Libro Regresion Logistica Miguel Broc

See discussions, stats, and author proﬁles for this publication at: https://www.researchgate.
net/publication/275329482
PREDICCIÓN DEL ÉXITO Y DEL FRACASO ACADÉMICO EN ALUMNOS DE ESO

Y BACHILLERATO MEDIANTE TÉCNICAS DE ANÁLISIS ESTADÍSTICO
AVANZADO: REGRESIÓN LOGÍSTICA BINARIA Y ANÁLISIS ....
Book · April 2004
CITATIONS READS
0 35
1 author:
Miguel Ángel Broc Cavero

University of Zaragoza
40 PUBLICATIONS 108 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Learning, academic performance and cognitive and volitional variables in higher education View project
Self-concept, self-esteem and academic achievement in educacional context View project
All content following this page was uploaded by Miguel Ángel Broc Cavero on 22 April 2015.
The user has requested enhancement of the downloaded ﬁle.

PREDICCIÓN DEL ÉXITO Y DEL FRACASO
ACADÉMICO EN ALUMNOS DE ESO Y
BACHILLERATO MEDIANTE TÉCNICAS DE
ANÁLISIS ESTADÍSTICO AVANZADO:
REGRESIÓN LOGÍSTICA BINARIA Y
ANÁLISIS DISCRIMINANTE.
MIGUEL ANGEL BROC CAVERO

PREDICCIÓN DEL ÉXITO Y DEL FRACASO ACADÉMICO EN ALUMNOS DE ESO Y
BACHILLERATO MEDIANTE TÉCNICAS DE ANÁLISIS ESTADÍSTICO AVANZADO:
REGRESIÓN LOGÍSTICA BINARIA Y ANÁLISIS DISCRIMINANTE.
DISEÑO DEL PROYECTO DE INVESTIGACIÓN.

MEMORIA Y RESULTADOS DE LA INVESTIGACIÓN.
Miguel Angel Broc Cavero.
Licenciado en Psicología (Clínica, Educativa e Industrial).

Licenciado en Ciencias de la Educación. Doctor en Psicología.
Jefe del Dto. de Orientación del IES “El Portillo” (Zaragoza).
Profesor tutor de la UNED y profesor asociado de la Universidad
de Zaragoza.
3
Imprime: Servicio de Publicaciones
Universidad de Zaragoza
Depósito Legal: Z-1273-2003

ISBN 84-688-1584-5
A todos aquellos profesores y dirigentes
en política educativa que siguen creyendo
en la investigación científica,
(que por supuesto, no son todos).
5
6
ÍNDICE
1. Primera Parte. Diseño del proyecto de investigación ............................................13
2. Segunda parte. Características generales y particulares en el que se ha

desarrollado el Proyecto de Investigación ..................................................................25
3. Consecución de los objetivos del Proyecto:

3.1. Propuestos inicialmente..................................................................................26
3.2. Alcanzados al finalizar el Proyecto ................................................................26
4. Cambios realizados en el Proyecto a lo largo de su puesta en marcha en cuanto

a: Objetivos, Metodología, Organización y Calendario ........................................27
5. Síntesis del proceso de evaluación utilizado a lo largo del Proyecto .....................27
6. Conclusiones...........................................................................................................29
6.1. Logros del Proyecto........................................................................................29

6.2. Incidencia en el Centro Docente.....................................................................29
7. Predicción del éxito y del fracaso escolar en alumnos de ESO y Bachillerato

mediante técnicas de análisis estadístico avanzado: regresión logística
binaria y análisis discriminante ..........................................................................30
7.1. Introducción..................................................................................................30
7.2 Variables e instrumentos ..............................................................................31
7.3 Etapas educativas, sujetos y materiales utilizados en el Proyecto................32
7.4. Procedimiento...............................................................................................33
7.5. Análisis de resultados y discusión de esta investigación..............................33
7.5.1. Análisis de regresión logística binaria. ................................................33
7.5.1.1.Análisis de regresión logística binaria en la etapa de la ESO

en la 1ª evaluación .........................................................................34
7.5.1.2. Análisis de regresión logística binaria en la etapa de la ESO
en la 2ª evaluación ..........................................................................39
7.5.1.3. Análisis de regresión logística binaria en el Bachillerato Logse
7.5.1.4. Análisis de regresión logística binaria en el Bachillerato Logse
7.5.1.5. Análisis de RLB en la etapa de ESO y BATO consideradas como
un único grupo, en la 1ª evaluación................................................47
7.5.1.6. Análisis de RLB en la etapa de ESO y BATO consideradas como
un único grupo, en la 2ª evaluación................................................49
7
7.5.1.7. Conclusiones sobre la utilización de modelos de regresión
logística binaria en la predicción de éxito/fracaso escolar en
la ESO, el Bachillerato Logse, y las dos etapas consideradas
como un único grupo ......................................................................52
7.5.2. Análisis discriminante ...........................................................................54
7.5.2.1. Breve introducción teórica .............................................................54

7.5.2.2. Análisis discriminante en la etapa de la ESO en la
1ª evaluación...................................................................................55
7.5.2.3. Análisis discriminante en la etapa de la ESO en la
2ª evaluación...................................................................................60
7.5.2.4. Análisis discriminante en la etapa de Bachillerato en la 1ª
evaluación del curso .......................................................................62
7.5.2.5. Análisis discriminante en la etapa de Bachillerato en la 2ª
evaluación del curso .......................................................................64
7.5.2.6. Análisis discriminante en la etapa de ESO y BATO en la
1ª evaluación del curso ..................................................................66
7.5.2.7. Análisis discriminante en la etapa de ESO y BATO en la
2ª evaluación del curso ..................................................................69
7.6. Conclusiones generales del proyecto...........................................................72

7.7. Validación del modelo a nivel empírico......................................................74
7.8. Bibliografía..................................................................................................78
***
TABLA 1. Resumen de los casos analizados en la ESO, incluyendo solamente

la primera evaluación. IES "El Portillo".................................................................... 34
TABLA 2. Tabla de clasificación en la situación de éxito/fracaso de alumnos
de la ESO, teniendo en cuenta solamente la primera evaluación ...............................35
TABLA 3. Variables de entrada en la ecuación de predicción del rendimiento
final en alumnos de la ESO, teniendo en cuenta solamente la primera evaluación.
IES "El Portillo" .........................................................................................................36
TABLA 4 Tabla de clasificación en la situación de éxito/fracaso en alumnos
de la ESO, en la segunda evaluación .........................................................................39
final en alumnos de ESO, y en la segunda evaluación ...............................................40
TABLA 6. Función de clasificación en la situación de éxito o fracaso, en
alumnos de bachillerato, en la 1ª evaluación..............................................................42
final en alumnos de Bachillerato en la 1ª evaluación .................................................43
TABLA 8. Tabla de clasificación en la situación de éxito o fracaso en alumnos
de Bachilerato en la segunda evaluación....................................................................45
final en alumnos de Bachillerato en la 2ª evaluación. ................................................46
TABLA 10. Tabla de clasificación en la situación de éxito/fracaso de alumnos
de ESO y Bato en la 1ª evaluación .............................................................................47
8
final en alumnos de ESO y Bato, en la 1ª evaluación.................................................48
TABLA 12. Tabla de clasificación en la situación éxito/fracaso en alumnos de
ESO y Bachillerato, en la 2ª evaluación .....................................................................50
Final en la ESO y Bachillerato, en la 2ª evaluación ...................................................51
TABLA 14. Porcentajes comparativos de clasificaciones correctas (regresión
logística binaria), en momentos temporales distintos (1ª y 2ª evaluación), y en
la situación de éxito/fracaso académico en la ESO, en el Bato, y en un único
grupo. .........................................................................................................................53
TABLA 15. Variables de entrada en la ecuación de predicción (análisis
discriminante) de variables independientes sobre rendimiento final en la
ESO y en la 1ª evaluación...........................................................................................55
TABLA 16. Autovalores de la Función Discriminante Canónica en la ESO y
en la 1ª evaluación ......................................................................................................56
TABLA 17. Lambda de Wilks. Función Discriminante Canónica. ..........................56
TABLA 18. Coeficientes estandarizados de la Función Discriminante Canónica ....56
TABLA 19. Matriz de estructura de las funciones discriminantes
(ESO-1ª evaluación ...................................................................................................57
TABLA 20. Coeficientes de la Función Discriminante Canónica (ESO-1ª eval.)....58
TABLA 21. Funciones de los centroides de grupo. Medias de los grupos
Para cada función discriminante.................................................................................58
TABLA 22. Coeficientes de la Función de Clasificación (ESO-1ª eval.) ................ 58
TABLA 23. Matriz de confusión o Tabla y resultados de la Clasificación del
Rendimiento académico alto, medio y bajo en alumnos de ESO en la 1ª eval. .........60
final en la ESO en la 2ª evaluación (Análisis Discriminante) .................................... 61
TABLA 25. Matriz de confusión o Tabla de resultados de Clasificación del
Rendimiento final de la ESO en la 2ª evaluación del curso ....................................... 61
TABLA 26. Variables de entrada en la ecuación de predicción del análisis
discriminante en alumnos de Bachillerato Logse en la 1ª evaluación........................63
TABLA 27. Coeficientes no estandarizados de la Función Discriminante
Canónica .....................................................................................................................63
TABLA 28. Matriz de confusión o Tabla de Clasificación de resultados ................63
final en el Bachillerato en la 2ª evaluación.................................................................64
TABLA 30. Coeficientes de la Función Discriminante Canónica............................65
TABLA 31. Matriz de confusión o Tabla de clasificación de los alumnos de
Bachillerato en la 2ª evaluación del curso ..................................................................66
Final en la ESO y Bato, considerados como un único grupo en la 1ª evaluación ......67
TABLA 33. Coeficientes no estandarizados de la Función Discriminante
Canónica en la 1ª evaluación de la ESO y Bato considerados como un solo grupo ..67
TABLA 34. Matriz de confusión del análisis discriminante en la ESO y Bato
conjuntos en la 1ª evaluación......................................................................................68
final en la ESO y Bato considerados un grupo en la 2ªevaluación.............................69
TABLA 36. Coeficientes de la Función Discriminante Canónica............................69
TABLA 37. Matriz de confusión/Tabla de Clasificación de resultados de la
ESO/Bato en la 2ª evaluación.....................................................................................70
9
TABLA 38. Porcentajes comparativos de clasificaciones correctas (análisis
Discriminante), en momentos temporales distintos (1ª y 2ª evaluación) y en la
Situación de éxito fracaso/académico en la ESO, en el BATO y conjuntamente ......71
TABLA 39. Tabla de contingencia de curso por dicotómica éxito/fracaso en el
IES “El Portillo”. Curso 2002-2003. (N=521). ........................................................ 72
***
CUADRO 1. Histograma de probabilidades estimadas (ESO-1ª evaluación)..........38
CUADRO 2. Mapa territorial de predicción de ubicación en la situación de
Éxito o fracaso en alumnos de la ESO, en la segunda evaluación. ............................ 41
CUADRO 3. Mapa territorial de probabilidad de pertenencia a los grupos de
Éxito o fracaso en la primera evaluación. Bato Logse. ............................................44
Éxito o fracaso en la segunda evaluación. Bato Logse..............................................46
éxito y fracaso en la 1ª evaluación. ESO y Bato Logse.............................................49
éxito y fracaso en la 2ª evaluación. ESO y Bato Logse.............................................52
CUADRO 7. Representación de las tres funciones discriminantes canónicas
en los tres tipos de rendimiento académico (alto, medio y bajo), en la 1ª
evaluación de la ESO..................................................................................................59
en los tres tipos de rendimiento académico (alto, medio y bajo) en la 2ª evaluación
de la ESO ....................................................................................................................62
del Bachillerato ..........................................................................................................65
de la ESO y Bato considerados como un único grupo ...............................................68
de la ESO y Bato considerados conjuntamente ..........................................................70
***
ANEXO 1. Escala de motivación intrínseca, internalizada y extrínseca hacia
el aprendizaje en el aula, hoja de respuestas y clave de corrección ...........................81
ANEXO 2. Análisis adicionales de la de regresión logística binaria en la 1ª
evaluación del Bachillerato ......................................................................................113
evaluación del Bachillerato ......................................................................................125
10
evaluación de la ESO y Bachillerato ........................................................................137
evaluación de la ESO y Bachillerato ........................................................................147
ANEXO 8. Análisis adicionales del análisis discriminante en la 1ª evaluación
de la ESO ..................................................................................................................159
de la ESO ..................................................................................................................171
ANEXO10. Análisis adicionales del análisis discriminante en la 1ª evaluación
del Bachillerato........................................................................................................183
del Bachillerato.........................................................................................................191
de la ESO y Bachillerato conjuntos..........................................................................201
de la ESO y Bachillerato conjuntos..........................................................................213
11
12
PARTE PRIMERA
DISEÑO DEL PROYECTO DE INVESTIGACIÓN
MIGUEL ANGEL BROC CAVERO.
13
14
1. DISEÑO DEL PROYECTO DE INVESTIGACIÓN.
1.1. Datos de identificación.
1.1.1. Título del Proyecto.
“Predicción del éxito y del fracaso escolar en alumnos de ESO y

