Ecuaciones estructurales y análisis
de agrupamiento para la evaluación
de la calidad en educación superior
Rasilla Rovegno, José Ricardo; Castillo
Paredes, Omar Tupac Amaru; Lopez
Herrera, Jorge Amador; Asenjo Castro,
Víctor Manuel; Farfán García, Jose; Moore
Flores, Teodoro; Aguilar Loyaga, Santiago
Rodolfo
© Rasilla Rovegno, José Ricardo; Castillo
Paredes, Omar Tupac Amaru; Lopez
Herrera, Jorge Amador; Asenjo Castro,
Víctor Manuel; Farfán García, Jose; Moore
Flores, Teodoro; Aguilar Loyaga, Santiago
Rodolfo, 2025
Primera edición (1ra. ed.): Agosto, 2025
Editado por:
Editorial Mar Caribe ®
www.editorialmarcaribe.es
Av. Gral. Flores 547, 70000 Col. del
Sacramento, Departamento de Colonia,
Uruguay.
Diseño de carátula e ilustraciones: Isbelia
Salazar Morote
Libro electrónico disponible en:
hps://editorialmarcaribe.es/ark:/10951/
isbn.9789915698267
Formato: Electrónico
ISBN: 978-9915-698-26-7
ARK: ark:/10951/isbn.9789915698267
Editorial Mar Caribe (OASPA): Como miembro de
la Open Access Scholarly Publishing Association,
apoyamos el acceso abierto de acuerdo con el
código de conducta, la transparencia y las mejores
prácticas de OASPA para la publicación de libros
académicos y de investigación. Estamos
comprometidos con los más altos estándares
editoriales en ética y deontología, bajo la premisa
de «Ciencia Abierta en América Latina y el Caribe»
Editorial Mar Caribe, rmante Nº 795 de 12.08.2024
de la Declaración de Berlín
"… Nos sentimos obligados a abordar los retos de
Internet como medio funcional emergente para la
distribución del conocimiento. Obviamente, estos
avances pueden modicar signicativamente la
naturaleza de la publicación cientíca, así como el
sistema actual de garantía de calidad..." (Max Planck
Society, ed. 2003., pp. 152-153).
CC BY-NC 4.0
Los autores pueden autorizar al público en general
a reutilizar sus obras únicamente con nes no
lucrativos; los lectores pueden utilizar una obra
para generar otra, siempre que se dé crédito a la
investigación, y conceden al editor el derecho a
publicar primero su ensayo bajo los términos de la
licencia CC BY-NC 4.0.
Editorial Mar Caribe se adhiere a la "Recomendación
relativa a la preservación del patrimonio documental,
comprendido el patrimonio digital, y el acceso al
mismo" de la UNESCO y a la Norma Internacional
de referencia para un sistema abierto de
información archivística (OAIS-ISO 14721). Este
libro está preservado digitalmente por
ARAMEO.NET
Editorial Mar Caribe
Ecuaciones estructurales y análisis de agrupamiento
para la evaluación de la calidad en educación
superior
2025
3
Índice
Introducción ......................................................................................... 8
Capítulo 1 ........................................................................................... 11
Fundamentos de las Ecuaciones Estructurales para la Evaluación de la
Calidad ............................................................................................... 11
1.1 La Necesidad de un Análisis Estructural en la Calidad Educativa
........................................................................................................ 12
1.1.1 Componentes Básicos de un Modelo de EE .......................... 13
1.1.2 Los Modelos de Medida: Validación de Constructos de
Calidad ........................................................................................ 13
1.2 Los Modelos Estructurales: Estimación de Relaciones Causales. 14
1.2.1 La Ecuación Estructural ........................................................ 15
1.2.2 Tipos de Relaciones ............................................................. 15
1.2.3 Evaluación del Ajuste del Modelo (Model Fit) ..................... 15
Tabla 1 ......................................................................................... 16
Niveles de signicancia del Modelo Fit ............................................... 16
1.3 Modelado de la Estructura Causal en la Gestión de la Educación
Superior: El Rol del MEE ................................................................ 17
1.3.1 La Gestión Educativa como Sistema de Relaciones Causales 17
1.3.2 Componentes Clave del Modelo Causal en GES .................. 18
Tabla 2 ......................................................................................... 18
Componentes del modelo causal en gestión de la educación superior ....... 18
1.4 Modelado de Impacto para la Toma de Decisiones Estratégicas. 19
1.4.1 Normativa Legal Vigente para la Gestión de Alta Dirección en
Educación .................................................................................... 20
1.4.2 Normativa de Gobierno y Estructura Institucional .............. 22
1.4.3 Normativa de Gestión Financiera y Transparencia .............. 22
1.4.4 Normativa de Gestión Académica y Calidad ........................ 22
4
1.4.5 Normativa de Inclusión y Derechos Estudiantiles ............... 23
1.4.6 Consecuencias del Incumplimiento Normativo ................... 23
Capítulo 2 ........................................................................................... 25
Fundamentos del Análisis de Agrupamiento y Clasicación de la
Calidad ............................................................................................... 25
2.1 Concepto y Propósito del Análisis de Agrupamiento ................. 26
2.1.1 Métodos Jerárquicos ............................................................ 27
2.1.2 Métodos No Jerárquicos o de Partición ................................ 28
2.1.3 Criterios de Validación del Agrupamiento ........................... 28
2.2 Capturar la Heterogeneidad: Políticas y Estrategias de Mejora
Diferenciadas y Justas en Educación Superior ................................ 30
Tabla 3 ......................................................................................... 31
Tipologías de Calidad y sus Dimensiones............................................ 31
2.2.1 Establecimiento de Criterios de Referencia Justos
(Benchmarking) ............................................................................ 32
Tabla 4 ......................................................................................... 33
Políticas de Intervención y Desarrollo ................................................ 33
2.2.2 Hacia una Evaluación de la Calidad Justa y Equitativa ........ 34
2.3 Marco Regulatorio para la Gerencia de la Educación Superior en
Perú ................................................................................................. 34
Tabla 5 ......................................................................................... 35
Disposiciones Clave para la Gerencia ................................................. 35
2.4 Entidades Reguladoras y Supervisoras ...................................... 36
2.4.1 Superintendencia Nacional de Educación Superior
Universitaria (SUNEDU) ............................................................. 36
2.4.2 Sistema Nacional de Evaluación, Acreditación y Certicación
de la Calidad Educativa (SINEACE) ............................................ 37
Capítulo 3 ........................................................................................... 39
5
Aplicación Práctica del Análisis de Agrupamiento para la
Segmentación de la Calidad Educativa ............................................... 39
3.1 El Proceso de Segmentación de la Calidad: De los Datos a las
Tipologías ....................................................................................... 40
3.1.1 Elección del Algoritmo y Determinación de K ..................... 41
3.1.2 Caracterización e Interpretación de los Clústeres ................. 41
Tabla 6 ......................................................................................... 42
Ejemplo de Perles de Calidad en IES ................................................ 42
3.1.3 La Utilidad Estratégica: Focalización de Políticas de Mejora 43
Tabla 7 ......................................................................................... 43
Focalización y Diseño de Políticas Educativas ..................................... 43
3.2 Análisis de Agrupamiento para la Identicación de Tipologías de
Calidad ........................................................................................... 44
3.3 Estrategias de la OECD para la Gestión de la Calidad en la
Educación Superior de América Latina ........................................... 47
3.3.1 Estrategias Clave para la Gestión de la Calidad en América
Latina .......................................................................................... 48
3.3.2 Diversicación de Fuentes de Financiamiento y Eciencia
Interna ......................................................................................... 49
Capítulo 4 ........................................................................................... 51
Integración Analítica: Uso de Puntuaciones Factoriales de EE en el
Análisis de Agrupamiento .................................................................. 51
Tabla 8 ......................................................................................... 52
Ventajas de Usar Puntuaciones Factoriales en el Agrupamiento ............. 52
4.1 Profundizando el Entendimiento de la Calidad ......................... 53
4.1.1 Análisis de Agrupamiento (Conglomerados) para la Gestión
del Conocimiento en la Educación Superior ................................ 54
Tabla 9 ......................................................................................... 55
6
Agrupación de los académicos y del personal según sus perles de
contribución al conocimiento ............................................................ 55
4.1.2 Gestión de la Producción y Transferencia de Conocimiento
(Conocimiento Explícito) ............................................................. 56
4.1.3 Gestión del Conocimiento para el Aprendizaje ................... 56
4.1.4 Integración Estratégica para la Toma de Decisiones............. 57
4.2 Métodos Estadísticos de Árbol Aplicados a la Gestión Educativa
........................................................................................................ 57
4.2.1 Fundamentos de los Árboles de Decisión (CART) ............... 58
4.2.2 Aplicaciones de los Árboles en la Gestión Educativa ........... 59
4.2.3 Métodos Avanzados Basados en Árboles ............................. 59
4.2.4 Consideraciones Gerenciales para la Implementación ......... 60
4.3 Estrategias de la UNESCO para mejorar la calidad de la educación
superior en América Latina ............................................................. 61
4.3.1 El Rol del Aseguramiento de la Calidad y la Transparencia . 63
Capítulo 5 ........................................................................................... 65
Componentes del Análisis Estructural en la Educación: El Modelo de
Ecuaciones Estructurales (MEE) .......................................................... 65
5.1 El Modelo de Medida (Análisis Factorial Conrmatorio - CFA) . 66
Tabla 10 ....................................................................................... 67
Variables latentes y observadas en el contexto educativo ........................ 67
Tabla 11 ....................................................................................... 68
Efectos directos e indirectos en el sistema educativo ............................. 68
Tabla 12 ....................................................................................... 69
Signicancia e indice de errores del modelo ......................................... 69
5.2 Análisis de Agrupamiento para Descubrir la Diversidad y la
Heterogeneidad de la Calidad en la Educación Superior................. 70
7
5.3 Control de la Calidad y la Productividad en Educación Superior:
Estadística Inferencial ..................................................................... 72
5.3.1 La Importancia de la Representatividad ............................... 75
Conclusión ......................................................................................... 76
Bibliografía ........................................................................................ 79
8
Introducción
La calidad en la educación superior es un tema central y de debate
constante en la agenda académica y política a nivel global. Su evaluación
rigurosa y multidimensional es fundamental para la rendición de cuentas,
la toma de decisiones informadas y, en última instancia, para la mejora
continua de las instituciones educativas. Este libro aborda la evaluación de
la calidad desde una perspectiva cuantitativa y analítica avanzada,
presentando dos metodologías estadísticas robustas y complementarias:
las ecuaciones estructurales (EE) y el análisis de agrupamiento (o clúster).
Tradicionalmente, la evaluación de la calidad se ha apoyado en
indicadores descriptivos o en análisis bivariados que, si bien útiles, a
menudo simplican de manera excesiva la complejidad inherente al
fenómeno educativo. La calidad es un constructo latente, inuido por
múltiples factores interrelacionados (como el currículo, los recursos, la
docencia, los resultados de aprendizaje, etc.). Para modelar esta
complejidad, las ecuaciones estructurales se erigen como una herramienta
indispensable. Esta técnica multivariante permite testear teorías causales
al examinar las relaciones entre múltiples variables observadas y
constructos latentes, ofreciendo una visión profunda de cómo los distintos
componentes del sistema educativo interactúan y contribuyen a la calidad
percibida o medida.
Por otro lado, la calidad no es un monolito; las instituciones y los
programas de educación superior presentan diversos perles de calidad.
El análisis de agrupamiento ofrece un medio para identicar y caracterizar
grupos homogéneos de instituciones o programas dentro de una población
heterogénea, a partir de un conjunto de indicadores de calidad. Esta
técnica de clasicación no supervisada permite a los gestores educativos y
a los stakeholders identicar patrones distintivos, lo que facilita la
formulación de políticas diferenciadas y de estrategias de mejora más
focalizadas y efectivas.
9
Este libro tiene un doble propósito. Primero, servir como guía
práctica y conceptual sobre cómo aplicar las ecuaciones estructurales y el
análisis de agrupamiento, en particular en el contexto de la evaluación de
la calidad universitaria. Segundo, demostrar la potencia sinérgica de
integrar ambas metodologías: las EE para modelar la estructura interna de
la calidad (la causa) y el análisis de agrupamiento para clasicar los
resultados de calidad (el efecto y la diversidad).
La obra está dirigida a investigadores en educación, analistas de
datos institucionales, evaluadores de la calidad y estudiantes de posgrado
interesados en aplicar técnicas estadísticas avanzadas para abordar
problemas complejos en la educación superior. A través de la
sistematización de los autores, se guiará al lector hacia los fundamentos
teóricos, los supuestos estadísticos, la aplicación práctica mediante
software especializado y la interpretación crítica de los resultados,
utilizando ejemplos concretos del ámbito universitario. Esperamos que
este material se convierta en una herramienta valiosa para elevar el rigor
metodológico y la profundidad analítica en la importante tarea de evaluar
y mejorar la calidad de la educación superior.
La evaluación de la calidad en la educación superior (ES) se enfrenta
a un desafío fundamental: su naturaleza inherentemente
multidimensional y compleja. Los sistemas de aseguramiento de la calidad
y las instituciones universitarias manejan grandes volúmenes de datos e
indicadores (tasa de retención, productividad académica, resultados de
aprendizaje, percepción estudiantil), pero la calidad en sí misma es un
constructo latente que no puede medirse directamente con una única
variable.
Existe una incapacidad para examinar y validar empíricamente las
complejas relaciones estructurales (causa y efecto) entre los múltiples
factores que se teorizan como determinantes de la calidad (por ejemplo,
cómo la inversión en recursos afecta la calidad docente y, en consecuencia,
los resultados de aprendizaje). Estos métodos tradicionales no permiten
distinguir entre variables observadas y constructos latentes, lo que impide
una contrastación rigurosa de los modelos teóricos de calidad.
10
Además, se tiende a tratar a las instituciones o programas de ES
como una población homogénea, aplicando las mismas métricas o
esperando los mismos promedios. Esta aproximación ignora la diversidad
de perles de calidad (perles de excelencia, de enfoque en la investigación
o de impacto social especíco) que coexisten en el sistema, lo cual resulta
esencial para una formulación diferenciada y justa de políticas y
estrategias de mejora.
En consecuencia, existe una brecha signicativa en la literatura
especializada y en la práctica institucional respecto de la aplicación
integrada y contextualizada de herramientas multivariantes avanzadas,
como las Ecuaciones Estructurales (EE) para la validación de modelos
causales y el Análisis de Agrupamiento (Clúster Análisis) para la
identicación de tipologías de calidad. Esta falta de guía metodológica
rigurosa limita la capacidad de los analistas e investigadores para generar
evidencia robusta, sosticada y de alto poder explicativo para la toma de
decisiones.
En este sentido, el objetivo es proporcionar un marco metodológico
completo y una guía práctica para la aplicación rigurosa e integrada de las
Ecuaciones Estructurales (EE) y del Análisis de Agrupamiento (Clúster
Análisis) como herramientas avanzadas para la evaluación, el modelado y
la clasicación de la calidad en el contexto de la educación superior. Los
autores buscan establecer las bases conceptuales y estadísticas de las
ecuaciones estructurales, enfocándose en la validación de constructos
latentes de calidad (Modelos de medida) y en la estimación de las
relaciones causales entre ellos (Modelos estructurales).
11
Capítulo 1
Fundamentos de las Ecuaciones Estructurales
para la Evaluación de la Calidad
Este capítulo establece las bases conceptuales y estadísticas de las
Ecuaciones Estructurales (EE), una metodología clave para modelar la
complejidad de la calidad en la educación superior. Nos centraremos en su
capacidad para validar los constructos teóricos de calidad (Modelos de
Medida) y para testear las hipótesis sobre las relaciones de inuencia o
causalidad entre ellos (Modelos Estructurales).
