Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba
La sobrepermanencia es un problema que afecta a diversas instituciones académicas,comprender e identificar los factores que la influyen es crucial para mejorar y desarrollar estrategias efectivas que mejoren las tasas de graduación y el rendimiento académico. En la Universidad de Córdoba, ciertos pr...
- Autores:
-
Correa Vanegas, Emelis
Montes Montiel, Leandra
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Córdoba
- Repositorio:
- Repositorio Institucional Unicórdoba
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unicordoba.edu.co:ucordoba/8381
- Acceso en línea:
- https://repositorio.unicordoba.edu.co/handle/ucordoba/8381
https://repositorio.unicordoba.edu.co
- Palabra clave:
- Sobrepermanencia
Modelo Logístico
Multinomial
Modelo de Cox
AIC
BIC
Log-likelihood
Overstay
Multinomial Logistic Model
Cox Model
AIC
BIC
Log-likelihood
- Rights
- openAccess
- License
- Copyright Universidad de Córdoba, 2024
| id |
UCORDOBA2_4616512d8a37c6164906075023ff2925 |
|---|---|
| oai_identifier_str |
oai:repositorio.unicordoba.edu.co:ucordoba/8381 |
| network_acronym_str |
UCORDOBA2 |
| network_name_str |
Repositorio Institucional Unicórdoba |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| title |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| spellingShingle |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba Sobrepermanencia Modelo Logístico Multinomial Modelo de Cox AIC BIC Log-likelihood Overstay Multinomial Logistic Model Cox Model AIC BIC Log-likelihood |
| title_short |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| title_full |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| title_fullStr |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| title_full_unstemmed |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| title_sort |
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba |
| dc.creator.fl_str_mv |
Correa Vanegas, Emelis Montes Montiel, Leandra |
| dc.contributor.advisor.none.fl_str_mv |
Martínez Flórez, Guillermo Durango Suarez Luis Manuel |
| dc.contributor.author.none.fl_str_mv |
Correa Vanegas, Emelis Montes Montiel, Leandra |
| dc.contributor.jury.none.fl_str_mv |
Morales Ospino, Victor Alfonso Ramos Ramírez, Victor Alfonso |
| dc.subject.proposal.none.fl_str_mv |
Sobrepermanencia Modelo Logístico Multinomial Modelo de Cox AIC BIC Log-likelihood |
| topic |
Sobrepermanencia Modelo Logístico Multinomial Modelo de Cox AIC BIC Log-likelihood Overstay Multinomial Logistic Model Cox Model AIC BIC Log-likelihood |
| dc.subject.keywords.none.fl_str_mv |
Overstay Multinomial Logistic Model Cox Model AIC BIC Log-likelihood |
| description |
La sobrepermanencia es un problema que afecta a diversas instituciones académicas,comprender e identificar los factores que la influyen es crucial para mejorar y desarrollar estrategias efectivas que mejoren las tasas de graduación y el rendimiento académico. En la Universidad de Córdoba, ciertos programas académicos presentan índices elevados de cancelación y pérdida de materias, lo que puede ser un indicativo de dificultades específicas en el currículo o en la preparación de los estudiantes. Por ejemplo, en la Facultad de Ingenierías, específicamente en el programa de Ingeniería de alimentos durante el período 2023, las materias con mayor índice de cancelación fueron microbiología general y cálculo integral, mientras que las materias más perdidas fueron operaciones unitarias II y cálculo integral. Similarmente, en la Facultad de Ciencias Básicas, en el programa de química, las materias más canceladas fueron cálculo II, ecuaciones diferenciales y química analítica. Estos patrones sugieren que ciertas asignaturas pueden representar obstáculos significativos para los estudiantes, contribuyendo a la sobrepermanencia.Por otro lado, para llevar a cabo este estudio, se siguió una metodología estructurada en varias etapas. En primer lugar, se realizó un análisis descriptivo de los datos académicos de diferentes programas para identificar las materias con mayor índice de cancelación y pérdida.Posteriormente, se seleccionaron y analizaron variables