BACHILLERATO mediante técnicas de análisis estadístico avanzado: regresión
logística binaria y análisis discriminante”.
1.1.2. Datos del Centro.
Centro Público IES “EL PORTILLO”. C/Juan XXIII, 3. 50010. ZARGOZA.
1.1.3. Coordinador/a y profesorado participante (Apellidos, nombre, NIF y

especialidad).
BROC CAVERO, MIGUEL ANGEL. Cuerpo de profesores de Enseñanza Secundaria

(especialidad Psicología y Pedagogía). NIF: 17711083W. NRP: A48EC1771108357.
Jefe del Departamento de Orientación del IES “El Portillo”. Director y ejecutor del
proyecto.
1.2. Diseño del proyecto y actividad.
1.2.1. Planteamiento y justificación.
1.2.1.1. Breve introducción conceptual al tema del rendimiento académico.
Si bien existen suficientes estudios rigurosos que analizan el rendimiento escolar

en nuestro sistema educativo (INCE, 1997), como a nivel internacional (Marchesi y
Hernández, 2001), o sus determinantes (Núñez y González, 1994), y relaciones con
otras variables relevantes (González, 1997, Broc, 2002), algunos correlatos asociados en
los casos de bajo rendimiento o fracaso escolar (Fernández y Buela Casal, 2002), o su
asociación con variables evolutivas concomitantes (Castillo, 2000; Covington, 2001),
encontramos muy pocos estudios que se hayan atrevido, por decirlo así, a predecir dicho
rendimiento, considerando a éste como variable dependiente, partiendo de determinadas
variables independientes, por medio de técnicas de análisis cuantitativo avanzado de
análisis de datos como por ejemplo, la regresión logística . En este sentido, pueden
consultarse algunas obras cercanas a este tema como las de Martínez Arias y Yuste
(1996), Tatsuoka, (1985), o en relación con el análisis discriminante, publicaciones
como las de Bolívar, (1991), González y Núñez, (1991), Martínez y Alvarez, (1993),
Repetto,(1985), Vidal (1989) o Villanueva (1984), entre otros.
15
Llegados a este punto es factible preguntarse, ¿es posible actualmente la predicción
del rendimiento académico?, ¿en qué niveles educativos y partir de qué tipo de
variables?, ¿con suficiente antelación como para plantearse programas de prevención y
actualización urgente de necesidades, que impliquen asignaciones imperiosas de
recursos humanos especializados que puedan neutralizar ese casi imparable fracaso
académico en los Centros Educativos?, o simplemente, ¿resignación y cuestionamiento
profundamente personal a nivel de práctica educativa o en la implementación, con
efectos dudosos, de programas de orientación o intervención psicopedagógica en esos
alumnos de riesgo?, ¿estamos cerca de llegar a un determinismo o mecanicismo
alarmante que pueda poner en peligro la práctica educativa y psicopedagógica en
nuestros centros educativos?.
Esta investigación intentará dar respuesta a algunos de estos interrogantes.
1.2.1.2. Análisis de regresión logística binaria.
La regresión logística binaria está indicada en situaciones de investigación en las

que la variable dependiente, en nuestro caso el rendimiento académico final, toma
únicamente dos valores, que indican la pertenencia a uno de dos grupos, normalmente
etiquetados como 0 (fracaso académico) y 1 (éxito académico). Para este tipo de
problemas también podría utilizarse el análisis discriminante (que también aplicaremos),
pero es preferible la regresión logística por descansar en supuestos menos rígidos, por
permitir la inclusión de variables cualitativas entre los predictores, y, además, porque su
diseño e interpretación son similares a los de la Regresión Lineal Múltiple.
Su utilización fundamental se encuentra en el análisis de variables dependientes

o fenómenos que son dicotómicos por naturaleza, como los estados de sano vs. enfermo,
comprar un producto o no comprarlo, conseguir o no un empleo, o como en nuestro
caso, tener éxito académico o no tenerlo. (Luego veremos como se puede operativizar
esta variable de forma continua a dicotómica).
Por tanto, el modelo de regresión logística permite predecir o estimar la

probabilidad de que un individuo caiga en un estado (etiquetado como 0, por ejemplo,
fracasar en los estudios), en función de determinadas características individuales, las
variables predictoras (Xj).
El modelo especifica como variable dependiente la probabilidad estimada P(Y)

de que la variable dependiente presente uno de los valores posibles (0,1) en función de
los valores que adopte el conjunto de variables independientes, cuantitativas y
cualitativas. Normalmente se asigna el valor 1 al suceso de interés, en nuestro caso el
diagnóstico de éxito académico.
16
Los objetivos del modelo pueden cifrarse en los siguientes:
1) Determinar la existencia o ausencia de relación entre una o más variables

independientes (Xi) y la variable dependiente.
2) Medir la magnitud de dicha relación.
3) Estimar o predecir la probabilidad de que se produzca un suceso o
acontecimiento definido como Y=1 en función de los valores de las variables
independientes.
Si las variables independientes preceden en el tiempo al suceso, como será

nuestro caso, teniendo en cuenta las calificaciones en la primera y/o segunda evaluación
y otras variables relevantes que pueden obtenerse ad hoc, la relación entre ellas se
explicará en términos de predicción o determinación y es cuando podemos considerarlas
factores de riesgo (en nuestro caso de fracaso escolar inminente). Cuando no existan
estas relaciones de precedencia, la relación se interpretará en términos de correlación o
asociación.
La formulación del modelo es algo diferente al de la regresión lineal múltiple, ya

que se establece en términos de la razón de posibilidades (Odds ratio, OR), que es el
cociente entre la probabilidad del estado 1 frente al estado 0, que por razones de espacio
y de complejidad técnica principalmente, no pasamos a comentar ahora (Martínez Arias,
1999).
El modelo matemático-estadístico selecciona el conjunto de variables que

predice de forma óptima los cambios en las odds ratio, para lo cual, utiliza como
procedimiento de estimación un método diferente al de la RLM, el de Máxima
Verosimilitud. En vez de minimizar los errores al cuadrado como en el procedimiento
de mínimos cuadrados, maximiza la verosimilitud de que un suceso ocurra. No se
requieren los supuestos de normalidad, homocedasticidad y linealidad propios de otros
métodos, aunque no obstante, es conveniente el examen de la colinealidad de los
predictores.
Como en el caso de la regresión, deberemos de optar sobre el proceso de

construcción del modelo. En nuestro caso será el método hacia delante (forward), con
algunos procedimientos de análisis de significación, en este caso el estadístico de Wald.
El método propuesto introducirá las variables que mejor predigan el éxito académico (o
el fracaso), si superan unos filtros de significatividad establecidos en el valor p < 0.05.
(Todo esto se comentará en el análisis de resultados de esta investigación).
17
1.2.1.3. Análisis discriminante.
El análisis discriminante (AD) es la técnica adecuada cuando la variable

dependiente es categórica y las independientes son cuantitativas. En muchos casos, la
variable dependiente (vd), consiste de la clasificación en dos grupos: varones-mujeres,
enfermos controles, o estudiantes con éxito o fracaso, Cuando solamente hay dos
grupos, la técnica se denomina análisis discriminante de dos grupos, cuando hay más de
dos, análisis discriminante múltiple. En nuestro caso incluiremos tres grupos: alumnos
con alto, medio y bajo rendimiento académico general.
Precisando un poco más, el AD puede ser la técnica adecuada cuando se

persigue algunos de los siguientes objetivos:
1. Determinar si existen diferencias estadísticamente significativas en

perfiles promedio sobre un conjunto de variables, entre dos o más
grupos definidos a priori.
2. Determinar el conjunto de las variables independientes que explican
más de las diferencias en los perfiles promedio.
3. Establecer el número y composición de las dimensiones de
discriminación entre los grupos formadas por el conjunto de variables
independientes.
4. Establecer reglas de clasificación o asignación de unidades a los
grupos, basadas en las puntuaciones en las variables independientes
(vv.ii).
Algunos autores (Duarte Silva y Stam, 1995; Huberty, 1984; Stevens, 1992)
denominan análisis discriminante descriptivo al conjunto de procedimientos utilizados
para los tres primeros objetivos, asignando el nombre de análisis discriminante
predictivo a los procedimientos que cumplen el 4º objetivo. En nuestra investigación
utilizaremos ambos tipos de análisis.
En el análisis discriminante, se pone en relación una variable medida en escala

nominal (la adscripción a grupos o variable dependiente), con un conjunto de variables
medidas en escala de intervalo (las variables discriminantes o independientes). El
problema básico consiste en estimar los pesos de las variables discriminantes en una
combinación lineal de éstas que permitiría asignar a los sujetos a sus respectivos grupos
minimizando el error de clasificación. Es decir, determinar las variables que mejor
contribuyen a discriminar entre los grupos, de tal forma que podamos predecir en
función de tales variables la adscripción de cada individuo a un grupo determinado con
un cierto grado de riesgo.
Stevens (1992, pág. 232) destaca como rasgos apreciables de esta técnica la
claridad en la interpretación que puede hacerse de los resultados y su parsimonia en la
descripción, en el sentido de que un número amplio de variables puede ser reducido a un
pequeño número de dimensiones capaces de explicar las diferencias fundamentales
observadas entre los grupos.
18
BIBLIOGRAFÍA INICIAL DE REFERENCIA.
Adell, M. A. (2002). Estrategias para mejorar el rendimiento académico de los

adelescentes. Psicología Pirámide.
Bolívar, A. (1991). Análisis de una innovación curricular (el currículum de ética en

EEMM). En Enseñanza, 9, 145-164.
Broc, M. A. (2001). Validación y adaptación española del Perfil de Autoconcepto,

autoestima y apoyo social, de Susan Harter, en alumnos educación primaria y primer
ciclo de la ESO. Implicaciones psicopedagógicas para la orientación y la tutoría.
Licencia por estudios modalidad B (proyecto de investigación) concedida por el
Departamento de Educación y Ciencia de la DGA. Resolución BOA nº 94 de 7 de
agosto de 2000. (En depósito).
Broc, M. A. (2003). Aportaciones recientes en la evaluación y tratamiento del

autoconcepto y autoestima en contextos clínicos y educativos. Servicio de
Publicaciones de la Universidad de Zaragoza. (Edición limitada).
Broc, M. A. (2003). Motivación y rendimiento académico en alumnos de educación

secundaria obligatoria y Bachillerato Logse. En ANNALES, Vol. XVI. (En prensa).
Covington, M. V. (2002). La voluntad de aprender. Psicología y Educación. Alianza

Editorial.
Duarte Silva, P., y Stam, A. (1995). “Discriminant analysis”. En L. G. Grimm y P. R.

Yarnold, P. (Eds.) (1995). Reading and understanding multivariate statistics (págs. 277-
318), Washington, DC: American Psychological Association.
Fernández, J.M., y Buela Casal, G. (2001). Manual para padres desesperados...con

hijos adolescentes. Ed. Pirámide.
González, J. A. y Núñez, J. C. (1991). Capacidad discriminativa del autoconcepto en

los primeros niveles de enseñanza primaria. En Bordón, 43 (3), 285-298.
González, M.C (1997). La motivación académica. Sus determinantes y pautas de

intervención. Eunsa. Pamplona.
Huberty, C. J. (19849. Issues in the use and interpretation of discriminant analysis.

Psychological Bulletin, 95, 156-171.
INCE (1998). Elementos para un diagnóstico del Sistema Educativo Español. Informe
Global. (Diagnóstico del Sistema Educativo. La Escuela secundaria obligatoria).
García Garrido y otros. MEC. Secretaría General de Educación y Formación
Profesional. Instituto Nacional de Calidad y Evaluación. Madrid.
Marchesi, A., y Hernández, C. (Coords). (2002). El fracaso escolar. Una perspectiva

internacional. Alianza Ensayo.
19
Martínez, F. y Álvarez, M. (1993). Orientación, análisis discriminante y perfiles
culturales.En Aula Abierta, 61, 5-18.
Núñez, J. C., González Pienda, J. A. (1994). Determinantes del rendimiento

académico. Servicio de Publicaciones de la Universidad de Oviedo.
Renick, M. J. (1985). The development of learning disabled children´s self-perceptions.