La utilización de ecuaciones estructurales para evaluar la calidad en
la educación superior es un enfoque que se ha mostrado efectivo en
diversos contextos. Un ejemplo destacado es el estudio del modelo de
criterios de excelencia en educación del Malcolm Baldrige National
Quality Award (MBNQA), que aplica modelos de ecuaciones estructurales
conrmatorias para evaluar las relaciones causales entre distintos
componentes de la educación superior. Este enfoque ha demostrado que
el liderazgo es un motor clave de todos los componentes del sistema
Baldrige, que incluyen la medición, el análisis y la gestión del
conocimiento, la planicación estratégica, el enfoque en el personal y la
gestión de procesos. Cada uno de estos componentes está
signicativamente vinculado a los resultados organizacionales,
representados por el rendimiento organizacional y el enfoque en los
estudiantes, las partes interesadas y el mercado (Badri et al., 2006).
En el contexto europeo, especícamente en la República Checa, se
ha investigado cómo los sistemas de gestión de la calidad, como el estándar
ISO 9001, pueden desarrollarse y evaluarse en las universidades. Este
estudio resalta la importancia de implementar modelos de excelencia
como respuesta a las demandas de la comunidad y el papel crucial que
12
estos desempeñan para garantizar y evaluar la calidad de la educación
(Vykydal et al., 2020).
Además, se ha reexionado sobre la aplicación de la gestión de la
calidad total (TQM) en las instituciones de educación superior del Reino
Unido, un enfoque que se originó en la industria y que ha sido adaptado
al contexto educativo. La TQM ha demostrado su ecacia al mejorar el
rendimiento estudiantil, los servicios y la satisfacción del cliente en
aquellas instituciones que la han implementado con éxito (Kanji et al.,
1999).
Por otro lado, un estudio realizado en India propone una escala de
calidad transformativa (TRFQ) para las escuelas de negocios, basada en
cinco dimensiones que incluyen la conanza crítica y la conciencia general.
Este enfoque busca equilibrar la inclusión y el acceso con la excelencia y la
calidad, y se presenta como un ideal utópico pero necesario para las
instituciones educativas de países en desarrollo (Gill et al., 2021).
En conjunto, estos estudios enfatizan que el uso de ecuaciones
estructurales y la incorporación de modelos de gestión de la calidad
provenientes de la industria pueden ofrecer enfoques sistemáticos y
cuanticables para evaluar y mejorar la calidad educativa en las
instituciones de educación superior. Sin embargo, también es crucial que
estos modelos se adapten para preservar los valores tradicionales de la
educación, como la libertad académica, al tiempo que respondan a las
necesidades y demandas contemporáneas del sector educativo.
1.1 La Necesidad de un Análisis Estructural en la
Calidad Educativa
La calidad en la educación superior (ES), al igual que constructos
como la satisfacción, el clima laboral o el rendimiento, es una variable
latente. Esto signica que no es observable ni medible directamente
mediante un único ítem, sino que se inere a partir de un conjunto de
indicadores medibles o variables observadas.
13
Las metodologías tradicionales (como la regresión lineal simple o el
análisis de varianza) presentan limitaciones al tratar de variables latentes,
ya que asumen que las variables observadas miden perfectamente el
constructo, sin considerar el error de medición. Las Ecuaciones
Estructurales superan esta limitación al ofrecer un marco estadístico que:
- Permite modelar el error de medición y obtener estimaciones de
parámetros más precisas.
- Facilita la contrastación simultánea de múltiples relaciones entre
variables.
- Permite validar modelos teóricos complejos que representan la
estructura subyacente de la calidad.
1.1.1 Componentes Básicos de un Modelo de EE
Un modelo de Ecuaciones Estructurales se compone de tres tipos de
elementos principales:
• Variables Observadas (Indicadores o Ítems): Son las variables que
se miden directamente (p. ej., "puntuación en el examen", "número
de publicaciones", "satisfacción con el docente").
• Variables Latentes (Constructos): Son variables teóricas que no se
miden directamente (p. ej., "Calidad Docente", "Recursos de
Aprendizaje", "Resultados de Aprendizaje").
• Errores: Incluyen el error de medición (asociado a la medición de
las variables latentes mediante sus indicadores) y el error
estructural (la varianza no explicada en las ecuaciones de regresión
entre constructos).
1.1.2 Los Modelos de Medida: Validación de Constructos de
Calidad
El Modelo de Medida (también conocido como Análisis Factorial
Conrmatorio, o CFA) es la primera y crucial parte de cualquier análisis
de EE. Su objetivo es validar empíricamente cómo las variables latentes
(constructos de calidad) se miden mediante sus respectivos indicadores
(Hauptman, 2020).
14
- Conceptos Clave en la Medición
• Factor: Es la variable latente o constructo (p. ej., "Calidad
Curricular").
• Cargas Factoriales (\lambda): Son los coecientes que indican la
fuerza de la relación entre el indicador y el constructo latente. Una
carga alta y signicativa indica que el ítem es una buena medida del
constructo.
• Conabilidad (Reliability): El grado en que una medida está libre
de errores de medición. En EE, se evalúa mediante la Conabilidad
Compuesta (CR), que debe ser ≥ 0.70.
• Validez (Validity): El grado en que la medida representa el
constructo que se supone que debe medir. Se descompone en:
o Validez Convergente: Grado en que los distintos
indicadores de un mismo constructo se correlacionan entre
sí. Se evalúa con la varianza media extraída (AVE), que debe
ser ≥ 0.50.
o Validez Discriminante: Grado en que un constructo es
empíricamente distinto de los demás constructos del
modelo. Se evalúa típicamente comparando la raíz cuadrada
del AVE con las correlaciones entre los constructos.
El proceso de validación asegura que los constructos de calidad,
como la Calidad Docente o los Recursos Institucionales, son medidas válidas
y conables antes de emplearlos para evaluar relaciones causales.
1.2 Los Modelos Estructurales: Estimación de
Relaciones Causales
Una vez que el Modelo de Medida ha sido validado, el análisis pasa
al Modelo Estructural. Esta fase se enfoca en evaluar las relaciones de
inuencia o de causalidad entre las variables latentes.
15
1.2.1 La Ecuación Estructural
El núcleo del modelo estructural es un conjunto de ecuaciones de
regresión lineal en las que las variables dependientes son constructos
latentes. Por ejemplo:
\text{Satisfacción Estudiantil} = \gamma_1 (\text{Calidad Docente}) +
\beta_1 (\text{Recursos}) + \zeta
Donde:
• \gamma y \beta (Coecientes estructurales): indican la dirección y
la magnitud de la inuencia de una variable latente sobre otra (el
camino o path). Un coeciente positivo y signicativo respalda la
hipótesis de que un constructo inuye en otro.
• \zeta (Error Estructural o Residual): Representa la varianza de la
variable latente dependiente que no está explicada por las variables
latentes predictoras.
1.2.2 Tipos de Relaciones
• Efecto Directo: La inuencia directa de una variable latente
predictora sobre otra variable latente dependiente (p. ej., Calidad
Docente \to Resultados de Aprendizaje).
• Efecto Indirecto (Mediación): La inuencia de una variable latente
sobre otra a través de una tercera variable latente (p. ej., Recursos
Institucionales \to Calidad Docente \to Resultados de
Aprendizaje). La Calidad Docente actuaría como mediadora entre
los Recursos y los Resultados.
La capacidad de testear hipótesis de mediación y moderación es una de
las mayores fortalezas de las EE, lo que permite un análisis causal
matizado de los procesos de calidad (Hauptman, 2020).
1.2.3 Evaluación del Ajuste del Modelo (Model Fit)
Todo modelo de EE es una representación de la realidad, por lo que
es necesario evaluar hasta qué punto se ajusta la estructura teórica
16
propuesta a los datos observados. Esto se realiza mediante diversos índices
de ajuste (o t índices) (véase Tabla 1):
Tabla 1
Niveles de signicancia del Modelo Fit
Índice
Descripción
Criterio de
Buen Ajuste
Interpretación
Chi-Cuadrado
(\chi^2)
Evalúa la
diferencia entre la
matriz de
covarianza
observada y la
matriz implícita
del modelo.
p > 0.05
(aunque es
sensible al
tamaño de la
muestra)
Mide la exactitud
del ajuste.
RMSEA (Root
Mean Square
Error of
Approximation)
Mide el error de
aproximación por
grado de libertad.
0.08
(aceptable);
0.05 (bueno)
Mide qué tan
cerca está el
modelo de un
ajuste perfecto en
la población.
CFI (Comparative
Fit Index)
Mide la mejora del
ajuste del modelo
propuesto frente a
un modelo nulo.
0.90
(aceptable);
0.95 (bueno)
Índice de ajuste
incremental.
SRMR
(Standardized
Root Mean
Square Residual)
Es la media
estandarizada de
las diferencias
entre las
covarianzas
observadas y las
esperadas.
0.08
Mide el promedio
de los residuos de
covarianza.
17
Un buen modelo de EE para la evaluación de la calidad es aquel que
cumple los criterios de validez y conabilidad en su Modelo de Medida y
presenta un ajuste global adecuado en su Modelo Estructural, lo que valida
las hipótesis teóricas planteadas (Marques et al., 2017).
Las Ecuaciones Estructurales ofrecen el marco estadístico más
avanzado para analizar la complejidad de la calidad en la educación
superior. Al permitir la validación rigurosa de constructos latentes
mediante los Modelos de Medida y la estimación de relaciones causales
intrincadas mediante los Modelos Estructurales, las EE proporcionan a los
investigadores y evaluadores de la calidad una herramienta esencial para
ir más allá de la mera descripción y adentrarse en la explicación y la
predicción de los fenómenos educativos.
1.3 Modelado de la Estructura Causal en la Gestión de
la Educación Superior: El Rol del MEE
La gestión de la educación superior (GES) implica la toma de
decisiones estratégicas en un entorno complejo e interconectado. Para
optimizar el rendimiento institucional y la calidad, los gestores necesitan
ir más allá de la mera descripción de los datos. Necesitan comprender las
relaciones causales subyacentes: cómo una inversión o un cambio en una
área (por ejemplo, los recursos docentes) impacta en los resultados clave
(por ejemplo, el rendimiento estudiantil). El Modelado de Ecuaciones
Estructurales (MEE) se establece como la herramienta analítica
fundamental para modelar y validar esta estructura causal.
1.3.1 La Gestión Educativa como Sistema de Relaciones
Causales
La gestión de la educación superior opera como un sistema en el
que múltiples factores se inuyen mutuamente. Un enfoque descriptivo
solo identica correlaciones, mientras que un enfoque estructural modela
los caminos de inuencia, lo que permite una gestión basada en la
evidencia de los procesos (Tight,2020).
- Ventajas del MEE para la Gestión
18
• Manejo de Constructos Latentes: Permite a los gestores evaluar
conceptos abstractos pero vitales (como el Clima Organizacional, la
Ecacia Docente o la Calidad del Liderazgo), cruciales para la
gestión, pero que no pueden medirse con un único indicador.
• Validación de Teorías de Gestión: El MEE permite evaluar
modelos teóricos complejos que postulan cómo las variables de
gestión se relacionan con los resultados (p. ej., ¿el liderazgo
transformacional inuye directamente en el rendimiento o lo hace
indirectamente a través de la satisfacción docente?).
• Análisis de Mediación y Moderación: Permite identicar variables
clave que actúan como puentes (mediadores) o como factores que
modican la fuerza de las relaciones (moderadores). Esto es vital
para dirigir las intervenciones.
1.3.2 Componentes Clave del Modelo Causal en GES
Al aplicar el MEE a la gestión educativa, el enfoque se centra en el
Modelo Estructural y utiliza los constructos validados del Modelo de
Medida (véase la Tabla 2).
Tabla 2
Componentes del modelo causal en gestión de la educación superior
Componente
Aplicación a la Gestión de la ES
Variables
Predictoras
(Exógenas)
Decisiones de Gestión: Inversión en TIC, autonomía
curricular, tipo de liderazgo (p. ej., autocrático vs.
distribuido), políticas de retención de talento.
Variables
Intermedias
(Endógenas)
Procesos clave: satisfacción docente, cultura de la
investigación, clima organizacional, compromiso
estudiantil. Estos son los mecanismos mediante los cuales se
toman las decisiones de gestión.
19
Componente
Aplicación a la Gestión de la ES
Variables de
Resultado
(Endógenas)
Indicadores de Éxito: rendimiento estudiantil, tasa de
graduación, eciencia terminal, producción cientíca y
percepción de la calidad.
Coecientes
Estructurales
(\gamma, \beta)
La evidencia de la ecacia gerencial muestra la magnitud
de la inuencia de una variable de gestión sobre un
resultado (p. ej., un coeciente alto y positivo entre
'Inversión en Desarrollo Profesional Docente' y 'Ecacia
Docente' valida la política).
La gestión exitosa rara vez opera a través de efectos directos. El MEE
es ideal para analizar la mediación .
• Hipótesis de Mediación: Una política o acción de gestión (X) afecta
un resultado (Y) a través de una variable intermedia (M).
• Ejemplo Práctico: La Autonomía Docente (X) no inuye
directamente en la Calidad de la Enseñanza (Y), sino que lo hace de
manera indirecta a través de la Motivación Docente (M).
\text{Autonomía Docente} \xrightarrow{\text{Efecto Indirecto}}
\text{Motivación Docente} \xrightarrow{\text{Efecto Directo}}
\text{Calidad de la Enseñanza}
Para la gestión, identicar M (Motivación Docente) es crítico, pues
constituye el punto de apalancamiento en el que las intervenciones deben
concentrarse para maximizar el retorno de la política de autonomía.
1.4 Modelado de Impacto para la Toma de Decisiones
Estratégicas
El MEE transforma los datos de gestión en simulaciones estratégicas
al permitir a los gestores cuanticar el impacto esperado de un cambio.
Dado que los coecientes estructurales están estandarizados, indican el
20
cambio esperado en una variable de resultado (en desviaciones estándar)
ante un cambio en una variable predictora.
• Escenario de Gestión: Si el coeciente estructural estandarizado
entre Liderazgo Distribuido y Compromiso Docente es \beta = 0.50,
esto signica que una mejora de una desviación estándar en el
Liderazgo Distribuido se asocia con una mejora de la media de
desviación estándar en el Compromiso Docente.
• Priorización de Recursos: Los gestores pueden utilizar esta
información para priorizar inversiones en aquellas áreas que
presentan los mayores efectos totales (directos e indirectos) sobre
los indicadores de calidad deseados.
Igualmente importante es identicar las relaciones que, aunque
teóricamente esperadas, resultan no signicativas.
• Detección de Ineciencia: Si la inversión en un nuevo sistema de
evaluación (X) no muestra una relación signicativa con la Mejora
Continua de los Programas (Y), el MEE aporta evidencia para
reevaluar o descontinuar esa política, liberando recursos para otras
áreas con impacto comprobado.
El modelado de ecuaciones estructurales es más que una técnica
estadística; es un marco de trabajo para la gestión basada en la evidencia.
Al descomponer la complejidad del sistema educativo en relaciones
causales validadas, el MEE dota a los gestores de la capacidad de entender
el porqué de los resultados, permitiéndoles tomar decisiones estratégicas,
predecir el impacto de sus acciones y dirigir los recursos hacia los puntos
de apalancamiento que realmente impulsan la calidad en la educación
superior (Hauptman, 2020).
1.4.1 Normativa Legal Vigente para la Gestión de Alta
Dirección en Educación
La gestión de alta dirección en el ámbito educativo no opera en un
vacío; está intrínsecamente regulada por un complejo marco normativo
que dene sus límites, responsabilidades y el alcance de su autonomía.
21
Este proyecto aborda los principales niveles y áreas de la normativa
vigente que el equipo directivo de una institución educativa superior debe
dominar para garantizar la legalidad, la transparencia y la ecacia de sus
decisiones. La normativa aplicable a la educación superior (ES) se
estructura en varios niveles jerárquicos, desde las leyes fundamentales
hasta las regulaciones internas.
- Nivel Constitucional y Leyes Orgánicas
• La Constitución establece el derecho fundamental a la educación y
la libertad de cátedra. Dene si la educación es un servicio público,
un derecho social o ambos, sentando las bases para la autonomía
universitaria. La alta dirección debe asegurarse de que todas las
políticas internas respeten estos derechos fundamentales.
