1 Héctor Gertel, Roberto Giuliodori, María Luz Vera, Guadalupe Bastos, Manuel Gigena Primera Reunión Anual de la Sociedad Argentina de Economía Regional 16 de Noviembre de 2010. Universidad Nacional de San Martín Instituto de Economía y Finanzas – Universidad Nacional de Córdoba. Contacto: [email protected] El efecto fijo de las regiones en la regresión por cuantiles del desempeño académico de los estudiantes al término de la educación secundaria de Argentina

2 2 1. Introducción  La heterogeneidad regional ha sido señalada como un factor importante en la explicación de los comportamientos socio-económicos (Díaz Cafferata y Figueras, 1996).  ¿En qué medida el efecto fijo regional se manifiesta de manera diferenciada sobre los diferentes tramos de la distribución condicionada de los puntajes de pruebas estandarizadas de educación?.  La presencia de efectos fijos diferenciales está afectada de heterogeneidad según el cuantil de las distribución de las notas dentro de cada región? y, ¿para cada cuantil, difieren estos efectos entre regiones?

3  Metodología: Se emplean regresiones por cuantiles (Koenker y Bassett, 1978) para captar la heterogeneidad de los datos.  Datos: la información surge del Operativo Nacional de Evaluación del año 2000 (ONE 2000). Los alumnos considerados fueron los del último año del nivel secundario. La muestra de trabajo es de 90.530 casos. 2. Metodología y datos utilizados

4 Nivel Secundario (total de estudiantes) Fuente: Elaboración propia en base a datos del ONE 2000. 3. La heterogeneidad en los resultados de matemática

5 Bajo NSE Medio Bajo NSE Medio Alto NSE Alto NSE Fuente: Elaboración propia en base a datos del ONE 2000. Puntaje en matemática según nivel socioeconómico

6 Test de Breusch - Pagan Test de White Fuente: Elaboración propia en base a datos del ONE 2000. Pruebas formales de heterocedasticidad

7 Para un proceso de regresión del tipo El problema es Suponiendo De lo cual surge 4. Aspectos Metodológicos La regresión por MCO

8 Regresión por MCO Regresiones por Cuantiles Fuente: Extraído de “Perspectivas y avances recientes en regresión por cuantiles”, Sosa Escudero 2005.

9 Sea el proceso regresivo El problema es (Bassett y Koenker, 1978): Se obtienen estimaciones condicionadas de  para distintos . Aplicación: regresión para el j-ésimo cuantil Regresiones por cuantiles

10 Matriz de correlación y descriptores Fuente: Elaboración propia en base a datos del ONE 2000.

11 5. Resultados Coeficientes de regresión y valores p Valores p igualdad de coeficientes

12 Coeficientes estimados por deciles Nivel Socioeconómico Género Gestión Fuente: Elaboración propia en base a datos del ONE 2000.

13 El análisis regional Rendimiento promedio en matemática por cuartiles, desvío estándar y coeficiente de variación, según regiones Fuente: Elaboración propia en base a datos del ONE 2000.

14 El análisis regional Coeficientes de regresión y valores p Valores p igualdad de coeficientes

15 Rendimiento matemática (t-1) Rendimiento otras materias Repitencia GéneroActitud hacia la materia Coeficientes estimados por deciles INSE

16 Rural Gestión Deserción hermanos Textos escolares Coeficientes estimados por deciles

17 Patagonia NOA Pampeana Coeficientes estimados por deciles: Las regiones argentinas NEA GBA Cuyo

18  El trabajo permitió verificar la presencia de un efecto fijo regional, diferenciado por cuantiles. 6. Conclusiones  El mismo se manifestó con mayor intensidad en todas las regiones en la cola superior de la distribución de notas en matemática.  Los alumnos del decil superior de notas en GBA y Pampeana son más parecidos a los de CABA que los alumnos del decil inferior. Esto no sucede en las otras regiones.

