2007. What accounts for international differences in student performance? A reexamination using PISA data. Empirical Economics, 32(2-3), pp. 433-462. Gamboa, L. F. & Waltenberg, F. D., 2012. Inequality of opportunity for educational achievement in Latin America: Evidence from PISA 2006–2009. Economics of Education Review, Volumen 31, pp. 694-708. Gamoran, A., 1996. Student achievement in public magnet, public comprehensive, and private city high schools. Educational Evaluation and Policy Analisys, 18(1), pp. 1-18. García, I., Hidalgo, M. & Robles, A., 2010. Diferencias Regionales en Rendimiento Educativo en España: ¿La familia lo explica todo?, Working Paper, 10.12 Sevilla: Departament of Economics, Universidad Pablo D Olavide. García, J., 2012. Nivel socioeconómico, tipo de escuela y resultados educativos en España: El caso de TIMSS PIRLS 2011. En: PIRLS-TIMSS 2011 Estudio Internacional de Progreso en compresión lectora, matemáticas y ciencias IEA, Volumen II: Informe Español. Análsis Secundario. Madrid: Ministerio de Educación, Cultura y Deporte. Instituto Nacional de Evaluación Educativa, pp. 67-108. Gardeazabal, J. & Ugidos, A., 2004. More on identification in detailed wage decompositions.. Review of Economics and Statistics, Volumen 86, p. 1034–1036. Gentili, P., 2013. Política educacional, ciudadania e conquistas democráticas. 1a ed. Sao Pablo: Fundaación Perseu Abramo. Gertel, H. R., Giuliodori, R. F., Cámara, F. & Decándido, G. D., 2012. Doble-Descomposición de la Brecha en Puntajes entre Estudiantes de Argentina, Chile y México en PISA 2009: Aplicando Oaxaca-Blinder en Regresiones Cuantílicas. En: E. Pacheco Vieira, ed. Investigaciones de Economía de la Educación, Número 7. Oporto, Portugal: Asociación de Economía de la Educación, pp. 563-582. Goldstein, H., 2011. Multilevel Statistical Models. 4 ed. London: Jhon Wiley & Sons, Ltd. Greene, W. H., 2012. Econometric Analysis. 7 ed. New Jersey: Prentice Hall. Hanushek, E. A., 2011. The economic value of higher teacher quality. Economics of Education Review, Volumen 30, pp. 466-479. Hanushek, E. A., Link, S. & Woessmann, L., 2013. Does school autonomy make sense everywhere? Panel estimates from PISA. Journal of Development Economics, Volumen 104, p. 212–232. Hanushek, E. A. & Luque, J., 2000. Smaller Classes, Lower Salaries? The Effects of Class Size on Teacher Labor Markets. En: S. W. Laine & J. G. Ward, edits. Using What We Know: A Review of the Research on Implementing Class-Size Reduction Initiatives for State and Local Policymakers. Oak Brook, Illinois: North Central Regional Educational Laboratory, pp. 35-51. Hanushek, E. A. & Woessmann, L., 2007a. Education quality and economic growth, Washington, D.C: Banco Mundial. Hanushek, E. A. & Woessmann, L., 2011. The Economics of International Diferences in Educational Achievement. En: E. A. Hanushek, S. Machin & L. Woessmann, edits. HandBooks in Economics of Education, Vol. 3. Amsterdam: North-Holland, pp. 89-200. Hanushek, E. A. & Woessmann, L., 2012. Schooling, educational achievement, and the Latin American growth puzzle. Journal of Development Economics, Issue 99, p. 497–512. Hausman, J. A., 1978. Specification tests in econometrics.. Econometrica , 46(6), pp. 1251-1271. 30