• Leyes Orgánicas de Educación Superior (LOES o equivalente):
constituyen el cuerpo legal más importante. Dene:
o La naturaleza jurídica de las instituciones (públicas,
privadas, con nes de lucro o sin nes de lucro).
o La autonomía universitaria (académica, nanciera y de
gobierno) y sus límites.
o La estructura de gobierno (roles del Consejo Superior, de la
Rectoría y de las asambleas).
o Los principios de aseguramiento de la calidad, de evaluación
y de acreditación.
- Nivel Regulatorio y Decretos Ejecutivos
Este nivel incluye reglamentos especícos emitidos por el poder
ejecutivo o por los ministerios de educación. Regulan aspectos detallados
como la titulación, la homologación de estudios y los estándares mínimos
de infraestructura y calidad.
- Áreas Clave de la Normativa para la Alta Dirección
22
La gestión de la alta dirección se centra en áreas críticas y altamente
reguladas para garantizar la transparencia y la rendición de cuentas.
1.4.2 Normativa de Gobierno y Estructura Institucional
• Estatutos y Reglamentos Internos: son la normativa propia de la
institución. La alta dirección (Rectoría y Consejo) es responsable de
su cumplimiento, actualización y aplicación. Estos denen los
procesos de elección de autoridades, las funciones exactas de cada
cuerpo colegiado y los mecanismos de participación de la
comunidad (docentes, estudiantes, personal administrativo) (Fuadi
et al., 2025).
• Régimen de Autonomía: La dirección debe ejercer la autonomía
dentro de los límites legales, especialmente en las áreas nancieras
(gestión de presupuestos) y académicas (diseño curricular).
Cualquier extralimitación puede dar lugar a la intervención de los
órganos reguladores.
1.4.3 Normativa de Gestión Financiera y Transparencia
• Régimen Presupuestario y de Contratación Pública: Aplica
especialmente a las instituciones públicas. Regula la elaboración de
los presupuestos, la ejecución de los gastos y las compras y
contrataciones de bienes y servicios. El incumplimiento en esta área
puede acarrear responsabilidades civiles y penales para los
directivos.
• Transparencia y Acceso a la Información: Las leyes obligan a las
instituciones, en especial las que reciben fondos públicos, a publicar
información detallada sobre su presupuesto, los salarios de sus
directivos, los procesos de contratación y los resultados de calidad.
La alta dirección es la garante del cumplimiento de estos portales
de transparencia.
1.4.4 Normativa de Gestión Académica y Calidad
• Aseguramiento de la Calidad y Acreditación: Regulación de las
agencias de evaluación de la calidad. La alta dirección debe liderar
23
los procesos de autoevaluación y rendición de cuentas, asegurando
que los programas y la institución cumplan con los estándares
mínimos y los indicadores establecidos por ley para mantener o
renovar su acreditación (Marques et al., 2017).
• Régimen Docente y de Investigación: Normativa que regula las
condiciones laborales de los académicos (escalafón, dedicación
horaria, evaluaciones de desempeño) y las políticas de propiedad
intelectual y de ética en la investigación. El incumplimiento afecta
directamente la productividad académica.
1.4.5 Normativa de Inclusión y Derechos Estudiantiles
• Inclusión y No Discriminación: Leyes que obligan a las
instituciones a implementar políticas de acceso equitativo,
adaptaciones curriculares y entornos libres de discriminación por
motivos de género, etnia o discapacidad.
• Reglamento Estudiantil y Debido Proceso: La dirección debe
garantizar que los procesos disciplinarios o académicos que afecten
a los estudiantes se realicen bajo estricto apego al debido proceso y
al derecho a la defensa.
1.4.6 Consecuencias del Incumplimiento Normativo
El conocimiento de la normativa no es una opción, sino un requisito
esencial de la gobernanza universitaria. El incumplimiento puede llevar a:
• Sanciones Institucionales: Retiro de la acreditación de programas,
limitación de la oferta académica o, en casos extremos, la clausura
de la institución.
• Responsabilidad Personal de los Directivos: Sanciones
administrativas, multas, inhabilitación para ejercer cargos públicos
o incluso procesos penales por malversación o fraude.
La gestión de la alta dirección en educación se basa en la legalidad,
la transparencia y la rendición de cuentas. La normativa vigente actúa
como el marco que, si bien limita la discrecionalidad, también otorga la
24
legitimidad necesaria para la toma de decisiones estratégicas, asegurando
que la autonomía universitaria se ejerza en función del interés público y
de la mejora continua de la calidad educativa (Hauptman, 2020).
25
Capítulo 2
Fundamentos del Análisis de Agrupamiento y
Clasicación de la Calidad
Este capítulo aborda la segunda metodología fundamental del libro:
el análisis de agrupamiento (o clústering). Se establecerán sus bases
conceptuales, se describirán sus principales algoritmos y se presentarán
los criterios esenciales para validar la calidad de la clasicación, todo ello
enfocado en la identicación de perles y tipologías de calidad en la
educación superior (ES).
El análisis de agrupamiento y clasicación desempeña un papel
fundamental en la gestión de la calidad en la educación superior,
proporcionando métodos estadísticos para analizar datos que mejoran la
comprensión y la gestión de los recursos educativos. Por ejemplo, el
artículo "Mapping the quality assurance of teaching and learning in higher
education" utiliza un análisis bibliométrico para mapear el desarrollo de la
investigación sobre la garantía de la calidad en la educación superior e
identicar grupos temáticos relacionados con la calidad de la enseñanza y
el aprendizaje (Steinhardt et al., 2016).
En el ámbito tecnológico, el estudio "Using cluster analysis for data
mining in educational technology research" destaca cómo el análisis de
conglomerados ayuda a comprender el comportamiento de los estudiantes
en entornos de aprendizaje en línea, mediante métodos como el
agrupamiento jerárquico y el k-means para perlar actividades de
aprendizaje basadas en datos de servidores web (Antonenko et al., 2012).
Además, los métodos de minería de datos han demostrado ser
efectivos para predecir el rendimiento académico de los estudiantes. Por
ejemplo, el estudio "Student Performance Prediction Using Machine
Learning Algorithms" discute el uso de algoritmos de aprendizaje
automático para predecir el éxito académico y subraya la importancia de
26
adaptar los entornos de aprendizaje a los datos de rendimiento estudiantil
(Ahmed, 2024).
La investigación "Leveraging AI and Machine Learning for National
Student Survey" explora cómo los enfoques de aprendizaje automático y
los métodos de agrupamiento pueden extraer información valiosa de los
comentarios de los estudiantes para mejorar la calidad de la enseñanza
(Nawaz et al., 2022).
En síntesis, estos estudios destacan que el análisis de agrupamiento
y clasicación en la educación superior no solo mejora la gestión de la
calidad al proporcionar enfoques sistemáticos y cuantitativos, sino que
también adapta las prácticas de enseñanza para satisfacer mejor las
necesidades y expectativas de los estudiantes.
2.1 Concepto y Propósito del Análisis de
Agrupamiento
El Análisis de Agrupamiento es un conjunto de técnicas estadísticas
no supervisadas cuyo objetivo es clasicar un conjunto de objetos (en este
caso, instituciones, programas académicos o estudiantes) en grupos, o
clústeres, de modo que:
- Los objetos dentro del mismo clúster sean lo más similares posible
entre sí (alta homogeneidad interna).
- Los objetos entre clústeres diferentes sean lo más disímiles posible
entre sí (alta heterogeneidad externa).
Su propósito en la evaluación de la calidad en la ES no es explicar las
relaciones causales (como las ecuaciones estructurales), sino descubrir
patrones naturales de agrupación en los datos (Marques et al., 2017). Esto
permite pasar de un análisis del promedio general a la identicación de
tipologías de calidad, por ejemplo, "Instituciones de Alta Investigación y
Bajo Impacto Social" frente a "Instituciones de Alto Impacto Social y Media
Investigación". La base de cualquier algoritmo de agrupamiento es la
medida de distancia entre dos objetos. Las distancias más comunes son:
27
• Distancia Euclidiana: Es la distancia geométrica estándar "en línea
recta" en un espacio multidimensional. Es la más utilizada,
especialmente con variables continuas.
• Distancia de Manhaan: la suma de las diferencias absolutas de las
coordenadas. Útil para minimizar el impacto de los valores atípicos
(outliers).
• Distancia de Mahalanobis: Considera las correlaciones entre las
variables y resulta útil cuando estas no son independientes (Du et
al., 2017).
Los métodos de agrupamiento se dividen principalmente en
jerárquicos y no jerárquicos (de partición):
2.1.1 Métodos Jerárquicos
Estos métodos construyen una estructura de árbol anidada
(dendrograma) que ilustra la secuencia de fusiones o divisiones. Son útiles
para explorar la estructura de los datos y determinar el número óptimo de
clústeres.
• Agrupamiento Jerárquico Aglomerativo (Ascendente):
o Comienza por cada objeto como un clúster individual.
o En cada paso, fusiona los dos clústeres más cercanos o más
similares.
o Continúa hasta que todos los objetos estén en un único
clúster.
o Medidas de Enlace Comunes:
▪ Enlace Simple (vecino más cercano): Distancia
mínima entre dos objetos de distintos clústeres.
▪ Enlace Completo (vecino más lejano): Distancia
máxima.
▪ Enlace promedio: distancia media entre todos los
pares de objetos de distintos clústeres.
28
▪ Método de Ward: fusiona clústeres para minimizar la
varianza dentro del clúster resultante, lo que tiende a
generar clústeres de tamaño similar.
2.1.2 Métodos No Jerárquicos o de Partición
Estos métodos requieren que el analista especique a priori el
número de clústeres (K) deseado. Toman una partición inicial de los datos
y luego iteran para mejorar la asignación de objetos.
• Algoritmo K-medias (K-means):
o Pasos:
1. Selecciona K puntos iniciales como centroides.
2. Asigna cada objeto al centroide más cercano (según la
distancia euclidiana).
3. Recalcula el centroide como el promedio de todos los
objetos asignados a ese clúster.
4. Repite los pasos 2 y 3 hasta que los centroides ya no
cambien signicativamente o se alcance el máximo de
iteraciones.
o Ventajas: Es eciente y escalable para grandes conjuntos de
datos.
o Limitaciones: Sensible a la selección inicial de los centroides
y a la presencia de valores atípicos. Asume clústeres
esféricos.
• Algoritmo K-medianas (K-medoids o PAM): similar a K-medias,
pero utiliza un objeto real (el medoide) como centro del clúster en
lugar del promedio. Es más robusto frente a valores atípicos.
2.1.3 Criterios de Validación del Agrupamiento
La parte más crítica del análisis consiste en determinar el número
óptimo de clústeres (K) y evaluar la calidad o la robustez de la solución de
29
agrupamiento. La elección de K es a menudo subjetiva, pero se basa en
métodos heurísticos e índices estadísticos:
• Método del Codo (Elbow Method): Se representa grácamente la
varianza intraclúster total (o la suma de los cuadrados de los
errores, WSS) en función de K. El punto en el que la disminución de
la varianza se vuelve marginal (el "codo") indica el valor óptimo de
K.
• Índice de Silueta (Silhouee Index): Combina la cohesión (qué tan
bien se ajusta un objeto a su propio clúster) y la separación (qué tan bien
se distingue de los demás clústeres). Los valores más cercanos a +1
indican un agrupamiento claro y bien denido.
• Índice de Calinski-Harabasz (Varianza Razón Criterion): Mide la
relación entre la varianza interclúster y la varianza intraclúster. Un
valor mayor indica clústeres más densos y mejor separados.
Una vez seleccionado K, la solución debe validarse e interpretarse:
1. Validación Interna (Consistencia Estadística): Uso de índices,
como la Silueta, para conrmar que la estructura de datos respalda
la partición seleccionada.
2. Validación Externa (Estabilidad): Se reejecuta el análisis con
muestras aleatorias del conjunto de datos original (remuestreo o
bootstrap) para vericar que los objetos sean consistentemente
asignados a los mismos clústeres, asegurando que la solución no sea
un artefacto de la muestra.
3. Interpretación y Caracterización: Este paso cualitativo es vital en la
evaluación de la calidad. Una vez que las instituciones están
agrupadas, se deben describir los centroides (los valores promedio
de cada variable de calidad por clúster) para nombrar y caracterizar
cada perl. Por ejemplo:
o Clúster 1: "Excelencia Total" (Altos valores en Investigación,
Docencia y Recursos).
30
o Clúster 2: "Docencia Focalizada" (Alto en Docencia, Medio en
Investigación).
o Clúster 3: "Emergente" (con valores bajos en la mayoría de los
indicadores).
Esta caracterización permite a las autoridades educativas formular
políticas especícas para cada tipología. El análisis de agrupamiento es
una herramienta poderosa para identicar la diversidad y la
heterogeneidad de la calidad en la educación superior (Ruben, 2018). Al
aplicar algoritmos como K-medias o el agrupamiento jerárquico y validar
la solución mediante criterios robustos, los analistas pueden ir más allá del
promedio y clasicar las instituciones en perles signicativos. Esta
comprensión tipológica es el complemento perfecto del modelado causal
ofrecido por las Ecuaciones Estructurales, sentando las bases para una
evaluación de la calidad verdaderamente integral y diferenciada.
2.2 Capturar la Heterogeneidad: Políticas y Estrategias
de Mejora Diferenciadas y Justas en Educación
Superior
El reconocimiento de que la calidad en la educación superior (ES)
no es uniforme es fundamental para una gestión ecaz y equitativa. Tratar
a instituciones o programas heterogéneos con políticas homogéneas
conduce a la ineciencia y la injusticia. Ahora bien, se profundiza en cómo
la metodología de Análisis de Agrupamiento (Cluster Analysis),
complementaria a la modelación causal del MEE, permite capturar esta
heterogeneidad para formular políticas y estrategias de mejora
diferenciadas y justas (Alao & Jagboro, 2017). Históricamente, muchos
sistemas de evaluación y nanciamiento en ES han operado bajo la premisa
de la homogeneidad impuesta, utilizando promedios nacionales o
métricas universales como único estándar de comparación.
• Ineciencia: Una política diseñada para mejorar la productividad
investigadora de las universidades de élite resulta inecaz si se
31
aplica a instituciones con un enfoque primario en la docencia
regional.
• Injusticia: Exigir los mismos resultados de retención o las mismas
tasas de publicación a una institución con recursos limitados y una
alta misión de inclusión social que a una universidad privada de
alto costo y selectividad perpetúa la inequidad.
La clave para una gestión justa es reconocer que la misión y el
contexto de las instituciones denen distintos perles de calidad válidos.
El Análisis de Agrupamiento proporciona el marco estadístico para
identicar estos perles naturales, permitiendo a los gestores "ver" la
diversidad en los datos. Al aplicar el agrupamiento a las Puntuaciones
Factoriales de calidad (puricadas por el MEE), se identican las
Tipologías de Calidad, que son grupos de instituciones con patrones
similares en sus fortalezas y debilidades (véase la Tabla 3).
Tabla 3
Tipologías de Calidad y sus Dimensiones
Tipología (Clúster)
Implicación para Políticas
Investigación
Global
Enfoque en la consolidación
de la élite, la transferencia
tecnológica y el
posicionamiento global.
Docencia Focalizada
Enfoque en el desarrollo
profesional docente
continuo y en la adaptación
curricular al entorno.
Baja Eciencia
Enfoque en la gestión
interna, la eciencia
administrativa y el cambio
de la cultura institucional.
32
Tipología (Clúster)
Implicación para Políticas
Emergente/Inclusiva
Enfoque en el aumento de la
nanciación per cápita y en
programas intensivos de
apoyo estudiantil.
2.2.1 Establecimiento de Criterios de Referencia Justos
(Benchmarking)
La segmentación facilita el benchmarking intraclúster. En lugar de
comparar una institución de docencia focalizada con una élite global, se
compara con sus pares genuinos de la misma tipología. Esto permite:
• Identicar las Mejores Prácticas: Analizar qué están haciendo las
IES con el mejor rendimiento en un clúster especíco para alcanzar
la excelencia en su misión y contexto.