Unpublished master´s thesis. University of Denver, Denver, CO.
Repetto, E. (1985). Valores y ocupaciones. Un análisis discriminante. En Revista

Española de Pedagogía, 168, 197-217.
SPSS, Inc. (2002). SPSS for Windows. Versión 10.0 Chicago.
Stevens, J. (1992). Applied multivariate statistics for the social sciences. Hillsdale NJ:
Lawrence Erlbaum.
Vidal, M. C. (1989). Comparación de las variables de atribución del logro de los niños
con fracaso y éxito escolar. Bordón, 41 (1), 105-126.
Villanueva, P. (1989). Aplicación del análisis discriminante en alumnos de Educación

Permanente de Adultos. En Revista de Investigación Educativa, 2 (3), 5-18.
1.2.2. Objetivos y contenidos que se pretenden.
1) Estudiar y analizar la posibilidad y viabilidad de encontrar una modelo con alto

nivel de confianza (alrededor del 90% ) que permita saber con suficiente antelación o
seguridad el rendimiento final que va a obtener un alumno, conociendo unas pocas
variables iniciales, a principio de curso.
2) Encontrar un modelo bien ajustado de regresión y de discriminación que permita

predecir el éxito o fracaso académico a final de curso, operativizando la variable
dependiente como rendimiento general (0 fracaso académico –tres o más suspensos) y 1
éxito (menos de tres suspensos), en el caso de la regresión logística) en los alumnos de
ESO y Bachillerato, a partir de pocas variables iniciales. Las variables iniciales
independientes son el sexo, el curso, grupo, rendimiento en la primera evaluación,
rendimiento en la segunda evaluación, rendimiento en la tercera evaluación (únicamente
en el modelo inicial), los 24 items de que consta la prueba de tipología motivacional
internalizada, intrínseca y extrínseca de Susan Harter, la suma de puntuaciones directas
en cada una de las tres dimensiones anteriores, (variables afectivas relativas al estudio
como feliz, orgulloso, aliviado, mal, enfadado, culpable, preocupado y defraudado, y
finalmente las variables tipológicas A, B, C y D. (Broc, 2003).
20
3) En el caso de que se consiga un modelo ajustado de predicción, intentar que pueda
servir para la predicción del éxito y fracaso escolar de alumnos de ESO y Bachillerato
nuevos y de cursos futuros, que no hayan tomado parte de la investigación inicial para
la construcción del modelo de predicción.
4) Utilizar la información obtenida para la evaluación psicopedagógica individual, o la

toma de decisiones respecto a la ubicación del alumno en alguna modalidad de apoyo
(apoyo o refuerzo fuera del aula, apoyo de compensación educativa, búsqueda de otros
profesionales externos que puedan trabajar en la prevención del fracaso, orientación
profesional hacia ciclos formativos de grado medio o superior, garantía social,
universidad, etc, así como para alertar a la familia de la posible ubicación del alumno,
en este caso su hijo/a, en una situación de fracaso académico futuro, lo cual podría tener
implicaciones preventivas en casos concretos).
5) Analizar la ubicación y el porcentaje de alumnos que lleva a cabo el programa en las

situaciones de éxito y fracaso académico, con el fin de estudiar el tipo de alumnado que
existe potencialmente en el Centro educativo y poder así plantear las necesidades de
personal especializado y profesorado que se requerirían para poder afrontar una
determinada situación en la población del alumnado ubicado, especialmente en la
situación de fracaso, y en este Instituto en particular.
6) Detectar casos extremos en la muestra de alumnos del Centro, más allá de más
menos dos desviaciones típicas, tanto en situación hipotética de éxito como de fracaso,
con el fin de adoptar las medidas curriculares y pedagógicas más idóneas en función de
las características personales.
7) Identificar perfiles motivacionales asociados a las dos o tres tipologías excluyentes

de éxito/fracaso escolar (en la regresión logística) y/o alto, medio y bajo rendimiento
académico (en el análisis discriminante). Dicho de otra manera, encontrar, si es posible,
características asociadas a perfiles de éxito o fracaso académico o que discriminan
bastante bien entre dichos grupos. Generación de estrategias de prevención e
intervención educativa, en su caso.
1.2.3. Plan de trabajo y metodología.
El número de sujetos que formarán parte de esta investigación es de 441 entre ESO
y Bachillerato. Todos asisten al IES “EL PORTILLO”, de Zaragoza capital.
Se aprovechará y utilizará la prueba de motivación intrínseca, internalizada y

extrínseca solicitada a Estados Unidos en un proyecto de innovación e investigación
educativa durante el curso 2001-2002.
1) Traducción de la misma y elaboración y redacción de los ítems que componen la

escala propiamente dicha.
2) Fotocopiar cuadernillos y hojas de respuesta para su aplicación a todos los grupos de
los 4 cursos de la ESO del IES “El Portillo”.
21
3) Administración colectiva de la escala a los grupos correspondientes, por ejemplo, en
horas de tutoría. Fase de recogida de datos.
4) Obtención de otros datos relevantes sobre variables independientes relacionadas con
el rendimiento académico, sexo, curso, etc., aludidas anteriormente.
5) Corrección de las pruebas e introducción de los datos en la hoja de cálculo del
programa estadístico SPSS versión 10.0.
6) Realización de análisis de datos mediante técnicas de análisis de regresión logística
binaria y análisis discriminante, y discusión. Obtención de índices y gráficos de la
escala.
7) Elaboración de conclusiones y de implicaciones educativas.
8) Redacción del trabajo final, encuadernación y difusión entre el profesorado.
Los profesores que participan en el proyecto colaborarán a administrar la escala a

los grupos que se establezcan, corrección de las pruebas e introducción de los datos en
el ordenador para su posterior análisis estadístico. Se establecerán reuniones
sistemáticas para organizar el trabajo y comentar los resultados más relevantes.
1.2.4. Duración y fases previstas. Número de horas.
1ª FASE (Hasta finales del año 2002): Traducción y adaptación de la prueba, con la
consiguiente elaboración de los items adaptados a nuestro idioma y sistema educativo.
Obtención del modelo de predicción en base a datos de alumnos registrados en el Centro
durante el curso 2002-2003, y durante las tres evaluaciones, sobre las variables de
interés.
2ª FASE (Enero-Febrero de 2003): Administración, corrección e introducción de datos

para su posterior análisis. Recogida de datos en los alumnos del presente curso. en la
primera y (en su caso), segunda evaluación. sobre las variables de interés y
programación estadística.
3ª FASE (Marzo-Abril de 2003): Tratamiento estadístico de los datos, discusión y

extracción de conclusiones e implicaciones educativas. Utilización del modelo de
predicción a alumnos antiguos y de nueva matriculación en la ESO y Bato que asisten al
IES “El Portillo”, durante el curso 2003-2004.
4ª FASE (Mayo-Junio de 2003): Comprobación final del modelo de predicción en la

realidad. Conclusiones y redacción final del trabajo y envío del mismo a las autoridades
educativas correspondientes.
22
PARTE SEGUNDA
PREDICCIÓN DEL ÉXITO Y DEL FRACASO ACADÉMICO EN ALUMNOS

DE ESO Y BACHILLERATO MEDIANTE TÉCNICAS DE ANÁLISIS
ESTADÍSTICO AVANZADO: REGRESIÓN LOGÍSTICA BINARIA Y
ANÁLISIS DISCRIMINANTE.
Memoria y Resultados de la Investigación.
MIGUEL ANGEL BROC CAVERO. 2004

Departamento de Orientación del
IES “EL PORTILLO”.
ZARAGOZA.
2004.
23
24
2. Características generales y particulares del contexto en el que se ha
desarrollado el Proyecto de Investigación.
El desarrollo de este Proyecto de investigación ha sido percibido por los

miembros del equipo como teóricamente complejo, y que requería de conocimientos
previos de estadística avanzada, para poder llevar a cabo, al menos, la primera parte del
mismo. También se ha percibido como muy interesante y sorprendente, por el hecho de
poder llegar a establecer a priori, las variables que predicen y ubican al alumnado en
situación de éxito o fracaso académico con suficiente antelación y con un alto nivel de
confianza.
La colaboración de Jefatura de estudios y Secretaría ha sido puntual pero

importante, dada la relevancia que adquieren las calificaciones de todos los alumnos de
ESO y Bachillerato en las respectivas evaluaciones, aspecto que nos ha permitido
introducir los datos de la variable dependiente “rendimiento académico”, operativizada
como número de materias o asignaturas suspensas (o aprobadas), en cada una de las
respectivas evaluaciones del curso. Sin estos datos hubiera sido imposible realizar esta
investigación.
Este trabajo, por otra parte, ha supuesto aprovechar muchos datos del proyecto
de investigación llevado a cabo el año pasado, y que servían enormemente para poder
realizar el de este curso. Por lo tanto, se utilizaron los datos del archivo del programa
SPSS para encontrar un buen modelo de ajuste, y posteriormente llevar a cabo una
comprobación de dicho modelo en alumnos de este curso académico, seleccionados de
forma totalmente aleatoria. En esta segunda fase ha sido donde ha colaborado el
profesorado del departamento de orientación principalmente, y en lo que concierne a
administrar los items del cuestionario de motivación a los alumnos y alumnas
seleccionados, introducir dichos datos, previa corrección, en el editor de datos del SPSS
y realizar los cálculos correspondientes de acuerdo a los modelos de regresión y
discriminante previamente elaborados, comprobando, a final de curso 2002-2003, y en
la realidad, el porcentaje de aciertos que hemos tenido en la predicción del éxito o
fracaso escolar final.
No han existido problemas con los materiales necesarios para realizar esta
investigación, sobre todo de reprografía, de cartuchos de impresión, transparencias,
folios, etc., tanto por parte del personal de conserjería del centro como por parte del
secretario. El número total de horas de trabajo en esta investigación ha superado las
tipificadas por parte de la Administración Educativa o del Centro de Profesores y
Recursos, pero no nos ha importado porque ha permitido continuar en el estudio de la
realidad de nuestro centro y en la profundización de técnicas de investigación científica
que, a pesar de su dificultad, proporcionan una gran satisfacción cuando ves que
funcionan y que las puedes manejar con una cierta soltura. En este sentido, esto
también puede considerarse formación.
25
3. Consecución de los objetivos del Proyecto.
3.1. Propuestos inicialmente.
La mayoría de los objetivos propuestos se han conseguido, si bien en algunos de

ellos no ha sido posible profundizar todo lo que hubiéramos deseado, principalmente
por la falta de tiempo.
Por lo tanto, podemos decir que:
1) Se ha estudiado y analizado la posibilidad y viabilidad de encontrar una modelo

con alto nivel de confianza (alrededor del 90% ) que permite saber con suficiente
antelación o seguridad el rendimiento final que va a obtener un alumno, conociendo
unas pocas variables iniciales, a principio de curso, es decir, en la primera evaluación.
2) Hemos encontrado un modelo bien ajustado de regresión y de discriminación que

permita predecir el éxito o fracaso académico a final de curso, operativizando la
variable dependiente como rendimiento general (0 fracaso académico –tres o más
suspensos) y 1 éxito (menos de tres suspensos), en el caso de la regresión logística) en
los alumnos de ESO y Bachillerato, a partir de pocas variables iniciales. Las variables
iniciales independientes ha sido el sexo, el curso, grupo, rendimiento en la primera
evaluación, rendimiento en la segunda evaluación, rendimiento en la tercera evaluación
(únicamente en el modelo inicial), los 24 items de que consta la prueba de tipología
motivacional internalizada, intrínseca y extrínseca de Susan Harter, la suma de
puntuaciones directas en cada una de las tres dimensiones anteriores, (variables
afectivas relativas al estudio como feliz, orgulloso, aliviado, mal, enfadado, culpable,
preocupado y defraudado, y finalmente las variables tipológicas A, B, C y D. (Broc,
2003).
3) Dado que se ha conseguido un modelo ajustado de predicción, hemos intentado y

alcanzado que pueda servir para la predicción del éxito y fracaso escolar de alumnos de
ESO y Bachillerato nuevos y de cursos futuros, que no hayan tomado parte de la
investigación inicial para la construcción del modelo de predicción.
4) También se ha podido utilizar la información obtenida para la evaluación

psicopedagógica individual, o la toma de decisiones respecto a la ubicación del alumno
en alguna modalidad de apoyo (apoyo o refuerzo fuera del aula, apoyo de compensación
educativa, búsqueda de otros profesionales externos que puedan trabajar en la
prevención del fracaso, orientación profesional hacia ciclos formativos de grado medio
o superior, garantía social, universidad, etc, así como para alertar a la familia de la
posible ubicación del alumno, en este caso su hijo/a, en una situación de fracaso
académico futuro, lo cual ha podido tener implicaciones preventivas en casos
concretos).
5) Se ha analizado la ubicación y el porcentaje de alumnos que lleva a cabo el programa

en las situaciones de éxito y fracaso académico, con el fin de estudiar el tipo de
alumnado que existe potencialmente en el Centro educativo y poder así plantear las
necesidades de personal especializado y profesorado que se requerirían para poder
afrontar una determinada situación en la población del alumnado ubicado,
26
especialmente en la situación de fracaso, y en este Instituto en particular. Los datos
referentes a este apartado pueden consultarse al final de este trabajo.
6) El programa estadístico nos ha permitido detectar casos extremos en la muestra de

alumnos del Centro, más allá de más menos dos desviaciones típicas, tanto en situación
hipotética de éxito como de fracaso, con el fin de adoptar las medidas curriculares y
pedagógicas más idóneas en función de las características personales.
7) Hemos llegado a identificar perfiles motivacionales asociados a las dos o tres

tipologías excluyentes de éxito/fracaso escolar (en la regresión logística) y/o alto, medio
y bajo rendimiento académico (en el análisis discriminante). Dicho de otra manera,
hemos encontrado, características asociadas a perfiles de éxito o fracaso académico o
que discriminan bastante bien entre dichos grupos, lo que ha servido para generar
estrategias de prevención y de intervención psicopedagógica, en algunos de los casos,
ya que en todos ellos ha sido imposible por falta de tiempo y de recursos humanos
especializados, lo que implica que en este centro deberían de asignarse más de ellos,
dado que nuestras necesidades y fracaso escolar han ido en aumento en los últimos
años.
3.2. Alcanzados al finalizar el proyecto.
Este apartado coincide con el punto anterior, por lo que no nos vamos a extender
más sobre el mismo. Pensamos que todavía se hubiera podido sacar más rendimiento a
las técnicas y resultados que ofrece este paquete estadístico, pero se seguirá
profundizando en los años y cursos sucesivos tanto en proyectos de investigación
respaldados institucionalmente, como a nivel totalmente personal.
4. Cambios realizados en el Proyecto a lo largo de su puesta en marcha en cuanto

a objetivos, metodología, organización y calendario.
Afortunadamente, no ha habido cambios importantes en el transcurso y

secuenciación de las fases del proyecto, y se han adecuado con bastante precisión a las
descritas en el proyecto inicial.
5. Síntesis del proceso de evaluación utilizado a lo largo del Proyecto.
a) Que el ritmo de trabajo se adecuara lo mejor posible a las fases del mismo. En
algunos momentos era preciso acelerar y trabajar más deprisa porque en otros
momentos del curso, las circunstancias específicas no nos dejaban avanzar tan
rápidamente como deseábamos.
Metodología básicamente cuantitativa basada en:
b) Resúmenes de casos, estadísticos descriptivos por cursos y por etapas en las

variables más relevantes, tablas de contingencia y análisis de gráficos.
27
c) Contrastes de medias entre e intragrupos, así como análisis de varianza de medias
entre tipologías o variables que discriminan a sujetos o grupos con alto y bajo
rendimiento académico.
d) Análisis de las distribuciones de las variables principales.
e) En el análisis discriminante:
1. Encontrar las variables que más discriminan a los grupos.