académicas relevantes como el número de créditos aprobados, el índice de cancelaciones y repitencia, y la nota final. Estas variables se consideraron clave para entender su relación con la sobrepermanencia estudiantil. Para modelar y cuantificar la influencia de estas variables en la sobrepermanencia, se implementaron dos modelos estadísticos: el modelo de Cox Lasso y el modelo Logístico Multinomial. Ambos modelos fueron evaluados por su capacidad de ajuste y precisión en la identificación de los factores que contribuyen a la sobrepermanencia. Finalmente, se analizaron los resultados de los modelos para interpretar las relaciones entre las variables estudiadas y la sobrepermanencia, proporcionando una visión clara de los factores que más influyen en este fenómeno. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-07-12T12:34:11Z |
| dc.date.available.none.fl_str_mv |
2024-07-12T12:34:11Z |
| dc.date.issued.none.fl_str_mv |
2024-07-10 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.none.fl_str_mv |
Text |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8381 |
| dc.identifier.instname.none.fl_str_mv |
Universidad de Córdoba |
| dc.identifier.reponame.none.fl_str_mv |
Repositorio Universidad de Córdoba |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unicordoba.edu.co |
| url |
https://repositorio.unicordoba.edu.co/handle/ucordoba/8381 https://repositorio.unicordoba.edu.co |
| identifier_str_mv |
Universidad de Córdoba Repositorio Universidad de Córdoba |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Acevedo, D., Torres, J. A. D., y Jiménez, M. A. J. (2015). Factores asociados a la repetición de cursos y retraso en la graduación en programas de ingeniería de la universidad de Cartagena, en Colombia. Formación Universitaria, 8 , 35–42. Descargado de http://www.scielo.cl/scielo.php?script=sciarttextpid = S0718 − 50062015000200006nrm = iso Agresti, A. (2002). Categorical data analysis. John Wiley Sons. Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley. Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley. Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19 (6), 716-723. doi: 10.1109/TAC.1974.1100705 Avila Guzmán, O. L. (2017). ´ Planteamiento de un modelo logístico multinomial como herramienta estadística para evaluar el desempeño de los laboratorios que analizan agua para consumo humano. Bean, J. P. (1980). Abandono y rotación: Síntesis y prueba de un modelo causal de deserción estudiantil. Investigación en Educación Superior , 12 (2), 155-187. Candamil, M., Palomá, L., y Sánchez, J. (2009). Análisis de la deserción estudiantil en la universidad de caldas 1998-2006. Casella, G., y Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press. Crozier, W. R. (2001). Diferencias individuales en el aprendizaje: personalidad y rendimiento escolar (Vol. 86). Narcea Ediciones. U de Córdoba, U. (2018). Acuerdo 040 (bis): Por medio del cual se implementa el proyecto adatar de análisis de datos académicos para tempranas alertas sobre retención. Descargado de https://example.com/acuerdo040bis Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character , 222 , 309-368. doi: 10.1098/rsta.1922.0009 Friedman, J., Hastie, T., Tibshirani, R., Simon, N., Narasimhan, B., y Qian, J. (2023). Regularization paths for generalized linear models via coordinate descent [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=glmnet (R package version 4.1-1) González, L. (2005). Estudio sobre la repitencia y la deserción en la educación superior chilena. Observatorio de la educación superior en América Latina y el Caribe.IESALC/UNESCO. Grupo De Estadística, D. D. P. (2023). Informe tasa de graduación acumulada y posibles causas de la sobrepermanencia. Guamán, A., Salazar, y Cáceres. (2019). Factores sociales, económicos y académicos que inciden en la repitencia de asignaturas de los estudiantes de la facultad de ciencias económicas de la universidad central del ecuador del período 2018-2019. Trabajo de investigación previo a la obtención del título de Ingeniero en Estadística. Hastie, T., Tibshirani, R., y Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer. Hosmer, D. W., Lemeshow, S., y Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley. Hunter, J. D. (2007). Matplotlib: A 2d graphics environment. Computing in Science & Engineering, 9 (3), 90–95. doi: 10.1109/MCSE.2007.55 Kassambara, A., Kosinski, M., y Biecek, P. (2023). Drawing survival curves using ’ggplot2’ [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=survminer (R package version 0.4.9) Klein, J. P., y Moeschberger, M. L. (2003). Survival analysis: techniques for censored and truncated data. Springer Science & Business Media. Meléndez Surmay, R. (2008). Estudio sobre deserción y permanencia académica en la facultad de ingeniería de la universidad de la guajira desde el ii pa 2005 hasta el ii pa 2007. MINEDU. (2009). Deserción estudiantil en la educación superior colombiana. Descargado de http://www.mineducacion.gov.co/sistemasdeinformacion/1735/ articles-254702librodesercion.pdf Murphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press. Muñoz, F. (2011). Factores asociados a la repitencia y deserción escolar en educación básica en chile. Revista de la Educación Superior , 40 (159), 37-57. Muñoz, I. C. (2009). Construcción del conocimiento sobre la etiología del rezago educativo y sus implicaciones para la orientación de las políticas públicas: la experiencia de méxico. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 7 (4), 28-45. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12 , 2825–2830. Putter, H., Fiocco, M., y Geskus, R. B. (2023). mstate: Analyzing multi-state models [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=mstate (R package version 0.3.1) Raschka, S. (2018). Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientific computing stack. Descargado de http://rasbt.github.io/mlxtend/ (Version 0.17.0) Román, M. C. (2013). Factores asociados al abandono y la deserción escolar en américa latina: una mirada en conjunto. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 11 (2), 33-59. Santamaría, F., y Bustos, A. (2013). Permanence and dropout rates in higher education: A research experience based on young students voices. Revista Infancias Imágenes, 12 (2), 73-80. Schieber, B. (2024, 9 de marzo). La naturaleza del error humano. Schwarz, G. E. (1978). Estimating the dimension of a model. The Annals of Statistics, 6 (2), 461-464. doi: 10.1214/aos/1176344136 Seabold, S., y Perktold, J. (2010). statsmodels: Econometric and statistical modeling with python. En 9th python in science conference. Therneau, T. M., y Lumley, T. (2023). A package for survival analysis in r [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=survival (R package version 3.5- 0) Travis Oliphant, y NumPy community. (2023). Numpy: The fundamental package for scientific computing with python [Manual de software inform´atico]. Descargado de https://numpy.org (Python package version 1.22.2) UNESCO. (2006). Understanding education quality. UNESCO Publishing. Waskom, M. L. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6 (60), 3021. Descargado de https://doi.org/10.21105/joss.03021 doi: 10.21105/joss.03021 Wes McKinney. (2010). Data Structures for Statistical Computing in Python. En St´efan van der Walt y Jarrod Millman (Eds.), Proceedings of the 9th Python in Science Conference (p. 56 - 61). doi: 10.25080/Majora-92bf1922- 00a Wickham, H., Fran¸cois, R., Henry, L., y M¨uller, K. (2023). dplyr: A grammar of data manipulation [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=dplyr (R package version 1.0.10) |
| dc.rights.none.fl_str_mv |
Copyright Universidad de Córdoba, 2024 |
| dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.license.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Copyright Universidad de Córdoba, 2024 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de Córdoba |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias Básicas |
| dc.publisher.place.none.fl_str_mv |
Montería, Córdoba, Colombia |
| dc.publisher.program.none.fl_str_mv |
Estadística |
| publisher.none.fl_str_mv |
Universidad de Córdoba |
| institution |
Universidad de Córdoba |
| bitstream.url.fl_str_mv |