• Denir Metas Realistas: Establecer objetivos de mejora desaantes
pero alcanzables, minimizando la frustración y maximizando el
compromiso institucional.
La comprensión de las tipologías es el primer paso; el segundo es
traducir ese conocimiento en acción. Las políticas deben diseñarse para
abordar el décit especíco y aprovechar la fortaleza distintiva de cada
clúster. Los modelos de nanciación deben reejar la diversidad de
perles:
• Financiamiento Basado en Perl: Se debe asignar mayor peso a los
indicadores de investigación del clúster global de investigación y a
la tasa de graduación ajustada por inclusión del clúster inclusivo.
• Inversión Focalizada: Las asignaciones de capital deben destinarse
a los puntos de apalancamiento (variables con alto efecto causal en
el MEE) que resultan decitarios en cada clúster. Por ejemplo, si el
clúster "Emergente" tiene bajos puntajes en "Recursos
33
Bibliográcos", el nanciamiento debe dirigirse especícamente a
esa área. Las estrategias de mejora deben ser especícas al
diagnóstico del clúster (véase la Tabla 4):
Tabla 4
Políticas de Intervención y Desarrollo
Tipología de
Calidad
Diagnóstico
Clave del
Clúster
Estrategia de Mejora Diferenciada
Docencia Focalizada
Baja visibilidad
de la
investigación.
Creación de pequeños fondos
semilla internos para proyectos de
investigación aplicada y la
promoción de la cultura de la
Scholarship of Teaching and Learning
(Rudolph et al., 2022).
Baja Eciencia
Desconexión
entre la gestión y
los resultados.
Intervención en Liderazgo:
Capacitación en liderazgo
distribuido y en el análisis de
procesos internos para eliminar
cuellos de botella administrativos
que obstaculizan la eciencia.
Emergente/Inclusiva
Retos de
permanencia y
de baja tasa de
éxito.
Programas intensivos de tutoría y
mentoría temprana, nanciación
para la infraestructura de bienestar
estudiantil y apoyo
psicopedagógico.
Al diferenciar las políticas, la gestión se vuelve más precisa y el
gasto público más eciente.
34
2.2.2 Hacia una Evaluación de la Calidad Justa y Equitativa
Capturar la heterogeneidad y diseñar políticas diferenciadas es un
imperativo ético además de una necesidad gerencial.
• Fomento de la Misión: Reconocer la diversidad valida las
diferentes misiones institucionales (docencia, investigación,
extensión, inclusión). Una evaluación justa respeta la trayectoria y
el compromiso de la IES con su entorno y la evalúa según los
indicadores centrales de su perl.
• Promoción de la Equidad: Al dirigir recursos especícamente a los
desafíos del clúster inclusivo o emergente, las políticas
diferenciadas actúan como una herramienta para reducir las
brechas del sistema y promover la equidad sistémica, en lugar de
exigir una igualdad articial de resultados (Andrade et al., 2024).
El análisis de agrupamiento aporta evidencia empírica para
desmontar la falacia de la homogeneidad en la evaluación de la calidad. Al
traducir las tipologías estadísticas en estrategias de mejora especícas, la
gestión de la educación superior puede formular políticas que no solo son
más efectivas en el logro de resultados, sino también, fundamentalmente,
más justas para la diversidad de instituciones que componen el sistema.
2.3 Marco Regulatorio para la Gerencia de la
Educación Superior en Perú
La gerencia de la educación superior (GES) en Perú está denida y
limitada por un marco normativo dinámico, cuyo eje central es la Ley
Universitaria. Los autores detallan los principales cuerpos legales y
organismos reguladores que la alta dirección universitaria debe conocer
para operar dentro de la legalidad, garantizar la calidad y fomentar la
autonomía responsable (Leckey & Neill, 2001).
- Eje Central: La Ley Universitaria (Ley N° 30220)
35
La Ley Universitaria de 2014 es la columna vertebral del sistema
regulatorio peruano. Reestructuró el sector, enfatizando la calidad, la
transparencia y la rendición de cuentas.
- Autonomía y Gobernanza
La Ley dene la autonomía universitaria en tres aspectos:
• Académica: Capacidad para aprobar planes de estudio, investigar
y titular.
• Administrativa: Facultad para organizarse internamente y
gestionar sus recursos humanos.
• Económica: Capacidad para administrar sus bienes y rentas.
Sin embargo, esta autonomía está sujeta a la supervisión de la
calidad y al cumplimiento de la ley. La gerencia debe asegurar que la
estructura de gobierno (Asamblea Universitaria, Consejo Universitario y
Rectorado) cumpla con los roles y los periodos establecidos por la Ley
(Véase la Tabla 5).
Tabla 5
Disposiciones Clave para la Gerencia
Área de
Gestión
Mandato de la Ley Universitaria
Implicación Gerencial
Plana Docente
Establece el régimen de
dedicación (tiempo completo,
tiempo parcial) y la
obligatoriedad de que los
docentes cuenten con grado de
maestro o doctor para la docencia
universitaria.
Gestión del talento,
planes de capacitación y
reclutamiento de
personal de alto nivel
académico.
Investigación
Establece el Vicerrectorado de
Investigación. La investigación es
una función obligatoria y
Creación de una cultura
de investigación,
gestión de patentes y de
36
Área de
Gestión
Mandato de la Ley Universitaria
Implicación Gerencial
requiere la reinversión de
utilidades (en universidades
privadas) o un presupuesto
especíco (en universidades
públicas).
rankings de producción
cientíca.
Transparencia
Obliga a publicar información
económica, de gestión y de
resultados académicos de forma
periódica.
Implementación de
sistemas de información
robustos y de portales
de transparencia.
Aseguramiento
Vincula el licenciamiento y la
acreditación con la continuidad
de la operación.
Liderar procesos de
mejora continua
basados en indicadores
de calidad.
2.4 Entidades Reguladoras y Supervisoras
La gestión universitaria debe interactuar con, y responder a, al
menos dos organismos reguladores centrales que aplican la normativa:
2.4.1 Superintendencia Nacional de Educación Superior
Universitaria (SUNEDU)
SUNEDU es el organismo técnico especializado responsable del
licenciamiento, de la supervisión de las condiciones básicas de calidad
(CBC) y de la scalización del uso de los recursos, especialmente en
universidades privadas que reinvierten sus utilidades.
• Licenciamiento: La alta dirección debe asegurar el cumplimiento
de las CBC (infraestructura, presupuesto, docentes, líneas de
investigación) como requisito sine qua non para operar. La
37
denegatoria del licenciamiento implica la disolución de la
universidad.
• Supervisión: SUNEDU scaliza la continuidad del cumplimiento
de las CBC y aplica sanciones por infracciones a la Ley
Universitaria, incluyendo la gestión nanciera, el uso de grados
académicos y la publicidad.
2.4.2 Sistema Nacional de Evaluación, Acreditación y
Certicación de la Calidad Educativa (SINEACE)
SINEACE, a través del Consejo Nacional de Evaluación y
Acreditación de la Educación Superior Universitaria (CONEAU), gestiona
los procesos de acreditación.
• Acreditación: Es un proceso voluntario (aunque es requerido para
ciertas carreras de interés público). La acreditación certica que la
universidad o el programa cumple con estándares de calidad
superiores a los CBC del licenciamiento.
• Implicación Gerencial: La alta dirección debe incentivar y nanciar
los procesos de autoevaluación y acreditación, ya que estos
promueven la excelencia y la diferenciación en el mercado
educativo.
La relación laboral con docentes y personal administrativo se rige
por el régimen laboral aplicable a la institución (público o privado), que
incluye la Ley Universitaria, las leyes de carrera administrativa y la
legislación laboral general. La gerencia debe asegurar:
• El correcto régimen de contratación y el escalafón docente.
• El cumplimiento de derechos y deberes laborales para evitar
conictos y demandas.
Las instituciones, especialmente las públicas, están sujetas a la Ley
de Transparencia y Acceso a la Información Pública. La gerencia debe:
• Garantizar la publicación proactiva de información nanciera, de
personal y de gestión en sus portales web.
38
• Implementar mecanismos de control interno y de cumplimiento
(compliance) para prevenir actos de corrupción y garantizar la
integridad en el uso de fondos, especialmente en adquisiciones y
concursos de plazas.
El dominio de este marco regulatorio es esencial. Para la gerencia de
la educación superior en Perú, la ley no es una limitación, sino el
fundamento de la legitimidad que permite ejercer la autonomía con
responsabilidad y garantizar la calidad educativa.
39
Capítulo 3
Aplicación Práctica del Análisis de
Agrupamiento para la Segmentación de la
Calidad Educativa
Este capítulo se centra en la aplicación práctica de las técnicas de
Análisis de Agrupamiento (Cluster Analysis) para segmentar instituciones
de educación superior (IES) o programas académicos en grupos
homogéneos de calidad. El objetivo es transformar la comprensión teórica
de la diversidad en tipologías de calidad accionables que faciliten la
focalización de las políticas de mejora educativa.
El análisis de agrupamiento es una técnica ecaz para segmentar la
calidad educativa, pues permite identicar y agrupar patrones en grandes
conjuntos de datos educativos. Este enfoque se ha demostrado efectivo en
diversas aplicaciones en el ámbito de la educación superior, especialmente
en la evaluación de la calidad educativa y en la predicción del rendimiento
académico del estudiante (Ruben, 2018).
Por ejemplo, un estudio utilizó el análisis de agrupamiento en el
ámbito de las tecnologías educativas para comprender el comportamiento
de los estudiantes en entornos de aprendizaje en línea. Se utilizaron tanto
el método de agrupamiento jerárquico como el método no jerárquico de k-
means para analizar las características del comportamiento de aprendizaje
de los estudiantes al resolver problemas en dicho entorno (Antonenko et
al., 2012).
Otra aplicación práctica del análisis de agrupamiento es la
segmentación de estudiantes según su rendimiento académico y su estilo
cognitivo en entornos de aprendizaje electrónico. Este enfoque ayuda a
adaptar mejor los materiales de aprendizaje a los estilos de aprendizaje de
40
los estudiantes, lo que mejora la ecacia del aprendizaje (Jovanovic et al.,
2012).
Un estudio centrado en el seguimiento de la trayectoria digital de
estudiantes en sistemas de gestión del aprendizaje (LMS) utilizó modelos
de aprendizaje no supervisado, como BIRCH, DBSCAN y GMM, para
identicar clústeres de estudiantes. Esto permitió correlacionar la
participación del estudiante con los resultados académicos y predecir el
abandono escolar en etapas tempranas (Pecuchova y Drlik, 2024).
Estos ejemplos destacan cómo el análisis de agrupamiento puede
proporcionar una visión profunda de la segmentación y de la calidad
educativa, permitiendo a las instituciones educativas desarrollar
intervenciones especícas adaptadas a las necesidades particulares de los
estudiantes y mejorar así la retención y el éxito académico.
3.1 El Proceso de Segmentación de la Calidad: De los
Datos a las Tipologías
La aplicación del Análisis de Agrupamiento sigue un ujo de
trabajo sistemático, esencial para garantizar resultados robustos y
signicativos en el contexto de la evaluación de la calidad. El éxito de la
segmentación depende de las variables empleadas. En el contexto de la
calidad educativa, estas variables pueden ser:
• Indicadores Operacionales Directos: tasas de titulación, tasas de
retención, razón profesor/estudiante y resultados de exámenes
estandarizados.
• Puntuaciones Factoriales (Resultados de EE): Las variables latentes
de calidad (p. ej., Calidad Curricular, Ecacia de la Docencia,
Resultados de Aprendizaje) obtenidas en la fase de Ecuaciones
Estructurales son altamente recomendables, ya que miden
constructos sin errores de medición, lo que mejora la precisión del
agrupamiento.
- Preparación de los Datos:
41
• Manejo de Outliers: Identicación y mitigación del impacto de
valores atípicos, especialmente al utilizar el algoritmo de K-medias.
• Estandarización/Normalización: Es un paso crucial. Dado que las
variables de calidad suelen medirse en escalas diferentes (p. ej.,
porcentajes, puntajes de 0 a 100, número de publicaciones), es
imperativo estandarizarlas (por ejemplo, a puntuaciones Z) para
que todas contribuyan de manera equitativa a la medida de
distancia.
3.1.1 Elección del Algoritmo y Determinación de K
1. Exploración Jerárquica: A menudo se inicia con un método
jerárquico aglomerativo (en particular, el Método de Ward), que es
robusto y ayuda a visualizar la estructura natural de los datos
mediante un dendrograma .
2. Determinación de K (Número de Clústeres): Se utilizan métodos
estadísticos y heurísticos para encontrar el número óptimo de
grupos:
o Método del Codo (Elbow): Se busca el punto de inexión en
el gráco de la inercia total.
o Índice de Silueta: Se elige el número de clústeres que
maximiza el valor promedio de la silueta.
3. Aplicación No Jerárquica (K-means): Una vez que el número K ha
sido sugerido por los métodos jerárquicos y validado, se aplica el
algoritmo K-means con K seleccionado. El K-medias se preere
como solución nal en grandes conjuntos de datos por su eciencia.
3.1.2 Caracterización e Interpretación de los Clústeres
La etapa de interpretación es donde el análisis estadístico se traduce en
conocimiento educativo signicativo. El objetivo es dar sentido a los
grupos formados. Se calcula el perl promedio (centroide) de cada clúster
para todas las variables de calidad empleadas. La comparación de estos
42
perles permite identicar las fortalezas y debilidades distintivas de cada
grupo (véase Tabla 6).
Tabla 6
Ejemplo de Perles de Calidad en IES
Variable
Estandarizada
Clúster 1
(Investigación
Élite)
Clúster 2
(Docencia
Masiva)
Clúster 3
(Instituciones
Emergentes)
Puntaje de
Investigación
+1.5 (Muy Alto)
-0.2 (Medio)
-1.1 (Bajo)
Puntaje de
Docencia
+0.5 (Medio-Alto)
+1.2 (Alto)
-0.9 (Bajo)
Tasa de
Retención
+0.8 (Alto)
+0.6 (Medio-
Alto)
-1.5 (Muy Bajo)
Con base en la descripción de los centroides, se asigna un nombre
conceptual a cada clúster que reeje su característica dominante. Esto
transforma la información estadística en tipologías relevantes para la
política educativa:
• Clúster 1: "Instituciones con Enfoque en I+D de Alto Rendimiento."
• Clúster 2: "Instituciones con Alto Impacto y Éxito Estudiantil."
• Clúster 3: "Instituciones en Desarrollo con Desafíos de Retención."
Esta denominación es crucial, ya que permite a los responsables
políticos y a los gestores institucionales visualizar y comunicar de manera
efectiva la diversidad de la calidad.
43
3.1.3 La Utilidad Estratégica: Focalización de Políticas de
Mejora
La segmentación no es solo un ejercicio académico; es la base de una
gestión de la calidad diferenciada y estratégica. El agrupamiento
demuestra que no existe un único modelo de "calidad" ideal. Permite:
• Reconocer Modelos Exitosos Alternativos: Identicar IES que,
aunque no destacan en investigación, presentan perles
excepcionales en impacto social o en calidad docente (véase la Tabla
7).
• Diseñar Indicadores Pertinentes: Evitar aplicar metas y estándares
genéricos. Por ejemplo, exigir la misma productividad
investigadora a una IES de Clúster 1 y una de Clúster 3 resultaría
en una evaluación injusta.
Tabla 7
Focalización y Diseño de Políticas Educativas
Tipología
(Clúster)
Diagnóstico Principal
Política de Mejora Focalizada
Sugerida
Investigación
Élite
Riesgo de desconexión
del entorno local.
Incentivos para la transferencia
de conocimiento y programas de
vinculación.
Docencia
Masiva
Éxito estudiantil alto,
pero bajo nivel de
desarrollo de la I+D.
Apoyo nanciero y coaching para
la creación de grupos de
investigación iniciales.