Hayashi, F., 2000. Econometrics. New Jersey: Princenton University. Heckman, J. J., 1979. Sample selection bias as a specification error. Econometrica, 47(1), pp. 15361. Henríquez, F., Lara, B., Mizala, A. & Repetto, A., 2012. Effective schools do exist: low-income children's academic performance in Chile. Applied Economics Letters, Volumen 19, p. 445–451. Hindrinks, J., Verschelde, M., Rayp, G. & Schoors, K., 2010. School autonomy and educational performance: within-country evidence, Discussion Paper, 2010082. Louvain-la-Neuve, Belgium: Université Catholique de Louvain, Center for Operations Research and Econometrics (CORE). Hong, G. & Yu, B., 2007. Early-grade retention on children's reading and math learning in elemetary years. Educational Evaluation and Policy Analysis, Issue 29, pp. 239-261. Horrace, W. C. & Oaxaca, R. L., 2001. Inter-industry wage differentials and the gender wage gap: An identification problem.. Industrial and Labor Relations Review, Volumen 54, p. 611–618. Jann, B., 2008. The Blinder–Oaxaca decomposition for linear regression models.. The Stata Journal, 8(4), p. 453–479. Jencks, C., 1972. Inequality: A reassessment of the effect of family and schooling in America. New York: Basic Books. Kirjavainen, T. & Loikkanent, H. A., 1998. Efficiency differences of finnish senior secondary schools: an application of DEA and tobit analysis. Economics of Education Review, 17(4), pp. 377-394. Krüger, N. & Formichella, M., 2012. Escuela pública y privada en Argentina: una comparación de las condiciones de escolarización en el nivel medio. Perspectivas. Revista de Análisis de Economía, Comercio y Negocios Internacionales , 6(1), pp. 113-144. Lassibille, G. & Tan, J., 2001. Are private schools more efficient than public schools? Evidence from Tanzania. Education Economics, Taylor y Francis Journal, 9(2), pp. 145-172. Levin, J. D., 2002. Essays in the economics of education. Ph.D. Dissertation, Amsterdam: University Amsterdam. Little, R. J. & Rubin, D., 2002. Statistical analysis with missing data. 2nd ed. New York: Wiley. López, N., 2007. Las nuevas leyes de educación en America Latina: una lectura a la luz del panorama social de la región. 1a ed. Buenos Aires: IIPE-UNESCO-CLADE. Madden, D., 1999. Towards a Broader Explanation of Male-Female Wage Differences, College Dublin: Working Paper 99-11, Department of Political Economy. Mancebón, M. J. & Muñiz, M. A., 2008. Private versus Public High Schools in Spain: disentangling managerial and program efficiencie. Journal of the Operational Research Society, 59(7), pp. 892901. Martins, L. & Veiga, V., 2010. Do inequalities in parents' education play an important role in PISA student's mathematics achievement test score disparities?. Economics of Education Review, 29(6), pp. 1016-1033. Median, F. & Galván, M., 2007. Impuitación de datos: Teoría y práctica, Santiago de Chile: Comisión Económica para América Latina y el Caribe, Naciones Unidas. Mina, A., 2004. Factores asociados al logro educativo a nivel municipal. Documento CEDE 200415, Bogotá: Centro de Estudios sobre Desarrollo Económico (CEDE), Universidad de los Andes. 31

Mincer, J., 1974. Schooling, Experience and Earnings. NBER, pp. 41-96. Montero, E., Rojas, S., Zamora, E. & Rodino, A. M., 2012. Costa Rica en la pruebas PISA 2009 de competencia lectora y alfabetización en matemática., San José, Costa Rica: Informe preparado para el Cuarto Informe Estado de la Nación, Programa Estado de la Educación. Mullis, I. V. S., Martin, M. O., Kennedy, A. M. & Foy, P., 2007. PIRLS 2006 International Report. IEA's Progress in International Reading Literacy Study in Primary Schools in 40 Countries. Chesnut Hill, United States: TIMSS and PIRLS International Study Center, Lynch School of Education, Boston College. Neal, D., 1997. The effects of Catholic secondary schooling on educational achievement. Journal of Labor Economics, Volumen 15, pp. 98-123. Newhouse, D. & Beegle, K., 1991. The effect school type on academic achiviement. The Journal of Human Resources, 41(3), pp. 529-557. Oaxaca, R. L., 1973. Male-Female Wage Differentials in Urban Labor Markets. International Economic Review, 14(3), p. 693–709. Oaxaca, R. L. & Ransom, M. R., 1999. Identification in Detailed Wage Decompositions. The Review of Economics and Statistics, 81(1), pp. 154-157. OCDE, 2015. Programme for International Student Assessment. [En línea] Available at: http://pisa2012.acer.edu.au/ [Último acceso: 05 02 2013]. Oliveira, P. R., Belluzzo, W. & Pazello, E. T., 2013. The public-private test score gap in Brazil. Economics of Education Review, Elsevier, 35(C), pp. 120-133. Oreiro, C. & Valenzuela, J. P., 2013. Determinants of educational performance in Uruguay, 20032006. Cepal Review, Volumen 107, pp. 63-86. Oreiro, C. & Valenzuela, P., 2013. Determinants of educational performance in Uruguay, 20032006. Cepal Review, Volumen 107, pp. 63-86. Organización para la Cooperación y Desarrollo Económico, 2011. Private schools: Who benefits? PISA in focus 7, Paris: OCDE. Organización para la Cooperación y Desarrollo Económico, 2014. When in competition between schools benefical? Pisa in focus 42, Paris: OCDE. Ospino, C. G., Roldán, P. & Barraza, N., 2010. Oaxaca-Blinder Wage Decomposition: Methods, Critiques and Applications. A literature Review. Revista de Economía del Caribe, Volumen 5, pp. 237-274. Post, D., 2011. Primary school student employment and academic achievement in Chile, Colombia, Ecuador and Perú. International Labour Review, 150(3-4), pp. 255-278. Quiñones, M. & Rodriguez, J. A., 2011. Rendimiento de la educación en las regiones colombianas: un análsis usando la Descomposición Oaxaca-Blinder. Sociedad y Economía, Issue 20, pp. 37-68. Ramos, R., Duque, J. C. & Nieto, S., 2012. Un análsis de las diferencias rurales y urbanas en el rendimiento educativo de los estudiantes colombianos a partir de los microdatos de PISA. En: E. Pacheco Vieira, ed. Investigaciones de Economía de la Educación, Número 7. Oporto, Portugal: Asociación de Economía de la Educación, pp. 775-796. Raudenbush, S. W. & Bryk, A. S., 2002. Hierarchical Linear Models: Applications and Data Analysis Methods. 1 ed. Beverly Hills: Sage Publications. 32