19 6. Conclusiones  Este tipo de análisis proporciona elementos para una mayor focalización de las políticas compensatorias, que podrían diferenciar los tratamientos para el aprendizaje a aplicar sobre los alumnos según sea que éstos se ubiquen hacia la parte superior, estén en el centro, o en la parte inferior de la distribución de las notas en las distintas regiones.

20 - Alejo, Javier (2006). "Desigualdad Salarial En El Gran Buenos Aires. Una Aplicación De Regresión Por Cuantiles En Microdescomposiciones." Anales XLI Reunión Anual de la Asociación Argentina de Economía Política (AAEP). Disponible en www.aaep.org.ar/anales/download/2006/programa2006.pdfwww.aaep.org.ar/anales/download/2006/programa2006.pdf -Arias, Omar, Hallock, Kevin and Sosa Escudero, Walter (2000). "Individual Heterogeneity in the Returns to Schooling: Instrumental Variables Quantile Regression Using Twins Data." Disponible en http://papers.ssrn.com/sol3/papers.cfm?abstract_id=238898. http://papers.ssrn.com/sol3/papers.cfm?abstract_id=238898 - Barrientos Marín, Jorge (2008). “Calidad de la educación pública y logro académico en Medellín 2004-2006. Una aproximación por regresión intercuartil”. Lecturas de Economía, 68 (enero -junio), pp. 121-144 - Bassett,Gilbert and Koenker, Roger (1978). "Regression Quantiles." Econométrica, 46(1) 33-50. - Bassett, Gilbert and Koenker, Roger (1982). "An Empirical Quantile Function for Linear Models with iid Errors." Journal of the American Statistical Association 77(378), pp. 407-15. - Bassett, Gilbert and Koenker, Roger (1986). "Strong Consistency of Regression Quantiles and Related Empirical Processes." Econometric Theory 2, pp. 191-201. - Birch, E. R., and Miller P. W. (2006). Student Outcomes at University in Australia: A Quantile Regression Approach. Australian Economic Papers, March, 1-17 - Buchinsky, Moshe (1962). "Changes in the U.S. Wage Structure 1963-1987: Application of Quantile Regression." Econométrica 62(2), pp. 405-58. - Buchinsky, Moshe (1998). "The Dynamics of Changes in the Female Wage Distribution in the USA: A Quantile Regression Approach." Econométrica 13(1), pp. 1-30. - Cameron Colin A. y Trivedi P.K. (2010). Microeconometrics using STATA, Texas. Stata Press -Cervini, Rubén (2003) “Diferencias de resultados cognitivos y no-cognitivos entre estudiantes de escuelas públicas y privadas en la educación secundaria de Argentina: Un análisis multinivel.” Education Policy Analysis Archives, 11(5). - Cervini, R. (2002) "Desigualdades en el Logro Académico y Reproducción Cultural en la Educación Primaria de Argentina - Un modelo de tres niveles." Revista Mexicana de Investigación Educativa, 7(16): 445-500. Disponible en: http://www.comie.org.mx/revista/Pdfs/Carpeta16/16investTem2.pdf 7. Referencias bibliográficas