2. Encontrar la función o funciones que discriminan los grupos.
3. Buscar el criterio de asignación de los individuos a los grupos.
En la selección de las variables discriminantes se ha utilizado la lambda de Wilks. Si

tiende a 0 la variable discrimina, pero si por el contrario, se aproxima a 1 no será buena
variable para formar parte de la función o funciones discriminantes.
El método para la selección de variables ha sido el método por pasos (stepwise), lo

que implica que las variables entrarán una a una según su mayor importancia (mayor F
o menor lambda). En cada paso se incluirá la variable que cumpla el criterio de
selección, se reevaluará entre las variables de la función o funciones discriminantes y se
eliminarán aquellas que tengan (F < 1 o lambda > 1) y se volverá a empezar mientras
existan variables que cumplan el criterio de asignación. También se ha tenido en cuenta
el criterio de Tolerancia (o VIF), que en el procedimiento por pasos de SPSS tiene un
valor inicial de 1 porque no hay ninguna variable en el modelo, aunque posteriormente
según se vayan introduciendo las mismas, irá decreciendo ese valor.
En la extracción de funciones discriminantes se han tenido en cuenta los

autovalores, las correlaciones canónicas, la significatividad estadística de la lambda de
Wilks, los coeficientes tipificados y la matriz de estructura.
Finalmente, en la fase de clasificación de los individuos, el programa evaluaba y

asignaba las puntuaciones del individuo i en la variable j, y en la variable discriminante.
También se utilizó la regla de Bayes, que viene a afirmar que un individuo será
asignado al grupo para el que la probabilidad a posteriori sea máxima. Respecto a la
tasa o porcentaje de casos clasificados correctamente será un índice de la efectividad de
la función discriminante. Para ello se tuvo en cuenta la tasa de clasificaciones
incorrectas esperadas según las probabilidades a posteriori (triángulo superior e inferior
de la llamada matriz de confusión). Otros elementos auxiliares en la evaluación del
proyecto con esta técnica han sido los histogramas totales de las puntuaciones
discriminantes, el diagrama de dispersión total, los diagramas de dispersión por grupos
y los mapas territoriales.
f) En la regresión logística binaria:
Se ha utilizado el método de inclusión de variables por pasos (stepwise), que da

lugar a un modelo de regresión con coeficientes beta, el error de estimación, el
estadístico de Wald, un nivel de significación adoptado previamente del 0.05, así como
los intervalos de confianza del 95% de los coeficientes incluidos.
28
Igualmente se han utilizado histogramas de probabilidades estimadas, y el –2 Log
Likelihood (-2LL), de modo que sus valores tenderán a 0 si la verosimilitud tiende a
máxima y al revés si ésta es baja. También se han tenido en cuenta los valores de
predicción de ser asignado a un grupo o a otro, y los índices de influencia de Cook, los
“leverage values” y las DfBeta(s), así como los residuos no estandarizados, tipificados,
estudentizados y la desviación de los residuos, entre otros muchos índices, que por
razones de espacio no podemos incluir aquí. (Algunas de las salidas del programa que
incluyen los índices anteriores pueden consultarse en los anexos al final de este trabajo).
6. Conclusiones.
6.1. Logros del proyecto.
Los logros obtenidos están in íntima relación con los objetivos conseguidos
comentados en apartados previos, por lo que remitimos a los puntos 2.1. y 2.2 previos
de este trabajo. También se remite al lector al apartado 7.6 de este trabajo
(conclusiones), donde se comenta más específicamente las conclusiones generales de
esta investigación.
6.2. Incidencia en el Centro Docente.
Debido a los plazos que establece la Administración Educativa en la finalización

de los proyectos y el trabajo y cansancio que se acumula a final de curso, nos hemos
propuesto informar más ampliamente al profesorado en general y a los tutores en
particular a principios del curso 2003-2004. No obstante, sí que hemos tenido la
posibilidad de informar en las evaluaciones del curso presente sobre las variables
relevantes y de lo sorprendente y tal vez, grave, que puede ser, conocer de antemano si
un alumno va a fracasar o salir airoso del sistema educativo con una antelación tan
amplia (a principio de curso) y con una probabilidad de acierto en la clasificación de
casi un 90 por ciento. Ello, sin duda alguna, tiene implicaciones psicopedagógicas y
curriculares serias en torno a temas tan importantes como la programación didáctica, las
adaptaciones curriculares, la evaluación y la promoción, y ante todo, la prevención
sobre todo, del fracaso escolar, que implica igualmente la formación permanente del
profesorado y la asignación de recursos humanos por parte de la Administración
Educativa a aquellos centros que por su casuística propia tengan o presenten
necesidades más urgentes por el tipo de alumnado al que atienden, que por supuesto, no
es igual en todos los centros de esta comunidad autónoma.
29
7. PREDICCIÓN DEL ÉXITO Y DEL FRACASO ACADÉMICO EN
ALUMNOS DE ESO Y BACHILLERATO MEDIANTE TÉCNICAS DE
ANÁLISIS ESTADÍSTICO AVANZADO: REGRESIÓN LOGÍSTICA BINARIA
Y ANÁLISIS DISCRIMINANTE.
7.1 Introducción.
Imaginemos por un momento que en una investigación estamos trabajando con

una variable dependiente con únicamente dos categorías u opciones y que queremos
averiguar la probabilidad de ocurrencia de una u otra a partir de una serie de
informaciones de una serie de variables que denominamos independientes. Pues bien, la
regresión logística es un modelo que a partir de los coeficientes estimados para cada una
de esas variables independientes y fruto de la probabilidad de los individuos en la
dependiente, nos va a permitir asignar los mismos a una u otra categoría u opción de
respuesta.
Vayamos por partes. Una variable dependiente dicotómica, es decir, con dos
opciones o posibilidades de respuesta: sí o no responde a un mailing, si vota o no en
unas elecciones, sí trabaja o no trabaja, acierta o se equivoca en un pronóstico, se avería
o no en un periodo de tiempo determinado, sí contesta o no al teléfono, beneficios o
pérdidas en un ejercicio, diagnóstico positivo o negativo en una prueba médica... o
como es nuestro caso, tiene o no tiene éxito académico, o dicho de forma
complementaria, manifiesta o no manifiesta fracaso escolar.
En la práctica nos podemos encontrar con infinidad de variables dicotómicas y

con interés por nuestra parte de averiguar cuál o cuáles de las que denominamos
independientes son las que inciden y en qué grado en que los individuos del tipo que
sean tengan más probabilidades de decantarse por una u otra categoría de la citada
variable.
Este procedimiento es parecido al de la regresión lineal múltiple (RLM) pero

difiere en algunos aspectos. En la RLM se tiene una variable dependiente cuyos valores
se tratan de explicar a partir de una serie de variables independientes, y la variable
dependiente debe ser cuantitativa, al igual que las independientes, mantener una
relación lineal con las mismas, distribuirse normalmente, etc., y las predicciones se
realizan en términos de valores en la variable dependiente a partir de valores en cada
una de las independientes.
En el análisis discriminante que abordaremos en segundo lugar en esta

investigación plantearemos un modelo similar al de la RLM, pero con una diferencia
importante: la variable dependiente del mismo, en lugar de ser numérica, será
categórica, con dos, tres o más categorías, y el modelo, a partir de la información que
proporcionen las variables independientes numéricas, calculará para cada individuo la
probabilidad de pertenencia a cada grupo, nivel o categoría definida en la variable
dependiente. En nuestro caso tres categorías: alto, medio y bajo rendimiento
académico. También en este caso los datos deberán cumplir una serie de supuestos
previos cuales son la distribución normal multivariante de las variables independientes,
la igualdad de las matrices de varianzas-covarianzas entre los grupos, etc.
30
La regresión logística que vamos a tratar en primer lugar en esta investigación
no deja de ser un caso particular del modelo discriminante, en el que la variable
dependiente tiene exclusivamente dos categorías (fracaso/éxito académico), a la vez que
parte de unos supuestos menos restrictivos y permite introducir como independientes en
el modelo variables categóricas.
7.2. Variables e instrumentos.
Para ilustrar el procedimiento vamos a trabajar con el archivo

datosinvestigacion.sav y como variable dependiente (fracaso / éxito escolar) que será
una de las pocas variables dicotómicas del archivo, junto con otra variable dicotómica
que es independientes, como por ejemplo sexo (varón/mujer).
Las variables independientes iniciales son las siguientes:
a) Sexo (varón o mujer).

b) Curso académico (1º, 2º, 3º, 4º de la ESO, 1º y 2º de Bachillerato).
c) Grupo (a, b, c, d).
d) Rendimiento en la primera evaluación (operativizada como número de suspensos
obtenidos en la evaluación primera del curso –que se extiende de 0 a 11 en la ESO y de
0 a 9 en el Bachillerato), obtenida aproximadamente en diciembre.
e) Rendimiento en la segunda evaluación (operativizada de la misma forma que la
anterior, aunque en un momento más avanzado del curso, aproximadamente en el mes
de marzo).
f) Rendimiento en la tercera evaluación. Solamente en el modelo inicial.
(Operativizada igual que en las dos anteriores, a final de curso, finales de junio).
g) 24 variables que consisten en los 24 items de que consta la prueba de tipología
motivacional internalizada, intrínseca y extrínseca de Susan Harter, que se cuya
puntuación se extiende desde 1 (muy poco de la característica del ítem) a 4 (mucho de la
característica en cuestión). Se presenta en el Anexo 1 al final de este trabajo.
h) Suma de puntuaciones directas en la subescala de motivación internalizada (que
consta de 6 elementos). El rango de puntuaciones va de 6 a 24 puntos.
i) Suma de puntuaciones directas de la subescala de motivación extrínseca (que consta
de 12 elementos). El rango de puntuaciones va de 12 a 48 puntos.
j) Suma de puntuaciones directas de la subescala de motivación intrínseca (que consta
de 6 elementos, cuyo rango de puntuaciones va de 6 a 24 puntos.
k) 8 variables independientes afectivas relativas a los sentimientos que produce el
hecho de estudiar (feliz, orgulloso, aliviado, mal, enfadado, culpable, preocupado y
defraudado), cuyo rango de puntuaciones se extiende de 1 a 4.
l) 4 variables tipológicas motivacionales A, B, C y D, que por su extensión teórica no
se describen aquí de forma detallada. (ver Broc, 2003).
Todas estas variables independientes hacen un total de 45 variables predictoras

(en el modelo inicial) y de 44 en el modelo final, que intentarán explicar la variable
dependiente fracaso y/o éxito académico final, operativizada y dicotomizada de la
siguiente forma:
31
0, 1 y/o 2 suspensos en la tercera evaluación en alumnos de ESO y BATO es igual a
éxito académico = 1.
3 ó más suspensos en la tercera evaluación en alumnos de ESO y BATO es igual a
fracaso académico = 0.
Se han seleccionado 0, 1 y/o 2 suspensos como éxito académico por razones de

tipo práctico y de mayor racionalidad en el modelo. Está claro que al final de la ESO y
a lo largo de los cursos, los alumnos con hasta 2 materias evaluadas negativamente
pueden pasar de curso y promocionar, así como obtener el título. Igualmente, en el
Bachillerato, se puede pasar de curso con hasta 2 suspensos, y es probable aprobar
alguno de ellos en convocatorias extraordinarias, por lo que la tasa total de aprobados se
acerca más a cero.
7.3. Etapas educativas, sujetos y materiales utilizados en el proyecto.
Todos los alumnos y alumnas del IES “El Portillo” de 1º, 2º, 3º y 4º de la ESO, así
como de 1º y 2º de Bachillerato formaron parte de esta investigación, (N = 521) aunque
por razones de mortalidad experimental (ausencias, negativas a rellenar el cuestionario,
etc.), el número final de alumnos que contabiliza el programa es de 441 (242 varones y
199 mujeres).
1º ESO: V=45 M=34 Total=79