Instituciones
Emergentes
Múltiples desafíos,
especialmente en
retención y recursos.
Programas de tutoría intensivos,
mejora de la infraestructura y
formación docente
especializada.
44
Al entender la posición relativa de cada institución dentro de su
clúster y respecto de los demás, las políticas dejan de ser de "talla única"
para convertirse en especícas, ecientes y equitativas. El análisis de
agrupamiento se convierte así en una herramienta esencial para la
planicación estratégica de la calidad a nivel sistémico e institucional.
3.2 Análisis de Agrupamiento para la Identicación de
Tipologías de Calidad
El análisis se centra en el análisis de agrupamiento (Cluster
analysis) como la herramienta principal para la identicación de tipologías
de calidad en la educación superior (ES). El agrupamiento permite a los
evaluadores e investigadores ir más allá de los promedios, revelando la
heterogeneidad inherente del sistema y clasicando instituciones o
programas en grupos homogéneos con perles de calidad distintivos.
El análisis de agrupamiento es una técnica de aprendizaje no
supervisado que busca identicar una estructura o clasicación inherente
en un conjunto de datos multivariado. A diferencia de las Ecuaciones
Estructurales, que explican relaciones causales, el agrupamiento es una
herramienta taxonómica cuyo objetivo es crear grupos (clústeres) en los
que la similitud intragrupal sea alta y la intergrupal sea baja. Una tipología
de calidad consiste en clasicar un conjunto de instituciones (o programas)
en grupos con perles estadísticamente similares, según indicadores de
calidad (Leckey & Neill, 2001). Por ejemplo, en lugar de hablar de "el
promedio de calidad nacional", se identican tipologías como:
• Tipología A: "Instituciones con Fuerte Énfasis en la Investigación y
Recursos Abundantes."
• Tipología B: "Instituciones con Alto Impacto Social y Desafíos en la
Internacionalización."
La identicación de las tipologías es vital para la gestión
diferenciada y justa de la calidad. La base del agrupamiento es la medición
de la distancia o disimilitud entre las observaciones (instituciones). La
medida de distancia más común para variables continuas es la distancia
45
euclidiana, que corresponde a la distancia geométrica en un espacio
multidimensional denido por las variables de calidad. Es crucial que las
variables de entrada estén estandarizadas (por ejemplo, a puntuaciones Z)
antes de calcular la distancia para evitar que las variables con mayor
varianza dominen la formación de los clústeres. Los dos tipos principales
de algoritmos ofrecen enfoques complementarios para la identicación de
tipologías:
- Métodos Jerárquicos
Los métodos jerárquicos construyen una estructura anidada de clústeres
sin necesidad de especicar a priori el número de grupos.
• Agrupamiento Aglomerativo (Ascendente): Comienza con cada
objeto como su propio clúster y, en pasos sucesivos, fusiona los dos
clústeres más cercanos hasta que solo queda uno.
• Visualización: El resultado se representa en un dendrograma,
donde la altura de la fusión indica la disimilitud. El dendrograma
es útil para explorar la estructura de los datos y determinar
visualmente el número de clústeres.
• Método de Ward: Un criterio de enlace popular que busca
minimizar la varianza dentro de los clústeres fusionados, lo que
tiende a producir grupos compactos y de tamaño similar.
- Métodos No Jerárquicos (Particionales)
Estos métodos requieren que el investigador especique de
antemano el número de clústeres (K).
• Algoritmo K-medias (K-means): Es el método más utilizado.
Divide las observaciones en K clústeres minimizando la suma de las
distancias cuadradas de cada punto al centroide (media) de su
clúster asignado. Es eciente para grandes conjuntos de datos de
educación superior.
46
• Limitaciones: Es sensible a la elección de los centros iniciales y a los
valores atípicos. Su principal requisito es la determinación precisa de
K.
La validez y la utilidad de la tipología dependen de la correcta
selección del número de clústeres (K) y de su robustez. La elección de K
debe basarse en una combinación de criterios estadísticos y de juicio
sustantivo (teórico).
• Método del Codo (Elbow Method): Se examina el gráco de la
inercia (varianza intraclúster) en función de K. El valor óptimo de
K es aquel en el que la disminución de la inercia se vuelve marginal
y forma una "rodilla" o "codo" en la curva.
• Coeciente de Silueta (Silhouee Index): Mide qué tan bien se
ajusta cada objeto a su clúster en comparación con los demás
objetos. Valores promedio cercanos a +1 indican una buena
separación y cohesión del clúster; valores cercanos a 0 indican una
superposición.
• Criterio de Calinski-Harabasz: Un índice que maximiza la razón
entre la dispersión interclúster y la dispersión intraclúster. Se busca
el valor máximo.
Una vez seleccionado el número óptimo (K), la tipología se vuelve
signicativa para la gestión educativa a través de la caracterización:
- Cálculo de los Centroides: Se calcula el valor promedio (centroide)
de cada variable de calidad en cada clúster. Si se utilizaron
puntuaciones factoriales, el centroide representa la posición
promedio del clúster en el constructo puro de calidad (Jain & Law,
2005).
- Etiquetado Conceptual: Se asigna un nombre conceptual a cada
clúster según su perl de centroides. Por ejemplo, un clúster con
centroides altos en los factores 'Recursos' e 'Investigación' y bajos en
'Extensión' podría etiquetarse como "Elitista y Cerrado".
47
Este etiquetado transforma los datos estadísticos en información
estratégica para la formulación de políticas de mejora diferenciadas y
justas, ya que permite a los gestores orientar las intervenciones hacia las
debilidades especícas de cada tipo de institución.
3.3 Estrategias de la OECD para la Gestión de la
Calidad en la Educación Superior de América Latina
La Organización para la Cooperación y el Desarrollo Económicos
(OECD, por sus siglas en inglés) ha desarrollado un conjunto de estrategias
y marcos analíticos que, aunque diseñados para sus países miembros, han
sido adaptados y aplicados a la realidad de la educación superior (ES) en
América Latina (AL) para abordar desafíos clave de calidad, eciencia y
equidad (Ruben, 2018). El enfoque de la OECD se centra en la gobernanza
sistémica, el uso de datos comparables y la alineación de la ES con las
necesidades económicas y sociales.
La OECD promueve un modelo de gestión de la calidad en ES que
se aleja de la supervisión puramente burocrática para enfocarse en la
responsabilidad institucional y en la rendición de cuentas basada en
resultados. La OECD enfatiza que la calidad debe ser impulsada por un
sistema de gobernanza equilibrado:
• Autonomía Institucional: Las universidades deben contar con
suciente autonomía (académica, nanciera y administrativa) para
innovar y responder a su contexto. Sin embargo, esta autonomía
debe ser responsable.
• Aseguramiento de la Calidad Externa: Los gobiernos deben
establecer marcos regulatorios ecientes y agencias de acreditación
o licenciamiento (como SUNEDU en Perú) que establezcan
condiciones básicas de calidad (Basic Quality Conditions) para
proteger a los estudiantes y la inversión pública.
• Rendición de Cuentas: Las instituciones deben reportar sus
resultados de manera transparente y utilizar indicadores de calidad
para justicar el uso de fondos públicos.
48
A diferencia de los modelos centrados únicamente en inputs
(recursos) y outputs (graduados), la OECD ha impulsado la medición de
los resultados de aprendizaje (learning outcomes).
• Proyecto AHELO (Assessment of Higher Education Learning
Outcomes): Aunque ya nalizado, este proyecto demostró la
viabilidad de medir lo que los estudiantes realmente saben y
pueden hacer después de la universidad (competencias
transversales y disciplinares).
• Implicación para AL: La gestión de la calidad debe pasar de medir
la existencia de planes de estudio a medir su impacto real en las
competencias del egresado, exigiendo a las instituciones un enfoque
curricular basado en competencias.
3.3.1 Estrategias Clave para la Gestión de la Calidad en
América Latina
Las recomendaciones de la OECD se traducen en estrategias
concretas para que la alta dirección y los responsables de políticas de AL
aborden sus desafíos estructurales. La gestión eciente requiere datos
robustos para la toma de decisiones. La OECD promueve:
• Sistemas Nacionales de Información: Crear y fortalecer sistemas
que recopilen datos comparables sobre la ES, incluyendo la
trayectoria estudiantil (tasas de retención y graduación), la
empleabilidad de los egresados y la productividad investigadora.
• Financiamiento Basado en Resultados: Utilizar indicadores clave
de desempeño (KPIs) para asignar al menos una parte del
nanciamiento público. Esto incentiva a las universidades a mejorar
los resultados que la sociedad valora (p. ej., la nalización de los
estudios en tiempo y forma).
• Transparencia de Datos: Facilitar el acceso público a estos datos
para empoderar a estudiantes y familias en la elección de carrera e
impulsar la competencia basada en la calidad entre las IES.
49
Una debilidad frecuente en AL es la desalineación entre la oferta
académica y las demandas productivas. La OECD sugiere:
• Vínculos Institucionalizados: Establecer mecanismos formales
(como consejos asesores y observatorios de empleabilidad) en los
que empleadores, graduados y académicos colaboren en el diseño
curricular y en la denición de competencias.
• Énfasis en la Educación Terciaria No Universitaria: La OECD ha
destacado el rol de la educación técnica y tecnológica (educación
terciaria corta) para la formación de capital humano especíco y la
rápida respuesta a las necesidades del mercado. La gestión en AL
debe invertir en la calidad y el prestigio de este sector.
3.3.2 Diversicación de Fuentes de Financiamiento y
Eciencia Interna
El modelo de nanciamiento predominante en AL, a menudo
dependiente del Estado, puede limitar la innovación y la calidad.
• Incentivos para la Diversicación: La gestión debe diseñar
estrategias para atraer nanciamiento competitivo (fondos
concursables para la investigación, ingresos propios por consultoría
o spin-os) y reducir la dependencia exclusiva de las transferencias
estatales.
• Gestión de la Eciencia: Utilizar herramientas analíticas (como los
métodos estadísticos de este libro) para diagnosticar la eciencia
interna (p. ej., el costo por graduado, la tasa de uso de la
infraestructura) e implementar planes para optimizar el uso de los
recursos existentes. Si bien las estrategias de la OECD ofrecen un
camino hacia la mejora, su aplicación en AL enfrenta retos
sistémicos:
• Asimetría de Información: La falta de sistemas de información
robustos y la resistencia institucional a la transparencia dicultan la
implementación de modelos de nanciación basados en resultados.
50
• Fragmentación y Debilidad Regulatoria: En algunos países, la
proliferación de instituciones de baja calidad y la debilidad de los
organismos de licenciamiento (antes de las reformas) han generado
un rezago que requiere una acción sostenida de la alta dirección
para revertirlo.
Las estrategias de la OECD ofrecen a la gerencia de la educación
superior en América Latina un modelo de gestión de la calidad basado en
la responsabilidad, la transparencia y la evidencia. Al enfocarse en la
gobernanza efectiva, el uso estratégico de datos y la alineación con los
resultados de aprendizaje y de empleabilidad, las instituciones pueden
avanzar hacia un sistema más eciente, equitativo y de mayor calidad.
51
Capítulo 4
Integración Analítica: Uso de Puntuaciones
Factoriales de EE en el Análisis de
Agrupamiento
Este capítulo aborda la integración sinérgica de las dos
metodologías clave: las Ecuaciones Estructurales (EE) y el Análisis de
Agrupamiento (Cluster Analysis). Especícamente, se detalla cómo las
puntuaciones factoriales —producto de la validación del constructo de
calidad mediante las EE— sirven como variables de entrada superiores
para el Análisis de Agrupamiento, profundizando signicativamente el
entendimiento de la calidad en la educación superior (ES).
El análisis de agrupamiento requiere variables de entrada para
medir la distancia y formar clústeres. El problema de usar indicadores
brutos (ítems individuales o sumas simples) es que presentan errores de
medición, lo que puede distorsionar la distancia real entre las instituciones
y provocar clasicaciones inexactas (Jain & Law, 2005).
Las puntuaciones factoriales (PF) resuelven este problema. Una
puntuación factorial es una estimación de la posición real de una unidad
de análisis (institución o programa) en un constructo latente de calidad (p.
ej., calidad docente, recursos académicos), una vez que el error de
medición ha sido modelado y descontado por el modelo de ecuaciones
estructurales (véase la Tabla 8).
\text{PF}_i = \sum_{j=1}^{m} w_{j} \cdot X_{ij}
Donde \text{PF}_i es la puntuación factorial de la institución i, X_{ij}
es el valor del indicador j y w_{j} es el peso estandarizado del indicador j
(derivado del Modelo de Medida de EE).
52
Tabla 8
Ventajas de Usar Puntuaciones Factoriales en el Agrupamiento
Característica
Puntuaciones Factoriales
(EE)
Indicadores
Brutos/Promedios
Error de Medición
Minimizado o eliminado.
Reejan la varianza común
(constructo puro).
Incluido. Puede sesgar las
distancias y los resultados
del agrupamiento.
Multicolinealidad
Reducida. Los factores
latentes son
conceptualmente y
estadísticamente más
ortogonales.
Alta. Los indicadores
brutos suelen estar muy
correlacionados entre sí.
Interpretabilidad
Alta. Cada PF representa
una dimensión teórica
validada de la calidad (p. ej.,
Innovación Curricular).
Baja. Un promedio simple
puede resultar ambiguo o
carecer de validez teórica.
Dimensionalidad
Reducida. Simplica el
conjunto de datos de
muchas variables en pocos
constructos clave.
Alta. El análisis es
vulnerable a la "maldición
de la dimensionalidad".
El uso de PF garantiza que el agrupamiento se base en las
dimensiones teóricas fundamentales de la calidad y no en el ruido ni en el
error inherente a la recolección de datos. La integración efectiva de EE y
Agrupamiento se realiza en dos fases secuenciales:
Fase 1: Modelado de la Estructura de Calidad (EE)
- Especicación del Modelo: Denir los constructos latentes de
calidad (p. ej., Q_{\text{Docencia}}, Q_{\text{Recursos}},
Q_{\text{Resultado}}) y sus respectivos indicadores observados.
53
- Validación del Modelo de Medida (CFA): Conrmar la validez
convergente (AVE ≥ 0.50) y la conabilidad compuesta (CR ≥ 0.70)
de cada constructo.
- Generación de Puntuaciones Factoriales: Estimar y almacenar la
puntuación factorial (PF) de cada unidad de análisis (IES o
programa) para cada constructo latente validado. Esta PF es la
variable de entrada para el siguiente paso.
Fase 2: Segmentación Basada en Constructos Validados (Análisis de
Agrupamiento)
- Selección de Variables de Agrupamiento: Utilizar exclusivamente
las Puntuaciones Factoriales generadas en la Fase 1 (p. ej.,
\text{PF}_{Q_{\text{Docencia}}}, \text{PF}_{Q_{\text{Recursos}}},
\text{PF}_{Q_{\text{Resultado}}}).
- Agrupamiento: Aplicar el algoritmo seleccionado (p. ej., K-medias)
a las Puntuaciones Factoriales para determinar el número óptimo
de clústeres (K).
- Caracterización y Tipología: Describir los centroides de los
clústeres. Dado que las variables son puntuaciones factoriales, la
caracterización es inherentemente conceptual y teórica (p. ej., "Este
clúster se caracteriza por una puntuación factorial alta en calidad
docente y baja en recursos académicos").
4.1 Profundizando el Entendimiento de la Calidad
La integración de las EE y el Agrupamiento permite un análisis de
la calidad de la ES en dos niveles de profundidad:
- Nivel 1: Comprensión Causal (EE)
Las EE nos dicen cómo funciona el sistema de calidad. Por ejemplo,
se podría validar que la Calidad Docente (constructo A) inuye de manera
signicativa en los Resultados de Aprendizaje (constructo B) mediante un
Modelo Estructural. Esto establece un mapa explicativo del fenómeno.