Riach, P. & Rich, J., 2002. Field Experiments of Discrimination in the Market Place. The Economic Journal, Volumen 112, p. F480–F518. Rivas, A., 2015. América Latina depués de PISA. Lecciones aprendidas de la educación en siete países (2000-2015). 1a ed. Buenos Aires: CIPPEC-Natura-Instituto Natura. Rivas, A., Vera, A. & Veleda, C., 2009. Mayor justicia en la oferta educativa, Buenos Aires: En Documento de Políticas Públicas/Recomendación N° 64. CIPPEC. Rubin, D. B., 1976. Inference and missing data. Biometrika, 63(3), pp. 581-592. Sánchez, A., 2011. Etnia y Desempeño Académico en Colombia, Documentos de Trabajo sobre Economía Regional, 156, Cartagena, Colombia: Banco de la República, Centro de Estudios Económicos Regionales (CEER). Sargan, J. D., 1958. The Estimation of Economic Relationships Using Instrumental Variables. Econometrica, 26(3), p. 393–415. Schultz, M. M. & McDonald, D., 2013. United States catholic elementary and secondary schools 2012-2013, Washington DC: National Catholic Educational Association. Steinberg, M. P., 2014. Does greater autonomy improve school performance? Evidence from a regression discontinuity analysis in Chicago. Education Finance and Policy, 9(1), pp. 1-35. Sun, L., Bradley, K. D. & Akers, K., 2012. A Multilevel Modelling Approach to Investigating Factors Impacting Science Achievement for Secondary School Students: PISA Hong Kong Sample. International Journal of Science Education, 34(14), pp. 2107-2125. Tenjo, J. & Herrera, P., 2009. Dos Ensayos Sobre Discriminación: Discriminación Salarial y Discriminación en Acceso al Empleo por Origen Étnico y por Género, Bogotá, Colombia: Colección Documentos de Economía 1. Universidad Javeriana. Thiemea, C., Priorb, D. & Tortosa-Ausinad, E., 2013. A multilevel decomposition of school performance using robust nonparametric frontier techniques. Economics of Education Review , Issue 32, p. 104–121. Tian, M., 2006. A Quantile Regression Analysis of Family Background Factor Effects on Mathematical Achievement. Journal of Data Science, Issue 4, pp. 461-478. UNICEF, 2011. Violencia escolar en América Latina y el Caribe: superficie y fondo. 1a ed. Panamá: UNICEF. Vegas, E., 2006. Incentivos docentes y sus efectos en el aprendizaje del alumnado en Latinoamérica. Revista de Educación, Issue 340, pp. 213-241. Vella, F., 1999. Do catholic schools make a difference? Evidence from Autralia. Journal of Human Resources, 34(1), pp. 208-224. Vignoles, A. y otros, 2000. The relationship between resource allocation and pupil attainment: a review, Working Paper CEEDP, 2, London: London School of Economics and Political Science, Centre for the Economics of Education. West, M. R. & Woessmann, L., 2010. Every catholic child in catholic school: historical resistance to state schooling, contemporary private competition and student achievement across countries. Economic Journal, Royal Economic Society, 120(546), pp. F229-F255. Woessmann, L., 2003b. Schooling resources, educational institutions and student performance: the international evidence. Oxford Bulletin of Economics and Statistics, 65(2), pp. 117-170. Woessmann, L., 2005. Educational Production in Europa. Economic Policy, 20(43), pp. 445-504. 33