1º BATO: V=40 M=28 Total=68
2º BATO: V=48 M=43 Total=91
Total: V:286 M=235 Total=521.
Los materiales utilizados son 1) la escala de motivación internalizada, extrínseca

e intrínseca de Susan Harter (Universidad de Denver, Colorado) enviada por cortesía de
la autora para realizar una investigación previa (Broc, 2002. MEC en depósito), y que
se presenta en el anexo 1, junto con la clave de corrección. Esta escala fue traducida y
adaptada al español en la investigación previa citada. 2) Actas de las calificaciones de
la Secretaría del IES “El Portillo” en las evaluaciones correspondientes, que se derivan
de las Juntas de Evaluación de dicho Centro en los periodos de curso correspondientes,
y que tienen carácter confidencial. 3) Programa estadístico SPSS versión 10.0, que
incluyen entre muchos otros, análisis de regresión logística binaria, análisis
discriminante, análisis de casos, gráficos, etc., en idioma inglés, versión estándar.
El Centro y sus alumnos reflejan un nivel socioeconómico de la zona medio o

medio bajo, que incluye sujetos inmigrantes, con necesidades educativas especiales y
transitorias, alumnos con dificultades de aprendizaje, alumnos con rendimiento normal
y con rendimiento medio alto o alto, y sin dificultades importantes de aprendizaje.
32
7.4. Procedimiento.
Principalmente en las horas de tutoría se administró la escala de motivación de S.

Harter a todos los grupos de la ESO y BATO. Dicha escala fue realizada en una sesión
de 50 minutos y cumplimentada con las máximas garantías de fiabilidad, como son
hacerla en silencio, de forma individual pero en situación de grupo, contestando a las
cuestiones que planteaban los alumnos al comienzo, realizando ejemplos previos y
explicaciones en la pizarra. Los cuadernillos se fotocopiaron por el personal de
conserjería en la sala de reprografía, así como las hojas de respuesta, que fueron a su
vez, traducidas y elaboradas por parte del departamento de orientación.
Por lo tanto, se utilizaron 6 sesiones grupales y cinco sesiones posteriores con

alumnos que habían faltado el día correspondiente. Todo ello llevó alrededor de 20
días.
Las actas de las evaluaciones fueron cedidas por la Secretaría del Centro,
habiéndose dado visto bueno por parte del director y jefe de estudios. Se hicieron
fotocopias de todas ellas. Posteriormente se creó y diseño un archivo en el editor de
datos del programa SPSS, y se introdujeron todos los datos de las variables y de los
alumnos seleccionados. Esta fase llevó una gran cantidad de horas, dada la cantidad de
alumnos y variables incluidas en el análisis. Alrededor de 2 meses, a razón de una hora
diaria.
El análisis de datos, su interpretación y redacción final del trabajo, incluyendo

lecturas y consultas a manuales especializados, etc., fue posterior y llevó
aproximadamente dos meses y medio.
No obstante, los objetivos y contenidos que se pretenden, el plan de trabajo y

metodología, la duración y fases previstas en esta investigación, se encuentran
suficientemente detalladas en el diseño del proyecto (fecha de entrada de 19-11-03,
documento nº 279 del Centro de Profesores y Recursos “Juan de Lanuza”), por lo que
no van a ser repetidos en este lugar.
7.5. Análisis de resultados y discusión de esta investigación.
7.5.1. Análisis de regresión logística binaria.
Vamos a dividir los análisis de varias formas. En primer lugar llevaremos a

cabo un análisis solamente en la etapa de la ESO, excluyendo el Bachillerato. En
segundo lugar lo realizaremos con el Bachillerato, excluyendo la ESO, y en tercer lugar
se efectuará con todos los alumnos considerados como un único grupo, que incluirá la
ESO y el BATO al mismo tiempo. Estos tres análisis se realizarán dos veces. Los tres
primeros incluyendo solamente la primera evaluación. Los tres posteriores incluyendo
la primera y la segunda evaluación, tomando como variable dependiente los datos
dicotomizados transformados que se derivan de la tercera evaluación o evaluación final
que sirven para la construcción del modelo y la bondad de ajuste. Compararemos los
resultados y optaremos por el más apropiado (si ese fuere el caso).
33
El mismo procedimiento de análisis se llevará a cabo, en una fase posterior,
utilizando la técnica de análisis discriminante. Posteriormente, evaluaremos cuál de las
dos técnicas proporciona mejores resultados y con qué variables. Finalmente,
utilizaremos el modelo propuesto para la clasificación y predicción de nuevos casos
durante el curso académico 2002-2003, que implicará algún tipo de toma de
predicciones y de diseño de intervenciones en el Centro.
7.5.1.1. Análisis de regresión logística binaria en la etapa de la ESO teniendo solamente

en cuenta la primera evaluación pero no la segunda.
Solamente incluiremos las tablas y gráficos más significativos para no hacer

demasiado prolija esta exposición. No obstante, todos los análisis han sido guardados
en archivos de salida de SPSS y podrían ser comunicados en su momento a los
profesores o investigadores interesados, dado que dichos resultados pueden ser impresos
o exportados vía electrónica.
Tabla 1. Resumen de los casos analizados en la ESO, incluyendo únicamente la

primera evaluación. IES "El Portillo".
Unweighted
Cases(a) N Percent
Selected Included
Cases in 319 61.2
Analysis
Missing 43 8.3
Cases
Total 362 69.5
Unselected 159 30.5
Cases
Total 521 100.0
a If weight is in effect, see classification table for the total number of cases.
El número total de casos en la ESO asciende a 319, habiendo 43 casos perdidos

que no pudieron cumplimentar el cuestionario en el momento de su aplicación. Los 159
casos no seleccionados pertenecen a los grupos de Bachillerato excluidos del análisis
voluntariamente.
En la tabla 4.2. se presenta la tabla de clasificación en la situación de éxito y de

fracaso de los sujetos de la ESO de la tabla anterior. Es una de las posibilidades quenos
ofrece el sistema de poder interpretar el ajuste del modelo a los datos. Puede observarse
que el porcentaje de alumnos correctamente clasificados en dicha situación asciende al
85.6 por ciento, porcentaje elevado si consideramos que esta predicción se realiza
mucho antes de la terminación del curso académico, es decir, en la primera evaluación,
seis meses antes del final del curso escolar.
34
Tabla 2. Tabla de clasificación en la situación de éxito/fracaso de alumnos de la
ESO, teniendo en cuenta solamente la primera evaluación. (IES "El Portillo").
Predicted
Selected Unselect
Cases ed
Cases
dicotomica Percentage dicotomi Percentage
Correct ca Correct
Observed rendimiento rendimiento rendimie rendimien
bajo alto nto bajo to alto
Paso 1 dicotomica rendimiento 107 33 76.4 24 22 52.2
bajo
rendimiento 17 162 90.5 3 73 96.1
alto
Overall 84.3 79.5
Percentage
bajo
rendimiento 22 157 87.7 4 72 94.7
alto
Overall 86.2 82.0
Percentage
bajo
rendimiento 21 158 88.3 5 71 93.4
alto
Overall 86.5 81.1
Percentage
bajo
rendimiento 21 158 88.3 5 71 93.4
alto
Overall 85.6 81.1
Percentage
a Selected cases curso LT 5

b Unselected cases curso GE 5
c Some of the unselected cases are not classified due to either missing values in the independent
variables or categorical variables with values out of the range of the selected cases.
d The cut value is .500
En esta tabla el porcentaje de alumnos que se ubican en la situación final de

éxito académico asciende al 88.3%, mientras que los que se clasifican en la situación de
fracaso escolar es del 82.1%. El programa se equivoca, por decirlo así, en 21 alumnos
de rendimiento alto que clasifica finalmente en bajo, y en 25 alumnos de bajo
rendimiento que posteriormente clasifica como alumnos de rendimiento alto. No
obstante, el porcentaje es suficientemente elevado como para ser utilizado en alumnos
de nuevo ingreso. También puede observarse que el porcentaje de clasificación de los
alumnos no seleccionados es bastante elevado 81.1%. De este porcentaje total es
clasificado en un 93.4 por ciento como alumno con alto rendimiento final el 93.4% y
como alumno/a de bajo rendimiento el 60.9%. Puede deducirse que es más fácil
predecir el alto rendimiento académico que el bajo, aunque las diferencias no son
excesivamente distantes.
35
Tabla 3. Variables de entrada en la ecuación de predicción del rendimiento final
en alumnos de la ESO, teniendo en cuenta solamente la primera evaluación. IES
"El Portillo".
B S.E. Wald df Sig. Exp(B) 95.0%

C.I.for
EXP(B)
Lower Upper
Paso 1 REND1 -.825 .085 93.630 1 .000 .438 .371 .518
Constant 3.340 .361 85.459 1 .000 28.213
Paso 2 REND1 -.882 .098 81.784 1 .000 .414 .342 .501
SUMAA .223 .051 18.904 1 .000 1.250 1.130 1.382
Constant -.310 .841 .135 1 .713 .734
Paso 3 REND1 -.874 .097 80.643 1 .000 .417 .345 .505
ENFADADO -.440 .214 4.234 1 .040 .644 .424 .979
SUMAA .189 .054 12.451 1 .000 1.208 1.088 1.342
Constant .996 1.071 .865 1 .352 2.707
Paso 4 REND1 -.899 .101 79.021 1 .000 .407 .334 .496
ALIVIO .402 .200 4.026 1 .045 1.495 1.009 2.214
ENFADADO -.460 .217 4.502 1 .034 .632 .413 .966
SUMAA .180 .055 10.706 1 .001 1.197 1.075 1.333
Constant .265 1.158 .052 1 .819 1.303
a Variable(s) entered on step 1: REND1.

b Variable(s) entered on step 2: SUMAA.
c Variable(s) entered on step 3: ENFADADO.
d Variable(s) entered on step 4: ALIVIO.
Cuando el modelo cuenta con varias variables independientes, como es nuestro

caso:
Pr{sí-fracaso académico}= eZ / 1 + eZ o pr{sí}= 1 / 1 + e-Z (1)
Donde: Z es la combinación linal:
Z = B0 + B1X1 + B2X2 + …+ BpXp (2)
Lógicamente, la pr{no, o éxito académico} = 1 – pr{sí, o fracaso académico}.
Observamos que así como en la regresión lineal la estimación de parámetros se

lleva a cabo a través del método de mínimos cuadrados, en la regresión logística se
utiliza el método de máxima verosimilitud, de modo que los coeficientes que estima el
modelo hacen nuestros datos “más verosímiles”. Puesto que el modelo no es lineal, se
necesita un algoritmo iterativo para esta estimación.
Pues bien, estos coeficientes y para el modelo hipotetizado son los que aparecen en la
primera columna (B) de la tabla 3 (en negrita, y en el paso 4). Según estos coeficientes
el modelo de regresión logística para el ejemplo podríamos escribirlo como sigue:
Pr{b1} = 1/1 + e-Z, donde Z = B0 + B1X1 +B2X2 +....+ Bp Xp, y donde la probabilidad
pr{no} = 1 – pr{sí}. (3)
36
En nuestro caso, la predicción del rendimiento académico final en cualquier
alumno de la ESO se adecuaría, en la primera evaluación, a la siguiente fórmula:
Z = .265 - .899 (número de SUSPENSOS EN LA 1ª EVALUACIÓN) + .402