21 -Díaz Cafferata Alberto M y Figueras Alberto J (1996). “Dimensión espacial de la desocupación en Argentina. Alternativas de regionalización”. Disponible en www.aaep.org.ar/espa/anales/pdf_96/Cafferata-Figueras.pdf - Eide, Eric y Showalter, Mark H (1998) “The effect of school quality on student performance: A quantile regression approach” Economics Letters 58 pp. 345–350. -Gasparini, L. and Sosa Escudero, W. (2003) “Implicit Rents from Own-housing and Income Distribution: Econometric Estimates for Greater Buenos Aires” Journal of Income Distribution. Volume 12,Number 1-2 Spring-Summer. - Gertel Héctor R, Giuliodori Roberto F, Vera María Luz, Bastos Guadalupe y Costanzo Sonia (2010). “Heterogeneidad en el Desempeño Académico de los Estudiantes de Argentina: Evidencia a partir de Regresión por Cuantiles”. XIX Jornadas en Economía de la Educación”, Asociación de Economía de la Educación. Zaragoza, España, Julio 8 y 9 de 2010. - Gertel Héctor, Giuliodori Roberto, Herrero Verónica and, Fresoli Diego (2007) “Los factores determinantes del rendimiento escolar al término de la educación básica en Argentina. Una aplicación de técnicas de análisis jerárquico de datos”. XVI Jornadas de la Asociación de Economía de la Educación. Gran Canaria. España. July 12-13, 2007. - Getinet, Haile y Ngoc Ann, Nguyen (2007) “Determinants of Academic Attainment in the US: a Quantile regression analysis of test scores” Munich Personal RePEc Archive 1878. Disponible en http://mpra.ub.uni-muenchen.de/4626/ http://mpra.ub.uni-muenchen.de/4626/ - Giuliodori, Roberto F., Gertel, Héctor R., Casini, Rosanna and Gonzalez, Mariana (2009). "Análisis de desempeño académico mediante regresión por cuantiles aplicado a estudiantes de dos facultades de la Universidad Nacional de Córdoba. XXXVII Coloquio Argentino de Estadística. Catamarca. Octubre 7-9. - Guiso Luigi, Ferdinando Monte, Paola Sapienza, Luigi Zingales (2008) “Diversity: Culture, Gender, and Math” Science 30 May Vol. 320. no. 5880, pp. 1164 - 1165 -Hallock, Kevin F. and Koenker, Roger (2001) "Quantile Regression" The Journal of Economic Perspectives 15(4), pp. 143-56. - Hanushek, Eric A. y Dongwook, Kim (1995). “ Schooling, Labor Force Quality, and Economic Growth”, National Bureau of Economic Research, Working Papers 5399. - Herrero V., Palacios P., Ruíz Díaz, F. (2005) “Un índice de nivel socio-económico de los hogares para aplicar a un modelo explicativo del rendimiento escolar”. XXXIII Coloquio de la Sociedad Argentina de Estadística. Villa Giardino. Córdoba. Argentina.

22 -Kenney-Benson G. et al (2006) “Sex Differences in Math Performance: The Role of Children´s Approach to Schoolwork” Developmental Psychology, Vol 42 (1), pp. 11-26. - Koenker, Roger (2005). Quantile Regression. Econometric Society Monographs. Cambridge University Press. -Machado, José A. F. and Koenker, Roger (1999). "Goodness of Fit and Related Inference Processes for Quantile Regression." American Statistical Association 94(448), pp. 1296-310. - Machado, José A. F. y Santos Silva, J.M.C. (2005). "Quantiles for Counts". Journal of the American Statistical Association 100, pp. 1226-1237. - Machin Stephen and Tuomas Pekkarinen (2008) “ASSESSMENT: Global Sex Differences in Test Score Variability” Science 28 November Vol. 322. no. 5906, pp. 1331 – 1332. -Pereira, Pedro and Martins, Pedro (2004) "Does Education Reduce Wage Inequality? Quantile Regression Evidence from 16 Countries" Labour Economics 11, pp. 355– 71. - Roy, Wada y Zahirovic-Herbert, Herbert (2009) “Distribution of Demand for School Quality: Evidence from Quantile Regression” Munich Personal RePEc Archive 1878. Disponible en http://mpra.ub.uni- muenchen.de/18078/http://mpra.ub.uni- muenchen.de/18078/ - Santos, María Emma (2007) “Quality of Education in Argentina: Determinants and Distribution using PISA 2000 test scores” Universidad Nacional del Sur – CONICET. - Tian, Maozai (2006). “A Quantile Regression Analysis of Family Background Factor Effects on Mathematical Achievement” Journal of Data Science 4, pp. 461-478. - Zhu, Li-Xing and He, Xuming (2003). "A Lack-of-Fit Test for Quantile Regression." Journal of the American Statistical Association 98(464), pp. 1013-22.