- Nivel 2: Comprensión Tipológica y Contextual (Agrupamiento
con PF)
54
El agrupamiento con puntuaciones factoriales nos indica dónde se
maniestan estos procesos. La caracterización de los clústeres, basada en
las PF:
• Identica la Desviación y la Excelencia: Se pueden aislar grupos
(clústeres) en los que la relación causal, validada por las EE, es
excepcionalmente fuerte o débil, lo que indica la necesidad de una
intervención focalizada (Alao & Jagboro, 2017).
• Revela Perles Estratégicos: Por ejemplo, podría encontrarse un
clúster de IES en el que la PF de Recursos es negativa, pero la PF de
Resultados de Aprendizaje es positiva. Esto sugiere un perl de "Alta
Eciencia" o de resiliencia, lo cual constituye un hallazgo valioso
para las políticas de referencia (benchmarking).
• Asegura la Pertinencia Política: Las políticas se dirigen a
constructos validados (no a ítems aislados), garantizando que la
intervención se centre en la dimensión teórica adecuada de la
calidad.
En esencia, el análisis integrado utiliza las EE para puricar la
medida y validar el modelo teórico de la calidad, y luego utiliza estas
medidas puricadas (PF) en el Agrupamiento para descubrir y tipicar la
diversidad en la manifestación de esa calidad. Esto representa un salto del
análisis del promedio a la comprensión de lo que es distintivo y signicativo
en la educación superior.
4.1.1 Análisis de Agrupamiento (Conglomerados) para la
Gestión del Conocimiento en la Educación Superior
El análisis de agrupamiento (clúster) es una herramienta analítica
esencial para la gestión del conocimiento (GC) en las instituciones de
educación superior (ES). Permite a la dirección clasicar, organizar y
comprender la heterogeneidad de sus activos de conocimiento (personal,
producción cientíca, procesos) para aplicar estrategias de GC más
focalizadas y ecientes que los enfoques uniformes (Ruben, 2018).
55
La GC en la ES implica gestionar el conocimiento explícito
(documentos, bases de datos) y el tácito (habilidades, experiencia,
intuición de las personas). El análisis de conglomerados ayuda a mapear
dónde reside, cómo se genera y cómo se transere este conocimiento. En
lugar de tratar a todo el personal docente o a todos los proyectos de
investigación como una masa homogénea, el agrupamiento identica
tipologías naturales. Esto permite a los gestores:
• Identicar Nichos de Excelencia: Localizar los grupos de
investigación o los profesores que concentran el mayor stock de
conocimiento de alto valor o de innovación.
• Diagnosticar Brechas: Señalar grupos que tienen un alto
conocimiento tácito (muchas experiencias) pero una baja
producción explícita (pocas publicaciones), lo que indica la
necesidad de codicar.
• Personalizar Intervenciones: Diseñar programas de desarrollo o
incentivos especícos para cada perl de conocimiento.
El análisis de conglomerados se aplica a diversas áreas de la GC en
la ES:
Tabla 9
Agrupación de los académicos y del personal según sus perles de
contribución al conocimiento
Indicadores de
Agrupamiento
Tipología
Descubierta
(Ejemplo)
Implicación en GC
Productividad de
Investigación, Años de
Experiencia, Rol de
Mentoría
"Expertos Tácitos":
Altos en experiencia y
mentoría, medios en
publicación formal.
Estrategias de
preservación
(codicación,
documentación de
mejores prácticas, job
shadowing).
56
Indicadores de
Agrupamiento
Tipología
Descubierta
(Ejemplo)
Implicación en GC
Publicaciones de Alto
Impacto, Redes
Internacionales,
Financiamiento Externo
"Generadores de Alto
Impacto": Altos en
producción explícita y
en redes sociales.
Estrategias de
maximización (reducción
de la carga docente,
nanciamiento para el
networking).
4.1.2 Gestión de la Producción y Transferencia de
Conocimiento (Conocimiento Explícito)
El agrupamiento se utiliza para organizar la producción intelectual
y las actividades de vinculación.
• Agrupamiento Temático de Investigación: Clasicar los proyectos
o publicaciones según la similitud de contenido (mediante análisis
de texto y métricas de citación) para identicar clústeres temáticos.
Esto facilita la creación de centros interdisciplinarios y la asignación
de recursos a áreas estratégicas emergentes (Jain & Law, 2005).
• Tipicación de la Vinculación: Agrupar a los socios externos
(empresas, gobierno, ONG) según el tipo de conocimiento que
requieren (consultoría, I+D, formación) y la intensidad de la
colaboración (Fuadi et al., 2025). Esto permite optimizar la
transferencia al asignar los equipos de conocimiento internos más
adecuados a las necesidades del socio.
4.1.3 Gestión del Conocimiento para el Aprendizaje
En el ámbito del aprendizaje, el agrupamiento segmenta a los
estudiantes para personalizar la transmisión de conocimiento.
• Perles de Uso de Plataformas: Agrupar a los estudiantes según
sus patrones de interacción en plataformas de e-learning (frecuencia
57
de acceso a foros, velocidad de nalización de módulos, uso de
recursos multimedia) (Rudolph et al., 2022).
• Benecio: Identicar a estudiantes que requieren una intervención
temprana o que podrían beneciarse de enfoques de aprendizaje
especícos (p. ej., tutoría intensiva o desafíos avanzados).
4.1.4 Integración Estratégica para la Toma de Decisiones
El análisis de agrupamiento no es un n en sí mismo, sino un medio
para aplicar estrategias de GC diferenciadas.
• Políticas de Incentivos Segmentadas: En lugar de un bono de
publicación genérico, se pueden ofrecer incentivos especícos. Por
ejemplo, al clúster de "Expertos Tácitos" se le podría premiar la
creación de manuales de capacitación internos o la mentoría formal.
• Diseño de Repositorios: Al identicar clústeres temáticos de
investigación, se pueden diseñar repositorios de conocimiento
explícito y bases de datos más intuitivos, alineados con las áreas de
especialización internas.
• Movilización de Conocimiento Tácito: El agrupamiento ayuda a
crear la infraestructura para la movilización del conocimiento
tácito, al identicar qué clúster de expertos debe interactuar con qué
clúster de usuarios para maximizar la transferencia.
En síntesis, el Análisis de Agrupamiento (Conglomerados) ofrece a
la gestión del conocimiento en la ES un mapa de la diversidad. Al
segmentar y caracterizar los activos de conocimiento institucionales,
permite a los gestores tomar decisiones estratégicas sobre dónde invertir,
cómo codicar y a quién dirigir las políticas de fomento para lograr una
gestión del conocimiento eciente, alineada y de alto impacto.
4.2 Métodos Estadísticos de Árbol Aplicados a la
Gestión Educativa
Los métodos estadísticos de árboles (o modelos basados en árboles),
como los árboles de decisión, Random Forests y Boosting, representan una
58
poderosa familia de algoritmos de aprendizaje automático (machine
learning) que han encontrado aplicaciones críticas en la gestión educativa.
Estos métodos son valiosos porque combinan la alta precisión predictiva
con una interpretación intuitiva de las reglas de decisión, lo cual resulta
esencial para la toma de decisiones gerenciales.
4.2.1 Fundamentos de los Árboles de Decisión (CART)
El árbol de decisión es el bloque de construcción fundamental de los
métodos de árbol. La técnica más común es el algoritmo CART
(Classication and Regression Trees). Un árbol de decisión divide el conjunto
de datos en subconjuntos más pequeños y homogéneos de manera
recursiva, a partir de una variable de resultado (objetivo).
• Nodos:
o Raíz: Representa el conjunto completo de datos.
o Internos: Representan una prueba de decisión sobre una
característica (variable predictora), como "Tasa de
Ausentismo > 10%".
o Hoja (Terminal): Representa el resultado nal o la
predicción (la etiqueta de la clase o el valor numérico).
• Reglas de Decisión: El camino desde la raíz hasta una hoja dene
una regla de decisión simple y legible (p. ej., "Si [Nivel
Socioeconómico = Bajo] Y [Ausentismo > 10%], entonces la
predicción de deserción es Alta").
- Criterios de División
Los árboles buscan la mejor división en cada nodo para maximizar la
homogeneidad de la variable objetivo en los nodos hijos.
• Clasicación (Variables Categóricas): Se emplean métricas de
impureza, como el Índice de Gini o la Entropía (Ganancia de
Información). Se elige la división que minimiza la impureza del
clúster.
59
• Regresión (Variables Continuas): Se utiliza la reducción de
varianza (minimización del error cuadrático medio, MSE) en los
nodos hijos.
4.2.2 Aplicaciones de los Árboles en la Gestión Educativa
Los árboles son ideales para escenarios de gestión en los que la
explicación de la decisión es tan importante como la precisión. La gestión
puede utilizar árboles de decisión para identicar a los estudiantes en
riesgo de deserción antes de que ocurra la deserción.
• Modelo: El árbol clasica a los estudiantes según variables como el
rendimiento inicial, el uso de recursos, las tasas de ausentismo y el
nivel socioeconómico.
• Benecio Gerencial: Permite identicar la combinación crítica de
factores que conduce al abandono. Por ejemplo, se podría observar
que la deserción es más probable cuando el estudiante no participa
en tutorías y tiene un promedio inferior a 7.0, lo que permitiría a la
ocina de bienestar estudiantil elaborar una política de intervención
focalizada.
Los árboles de regresión pueden modelar variables continuas, como
la mejora en los puntajes de los exámenes o la eciencia terminal.
• Modelo: Predecir el puntaje nal de un estudiante a partir de su
participación en un programa remedial, la calidad del docente y los
recursos empleados.
• Benecio Gerencial: Muestra las variables con mayor Poder
Predictivo (o Importancia de la Característica), ayudando a los
administradores a priorizar qué inversiones (programas, coaching
docente) tienen el mayor retorno en términos de rendimiento.
4.2.3 Métodos Avanzados Basados en Árboles
Para mejorar la precisión y la robustez de un único árbol de decisión
(que a menudo es inestable o propenso al sobreajuste), la gestión educativa
recurre a métodos de conjunto (Ensemble Methods) (Tight, 2020).
60
- Bosques Aleatorios (Random Forests)
• Funcionamiento: Construye múltiples árboles de decisión a partir
de submuestras aleatorias de los datos (bagging) y de subconjuntos
aleatorios de las variables predictoras. La predicción nal se obtiene
mediante la votación (clasicación) o el promedio (regresión) de
todos los árboles.
• Ventaja en Gestión: Reduce drásticamente el sobreajuste y
aumenta la estabilidad y la precisión. Ofrece una métrica robusta de
Importancia de la Variable, que indica qué factores son
consistentemente más predictivos del resultado (p. ej., el nivel de
experiencia docente frente al tamaño del grupo).
- Boosting (Gradient Boosting Machines - GBM y XGBoost)
• Funcionamiento: Construye árboles de forma secuencial. Cada
nuevo árbol intenta corregir los errores cometidos por el anterior.
El algoritmo pondera más las observaciones clasicadas
erróneamente en pasos anteriores.
• Ventaja en Gestión: A menudo ofrece la mayor precisión
predictiva, esencial para tareas críticas como la detección temprana
de riesgos. Sin embargo, su complejidad hace que la interpretación
de la regla de decisión nal sea menos transparente que la de un
solo árbol o de un Random Forest.
4.2.4 Consideraciones Gerenciales para la Implementación
La efectividad de los métodos de árbol en la gestión educativa
depende de la aplicación crítica de los resultados.
• Transparencia (Árboles Simples): Los árboles simples se preeren
cuando la explicabilidad es clave. Por ejemplo, para justicar ante
un comité de recursos por qué se debe invertir en el programa X,
una regla simple de un árbol (p. ej., "el 80% de los estudiantes que
fallaron cumplían las condiciones A y B") es más persuasiva que un
coeciente complejo.
61
• Balance entre Precisión y Explicación: La gestión debe elegir entre
la alta precisión de Boosting (útil para la identicación masiva de
riesgo) y la mejor interpretabilidad de un Random Forest (útil para
la justicación de políticas).
• Importancia de las Características: Los métodos de árbol,
especialmente los Random Forests, proporcionan un ranking de la
importancia de las variables. Este ranking es la brújula para los
administradores, indicando dónde deben enfocarse los recursos
para lograr el mayor impacto en los resultados educativos.
4.3 Estrategias de la UNESCO para mejorar la calidad
de la educación superior en América Latina
La Organización de las Naciones Unidas para la Educación, la
Ciencia y la Cultura (UNESCO) ha desempeñado un papel fundamental
en la denición de la agenda de calidad de la educación superior (ES) en
América Latina y el Caribe (ALC). A diferencia de la OECD, cuyo enfoque
es primariamente económico, la UNESCO promueve una visión
humanista, inclusiva y equitativa de la calidad, articulada a través de
conferencias regionales y globales y plasmada en documentos estratégicos.
El marco estratégico de la UNESCO para la ES se basa en la
Declaración Mundial sobre la Educación Superior del Siglo XXI (París,
1998) y en las Declaraciones de las Conferencias Regionales (CRES),
haciendo hincapié en que la ES no es solo un bien transferible, sino también
un bien público y una responsabilidad social.
- Inclusión y Equidad
La UNESCO prioriza ampliar el acceso y garantizar la culminación
exitosa de los estudios para grupos históricamente excluidos. La calidad,
desde esta óptica, debe ser inclusiva.
• Estrategia: Promover políticas de discriminación positiva (acciones
armativas), sistemas de becas y estrategias de retención. La gestión
de la calidad debe monitorear y reducir las brechas de acceso y de
62
egreso basadas en el nivel socioeconómico, el origen étnico y el
género.
• Pertinencia: La ES de calidad debe responder a las necesidades de
la sociedad, abordando los desafíos del desarrollo sostenible (ODS)
y de la reducción de la pobreza.
- Internacionalización con Cohesión Regional
La UNESCO busca facilitar la cooperación académica global,
asegurando al mismo tiempo la protección de los estándares regionales.
• Estrategia: La internacionalización debe ir más allá de la mera
movilidad y centrarse en la cooperación cientíca y la armonización
curricular. El Convenio Regional de Reconocimiento de Estudios,
Títulos y Diplomas de Educación Superior en América Latina y el
Caribe es un instrumento clave para facilitar la movilidad y el
reconocimiento de cualicaciones, esencial para la calidad y la
competitividad regionales (Ruben, 2018).
- Estrategias Clave de Calidad para la Gestión Universitaria
Las recomendaciones de la UNESCO se centran en fortalecer los
pilares internos y externos que sustentan la calidad. La calidad de la
enseñanza y la investigación constituye el núcleo de la ES. La UNESCO
enfatiza:
• Desarrollo Docente Continuo: La gestión debe implementar
políticas de formación pedagógica continua para el profesorado,
asegurando que las metodologías de enseñanza se centren en el
estudiante y en el desarrollo de competencias críticas.
• Incentivo a la Investigación: Promover una cultura de
investigación articulada con las necesidades de desarrollo nacional
y regional. La gestión debe garantizar la libertad académica y la
ética en la investigación, elementos cruciales para la credibilidad y
la calidad cientíca.
- Diversicación Curricular y Flexibilidad
63
Frente a modelos rígidos y tradicionales, la UNESCO impulsa la
modernización de la oferta académica:
• Flexibilidad Curricular: Diseñar currículos que permitan a los
estudiantes trayectorias de aprendizaje exibles, facilitando la
transferencia de créditos y el reconocimiento de aprendizajes
previos, lo cual es fundamental para una ES inclusiva y eciente.
• Diálogo de Saberes: Integrar el conocimiento cientíco y
tecnológico con los saberes tradicionales, culturales y ancestrales de
la región. Esto asegura la pertinencia cultural y social de la
educación superior (Srikanthan & Dalrymple, 2003).
4.3.1 El Rol del Aseguramiento de la Calidad y la
Transparencia
La UNESCO reconoce la necesidad de sistemas robustos de
aseguramiento de la calidad (AC), pero con un enfoque formativo y no
puramente punitivo. El AC debe ser un motor de mejora más que un mero
ejercicio de rendición de cuentas.