(puntuación en la variable ALIVIO) - .460 (puntuación en la variable
ENFADADO) + .180 (SUMA PUNTUACIONES EN LA SUBESCALA DE
MOTIVACIÓN INTERNALIZADA).
Puesto que, tal y como hemos comentado con anterioridad, esta probabilidad
oscila entre 0 y 1, correspondiendo 0 a la categoría de fracaso académico y 1 a la
categoría éxito académico, y estando establecido por defecto el punto de corte en 0.5, el
alumno que obtenga una puntuación por debajo de 0.5 será clasificado como de fracaso
escolar, y el que obtenga una puntuación por encima de dicho valor, será clasificado
como de éxito escolar. Sustituyendo el valor de Z en la fórmula anterior de
probabilidad Pr{b1}, y sabiendo que el valor de e = 2.71882802, el resultado final nos
coloca al alumno/a en una situación u otra. (Este razonamiento lo utilizaremos en los
subsiguientes análisis y tablas, por lo que no volveremos a mencionarlo en lo sucesivo).
El número de “aciertos” globales del modelo en esta clasificación será uno de los
indicadores fundamentales de la bondad del mismo, tal y como ha podido observarse en
la tabla 2, y se verá posteriormente. También veremos que tanto esta probabilidad para
cada sujeto como su asignación a una u otra categoría serán dos columnas que podrá
generar el sistema en la base de datos del SPSS.
La segunda columna de la tabla 3 corresponde a los errores estándar de los

coeficientes y la tercera (Wald) corresponde al estadístico de Wald que testa la hipótesis
de si los coeficientes son iguales a “0” y que sigue una distribución X2 con unos grados
de libertad y un nivel de significación que son los que aparecen en las columnas 4ª y 5ª
de la tabla. Si las variables tienen un grado de libertad, como es el caso, el estadístico
de Wald puede calcularse como el cuadrado del cociente entre el valor del coeficiente y
su error estándar. En concreto, y para la primera variable Rendimiento 1:
Estadístico de Wald = (coeficiente/E.estándar)2 = (-.899/.101)2 = 79.121.
A partir de los datos de la tabla y con un riesgo alfa = 5 por 100 podemos concluir que
los coeficientes de las variables de entrada (en este caso todos en el último paso 4) son
estadísticamente significativos y distintos de “0” y por tanto significativos con valores
respectivos 79.021, 4.026, 4.502 y 10.706 y nivel de significación < de .05. No
resultarían significativos por encima de este valor.
Las tres últimas columnas de la tabla (ExpB) y los límites de estos coeficientes
B estimados exponencialmente tienen mucho que ver con lo que sería la interpretación
de los valores de los coeficientes en el modelo de regresión. Si en el modelo de
regresión múltiple el valor del coeficiente significaba el cambio en unidades de la
variable dependiente por cada unidad de cambio en la variable independiente a que se
refiere el coeficiente, permanaciendo invariantes los valores del resto de variables
independientes del modelo, en este caso, la diferencia estriba en que ahora no se trata de
incremento o disminución de la probabilidad de la variable dependiente por cada unidad
37
de cambio en las independientes (permaneciendo el resto invariantes), sino del
incremento o disminución que se produce en el cociente pr{sí}/pr{no}, obtenido éste tal
y como recoge la ecuación siguiente:
Pr{sí}/pr{no}= eB0+B1X1+B2X2+...+bpxp = eB0 eB1X1 eB2X2 ......

e
B X
p p
Las dos últimas columnas últimas de la tabla recogen los límites de estos
coeficientes así estimados para un nivel de confianza del 95 por 100 (valor por defecto),
aunque estos valores pueden ser modificados en el programa si se considerara necesario.
En el cuadro 1 tenemos representadas las probabilidades estimadas por el

modelo para todos los sujetos de la muestra. En el eje de abscisas tenemos los valores
de probabilidad y la división en dos partes tomando como referencia el punto de corte
de 0,50, figurando a la izquierda 0 de fracaso escolar y 1 de éxito académico. En el
histograma cada símbolo 0 ó 1 representa el grupo o nivel al que el individuo específico
o grupo de individuos (en el cuadro son 5 por cada símbolo) pertenecen realmente y que
puede no coincidir con el grupo o nivel al que son asignados según las probabilidades
estimadas a partir de los coeficientes del modelo.
En concreto todos los 1 situados a la izquierda de 0,5 corresponden cada uno de

ellos a grupos de 5 individuos con éxito escolar y que el modelo ha clasificado como de
fracaso, y al revés con todos los 0 situados a la derecha de 0,5. Cuantos valores más
extremos y menores asignaciones incorrectas tengamos, más eficaz será el modelo. Por
otro lado, y a la vista de los resultados en el histograma, desplazar el punto de corte
puede redundar en una mejora ostensible del modelo.
Cuadro 1. Histograma de probabilidades estimadas.

Step number: 4
Observed Groups and Predicted Probabilities
80 ô ô
ó ó
ó ó
F ó ó
R 60 ô ô
E ó ó
Q ó ó
U ó ó
E 40 ô0 ô
N ó0 ó
C ó0 1ó
Y ó0 111ó
20 ô0 111ô
ó0 1 111ó
ó0 0 0 1 11111ó
ó0000000 001 10 0 11 00 1 1 111 11111111111ó
Predicted òòòòòòòòòòòòòòôòòòòòòòòòòòòòòôòòòòòòòòòòòòòòôòòòòòòòòòòòòòòò
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111
Predicted Probability is of Membership for rendimiento alto

The Cut Value is .50
Symbols: 0 - rendimiento bajo
1 - rendimiento alto
Each Symbol Represents 5 Cases.
38
7.5.1.2. Análisis de regresión logística binaria en la etapa de la ESO teniendo en cuenta
la primera y la segunda evaluación.
Tabla 4. Tabla de clasificación en la situación de éxito/fracaso de alumnos de la

ESO, en la segunda evaluación. (IES "El Portillo").
Predicted
Selected Unselected
Cases Cases
dicotomica Percentage dicotomica Percentage
Correct Correct
Observed rendimiento rendimiento rendimiento rendimiento
bajo alto bajo alto
Step 1 dicotomica rendimiento 125 15 89.3 37 9 80.4
bajo
rendimiento 23 156 87.2 16 60 78.9
alto
Overall 88.1 79.5
Percentage
bajo
rendimiento 20 159 88.8 8 68 89.5
alto
Overall 89.0 82.8
Percentage
bajo
rendimiento 12 167 93.3 4 72 94.7
alto
Overall 91.2 83.6
Percentage
bajo
rendimiento 12 167 93.3 5 71 93.4
alto
Overall 90.9 85.2
Percentage
bajo
rendimiento 13 166 92.7 5 71 93.4
alto
Overall 91.8 84.4
Percentage
bajo
rendimiento 15 164 91.6 6 70 92.1
alto
Overall 91.2 83.6
Percentage
bajo
rendimiento 11 168 93.9 8 68 89.5
alto
Overall 92.2 82.8
Percentage
a Selected cases curso LT 5

b Unselected cases curso GE 5
c Some of the unselected cases are not classified due to either missing values in the independent variables or
categorical variables with values out of the range of the selected cases.
En la tabla 4 podemos observar que el porcentaje total de clasificación correcta

asciende en la segunda evaluación al 92.2 por 100, ya que asigna correctamente en la
situación de fracaso escolar a 126 alumnos y a 168 en la de éxito, que suponen un 90 y
un 93.9 de porcentaje de aciertos respectivamente. El error de clasificación es de 14
alumnos de bajo rendimiento en la situación de alto, y de 11 alumnos de alto
39
rendimiento en la de bajo. No obstante, si comparamos estos porcentajes con los datos
de la tabla 2 vemos que hay un aumento solamente del 6.6 por 100 en el porcentaje de
clasificación acertada, ya que en la primera evaluación el porcentaje total ascendía al
85.6 por 100.
A la vista de estos datos es posible que sea más útil y práctico de cara a la
prevención y al análisis de los alumnos/as del Centro basarse más en la tabla de
clasificación de la primera evaluación dado que el tiempo que se gana (casi cuatro
meses), es preferible que aumentar la bondad del modelo de predicción solamente en
un 6.6 por 100.
Si analizamos las variables de entrada en la ecuación de predicción teniendo en

cuenta también como variable independiente el número de suspensos obtenidos por los
alumnos de la ESO en la segunda evaluación

en alumnos de la ESO, en la segunda evaluación. (IES "El Portillo").
B S.E. Wald df Sig. Exp(B) 95.0% C.I.for
EXP(B)
Lower Upper
Step 1 REND2 -1.100 .124 78.453 1 .000 .333 .261 .425
Constant 4.349 .491 78.569 1 .000 77.438
Step 2 REND1 -.454 .112 16.486 1 .000 .635 .510 .791
REND2 -.889 .133 44.688 1 .000 .411 .317 .534
Constant 5.293 .650 66.282 1 .000 198.903
Step 3 REND1 -.537 .123 19.080 1 .000 .585 .459 .744
SUMAA .242 .066 13.299 1 .000 1.274 1.119 1.451
REND2 -.937 .147 40.582 1 .000 .392 .294 .523
Constant 1.564 1.084 2.081 1 .149 4.779
Step 4 REND1 -.512 .126 16.539 1 .000 .599 .468 .767
P7 -.838 .335 6.243 1 .012 .432 .224 .835
SUMAA .317 .076 17.376 1 .000 1.373 1.183 1.593
REND2 -1.007 .158 40.804 1 .000 .365 .268 .498
Constant 1.907 1.123 2.886 1 .089 6.735
Step 5 REND1 -.550 .132 17.289 1 .000 .577 .445 .748
P7 -.942 .346 7.426 1 .006 .390 .198 .768
ALIVIO .575 .256 5.054 1 .025 1.777 1.076 2.932
SUMAA .323 .081 16.008 1 .000 1.381 1.179 1.618
REND2 -1.040 .166 39.463 1 .000 .354 .256 .489
Constant .819 1.273 .414 1 .520 2.268
Step 6 REND1 -.578 .138 17.560 1 .000 .561 .428 .735
P7 -1.030 .357 8.304 1 .004 .357 .177 .719
ALIVIO .715 .269 7.051 1 .008 2.045 1.206 3.466
SUMAA .409 .097 17.854 1 .000 1.506 1.245 1.821
TIPOD 2.678 1.288 4.324 1 .038 14.561 1.166 181.788
REND2 -1.137 .183 38.461 1 .000 .321 .224 .460
Constant -.504 1.441 .122 1 .726 .604
Step 7 REND1 -.583 .144 16.377 1 .000 .558 .421 .740
P7 -1.158 .378 9.366 1 .002 .314 .150 .659
ALIVIO .758 .273 7.695 1 .006 2.134 1.249 3.645
ENFADADO -.745 .326 5.218 1 .022 .475 .250 .900
SUMAA .367 .100 13.611 1 .000 1.444 1.188 1.755
TIPOD 3.207 1.298 6.101 1 .014 24.697 1.939 314.540
REND2 -1.207 .201 36.060 1 .000 .299 .202 .444
Constant 1.837 1.794 1.048 1 .306 6.275

b Variable(s) entered on step 2: REND1.
c Variable(s) entered on step 3: SUMAA.
d Variable(s) entered on step 4: P7.
e Variable(s) entered on step 5: ALIVIO.
f Variable(s) entered on step 6: TIPOD.
g Variable(s) entered on step 7: ENFADADO.
40
En nuestro caso, la predicción del rendimiento académico final en cualquier
alumno de la ESO se adecuaría, en la segunda evaluación, a la siguiente fórmula:
Z = 1.837 - .583 (número de SUSPENSOS EN LA 1ª EVALUACIÓN) - 1.158

(puntuación obtenida en el ítem 7 de la escala de motivación) + .758 (puntuación
obtenida en la dimensión afectiva ALIVIO de la escala de motivación) - .745
(puntuación obtenida en la dimensión afectiva ENFADADO de la escala de
motivación) + .367 (suma de puntuaciones en la subescala de motivación
internalizada) + 3.207 (tipología D de la escala de motivación) – 1.207 (número de
suspensos obtenidos en la segunda evaluación).
Obteniendo las puntuaciones en dichas variables multiplicándolas por los

coeficientes beta y sumados o restados, se obtendría la puntuación Z, que sustituyendo
en la fórmula comentada más arriba, daría lugar a un valor, que siendo superior a 0.5
ubicaría al alumno en situación de éxito académico, o siendo inferior lo clasificaría en
situación de fracaso escolar, a final de curso. Puede observarse el peso del rendimiento
previo en las dos evaluaciones, y el gran peso de la variable tipología D (ver Broc,
2003), así como el peso relativo de otras variables motivacionales. La ecuación de
predicción es algo más compleja que en la primera evaluación, aunque por otra parte,
más precisa, ya que la tabla de clasificación también aumenta en porcentaje de
clasificaciones acertadas en el modelo.
Finalmente en el cuadro dos, se presenta el mapa territorial de la clasificación de

los alumnos en las dos situaciones académicas.
Cuadro 2. Mapa territorial de predicción de ubicación en la situación de éxito o

fracaso en alumnos de la ESO, en la segunda evaluación.
Step number: 7
160 ô ô
ó ó
ó ó
F ó ó
R 120 ô ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 80 ô0 1ô
N ó0 1ó
C ó0 1ó
Y ó0 1ó
40 ô0 1ô
ó0 1ó
ó0 1ó
ó000 0 1 11ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

41
Puede observarse en dicho cuadro que el porcentaje de aciertos prácticamente
total, concediendo al modelo un alto valor predictivo. Ello puede notarse en la ausencia
de unos en zona de ceros, y a la inversa, ausencia de ceros en zona de unos, teniendo
como punto de corte el valor por defecto de 0,5.
Podemos concluir que este análisis goza de un alto nivel de clasificación y

predicción acertada, algo más elevada en la segunda evaluación del curso, aunque
debido a la poca diferencia entre los dos modelos, sería creemos, preferible utilizar el
primero de ellos dada la mayor sencillez en el número de variables incluidas en la
ecuación de predicción, el pequeño porcentaje de clasificaciones correctas que se
“gana” a costa de perder cuatro meses de curso, y el tiempo que se adelanta en la
utilización y diseño de técnicas de intervención psicopedagógicas.
7.5.1.3. Análisis de regresión logística binaria en la etapa de BACHILLERATO

