Study of academic performance through comparison of regression models and classification trees
DOI:
https://doi.org/10.36390/telos271.08Keywords:
Academic Performance, Logistic Regression, Classification Trees, Confusion MatrixAbstract
This article aims to identify the factors that affect academic performance by comparing regression models and decision trees to determine the factors involved. The methodology adopted is quantitative in nature, focused on the collection of numerical data and its statistical analysis, in order to evaluate the relationships between different variables and determine those factors that influence academic performance. The population studied includes remedial students in the statistics career, who underwent an exploratory and descriptive analysis, using two statistical methods. Two modeling techniques were used: multinomial logistic regression and classification trees. The variables evaluated included sociodemographic factors, previous academic performance, and characteristics of the educational environment. The results showed that the logistic regression model achieved 100% accuracy with an AUC of 1, indicating perfect classification ability. In comparison, the classification tree model had an accuracy of 70.83% with an AUC of 0.7042, reflecting moderate classification ability. From these results, key factors that affect academic performance were identified, such as study habits, interest in the career and psychological aspects. In conclusion, multinomial logistic regression was more effective and accurate in analyzing the quantitative relationships between the variables that affect academic performance, outperforming the classification tree method.
Downloads
References
Almeida, L., & Freire, D. (2024). Análisis de la satisfacción estudiantil de acuerdo con el nivel académico del profesorado de un Instituto de Educación Superior. Digital Publisher CEIT, 9(4), 596-611. https://doi.org/https://doi.org/10.33386/593dp.2024.4.2529
Álvarez, M., Ponce, M., Alban, J., & Zambrano , L. (2024). Revisión de modelos estadísticos para pronosticar el desempeño académico en estudiantes universitarios. Journal Scientific MQRInvestigar, 8(2), 3806-3823. https://doi.org/10.56048/MQR20225.8.2.2024.3806-3823
Berlanga, V., & Vila, R. (2014). Cómo obtener un Modelo de Regresión Logística Binaria con SPSS. Reire, 7(2), 105-118. http://www.ub.edu/ice/reire.htm
Borja, G., Martínez, J., Barreno, S., & Haro, O. (2021). Factores asociados al rendimiento académico: Un estudio de caso. Educare, 23(3), 54-68. https://portal.amelica.org/ameli/journal/375/3752842004/3752842004.pdf
Buenaño, N., Palacios, C., Soplapuco, J., & Reluz, F. (2023). Importancia de la motivación para el aprendizaje universitario: Una revisión integradora. Revista De Ciencias Sociales, 29(4), 371-385. https://produccioncientificaluz.org/index.php/rcs/article/view/41261/47527
Caro, N., Guardiola, M., & Ortiz, P. (2018). Árboles de clasificación como herramienta para predecir dificultades financieras en empresas Latinoamericanas a través de sus razones contables. Contaduría y Administración, 63(1), 1-14. https://doi.org/https://doi.org/10.22201/fca.24488410e.2018.1148
Carrasco, Y. (2018). Los estudiantes universitarios y el aspecto socioeconómico. Conciencia Digital, 1(2), 6-15. https://doi.org/10.33262/concienciadigital.v1i2.946
Contento, M. (2019). Estadística con Aplicaciones en R. Utadeo. https://www.utadeo.edu.co/sites/tadeo/files/node/publication/field_attached_file/libro_estadistica_con_aplicaciones_en_r_def_ago_11.pdf
Devincenzi, G., Rohde, G., Giraudo, M., Bonaffini, M., & Bernaola, G. (2017). El análisis del rendimiento académico a través de modelos matemáticos y estadísticos. Trim, 13, 59-72. https://dialnet.unirioja.es/descarga/articulo/7609224.pdf
Durán , C., Casadiegos , M., & Carrascal, A. (2021). Motivación en estudiantes universitarios como factor generador de la calidad educativa. Boletín Redipe, 10(13), 443-455. https://revista.redipe.org/index.php/1/article/download/1758/1673/2863
Espejel, M., & Jiménez, M. (2019). Nivel educativo y ocupación de los padres: Su influencia en el rendimiento académico de estudiantes universitarios. Ride, 10(19), 1-20. https://doi.org/10.23913/ride.v10i19.540