• Estrategia: Fomentar el desarrollo de sistemas internos de AC en las
propias universidades. La autoevaluación debe ser un proceso
continuo y participativo, liderado por la alta dirección. Los
organismos externos (agencias de acreditación) deben enfocarse en
la capacidad institucional para mejorar (tness for purpose), más allá
del mero cumplimiento de los inputs.
• Uso de Datos: Las universidades deben utilizar los resultados de
los procesos de evaluación para la toma de decisiones gerenciales
(p. ej., rediseño curricular, reasignación de recursos), en línea con
las estrategias analíticas expuestas en los capítulos anteriores.
La transparencia es un componente de la calidad y de la
responsabilidad social.
• Estrategia: Desarrollar sistemas de información que ofrezcan a la
sociedad datos ables y comparables sobre la ES (tasas de egreso,
empleabilidad, resultados de AC). Esto empodera a los stakeholders
64
y fomenta la conanza pública. La gestión debe liderar la
implementación de políticas de acceso abierto a la investigación y a
los recursos educativos (Lyytinen et al., 2017).
En este sentido, las estrategias de la UNESCO para mejorar la
calidad de la ES en América Latina constituyen un llamado a una
transformación profunda. Se centran en construir un sistema equitativo,
pertinente y orientado a la excelencia académica, con responsabilidad
social, exigiendo a la gerencia universitaria un liderazgo que armonice la
autonomía con la rendición de cuentas y el compromiso con el desarrollo
sostenible de la región.
65
Capítulo 5
Componentes del Análisis Estructural en la
Educación: El Modelo de Ecuaciones
Estructurales (MEE)
El Análisis Estructural en la Educación, implementado mediante los
Modelos de Ecuaciones Estructurales (MEE) o Structural Equation Modeling
(SEM), es una técnica avanzada que permite examinar y validar teorías
complejas sobre los fenómenos educativos. El MEE es, esencialmente, una
fusión de la regresión múltiple y el análisis factorial, que se desglosa en
dos componentes principales, analizados simultáneamente: el Modelo de
Medida y el Modelo Estructural.
El análisis estructural en la educación superior puede centrarse en
diversos componentes que reejan la complejidad y la dinámica de las
instituciones educativas. Aquí se describen los componentes clave
identicados.
• Integración de la tecnología: La integración tecnológica
revolucionó la educación superior al transformarla mediante
plataformas digitales y herramientas avanzadas. Esto incluye la
enseñanza a distancia y la adopción de medios digitales para la
enseñanza y la administración (Cádiz et al., 2024).
• Libertad Académica y Gobernanza: Enfrentando desafíos actuales
derivados de la corporativización, la libertad académica y la
gobernanza compartida han sido pilares tradicionales que ahora
luchan por sostenerse en un ambiente cada vez más orientado al
mercado (Alibašić et al., 2024).
• Integración Académica y Estudiantes: El éxito académico inicial de
los estudiantes a menudo depende de su capacidad para integrarse
en el nuevo entorno educativo, lo cual puede verse facilitado o
66
perjudicado por factores individuales y contextuales (Schaeper,
2019).
• Reforma Educativa en STEM: La reforma de los roles académicos
en áreas de STEM sigue siendo un tema de estudio crítico,
especialmente ante las presiones por equilibrar la investigación
disciplinaria y la educación, lo que requiere un enfoque en la
resiliencia y la adaptación académicas (Ross et al., 2022).
• Currículo Oculto en la Educación Médica: Componentes del
currículo oculto, como factores estructurales, educativos, culturales
y sociales, influyen de manera no intencional en los resultados de
aprendizaje y deben gestionarse adecuadamente (Sarikhani et al.,
2020).
• Evaluación de la Calidad y Sistemas de Educación: Un enfoque
basado en sistemas puede ayudar a desarrollar modelos eficaces de
evaluación de la calidad para mejorar la implementación de
sistemas de calidad y de evaluación de programas en la educación
superior (Mizikaci, 2006).
Estos aspectos reejan la necesaria interdisciplinariedad y la
adaptación constante requeridas por las instituciones de educación
superior para abordar de manera efectiva los desafíos contemporáneos.
5.1 El Modelo de Medida (Análisis Factorial
Conrmatorio - CFA)
El Modelo de Medida se enfoca en el aspecto de la medición en la
investigación educativa. Su objetivo es establecer cómo los constructos
teóricos (variables latentes) se relacionan con sus indicadores empíricos
(variables observadas). Es la etapa de validación de los instrumentos y
constructos de calidad (véase la Tabla 10).
67
Tabla 10
Variables latentes y observadas en el contexto educativo
Componente
Denición en Contexto Educativo
Variables
Latentes (\xi y
\eta)
Son constructos teóricos que no se observan directamente,
como la calidad docente, el clima escolar o la motivación
intrínseca. Representan el concepto puro que se desea medir.
Variables
Observadas
(Indicadores)
Son las mediciones empíricas especícas tomadas, como las
puntuaciones en ítems de una encuesta ("Mi profesor es
accesible"), las tasas de retención o las puntuaciones en
exámenes.
Cargas
Factoriales
(\lambda)
Son los coecientes que indican la fuerza de la relación entre
la variable latente y su indicador. Una carga alta (p. ej.,
\lambda > 0.70) indica que el indicador es una buena medida
del constructo latente.
Error de
Medición
(\epsilon)
Es la varianza del indicador que no se explica por la variable
latente. Reeja el error aleatorio, el sesgo o la varianza
especíca no compartida con el constructo. Modelar este
error es una ventaja clave del MEE frente a la regresión
tradicional.
Nota: la función clave es garantizar que los constructos de calidad utilizados en el
análisis causal (Modelo Estructural) sean válidos (miden lo que deben medir) y
conables (miden de manera consistente).
El Modelo Estructural se enfoca en las relaciones de inuencia,
asociación o causalidad entre los constructos latentes previamente
validados; es la parte en la que se evalúan las hipótesis teóricas del
investigador (véase la Tabla 11).
68
Tabla 11
Efectos directos e indirectos en el sistema educativo
Componente
Denición en Contexto Educativo
Variables
Latentes
Endógenas (\eta)
Constructos que actúan como variables dependientes o de
resultado en una ecuación estructural (p. ej., rendimiento
académico), que son inuidos por otros constructos.
Variables
Latentes
Exógenas (\xi)
Constructos que actúan como variables independientes o
predictoras, cuyos valores se asume que no están inuidos
por otras variables del modelo (p. ej., Recursos
Institucionales).
Coecientes
Estructurales
(\gamma y \beta)
Representan la magnitud y la dirección del efecto causal
entre los constructos latentes (los paths o caminos). Un
coeciente signicativo indica que la hipótesis de inuencia
es respaldada por los datos (p. ej., \gamma > 0 indica que
mayores Recursos Institucionales \to mejor Calidad
Docente).
Errores
Estructurales
(Residuales)
(\zeta)
Es la varianza no explicada de una variable latente
endógena. Reeja la inuencia de factores externos al
modelo teórico o de variables omitidas (p. ej., la parte de la
Calidad Docente no explicada por los Recursos
Institucionales).
Nota: la función clave es determinar cómo se relacionan las dimensiones validadas
de la calidad (docencia, recursos, resultados) y evaluar los efectos directos e
indirectos (mediación) en el sistema educativo.
El componente nal consiste en evaluar hasta qué punto el modelo
completo (Medida y Estructural) se ajusta a los datos observados. El MEE
busca que la matriz de covarianza implícita (la que predice el modelo) sea
lo más cercana posible a la matriz de covarianza observada (la de los datos
reales) (véase la Tabla 12).
69
Tabla 12
Signicancia e indice de errores del modelo
Índice de Ajuste
Rango de Buen
Ajuste
Interpretación
Chi-Cuadrado
(\chi^2)
p > 0.05 (Aunque es
sensible al tamaño
de la muestra)
Mide la exactitud del ajuste. Se
busca que la diferencia entre
matrices no sea signicativa.
RMSEA (Root Mean
Square Error of
Approximation)
0.08 (Aceptable),
0.05 (Bueno)
Mide el error promedio de
aproximación por grado de
libertad.
CFI (Comparative Fit
Index)
0.90 (Aceptable),
0.95 (Bueno)
Mide la mejora del ajuste del
modelo propuesto frente a un
modelo nulo (baseline).
SRMR (Standardized
Root Mean Square
Residual)
0.08
Mide el promedio
estandarizado de los residuos
(diferencias) de las
covarianzas.
Un buen análisis estructural requiere que todos los componentes
trabajen de manera conjunta: un modelo de medida válido que purique
los constructos, un modelo estructural con coecientes signicativos que
respalden las hipótesis y un conjunto de índices de ajuste satisfactorios que
conrmen la adecuación del modelo global a la realidad educativa.
70
5.2 Análisis de Agrupamiento para Descubrir la
Diversidad y la Heterogeneidad de la Calidad en la
Educación Superior
La calidad en la educación superior (ES) es un concepto que, aunque
se busca medir y estandarizar, por naturaleza resulta diverso y
heterogéneo (Ruben, 2018). Las instituciones tienen diferentes misiones,
contextos y recursos, lo que genera múltiples perles de excelencia. Los
autores se dedican a explorar cómo el Análisis de Agrupamiento (Cluster
Analysis) sirve como la herramienta estadística fundamental para
descubrir y clasicar esta diversidad, desplazando la evaluación de un
enfoque basado en promedios hacia un entendimiento tipológico de la
calidad.
Cuando los organismos de acreditación o los rankings universitarios
aplican un conjunto de métricas a todas las instituciones por igual, se
incurre en la "trampa de la homogeneidad". Esto ignora las diferencias
válidas en la misión y en el contexto.
• Promedio Engañoso: Un promedio general de rendimiento oculta
la coexistencia de instituciones altamente especializadas (p. ej.,
investigación de frontera) y otras enfocadas en la inclusión y el
servicio regional.
• Injusticia Evaluativa: Comparar una universidad regional con una
gran universidad de investigación con base en los mismos
indicadores de publicación resulta injusto, ya que sus estructuras,
recursos y objetivos son fundamentalmente distintos.
El Análisis de Agrupamiento supera esta trampa. Su objetivo es
clasicar el sistema de ES en grupos (clústeres) en los que la similitud
dentro del grupo (homogeneidad) es alta y la diferencia entre grupos
(heterogeneidad) es máxima, revelando las estructuras naturales de la
calidad.
El descubrimiento de la diversidad de la calidad mediante el análisis
en clústeres sigue un proceso riguroso que transforma datos brutos en
71
tipologías signicativas. La elección de las variables de entrada es crítica.
Para asegurar que la diversidad descubierta sea conceptualmente robusta,
se recomienda encarecidamente utilizar las Puntuaciones Factoriales
(constructos de calidad puricados) obtenidas mediante el Modelado de
Ecuaciones Estructurales. Al usar estas puntuaciones (p. ej., el factor de
'Ecacia Docente' y el de 'Recursos I+D'), el agrupamiento se basa en las
dimensiones teóricas validadas de la calidad, no en variables ruidosas ni
con alto error.
- Pasos Esenciales:
• Estandarización: Todas las variables de entrada deben
estandarizarse (p. ej., a puntuaciones Z) para que cada dimensión
de calidad contribuya de manera equitativa a la medida de
distancia.
• Medida de Distancia: Se selecciona una métrica (por lo general, la
distancia euclidiana) para cuanticar la distancia entre dos
instituciones en el espacio multidimensional de la calidad.
La técnica de agrupamiento debe ser adecuada al tamaño y la
naturaleza del conjunto de datos.
• Métodos Jerárquicos (Exploratorios): Se utilizan métodos
aglomerativos, especialmente el Método de Ward, para generar un
dendrograma que visualiza la existencia de clústeres y una posible
gama de valores de K (número de clústeres).
• Métodos Particionales (Conrmatorios): Una vez que el
dendrograma y los índices estadísticos (Criterio de Silueta, Método
del Codo) convergen en un número óptimo de clústeres (K), se
aplica el algoritmo K-medias. Este es eciente para asignar las
instituciones a los K grupos, minimizando la varianza intraclúster.
El acto de descubrir la diversidad culmina en la caracterización de
los centroides. Esto transforma un resultado estadístico en una tipología
conceptualmente rica.
• Análisis de Centroides: Se examinan los valores promedio
(centroides) de cada clúster en todas las dimensiones de calidad
72
empleadas. Por ejemplo, el Clúster 1 puede presentar centroides
elevados en los factores 'Internacionalización' y 'Publicaciones',
mientras que el Clúster 2 presenta centroides elevados en
'Satisfacción Estudiantil' y 'Servicio a la Comunidad'.
• Etiquetado Conceptual: Se asigna un nombre que reeje el patrón
dominante de fortalezas y debilidades. Esto es el verdadero
descubrimiento de la heterogeneidad:
o Tipología 1: "Gigantes Globales de la Investigación."
o Tipología 2: "Centros de Excelencia en Docencia Regional."
o Tipología 3: "Innovadores de Bajo Recurso."
El etiquetado valida que la calidad no es una jerarquía única, sino
un conjunto de trayectorias y misiones válidas que deben evaluarse
contextualmente.
5.3 Control de la Calidad y la Productividad en
Educación Superior: Estadística Inferencial
El control y la mejora continua de la calidad y la productividad en
la educación superior (ES) requieren un fundamento sólido basado en
datos. La estadística inferencial es la herramienta clave que permite a los
gestores ir más allá de la mera descripción de los datos (lo que pasó) para
inferir, predecir y tomar decisiones sobre la población completa de
estudiantes, docentes o programas (Ruben, 2018).
La inferencia estadística es el conjunto de técnicas que permiten
extraer conclusiones sobre una población (p. ej., todos los egresados de una
universidad) a partir del análisis de una muestra representativa (p. ej., una
cohorte de egresados). La inferencia se utiliza para estimar las
características de la población (parámetros) a partir de las estadísticas de
la muestra.
• Puntuación Promedio de la Calidad Docente: A partir de una
muestra de encuestas de satisfacción docente, se estima la media
poblacional con un margen de error denido.
73
• Intervalos de conanza: son cruciales para el control de calidad. Un
intervalo de conanza (p. ej., 95 %) para la tasa de retención indica
el rango dentro del cual se espera que caiga la tasa de retención real
de la población. Si la tasa de retención de un programa cae por
debajo del límite inferior del intervalo, podría indicar un problema
de calidad que requiere atención gerencial.
El contraste de hipótesis es el mecanismo para tomar decisiones
rigurosas sobre la calidad y la productividad. Permite determinar si las
diferencias observadas son reales o si se deben simplemente al azar.
• Hipótesis Nula (H_0): Arma que no existe diferencia ni efecto (p.
ej., "El programa de tutoría no tiene efecto en el rendimiento
estudiantil").
• Hipótesis Alternativa (H_1): Armación de la existencia de una
diferencia o efecto (p. ej., "El programa de tutoría mejora el
rendimiento estudiantil").
El gestor rechaza H_0 y concluye que el programa de tutoría es
efectivo si el valor p del estadístico de prueba es menor que el nivel de
signicancia \alpha (por lo general, 0.05).
- Control de Calidad Mediante Inferencia
El control de calidad en ES se benecia de la estadística inferencial
al permitir comparar resultados y monitorear los estándares.
- Comparación de Grupos (Pruebas t y ANOVA)
Estas pruebas son fundamentales para evaluar el impacto de las
intervenciones y la disparidad de resultados.
• Prueba t de Student: Se utiliza para determinar si existe una
diferencia estadísticamente signicativa en la media de una variable
de calidad entre dos grupos (p. ej., comparar el rendimiento
promedio de los estudiantes de un programa nuevo con el de un
programa tradicional).
74
• ANOVA (Analysis of Variance): Extiende la prueba t para
comparar las medias de una variable de calidad entre tres o más
grupos (p. ej., comparar la productividad investigadora promedio
entre las Facultades de Ciencias, Humanidades y Medicina).
o Benecio: Si el ANOVA es signicativo, se demuestra que el
factor de agrupación (la Facultad) tiene un efecto real sobre
la productividad, lo cual resulta relevante para la asignación
de recursos.