Woessmann, L., 2010. Families, Schools and Primary-School Learning: Evidence for Argentina and Colombia in an International Perspective. Applied Economics, 42(21), pp. 2645-2665. Woessmann, L., Lüdemann, E., Schütz, G. & West, M. R., 2007. School Accountabilit Autonomy, Choice, and the Level of Student Achievement: International Evidence from PISA 2003, Working Papers, 13: Organisation for Economic Co-operation and Development. Woessmann, L., Luedemann, E., Schutz, G. & West, M. R., 2009. School accountability autonomy, and choice around the world. Cheltenham, UK: Edward Elgar. Woessmann, L. & West, M., 2006. Class-size effects in school systems around the world: Evidence from between-grade variation in TIMSS. European Economic Review, 50(3), pp. 695-736. Wooldridge, J. M., 2010. Introducción a la Econometría. Un enfoque moderno. 4 ed. Madrid: Cengage Learning. Wu, D. M., 1973. Alternative tests of independence between stochastic regressors and disturbances: Finite sample results. Econometrica, 41(4), p. 733–750. Yun, M. S., 2005. A Simple Solution to the Identification Problem in Detailed Wage Decompositions. Economic Inquiry, Volumen 43, p. 766–772.

7.

Anexos Anexo 1: Leyes nacionales de educación vigentes por país.

País Nombre de la Ley Argentina Ley de Educación Nacional (No. 26.206) Brasil Ley de Directrices y bases de la educación nacional (No. 9394) Chile Ley General de Educación (No. 20.370) Colombia Ley General de Educación (No. 1151) México Ley General de Educación (DOF 13-7-1993) Perú Ley General de Educación (No. 28044) Uruguay Ley General de Educación (No. 18.437) Fuente: Tomado de Rivas (2015, p. 48).

Año sanción 2006 1996 2009 1994 1993 2003 2009

Última modificación s.d. 2009 s.d. 2013 2014 s.d. s.d.

Anexo 2: Resultados SERCE y TERCE de los países participantes en PISA 2012. Leguaje Matemáticas Ciencias Total Tercer grado Sexto Grado Tercer grado Sexto Grado Sexto Grado Argentina 2,44 2,13 27,90* 17,20* 12,59* 12,42 Brasil 15,76* 3,61 34,51* 20,21* 18,52 Chile 9,25 10,94* 52,98* 63,20* 34,09 Colombia 8,52 10,63 19,53* 21,98* 22,18* 15,17 Costa Rica -19,86* -17,69* 19,20* -14,14* -8,12 México -11,05* -1,15 17,16* 24,16* 7,28 Perú 47,41* 29,15* 58,8* 37,27* 35,78* 43,16 Uruguay 1,52 -10,36 12,02 -11,85 -16,27* -2,17 Nota: *Diferencia estadísticamente significativa a un nivel de confianza del 95%, excepto Total: variación de las puntuaciones medias totales. Fuente: Elaboración propia con base en Rivas (2015). País

Anexo 3: Puntaje medio en SERCE y TERCE. Área/Grado Lengua 3º Maetmática 3º Legua 6º Matemática 6º

PROMEDIO SERCE 2006 491,21 490,67 494,28 492,19

34

PROMEDIO TERCE 2013 509,73 521,70 506,64 511,22

Variación 18,52 31,03 12,36 19,03

Ciencias 6º 479,88 488,42 8,54 Promedio Total (sin ciencias) 492,09 512,32 20,24 Nota: Los datos incluyen el promedio de los resutlados para Argentina, Brasil, Chile, Colombia, Costa Rica, Ecuador, Guatemala, Honduras, México, Nicaragua, Panamá, Paraguay, Perú y República Dominicana; con excepción del caso de Ciencias, donde los promedios solo incluyen a los últimos cinco países y a Colombia. Fuente: Tomado de Rivas (2015, p. 204).