https://repositorio.unicordoba.edu.co/bitstreams/2a47e994-de06-4f7d-aef5-4b717cbb9a32/download https://repositorio.unicordoba.edu.co/bitstreams/52a64258-4a17-47bc-a316-c3199f5cd25f/download https://repositorio.unicordoba.edu.co/bitstreams/79296bad-50c8-4725-972f-ee544c754a1a/download https://repositorio.unicordoba.edu.co/bitstreams/3bd36e4e-be51-49b4-8d1a-9a74163ccaf3/download https://repositorio.unicordoba.edu.co/bitstreams/857d8375-35e0-44de-bae3-23e7ec182e8d/download https://repositorio.unicordoba.edu.co/bitstreams/3d194619-8893-413b-8cf0-22ec2ea8e4fe/download https://repositorio.unicordoba.edu.co/bitstreams/dba7c674-f2c0-4054-8351-e7e196e11895/download |
| bitstream.checksum.fl_str_mv |
326a919c60531342f74a85fefe81bb9b 8466f09069f4e6ec8a7a98b79bb17320 73a5432e0b76442b22b026844140d683 81691fcb9315b042d0c83e964be4711a d99a5cd31700cd4f91f39cfebc8c57c7 f800d71a7340735d948157bee1ee82df 23ad5e0281267b5910be35c0b10a1ecb |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad de Córdoba |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1839636146579046400 |
| spelling |
Martínez Flórez, Guillermo440e3c6a-dba5-40bd-aee4-5d88c6435e9e600Durango Suarez Luis Manuel695d2955-c61f-412f-9a66-7ad4712a621b-1Correa Vanegas, Emelise1d76759-c278-4084-885c-7486c640aff1Montes Montiel, Leandra2502f5f8-11c2-43f2-8fe9-7f3d94aa4d5dMorales Ospino, Victor Alfonso96afe819-9863-463a-89d7-8e9beeca9ee1Ramos Ramírez, Victor Alfonso8ccc1e8d-fd19-4c68-a68f-4a5ce67a94f62024-07-12T12:34:11Z2024-07-12T12:34:11Z2024-07-10https://repositorio.unicordoba.edu.co/handle/ucordoba/8381Universidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.coLa sobrepermanencia es un problema que afecta a diversas instituciones académicas,comprender e identificar los factores que la influyen es crucial para mejorar y desarrollar estrategias efectivas que mejoren las tasas de graduación y el rendimiento académico. En la Universidad de Córdoba, ciertos programas académicos presentan índices elevados de cancelación y pérdida de materias, lo que puede ser un indicativo de dificultades específicas en el currículo o en la preparación de los estudiantes. Por ejemplo, en la Facultad de Ingenierías, específicamente en el programa de Ingeniería de alimentos durante el período 2023, las materias con mayor índice de cancelación fueron microbiología general y cálculo integral, mientras que las materias más perdidas fueron operaciones unitarias II y cálculo integral. Similarmente, en la Facultad de Ciencias Básicas, en el programa de química, las materias más canceladas fueron cálculo II, ecuaciones diferenciales y química analítica. Estos patrones sugieren que ciertas asignaturas pueden representar obstáculos significativos para los estudiantes, contribuyendo a la sobrepermanencia.Por otro lado, para llevar a cabo este estudio, se siguió una metodología estructurada en varias etapas. En primer lugar, se realizó un análisis descriptivo de los datos académicos de diferentes programas para identificar las materias con mayor índice de cancelación y pérdida.Posteriormente, se seleccionaron y analizaron variables académicas relevantes como el número de créditos aprobados, el índice de cancelaciones y repitencia, y la nota final. Estas variables se consideraron clave para entender su relación con la sobrepermanencia estudiantil. Para modelar y cuantificar la influencia de estas variables en la sobrepermanencia, se implementaron dos modelos estadísticos: el modelo de Cox Lasso y el modelo Logístico Multinomial. Ambos modelos fueron evaluados por su capacidad de ajuste y precisión en la identificación de los factores que contribuyen a la sobrepermanencia. Finalmente, se analizaron los resultados de los modelos para interpretar las relaciones entre las variables estudiadas y la sobrepermanencia, proporcionando una visión clara de los factores que más influyen en este fenómeno.Overpermanence is a problem that affects various academic institutions, understanding and identifying the factors that influence it is crucial to improve and develop effective strategies that improve graduation rates and academic performance. At the University of Córdoba, certain academic programs have high rates of cancellation and loss of