- Pruebas No Paramétricas
Cuando los datos de calidad (p. ej., satisfacción docente o
calicaciones) no cumplen con los supuestos de normalidad de las pruebas
paramétricas, se utilizan métodos no paramétricos (p. ej., el U de Mann-
Whitney o el de Kruskal-Wallis). Aunque menos potentes, son robustos y
permiten validar el control de calidad en variables ordinales.
- Inferencia para el Análisis de la Productividad
La productividad en la ES se relaciona con la eciencia en el uso de
los recursos para generar resultados (graduados, investigación y
servicios). La inferencia ayuda a modelar estos resultados.
- Regresión Lineal Inferencial
La regresión lineal es una herramienta inferencial clave para
entender la dependencia y la predicción.
• Modelo: Permite inferir el efecto de una o más variables predictoras
(p. ej., inversión en recursos TIC, años de experiencia docente) sobre
una variable de resultado de productividad (p. ej., tasa de
graduación).
• Coecientes (Inferencia): El valor p asociado a cada coeciente de
regresión indica si la relación inferida es estadísticamente
signicativa en la población. Un coeciente signicativo permite a
los gestores concluir con conanza que la variable predictora está
causalmente asociada con la productividad.
75
• Control Gerencial: Si la inversión en Recursos TIC no es un
predictor signicativo de la Tasa de Graduación, la gestión puede
inferir que dicha inversión no es ecaz y reorientarla.
- Regresión Logística (Variables de Calidad Dicotómicas)
Se utiliza cuando la variable de resultado de calidad o de
productividad es dicotómica (dos categorías), como la deserción (Sí/No) o
la aprobación del examen de certicación (Aprobado/No aprobado).
• Benecio: Permite estimar la probabilidad de que un estudiante
caiga en la categoría de riesgo (deserción) a partir de variables
predictoras (p. ej., horas trabajadas, GPA inicial), lo cual es crucial
para la identicación temprana de estudiantes en riesgo y la
asignación eciente de tutores y recursos de apoyo.
5.3.1 La Importancia de la Representatividad
La validez de toda conclusión inferencial depende directamente de
la calidad y la representatividad de la muestra. Una técnica de muestreo
deciente (muestreo no aleatorio, sesgo de respuesta) anula la capacidad
del gestor para generalizar los hallazgos a la población, lo que conduce a
decisiones de control de calidad inecaces o erróneas.
Por ende, la estadística inferencial transforma la evaluación de la
calidad y la productividad en la ES de una mera recopilación de datos en
un proceso estratégico y predictivo. Al usar el contraste de hipótesis y los
modelos de regresión, los gestores pueden tomar decisiones basadas en la
evidencia de la población, asegurando que los recursos se destinen a los
puntos de apalancamiento que demuestran un impacto estadísticamente
signicativo en la mejora de la calidad y el aumento de la productividad.
76
Conclusión
Este libro ha demostrado que la evaluación de la calidad en la
educación superior (ES), debido a su complejidad y multidimensionalidad
inherentes, requiere un enfoque analítico que vaya más allá de la
estadística descriptiva. La integración de las ecuaciones estructurales (EE)
y el análisis de agrupamiento (cluster analysis) se establecen como la
metodología más robusta y completa para este n, ofreciendo una visión
bimodal de la calidad: la comprensión de la causa (el cómo) y la
clasicación de la diversidad (el dónde).
La investigación documental evidencia cómo los resultados de las
EE (puntuaciones factoriales o validación del constructo de calidad)
pueden integrarse estratégicamente con los resultados del análisis de
agrupamiento, ofreciendo una visión sinérgica que profundiza el
entendimiento de la calidad en la ES. He aquí la síntesis de la aportación
metodológica.
• Validación y Explicación Estructural (EE): La investigación
dedicada a las Ecuaciones Estructurales subrayó su capacidad única
para modelar constructos latentes de calidad (como la Calidad
Docente o los Resultados de Aprendizaje) al aislar el error de
medición. Esto permitió validar teorías causales al estimar los
efectos directos e indirectos entre las dimensiones de la calidad
(Alao & Jagboro, 2017). El MEE nos proporciona un mapa
explicativo de cómo los componentes de un sistema educativo se
inuyen mutuamente, lo que ofrece una base teórica sólida para
cualquier intervención.
• Descubrimiento y Caracterización de Tipologías (Análisis de
Agrupamiento): El análisis de agrupamiento resultó ser la
herramienta esencial para captar la heterogeneidad del sistema de
ES. Al segmentar instituciones o programas en tipologías de calidad
(clústeres), el análisis reveló que la excelencia no es monolítica, sino
que se maniesta en perles diversos (p. ej., élite en investigación
77
vs. excelencia en docencia). Esto corrige el sesgo de tratar a todas
las instituciones con un promedio común.
• La sinergia de la integración analítica: el punto de inexión
metodológico del libro fue la integración, mediante el uso de las
puntuaciones factoriales (los constructos de calidad "puricados"
por las EE) como variables de entrada en el análisis de
agrupamiento. Esta práctica garantiza que la clasicación de las
instituciones se base en las dimensiones teóricas y válidas de la
calidad, no en indicadores brutos cargados de error. La sinergia
resultante maximiza el rigor estadístico y la signicancia
conceptual.
La implementación de este enfoque bimodal tiene consecuencias
directas y transformadoras para la toma de decisiones:
• Focalización de Políticas: La identicación de perles de calidad
permite diseñar políticas de mejora diferenciadas y equitativas. Las
intervenciones ya no son de "talla única", sino que se adaptan a las
necesidades especícas de cada tipología (p. ej., reforzar la gestión
de recursos en instituciones emergentes o impulsar la transferencia
de conocimientos en centros altamente investigativos).
• Benchmarking y Rendición de Cuentas Justa: El agrupamiento
facilita la comparación entre instituciones verdaderamente
comparables. Una institución puede ser evaluada y rendir cuentas
conforme a los estándares de su propio clúster de calidad, lo que
promueve un proceso más justo y motivador (Jain & Law, 2005).
• Conocimiento profundo de la calidad: los gestores e
investigadores obtienen una comprensión dual: saben qué factores
están causalmente ligados a la calidad (gracias a EE) y dónde (en
qué tipo de institución) esos factores se maniestan en la práctica
(gracias al agrupamiento).
En denitiva, este libro proporciona las herramientas conceptuales
y prácticas para que la próxima generación de evaluadores e
investigadores en educación superior avance de un análisis supercial a
78
una evaluación estructural y tipológica. La complejidad de la calidad
universitaria exige métodos que estén a la altura de su desafío. Al dominar
las ecuaciones estructurales y el análisis de agrupamiento, el lector está
equipado no solo para medir la calidad, sino también para explicarla,
clasicarla y, fundamentalmente, mejorarla.
79
Bibliografía
Abdulla Badri, M., Younis, H., Grandon, E. E., Alshare, K., Abdulla, M., &
Selim, H. (2006). The Baldrige Education Criteria for Performance
Excellence Framework. International Journal of Quality & Reliability
Management, 23(9), 1118–1157. hps://doi.org/10.1108/02656710610704249
Ahmed, E. (2024). Student Performance Prediction Using Machine
Learning Algorithms. Applied Computational Intelligence and Soft Computing,
2024(1), 1–15. hps://doi.org/10.1155/2024/4067721
Ahmed, E. (2024). Student Performance Prediction Using Machine
Learning Algorithms. Applied Computational Intelligence and Soft Computing,
2024(1), 1–15. hps://doi.org/10.1155/2024/4067721
Ahuja, R., Jha, A., Srivastava, R., & Maurya, R. (2018). Analysis of
Educational Data Mining (pp. 897–907). Springer Singapore.
hps://doi.org/10.1007/978-981-13-0761-4_85
Alao, O. O., & Jagboro, G. O. (2017). Assessment of causative factors for
project abandonment in Nigerian public tertiary educational institutions.
International Journal of Building Pathology and Adaptation, 35(1), 41–62.
hps://doi.org/10.1108/ijbpa-07-2016-0016
Alibašić, H., L Atkinson, C., & Pelcher, J. (2024). The liminal state of
academic freedom: navigating corporatization in higher education.
Discover Education, 3(1). hps://doi.org/10.1007/s44217-024-00086-x
Andrade-Girón, D., Susanibar-Ramirez, E., Carreño-Cisneros, E., Marín-
Rodriguez, W., Zuñiga-Rojas, M., Villarreal-Torres, H., Sandivar-Rosas, J.,
& Angeles-Morales, J. (2024). Generative articial intelligence in higher
education learning: A review based on academic databases. Iberoamerican
Journal of Science Measurement and Communication, 4(1), 1–16.
hps://doi.org/10.47909/ijsmc.101
Antonenko, P. D., Niederhauser, D. S., & Toy, S. (2012). Using cluster
analysis for data mining in educational technology research. Educational
80
Technology Research and Development, 60(3), 383–398.
hps://doi.org/10.1007/s11423-012-9235-8
Antonenko, P. D., Niederhauser, D. S., & Toy, S. (2012). Using cluster
analysis for data mining in educational technology research. Educational
Technology Research and Development, 60(3), 383–398.
hps://doi.org/10.1007/s11423-012-9235-8
Cadiz, M. C. D., Ibarra, F. P., Natividad, L. R., Manuel, L. A. F., & Reyes,
M. M. (2024). Technology integration in Philippine higher education: A
content-based bibliometric analysis. Jurnal Ilmiah Ilmu Terapan Universitas
Jambi, 8(1), 35–47. hps://doi.org/10.22437/jiituj.v8i1.31807
Du, X., Zhang, H., Xu, S., Shao, F., & Wu, S. (2017). Water quality
assessment using hierarchical clustering based on Mahalanobis distance.
Environmental Monitoring and Assessment, 189(7).
hps://doi.org/10.1007/s10661-017-6035-y
Feng, G., Chen, Y., & Fan, M. (2022). Analysis and Prediction of Students’
Academic Performance Based on Educational Data Mining. IEEE Access,
10, 19558–19571. hps://doi.org/10.1109/access.2022.3151652
Fuadi, D., Harsono, H., Syah, M. F. J., Wahyono, B., Suhaili, S., & Susilo, A.
(2025). Self-Governance: Internationalization Management of Distinctive
Higher Education Towards The World-Class University. Indonesian Journal
on Learning and Advanced Education (IJOLAE), 3(2), 96–113.
hps://doi.org/10.23917/ijolae.v3i2.11754
Gill, S. K., Dhir, A., Singh, G., & Vrontis, D. (2021). Transformative Quality
in Higher Education Institutions (HEIs): Conceptualisation, scale
development and validation. Journal of Business Research, 138, 275–286.
hps://doi.org/10.1016/j.jbusres.2021.09.029
Hauptman, M. (2020). Discourses on quality and quality assurance in
higher education from the perspective of global university rankings.
Quality Assurance in Education, 28(1), 78–88. hps://doi.org/10.1108/qae-05-
2019-0055
81
Jain, A. K., & Law, M. H. C. (2005). Data Clustering: A User’s Dilemma (pp.
1–10). Springer Berlin Heidelberg. hps://doi.org/10.1007/11590316_1
Jayaprakash, S., Krishnan, S., & Jaiganesh, V. (2020). Predicting Students
Academic Performance using an Improved Random Forest Classier. 238–243.
hps://doi.org/10.1109/esci48226.2020.9167547
Jovanovic, M., Vukicevic, M., Milovanovic, M., & Minovic, M. (2012).
Using data mining on student behavior and cognitive style data for
improving e-learning systems: a case study. International Journal of
Computational Intelligence Systems, 5(3), 597.
hps://doi.org/10.1080/18756891.2012.696923
Kanji, G. K., Malek, A., & Tambi, B. A. (1999). Total quality management in
UK higher education institutions. Total Quality Management, 10(1), 129–153.
hps://doi.org/10.1080/0954412998126
Leckey, J., & Neill, N. (2001). Quantifying Quality: The importance of
student feedback. Quality in Higher Education, 7(1), 19–32.
hps://doi.org/10.1080/13538320120045058
Lyytinen, A., Kohtamäki, V., Kivistö, J., Pekkola, E., & Hölä, S. (2017).
Scenarios of quality assurance of stakeholder relationships in Finnish
higher education institutions. Quality in Higher Education, 23(1), 35–49.
hps://doi.org/10.1080/13538322.2017.1294410
Marques, M., Zapp, M., Biesta, G., & Powell, J. J. (2017). How does research
evaluation impact educational research? Exploring intended and
unintended consequences of research assessment in the United Kingdom,
1986–2014. European Educational Research Journal, 16(6), 820–842.
hps://doi.org/10.1177/1474904117730159
Mizikaci, F. (2006). A systems approach to program evaluation model for
quality in higher education. Quality Assurance in Education, 14(1), 37–53.
hps://doi.org/10.1108/09684880610643601
Nawaz, R., Aljohani, N. R., Visvizi, A., Shardlow, M., Hassan, S.-U., Sun,
Q., & Kontonatsios, G. (2022). Leveraging AI and Machine Learning for
National Student Survey: Actionable Insights from Textual Feedback to
82
Enhance Quality of Teaching and Learning in the UK’s Higher Education.
Applied Sciences, 12(1), 514. hps://doi.org/10.3390/app12010514
Pecuchova, J., & Drlik, M. (2024). Enhancing the Early Student Dropout
Prediction Model Through Clustering Analysis of Students’ Digital Traces.
IEEE Access, 12, 159336–159367.
hps://doi.org/10.1109/access.2024.3486762
Ross, P. M., Scanes, E., Poronnik, P., Coates, H., & Locke, W. (2022).
Understanding STEM academics\u2019 responses and resilience to
educational reform of academic roles in higher education. International
Journal of Stem Education, 9(1). hps://doi.org/10.1186/s40594-022-00327-1
Ruben, B. D. (2018). Quality in Higher Education. Routledge.
hps://doi.org/10.4324/9781351293563
Rudolph, J., Tan, S., Crawford, J., & Butler-Henderson, K. (2022). Perceived
quality of online learning during COVID-19 in higher education in
Singapore: perspectives from students, lecturers, and academic leaders.
Educational Research for Policy and Practice, 22(1), 171–191.
hps://doi.org/10.1007/s10671-022-09325-0
Sarikhani, Y., Shojaei, P., Raee, M., & Delavari, S. (2020). Analyzing the
interaction of main components of hidden curriculum in medical
education using interpretive structural modeling method. BMC Medical
Education, 20(1). hps://doi.org/10.1186/s12909-020-02094-5
Schaeper, H. (2019). The rst year in higher education: the role of
individual factors and the learning environment for academic integration.
Higher Education, 79(1), 95–110. hps://doi.org/10.1007/s10734-019-00398-0
Srikanthan, G., & Dalrymple, J. (2003). Developing alternative perspectives
for quality in higher education. International Journal of Educational
Management, 17(3), 126–136. hps://doi.org/10.1108/09513540310467804
Steinhardt, I., Göe, N., Schneijderberg, C., Krücken, G., & Baumann, J.
(2016). Mapping the quality assurance of teaching and learning in higher
education: the emergence of a specialty? Higher Education, 74(2), 221–237.
hps://doi.org/10.1007/s10734-016-0045-5
83
Tight, M. (2020). Research into Quality Assurance and Quality Management in
Higher Education (pp. 185–202). Emerald. hps://doi.org/10.1108/s2056-
375220200000006012
Vykydal, D., Folta, M., & Nenadál, J. (2020). A Study of Quality
Assessment in Higher Education within the Context of Sustainable
Development: A Case Study from the Czech Republic. Sustainability,
12(11), 4769. hps://doi.org/10.3390/su12114769
Wang, H., Qi, H., & Zhang, G. (2024). Grouping Subspace Segmentation.
IEEE Signal Processing Leers, 1. hps://doi.org/10.1109/lsp.2013.2251333
84
De esta edición de “Ecuaciones estructurales y análisis de agrupamiento para
la evaluación de la calidad en educación superior”, se terminó de editar en la
ciudad de Colonia del Sacramento, en la República Oriental del Uruguay,
el 8 de agosto de 2025.
85