Anexo 4: Puntaje medio de los países latinoamericanos en PISA 2012. Lectura Matemáticas Ciencias Privado - Público Público Privado Público Privado Público Privado Lec. Mat. Cie. Argentina 369,51 448,30 367,74 429,31 381,59 453,14 78,79 61,57 71,55 Brasil 392,06 476,88 373,73 460,36 387,35 470,94 84,82 86,63 83,59 Chile 409,65 459,43 389,51 441,97 412,14 463,46 49,78 52,46 51,32 Colombia 394,32 452,85 368,52 419,82 392,13 434,30 58,53 51,30 42,17 Costa Rica 429,73 501,42 396,21 467,70 418,67 489,47 71,69 71,49 70,80 México 418,19 462,77 408,38 449,09 410,29 448,86 44,58 40,71 38,57 Perú 366,44 439,12 350,13 423,92 358,27 418,80 72,68 73,79 60,53 Uruguay 394,15 497,09 392,61 492,44 398,83 500,68 102,94 99,83 101,85 Nota: todos los coeficientes significativos al 1%. Fuente: Cálculos propios con base en información PISA 2012, OCDE. País

Anexo 5: Descripción de las variables independientes de la FPE. América Latina, Pisa 2012. Variable

Definición

Individuales norepitente sexo esfuerzo disciplina

Variable dicotómica construida a partir de las respuestas a las preguntas ST07Q01, ST07Q02 y ST07Q03. Toma el valor de 1 si el estudiante i no repitió curso ni en primaria, ni secundaria ni media, 0 si repitió curso. Variable dicotómica. Toma valor de 1 si el estudiante i es mujer, 0 si es hombre. Variable dicotómica construida a partir de las respuestas a la pregunta ST53Q04. Toma el valor de 1 si el estudiante i siempre busca información adicional para aclarar problemas, 0 en caso contrario. Variable dicotómica construida a partir de las respuestas a la pregunta ST81Q01. Toma el valor de 1 si el estudiante i declara que en casi todas las clases los estudiantes escuchan, 0 en caso contrario.

Familiares libros educamadre educapadre emppadre Escolares publico STRATIO SCMATEDU

autonomia

SCHSIZE

Variable dicotómica construida a partir de las respuestas a la pregunta ST28Q01. Toma el valor de 1 si en el hogar del estudiante i hay al menos 200 libros, 0 menos de 200 libros. Variable dicotómica construida a partir de las respuestas a las preguntas ST13Q01, ST14Q01, ST14Q02 y ST14Q03. Toma el valor de 1 si el nivel educativo de la madre del estudiante i es de al menos bachillerato, 0 en caso contrario. Variable dicotómica construida a partir de las respuestas a las preguntas ST17Q01, ST18Q01, ST18Q02y ST18Q03. Toma el valor de 1 si el nivel educativo del padre del estudiante i es de al menos bachillerato, 0 en caso contrario Variable dicotómica construida a partir de las respuestas a la pregunta ST19Q01. Toma el valor de 1 si el empleo del padre del estudiante i es de medio tiempo o tiempo completo, 0 en caso contrario. Variable dicotómica. Toma el valor de 1 si el centro educativo al que asiste el estudiante i es público, 0 si es privado. Variable continua. Índice construido por la OCDE que indica la proporción Alumno/Profesor. Variable continua. Índice construido por la OCDE que mide la calidad de los materiales educativos del centro al cual asiste el estudiante i. Variable dicotómica construida a partir de las respuestas a las preguntas SC33Q01A, SC33Q01B, SC33Q02A, SC33Q02B, SC33Q03A, SC33Q03B, SC33Q04A, SC33Q04B, SC33Q05A, SC33Q05B, SC33Q06A, SC33Q06B, SC33Q07A, SC33Q07B, SC33Q08A, SC33Q08B, SC33Q09A, SC33Q09B, SC33Q10A, SC33Q10B, SC33Q11A, SC33Q11B, SC33Q12A, SC33Q12B. Toma el valor de 1 si el director del centro educativo al que asiste el estudiante i es autónomo en las decisiones señalas en las preguntas anteriores, 0 en caso contrario. Variable continua. Corresponde al número de estudiantes matriculados en el centro educativo al que asiste el estudiante i.

Fuente: Elaboración propia.

35

36