LOGSE teniendo en cuenta únicamente la primera evaluación.
Siguiendo con lógica utilizada en anteriores apartados, hemos considerado

interesante estudiar igualmente la relevancia de este modelo y técnica de predicción del
rendimiento en alumnos de Bachillerato, para analizar si existen diferencias sustanciales
entre estas dos etapas que permitan diferenciar la naturaleza del rendimiento académico
o sus antecedentes, y la posibilidad de intervención con suficiente antelación, si las
variables de entrada en la ecuación nos lo permiten. El número de alumnos analizados
asciende a 122, siendo de 37 el número de casos perdidos.
En la tabla 6 se muestran los datos de la función de clasificación en alumnos de

Bachillerato Logse en la primera evaluación de curso.
Tabla 6. Función de clasificación en la situación de éxito/fracaso de alumnos de

Bachillerato, en la primera evaluación. (IES "El Portillo").
Predicted
Selected Unselecte
Cases d Cases
dicotomica Porcentaje dicotomica Porcen
Correcto Correct
Observed Rendimiento Rendimiento Rendim. Rend.
bajo alto bajo alto
Step 1 dicotomica Rendim
Bajo 39 7 84.8 123 18 87.2
Rendim
alto 9 67 88.2 31 148 82.7
Overall
Percentage 86.9 84.7
a Selected cases curso GT 4

b Unselected cases curso LE 4
42
Del análisis de esta tabla podemos afirmar que la clasificación es correcta de
alumnos en la situación de éxito o fracaso es ligeramente mayor que en la etapa de la
ESO vista anteriormente (en la primera evaluación), y que el porcentaje es, en general,
bastante alto. Solamente se clasifican siete alumnos/as de rendimiento bajo como alto,
y nueve de rendimiento alto como bajo. Treinta y nueve son clasificados en rendimiento
bajo teniéndolo bajo y sesenta y siete en alto teniéndolo alto. El porcentaje de alumnos
clasificados acertadamente en rendimiento bajo asciende al 84.8 por 100; el de alumnos
en rendimiento alto al 88.2 por 100, y el total (alto y bajo de forma acertada), al 86.9 por
100.
Si observamos la tabla 7 de variables de entrada en la ecuación de predicción

del rendimiento final, puede observarse una tal vez, dramática reducción de variables de
entrada. De las 44 variables iniciales, solamente satisface los criterios estadísticos las
puntuaciones en la primera evaluación, excluyéndose de la ecuación todas las demás.
Según este análisis solamente esta variable tiene importancia en la predicción del
rendimiento académico final, después de, únicamente, tres meses de inicio del curso.

en alumnos de Bachillerato, en la primera evaluación. (IES "El Portillo").

C.I.for
EXP(B)
Lower Upper
Step REND1 -1.276 .227 31.526 1 .000 .279 .179 .436
1
Constant 4.546 .816 31.065 1 .000 94.261
En este caso, Z = 4.546 – 1.276 (número suspensos en la primera

evaluación). Aplicando, en nuestro caso, la fórmula (3), si el alumno obtiene un
valor por encima de 0.5 si situaría en una zona de éxito académico. En caso
contrario, en una zona de fracaso. El mapa territorial del cuadro 3 muestra la
distribución de los sujetos en esta función.
En dicho mapa, se observan algunos alumnos que están mal clasificados (en una
ubicación que nos les corresponde a priori), aunque de todas formas, ese número no es
demasiado elevado, sino más bien bajo, lo que indica que el modelo manifiesta un ajuste
relativamente alto.
43
Cuadro 3. Mapa territorial de probabilidad de pertenencia a los grupos de éxito o
fracaso en la primera evaluación. Bato Logse.
Step number: 1
32 ô ô
ó ó
ó ó
F ó 1 ó
R 24 ô 1 ô
E ó 1 1 ó
Q ó 1 1 1ó
U ó 1 1 1ó
E 16 ô 0 1 1 1ô
N ó 0 1 1 1 1ó
C ó 0 1 1 1 1ó
Y ó0 1 1 0 1 1 1 1ó
8 ô0 0 0 0 1 1 1 1ô
ó0 0 0 0 1 1 1 1ó
ó0 0 0 0 0 0 1 1ó
ó0 0 0 0 0 0 1 1ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

7.5.1.4. Análisis de regresión logística binaria en la etapa de BACHILLERATO

LOGSE en la segunda evaluación.
En la tabla 8 presentamos una clasificación efectuada por el programa en los

alumnos de Bachillerato en la segunda evaluación del curso, tanto en casos
seleccionados como no seleccionados, que nos permite visualizar el número y
porcentaje parcial y total de alumnos clasificados correcta e incorrectamente, pero que
en el cómputo total asciende a un porcentaje moderadamente elevado, lo que concede al
modelo un buen ajuste y sirve para nuestros propósitos.
44
Tabla 8. Tabla de clasificación en la situación de éxito/fracaso en alumnos de
Bachillerato, en la segunda evaluación. (IES "El Portillo").
Predicted
Selected Unselected
Cases Cases
dicotomica Percentaj. dicotomica Percent.
Correct Correct
Observed rendimiento rendimiento rendimiento rendimiento
bajo alto bajo alto
bajo
rendimiento 9 67 88.2 31 148 82.7
alto
Overall 86.9 84.7
Percentage
bajo
rendimiento 10 66 86.8 29 150 83.8
alto
Overall 84.4 87.2
Percentage
a Selected cases curso GT 4

b Unselected cases curso LE 4
Paradójicamente, y en contra de las suposiciones, encontramos que en la

segunda evaluación (tabla 8), el porcentaje de clasificación acertado disminuye
ligeramente respecto de la primera (84.4 frente a 86.9). Esta disminución no podemos
explicarla todavía desde un punto de vista teórico, a no ser que se deba a la inclusión de
variables extrañas o moduladoras que complican los análisis. No obstante, el porcentaje
total de aciertos creemos que sigue siendo bastante elevado.
Si nos fijamos en las variables de entrada en la ecuación de predicción del éxito

final teniendo en cuenta todas las variables motivacionales y la primera y segunda
evaluación vemos que, en la tabla 9, se repite como en la primera evaluación. Todas las
variables son rechazadas excepto el rendimiento previo en la primera y segunda
evaluación que son los mejores predictores, y en exclusiva, del rendimiento final en el
Bachillerato. Este hecho puede ser preocupante, dado que solamente parece tener en
cuenta los conocimientos adquiridos por el alumno, evaluados por el profesorado en los
diversos momentos del curso, cuestionando otras prácticas psicopedagógicas
teóricamente relevantes en estas etapas educativas. Resultados muy similares han sido
encontrados en otras investigaciones recientes (Broc, 2003).
45
en alumnos de Bachillerato, en la segunda evaluación. (IES "El Portillo").

C.I.for
EXP(B)
Lower Upper
Step 1 REND1 -1.276 .227 31.526 1 .000 .279 .179 .436
Constant 4.546 .816 31.065 1 .000 94.261
Step 2 REND1 -.924 .257 12.884 1 .000 .397 .240 .658
REND2 -.613 .242 6.434 1 .011 .542 .337 .870
Constant 5.488 1.054 27.136 1 .000 241.779

En este caso, Z = 5.488 – .924 (número suspensos en la primera evaluación)

- .613 (número de suspensos en la segunda evaluación). Aplicando, en nuestro
caso, la fórmula (3), si el alumno obtiene un valor por encima de 0.5 si situaría en
una zona de éxito académico. En caso contrario, en una zona de fracaso. El mapa
territorial del cuadro 4 muestra la distribución de los sujetos en esta función.

fracaso en la segunda evaluación. Bato Logse.
Step number: 2
32 ô ô
ó ó
ó 1ó
F ó 1ó
R 24 ô 1ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 16 ô 1ô
N ó 1ó
C ó 11ó
Y ó 111ó
8 ô0 1 1 111ô
ó00 1 1 1 111ó
ó000 0 0 0 0 1 0 1 1 1 0 1 111ó
ó00000 00 0 0 0 1 0 0 0 0 0 0 1 11111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

46
En ese gráfico se observa que algunos casos con fracaso académico se clasifican
en situación de éxito y a la inversa, aunque, en términos generales sino siendo
suficientemente válido y elevado, tal vez algo menos contundente como en los referidos
a la educación secundaria obligatoria, vistos anteriormente.
7.5.1.5. Análisis de regresión logística binaria en la etapa de ESO y BACHILLERATO

LOGSE considerados un único grupo y teniendo en cuenta únicamente la primera
evaluación.
Tabla 10. Tabla de clasificación en la situación de éxito/fracaso de alumnos de

ESO y BATO, en la primera evaluación. (IES "El Portillo").
Predicted
dicotomica Percentaje
Correct
Observed rendimiento rendimient
bajo o alto
Step 1 dicotomica rendimiento 161 25 86.6
bajo
rendimiento 40 215 84.3
alto
Overall 85.3
Percentage
bajo
alto
Overall 84.8
Percentage
bajo
alto
Overall 85.9
Percentage
bajo
alto
Overall 85.9
Percentage
a The cut value is .500
El porcentaje total de clasificaciones correctas asciende al 86% considerando a

todos los alumnos de ESO y BATO como un único grupo, siendo mayor el porcentaje
de aciertos en la clasificación de rendimiento alto (89%) que en la de fracaso (81.7%).
Si comparamos estos datos con los obtenidos en la tabla 2 para la ESO

solamente puede observarse que los datos son muy similares, siendo del 85.6% en el
total; de 88.3% en el rendimiento alto o éxito académico y de un 82.1% en el fracaso
47
escolar. Tampoco los resultados difieren sustancialmente comparamos esta última tabla
con la referida al Bachillerato como grupo separado, siendo los porcentajes de 86.9%,
88.2% y 84.8% respectivamente. Se puede terminar diciendo que la bondad de ajuste es
similar en los tres modelos y que en todos ellos tiende a acercarse al 90% de
clasificaciones correctas, por una parte, y que en la situación de éxito obtiene
porcentajes de aciertos algo mayores que en la de fracaso.

en alumnos de ESO y BATO, en la primera evaluación. (IES "El Portillo").
B S.E. Wald df Sig. Exp(B) 95.0% C.I.for

EXP(B)
Lower Upper
Step 1 REND1 -.900 .081 124.825 1 .000 .407 .347 .476
Constant 3.518 .322 119.154 1 .000 33.720
Step 2 REND1 -.927 .086 115.535 1 .000 .396 .334 .469
SUMAA .180 .043 17.313 1 .000 1.197 1.100 1.302
Constant .417 .759 .301 1 .583 1.517
Step 3 REND1 -.956 .090 113.919 1 .000 .384 .323 .458
P4 .346 .156 4.890 1 .027 1.413 1.040 1.920
SUMAA .184 .044 17.858 1 .000 1.202 1.104 1.309
Constant -.553 .878 .396 1 .529 .575
Step 4 REND1 -.975 .093 110.060 1 .000 .377 .314 .453
P4 .496 .169 8.639 1 .003 1.643 1.180 2.287
P14 -.419 .166 6.377 1 .012 .658 .475 .910
SUMAA .191 .043 19.448 1 .000 1.210 1.112 1.317
Constant -.183 .885 .043 1 .836 .832

b Variable(s) entered on step 2: SUMAA.
c Variable(s) entered on step 3: P4.
En este modelo conjunto, la función Z = -.183 -.975 (número suspensos en la

primera evaluación) + .496 (elemento 4 de la escala de motivación) -.419 (ítem 14
de la escala de motivación) + .191 (suma puntuaciones de la subescala de
motivación internalizada). Sustituyendo en la fórmula (3), si se obtiene un valor
superior a 0,5 se clasifica al alumno/a en situación de éxito, siendo en la de fracaso
cuando se obtiene una puntuación inferior a dicho valor.
En el cuadro 5 puede observarse que el histograma de probabilidades es bastante

adecuado, aunque existen algunos alumnos mal ubicados, concretamente 9 unos en zona
de ceros, lo que hace un total de 45 sujetos con éxito clasificados en zona de fracaso, y 5
ceros en zona de unos, lo que hace un total de 25 sujetos con fracaso clasificados en
zona de éxito. A pesar de ello, el porcentaje de aciertos es bastante claro y elevado.
48
fracaso en la primera evaluación. ESO y Bato Logse.
Step number: 3
80 ô ô
ó ó
ó ó
F ó ó
R 60 ô ô
E ó ó
Q ó ó
U ó 11ó
E 40 ô0 11ô
N ó0 11ó
C ó0 11ó
Y ó0 111ó
20 ô0 111ô
ó01 0 111111ó
ó0000 0 0 111 111111ó
ó00000100000100010 01 0 111 1 0 0110 0011 1111 1111111101111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

7.5.1.6. Análisis de regresión logística binaria en la etapa de ESO y BACHILLERATO

LOGSE considerados un único grupo en la segunda evaluación.
El porcentaje de clasificaciones correctas en la tabla 12 asciende al 88.7%,

siendo del 90.2% en la situación de éxito y de 86.6% en la de fracaso académico. Si
comparamos estos porcentajes con los obtenidos en la primera evaluación vemos que
son ligeramente superiores, pero no lo suficiente como para permitirse esperar hasta la
segunda evaluación para hacer los pronósticos. En la primera son del 85.9%, 89% y
81.7% respectivamente. Si se considera a todos los alumnos dentro de un solo grupo es
preferible utilizar la función de clasificación en la primera evaluación por razones
obvias de tiempo para intervenir desde perspectivas psicológicas, pedagógicas o
psicopedagógicas.
49
Tabla 12. Tabla de clasificación en la situación de éxito/fracaso en alumnos de
ESO y BACHILLERATO, en la segunda evaluación. (IES "El Portillo").
Predicción
dicotomica Porcentaje
Correcto
Observada rendimiento rendimiento
bajo alto
Paso 1 dicotomica rendimiento 162 24 87.1
bajo
alto
Porcentaje 85.7
Total.
bajo
alto
Porcentaje 87.8
Total.
bajo
alto
Porcentaje 89.3
Total.
bajo
alto
Porcentaje 89.3
Total.
bajo
alto
Porcentaje 88.7
Total.
a The cut value is .500
50
en alumnos de ESO y BACHILLERATO, en la segunda evaluación.