Fernández, S. (2022). Métodos de Regresión y Clasificación Basados en Árboles. Tesis de Grado en Ingeniería y Organización Industrial. Universidad de Valladolid. https://uvadoc.uva.es/bitstream/handle/10324/53822/TFG-I-2181.pdf?sequence=1
Garbanzo, G. (2014). Factores asociados al rendimiento académico tomando en cuenta el nivel socioeconómico: Estudio de regresión múltiple en estudiantes universitarios. Educare, 18(1), 119-154. https://www.scielo.sa.cr/pdf/ree/v18n1/a06v18n1.pdf
Gómez, M., Maza, A., & Rocha , D. (2019). Análisis estadísticos de los Estilos de aprendizaje y su relación con la evaluación del rendimiento académico. Revista Ingeniería desarrollo e innovación, 2(1), 50-79. http://dx.doi.org/10.32012/26195259/2019.v2i1.73
González, J., Agredo, J., Campo, M., Hernández, M., & Oviedo, N. (2023). El sentido de pertenencia y el compromiso estudiantil en el contexto de educación superior a distancia con mediación virtual. Revista Educación, 47(1), 1-19. https://www.redalyc.org/journal/440/44072432022/44072432022.pdf
Hernández, S., Fernández, C., & Baptista, P. (2014). Metodología de la Investigación. Mc Graw Hill. https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf
Lizares, M. (2017). Comparación de modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico. Tesis de Grado en Estadística. Universidad Nacional Mayor de San Marcos. https://cybertesis.unmsm.edu.pe/backend/api/core/bitstreams/47cd4eb4-855f-4410-80ce-c3ecb2df1d86/content
Martínez, J., Ferrás, Y., Bermúdez, L., Ortiz, Y., & Pérez, E. (2020). Rendimiento académico en estudiantes Vs factores que influyen en sus resultados: una relación a considerar. Edumecentro, 12(4), 105-121. http://scielo.sld.cu/pdf/edu/v12n4/2077-2874-edu-12-04-105.pdf
Montero, R. (2016). Modelos de regresión lineal múltiple. Documentos de Trabajo en Economía Aplicada. Universidad de Granada. http://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
Mures, J., García , A., & Vallejo, E. (2005). Aplicación del Análisis Discriminante y Regresión Logística en el estudio de la morosidad en las entidades financieras. Comparación de resultados. Pecvnia, 1(1), 175-199. https://dialnet.unirioja.es/descarga/articulo/1281700.pdf
Norambuena, J., Badilla, M., & López, Y. (2022). Modelos predictivos basados en uso de analíticas de aprendizaje en educación superior: una revisión sistemática. Linguagem e Tecnologia, 15, 1-22. https://doi.org/10.35699/1983-3652.2022.36310
Pérez, J., & González, F. (2018). Árboles de clasificación vs regresión logística en el desarrollo de competencias genéricas en ingeniería. Computación y Sistemas, 22(4), 1519–1541. https://doi.org/10.13053/CyS-22-4-2804
Portillo, P., Marín, L., & Scarpellini, S. (2017). La edad y el rendimiento académico universitario. Revista de la Universidad de Zaragoza, 1(1), 28-34. https://doi.org/10.26754/CINAIC.2017.000001_002
Procel, M., & Sánchez, D. (2019). . Factores socioeconómicos que afectan el rendimiento académico de los estudiantes de nivelación de la Escuela Superior Politécnica de Chimborazo, período 2018-1S campus matriz. Investigación e innovación en la Enseñanza Superior. Nuevos contextos, nuevas ideas, 1(1), 1021-1031. https://rua.ua.es/dspace/bitstream/10045/98998/1/Investigacion-e-innovacion-en-la-ES_096.pdf
Real, R., Guevara, A., Morales, I., Chibas, E., Cañete, E., Carballo, M., . . . Noldin, A. (2024). Factores asociados al rendimiento académico en estudiantes universitarios de Latinoamérica en 2023. Investigación en Educación Médica, 13(51), 42-52. https://doi.org/10.22201/fm.20075057e.2024.51.23580
Reyes, N., Meneses, A., & Díaz, A. (2022). Planificación y gestión del tiempo académico de estudiantes universitarios. Formación Universitaria, 15(1), 57-72. http://dx.doi.org/10.4067/S0718-50062022000100057
Rodríguez, D. (Junio de 2023). Análisis de Datos y Machine Learning. Tesis de Grado en Estadística. Universidad de Salamanca. https://gredos.usal.es/bitstream/handle/10366/157350/TFG%20Damia%CC%81n%20Rodri%CC%81guez%20Go%CC%81mez.pdf?sequence=1&isAllowed=y
Román, M. (2013). Factores asociados al abandono y la deserción escolar en América Latina: Una mirada en conjunto. REICE. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 11(2), 33-59. https://www.redalyc.org/pdf/551/55127024002.pdf


.png)