subjects, which may be indicative of specific difficulties in the curriculum or in the preparation of students. For example, in the Faculty of Engineering, specifically in the Food Engineering program during the 2023 period, the subjects with the highest cancellation rate were general microbiology and integral calculus, while the most lost subjects were unit operations II and integral calculus. Similarly, in the Faculty of Basic Sciences, in the chemistry program, the most canceled subjects were calculus II, differential equations and analytical chemistry. These patterns suggest that certain subjects may represent significant obstacles for students, contributing to over-retention. On the other hand, to carry out this study, a methodology structured in several stages was followed. First, a descriptive analysis of the academic data from different programs was carried out to identify the subjects with the highest cancellation and loss rates. Subsequently, relevant academic variables such as the number of credits approved, the rate of cancellations and repetition were selected and analyzed. , and the final grade. These variables were considered key to understanding their relationship with student retention. To model and quantify the influence of these variables on overstay, two statistical models were implemented: the Cox Lasso model and the Multinomial Logistic model. Both models were evaluated for their adjustability and accuracy in identifying factors that contribute to overpermanence. Finally, the results of the models were analyzed to interpret the relationships between the variables studied and overpermanence, providing a clear vision of the factors that most influence this phenomenon.1. Abstract8.21. Odds Ratio2. Introducción3. Planteamiento del Problema4. Justificación5. Objetivos5.1. Objetivo General5.2. Objetivos Específicos6. Estado del Arte6.1. Antecedentes6.2. Marco Conceptual7. Metodología8. Resultados8.1. Análisis Descriptivo8.2. Cancelaciones8.3. Facultad de Ingenierías8.3.1. Ingeniería de Alimentos8.4. Facultad de Ciencias Básicas8.4.1. Química8.5. Facultad de Ciencias de la Salud8.5.1. Bacteriología8.6. Facultad de Ciencias Agrícolas8.6.1. Ingeniería Agronómica8.7. Facultad de Educación y Ciencias Humanas8.7.1. Licenciatura en Lenguas Extranjeras Con Enfasis en Inglés8.8. Facultad de Ciencias Económicas, Jurídicas y Administrativas8.8.1. Administración en Finanzas y Negocios Internacionales8.9. Facultad de Medicina Veterinaria y Zootecnia8.9.1. Medicina Veterinaria y Zootecnia8.10. Materias Perdidas8.11. Facultad de Ingenierías8.11.1. Ingeniería de Alimentos8.12. Facultad de Ciencias Básicas8.12.1. Química8.13. Facultad de Ciencias de la Salud8.13.1. Bacteriología8.14. Facultad de Ciencias Agrícolas8.14.1. Ingeniería Agronómica8.15. Facultad de Educación y Ciencias Humanas8.15.1. Licenciatura en Lenguas Extranjeras Con Enfasis en Inglés8.16. Facultad de Ciencias Económicas, Jurídicas y Administrativas8.16.1. Administraci´on en Finanzas y Negocios Internacionales8.17. Facultad de Medicina Veterinaria y Zootecnia8.17.1. Medicina Veterinaria y Zootecnia8.18. Aplicación del Modelo de Cox8.19. Aplicación del modelo logístico Multinomial8.20. Diagnóstico del Modelo8.22. Facultad de Ingenierías8.23. Diagnóstico del modelo Facultad de Ingenierías8.24. Odds Ratios Facultad de ingeniería8.25. Facultad de Educación8.26. Diagnóstico del modelo Facultad de Educación8.27. Facultad de Medicina veterinaria y zootecnia8.28. Diagnóstico del modelo Facultad MVZ8.29. Odds Ratios Facultad MVZ8.30. Facultad de Ciencias de la Salud8.31. Diagnóstico del modelo Facultad Ciencias de la Salud8.32. Odds Ratios Facultad Ciencias de la Salud8.33. Facultad de Ciencias Agrícolas8.34. Diagnóstico del Modelo Facultad Ciencias Agrícolas8.35. Odds Ratios Facultad Ciencias Agrícolas8.36. Facultad de Ciencias Económicas, Jurídicas y Administrativas (FACEJA)8.37. Diagnóstico del modelo FACEJA8.38. Odds Ratios Facultad Ciencias de la Salud8.39. Facultad de Ciencias Básicas8.40. Diagnóstico del modelo Ciencias Básicas8.41. Odds Ratios Facultad de Ciencias Básicas9. Conclusión10.RecomendacionesPregradoEstadístico(a)Pasantíasapplication/pdfspaUniversidad de CórdobaFacultad de Ciencias BásicasMontería, Córdoba, ColombiaEstadísticaCopyright Universidad de Córdoba, 2024https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de CórdobaTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/acceptedVersionTextAcevedo, D., Torres, J. A. D., y Jiménez, M. A. J. (2015). Factores asociados a la repetición de cursos y retraso en la graduación en programas de ingeniería de la universidad de Cartagena, en Colombia. Formación Universitaria, 8 , 35–42. Descargado de http://www.scielo.cl/scielo.php?script=sciarttextpid = S0718 − 50062015000200006nrm = isoAgresti, A. (2002). Categorical data analysis. John Wiley Sons.Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.Agresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19 (6), 716-723. doi: 10.1109/TAC.1974.1100705Avila Guzmán, O. L. (2017). ´ Planteamiento de un modelo logístico multinomial como herramienta estadística para evaluar el desempeño de los laboratorios que analizan agua para consumo humano.Bean, J. P. (1980). Abandono y rotación: Síntesis y prueba de un modelo causal de deserción estudiantil. Investigación en Educación Superior , 12 (2), 155-187.Candamil, M., Palomá, L., y Sánchez, J. (2009). Análisis de la deserción estudiantil en la universidad de caldas 1998-2006.Casella, G., y Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.Crozier, W. R. (2001). Diferencias individuales en el aprendizaje: personalidad y rendimiento escolar (Vol. 86). Narcea Ediciones.U de Córdoba, U. (2018). Acuerdo 040 (bis): Por medio del cual se implementa el proyecto adatar de análisis de datos académicos para tempranas alertas sobre retención. Descargado de https://example.com/acuerdo040bisFisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character , 222 , 309-368. doi: 10.1098/rsta.1922.0009Friedman, J., Hastie, T., Tibshirani, R., Simon, N., Narasimhan, B., y Qian, J. (2023). Regularization paths for generalized linear models via coordinate descent [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=glmnet (R package version 4.1-1)González, L. (2005). Estudio sobre la repitencia y la deserción en la educación superior chilena. Observatorio de la educación superior en América Latina y el Caribe.IESALC/UNESCO.Grupo De Estadística, D. D. P. (2023). Informe tasa de graduación acumulada y posibles causas de la sobrepermanencia.Guamán, A., Salazar, y Cáceres. (2019). Factores sociales, económicos y académicos que inciden en la repitencia de asignaturas de los estudiantes de la facultad de ciencias económicas de la universidad central del ecuador del período 2018-2019. Trabajo de investigación previo a la obtención del título de Ingeniero en Estadística.Hastie, T., Tibshirani, R., y Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.Hosmer, D. W., Lemeshow, S., y Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.Hunter, J. D. (2007). Matplotlib: A 2d graphics environment. Computing in Science & Engineering, 9 (3), 90–95. doi: 10.1109/MCSE.2007.55Kassambara, A., Kosinski, M., y Biecek, P. (2023). Drawing survival curves using ’ggplot2’ [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=survminer (R package version 0.4.9)Klein, J. P., y Moeschberger, M. L. (2003). Survival analysis: techniques for censored and truncated data. Springer Science & Business Media.Meléndez Surmay, R. (2008). Estudio sobre deserción y permanencia académica en la facultad de ingeniería de la universidad de la guajira desde el ii pa 2005 hasta el ii pa 2007.MINEDU. (2009). Deserción estudiantil en la educación superior colombiana. Descargado de http://www.mineducacion.gov.co/sistemasdeinformacion/1735/ articles-254702librodesercion.pdfMurphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.Muñoz, F. (2011). Factores asociados a la repitencia y deserción escolar en educación básica en chile. Revista de la Educación Superior , 40 (159), 37-57.Muñoz, I. C. (2009). Construcción del conocimiento sobre la etiología del rezago educativo y sus implicaciones para la orientación de las políticas públicas: la experiencia de méxico. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 7 (4), 28-45.Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12 , 2825–2830.Putter, H., Fiocco, M., y Geskus, R. B. (2023). mstate: Analyzing multi-state models [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=mstate (R package version 0.3.1)Raschka, S. (2018). Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientific computing stack. Descargado de http://rasbt.github.io/mlxtend/ (Version 0.17.0)Román, M. C. (2013). Factores asociados al abandono y la deserción escolar en américa latina: una mirada en conjunto. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 11 (2), 33-59.Santamaría, F., y Bustos, A. (2013). Permanence and dropout rates in higher education: A research experience based on young students voices. Revista Infancias Imágenes, 12 (2), 73-80.Schieber, B. (2024, 9 de marzo). La naturaleza del error humano.Schwarz, G. E. (1978). Estimating the dimension of a model. The Annals of Statistics, 6 (2), 461-464. doi: 10.1214/aos/1176344136Seabold, S., y Perktold, J. (2010). statsmodels: Econometric and statistical modeling with python. En 9th python in science conference.Therneau, T. M., y Lumley, T. (2023). A package for survival analysis in r [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=survival (R package version 3.5- 0)Travis Oliphant, y NumPy community. (2023). Numpy: The fundamental package for scientific computing with python [Manual de software inform´atico]. Descargado de https://numpy.org (Python package version 1.22.2)UNESCO. (2006). Understanding education quality. UNESCO Publishing.Waskom, M. L. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6 (60), 3021. Descargado de https://doi.org/10.21105/joss.03021 doi: 10.21105/joss.03021Wes McKinney. (2010). Data Structures for Statistical Computing in Python. En St´efan van der Walt y Jarrod Millman (Eds.), Proceedings of the 9th Python in Science Conference (p. 56 - 61). doi: 10.25080/Majora-92bf1922- 00aWickham, H., Fran¸cois, R., Henry, L., y M¨uller, K. (2023). dplyr: A grammar of data manipulation [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=dplyr (R package version 1.0.10)SobrepermanenciaModelo LogísticoMultinomialModelo de CoxAICBICLog-likelihoodOverstayMultinomial Logistic ModelCox ModelAICBICLog-likelihoodPublicationORIGINALInforme Sobrepermanencia Final.pdfInforme Sobrepermanencia Final.pdfapplication/pdf7367501https://repositorio.unicordoba.edu.co/bitstreams/2a47e994-de06-4f7d-aef5-4b717cbb9a32/download326a919c60531342f74a85fefe81bb9bMD53Formato concentimiento.pdfFormato concentimiento.pdfapplication/pdf950882https://repositorio.unicordoba.edu.co/bitstreams/52a64258-4a17-47bc-a316-c3199f5cd25f/download8466f09069f4e6ec8a7a98b79bb17320MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-815543https://repositorio.unicordoba.edu.co/bitstreams/79296bad-50c8-4725-972f-ee544c754a1a/download73a5432e0b76442b22b026844140d683MD55TEXTInforme Sobrepermanencia Final.pdf.txtInforme Sobrepermanencia Final.pdf.txtExtracted texttext/plain102090https://repositorio.unicordoba.edu.co/bitstreams/3bd36e4e-be51-49b4-8d1a-9a74163ccaf3/download81691fcb9315b042d0c83e964be4711aMD56Formato concentimiento.pdf.txtFormato concentimiento.pdf.txtExtracted texttext/plain126https://repositorio.unicordoba.edu.co/bitstreams/857d8375-35e0-44de-bae3-23e7ec182e8d/downloadd99a5cd31700cd4f91f39cfebc8c57c7MD58THUMBNAILInforme Sobrepermanencia Final.pdf.jpgInforme Sobrepermanencia Final.pdf.jpgGenerated Thumbnailimage/jpeg5788https://repositorio.unicordoba.edu.co/bitstreams/3d194619-8893-413b-8cf0-22ec2ea8e4fe/downloadf800d71a7340735d948157bee1ee82dfMD57Formato concentimiento.pdf.jpgFormato concentimiento.pdf.jpgGenerated Thumbnailimage/jpeg15422https://repositorio.unicordoba.edu.co/bitstreams/dba7c674-f2c0-4054-8351-e7e196e11895/download23ad5e0281267b5910be35c0b10a1ecbMD59ucordoba/8381oai:repositorio.unicordoba.edu.co:ucordoba/83812024-07-13 03:01:08.69https://creativecommons.org/licenses/by-nc-nd/4.0/Copyright Universidad de Córdoba, 2024open.accesshttps://repositorio.unicordoba.edu.coRepositorio Universidad de Córdobabdigital@metabiblioteca.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 |