C.I.for
EXP(B)
Lower Upper
Paso 1 REND2 -1.102 .106 109.018 1 .000 .332 .270 .409
Constant 4.270 .412 107.461 1 .000 71.554
Paso 2 REND1 -.526 .099 28.110 1 .000 .591 .486 .718
REND2 -.846 .115 54.576 1 .000 .429 .343 .537
Constant 5.264 .541 94.562 1 .000 193.257
Paso 3 REND1 -.561 .103 29.580 1 .000 .571 .466 .698
REND2 -.856 .120 50.819 1 .000 .425 .336 .538
SUMAA .172 .051 11.403 1 .001 1.187 1.075 1.312
Constant 2.340 .945 6.129 1 .013 10.382
Paso 4 REND1 -.552 .104 28.425 1 .000 .576 .470 .705
REND2 -.874 .122 51.608 1 .000 .417 .329 .530
P7 -.486 .241 4.060 1 .044 .615 .383 .987
SUMAA .206 .055 13.829 1 .000 1.228 1.102 1.369
Constant 2.654 .984 7.283 1 .007 14.216
Paso 5 REND1 -.579 .106 29.623 1 .000 .560 .455 .690
REND2 -.894 .125 51.521 1 .000 .409 .320 .522
P7 -.519 .241 4.635 1 .031 .595 .371 .955
ALIVIO .407 .205 3.957 1 .047 1.502 1.006 2.244
SUMAA .206 .056 13.471 1 .000 1.229 1.101 1.372
Constant 1.861 1.070 3.024 1 .082 6.430

c Variable(s) entered on step 3: SUMAA.
e Variable(s) entered on step 5: ALIVIO.
En este modelo conjunto en la segunda evaluación considerando a todos los

alumnos de ESO y BATO como un único grupo (tabla 13), la función Z = 1.861 -
.579 (número de suspensos en la primera evaluación) -.894 (número de suspensos
en la segunda evaluación) -.519 (ítem 7 de la escala de motivación) + .407 (item de
variable afectiva ALIVIO) + .206 (suma puntuaciones de la subescala de
motivación internalizada).
Vemos que las calificaciones obtenidas en la primera y segunda evaluación son

las variables que más peso tienen en la explicación del porcentaje de varianza en la
variable rendimiento final a partir de las variables predictoras independientes, y que
además algunas de ellas se repiten si atendemos a las variables de entrada en la primera
evaluación. Puede concluirse que es más práctico y útil realizar los pronósticos en la
primera evaluación dado que los porcentajes de clasificación correcta y el número y tipo
de variables de la ecuación de predicción son bastante similares.
51
fracaso en la segunda evaluación. ESO y Bato Logse.
Step number: 5
160 ô ô
ó ó
ó ó
F ó ó
R 120 ô 1ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 80 ô 1ô
N ó0 1ó
C ó0 1ó
Y ó0 1ó
40 ô0 1ô
ó0 11ó
ó00 111ó
ó00 0000 1 0 1 1 1 1 11111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

En el cuadro 6 podemos observar que el número de errores de clasificación en la

situación éxito teniendo fracaso es nula, mientras que el número de errores de sujetos
con éxito ubicados en situación de fracaso es mayor, concretamente dos unos en zona de
ceros, es decir, 20 casos en total. A pesar de ello, el histograma muestra una adecuación
muy saludable.
7.5.1.7. Conclusiones respecto a la utilización de los modelos de regresión logística

binaria en la predicción del éxito/fracaso escolar en la ESO, Bachillerato
Logse y las dos etapas consideradas como un único grupo.
Del análisis de la tabla 14 pueden entresacarse las siguientes conclusiones:
a) El porcentaje pronosticado es mayor en la situación de éxito que en la de fracaso

académico, aunque esta diferencia es más bien pequeña. Esto ocurre en todos los
grupos, tanto en la ESO como en el BATO como considerando a todos como un único
grupo. Por lo tanto, es más fácil pronosticar el éxito que el fracaso escolar.
52
b) Es mejor realizar los pronósticos en la primera evaluación que en la segunda porque
se gana mucho tiempo (tres meses de curso), de cara a la prevención e intervención y se
pierde solamente un pequeño porcentaje. En la ESO, en la primera evaluación se
obtiene un 85.6% frente a un 92.2%, es decir, se pierde un 6.6% de aciertos. En el
BATO incluso se gana en aciertos en la primera evaluación respecto a la segunda
(86.9% frente a un 84.4%), y considerando a todos como un único grupo, se pierde un
2.8%, pero este porcentaje es muy pequeño si tenemos en cuenta que han pasado
alrededor de tres meses de curso y solamente queda un trimestre para la finalización del
mismo.
Tabla 14. Porcentajes comparativos de clasificaciones correctas(regresión logística

binaria), en momentos temporales distintos (1ª y 2ª evaluación), y en la situación de
éxito/fracaso académico, en la ESO, en el BATO, y en un único grupo.
ESO ESO
1ªEvaluación 2ªEvaluación
Rendimiento Rendimiento Porcentaje Rendimiento Rendimiento Porcentaje
Bajo. Alto. Total. Bajo. Alto. Total.
Rendimiento.
Bajo. 82.1 90.0
Rendimiento
Alto. 88.3 93.9
Porcentaje
Total. 85.6 92.2
BATO BATO
Rendimiento.
Bajo. 84.8 80.4
Rendimiento.
Alto. 88.2 86.8
Porcentaje
Total. 86.9 84.4
ESO y Bato ESO y Bato
Rendimiento.
Bajo. 81.7 86.6
Rendimiento.
Alto. 89.0 90.2
Porcentaje
Total. 85.9 88.7
c) En el porcentaje total, es mejor hacer las predicciones por separado (en la 1ª

evaluación), porque en la ESO es prácticamente igual que el total (85.6 frente a 85.9)
pero en el Bato es mayor (86.9 frente a 85.9).
53
d) En el total (2ª evaluación), es mejor hacer el pronóstico conjuntamente porque
aumenta el porcentaje en el Bato un 4.3% (88.7 frente a 84.4), pero es mejor realizar la
predicción por separado en la ESO porque ésta gana un 3.5% (92.2 frente 88.7).
7.5.2. Análisis discriminante.
7.5.2.1. Breve introducción teórica.
El análisis discriminante es una técnica estadística que permite asignar un

individuo a un grupo definido a priori (variable dependiente) en función de una serie de
características del mismo o de las respuestas dadas a una serie de preguntas (variables
independientes). Si la variable dependiente es discreta con varios grupos, como es
nuestro caso –grupos de alto, medio y bajo rendimiento académico-, el análisis
discriminante propiamente dicho es el medio más adecuado. La diferencia con el
análisis de cluster es que en ésta técnica los grupos se establecen a posteriori mientras
que si se establecen a priori como ocurre en nuestro caso, es más apropiado utilizar la
técnica discriminante.
Así pues, se trata de analizar cuáles son las variables que contribuyen en mayor
grado a discriminar a los alumnos en los diferentes grupos establecidos a priori. Para
ello, estas variables que mejor discriminan se reducen a canónicas, que no son otra cosa
sino una combinación lineal de las variables independientes originales. Esta
combinación lineal es lo que se denomina función discriminante, donde la variable
dependiente es la pertenencia a uno u otro grupo. Hay tantas funciones discriminantes
como grupos menos 1 (k – 1) y para que sean óptimas han de proporcionar una regla de
clasificación que minimice la probabilidad de cometer errores. Se suele utilizar esta
técnica para discriminar, por ejemplo, los compradores o no compradores de un
producto determinado en base a una serie de características sociodemográficas o
psicográficas, estilos de vida, etc., y en general para discriminar diferentes grupos de
individuos (personas físicas, empresas, productos, etc.) a partir de una serie de variables
independientes. En nuestro caso se tratará obviamente, de discriminar a los alumnos de
alto, medio o bajo rendimiento académico en función de una serie de variables
independientes motivacionales, personales y de rendimiento previo, las cuales ya han
sido descritas en el apartado 7.2 de este trabajo, y que son las mismas que en los análisis
de regresión logística.
Al tener tres grupos obtendremos dos funciones discriminantes, la primera de

ellas es la que nos da una ratio mayor entre las sumas de cuadrados entregrupos e
intragrupos, en tanto que la segunda, incorrelacionada con la primera, es la que nos da el
siguiente mayor ratio entre ambas sumas de cuadrados. En nuestro caso, también
podría haberse llevado a cabo un análisis discriminante tomando la variable dependiente
solamente dos valores (alto o bajo rendimiento académico), pero como ello ya ha sido
realizado previamente con la regresión logística, que en ese caso, es más apropiada, y
dado que en ese tipo de análisis no puede tomar tres valores la variable dependiente
como ocurre ahora, un mayor reto de esta investigación ha sido intentar predecir la
ubicación de los alumnos en una de esas tres categorías de rendimiento, por lo que el
análisis discriminante es ahora el más apropiado.
54
La ecuación lineal discriminante, similar a la de regresión múltiple, es la
siguiente:
D = B0 + B1X1 + B2X2 + … + BpXp
donde:
X: son las variables independientes.

B0: es la constante.
Bp: son los coeficientes estimados a partir de los datos originales de modo que los
valores de la función difieran el máximo posible entre los grupos, o lo que es lo mismo:
S.C. Entregrupos / S.C. Intragrupos = máximo.
Por lo tanto, multiplicando cada uno de los coeficientes por los valores de cada
individuo en las variables independientes se pueden obtener las puntuaciones
discriminantes para cada uno de ellos, aunque este valor discriminante final puede
obtenerse mediante el programa estadístico cuando se selecciona Discriminant Scores
como una variable a grabar en la base de datos. (Si se realiza manualmente deben de
utilizarse los coeficientes de la Función Discriminante Canónica no estandarizados).
Finalmente, y a partir de la puntuación discriminante, es posible obtener una

regla de clasificación de los individuos en uno de los grupos (tres en nuestro caso). Esta
regla está basada en la teoría de Bayes y la probabilidad de que un sujeto con una
puntuación discriminante determinada pertenezca a alguno de los grupos (dos grupos)
se estima mediante:
P(Gi I D) = P (D I Gi) P (Gi) / Sumatorio de P (D IGi) P (Gi)
7.5.2.2. Análisis discriminante en la etapa de la ESO en la primera evaluación del

curso.
Tabla 15. Variables de entrada en la ecuación de predicción (análisis

discriminante) de variables independientes sobre el rendimiento final en la ESO, y
en la 1ª evaluación. (N=319).
Entered Wilks'
Lambda
Statistic df1 df2 df3 Exact F
Step Statistic df1 df2 Sig.
1 eval1ªsus .424 1 2 316.000 214.512 2 316.000 .000
2 enfadado .396 2 2 316.000 92.939 4 630.000 .000
3 MIIE1 .379 3 2 316.000 65.335 6 628.000 .000
4 curso .367 4 2 316.000 50.989 8 626.000 .000
At each step, the variable that minimizes the overall Wilks' Lambda is entered.
a Maximum number of steps is 84.
b Minimum partial F to enter is 3.84.
c Maximum partial F to remove is 2.71.
d F level, tolerance, or VIN insufficient for further computation.
55
Tabla 16. Autovalores de la Función discriminante canónica en la ESO y en la 1ª
evaluación.
Function Eigenvalue % of Cumulative Canonical Correlation
Variance %
1 1.681 99.0 99.0 .792
2 .017 1.0 100.0 .130
a First 2 canonical discriminant functions were used in the analysis.
Tabla 17. Lambda de Wilks. Función discriminante canónica.
Test of Wilks' Chi-square df Sig.

Function(s) Lambda
1 through 2 .367 315.603 8 .000
2 .983 5.402 3 .145
Al tener tres grupos obtenemos dos funciones discriminantes, como puede

observarse en los resultados de las tablas 16 y 17. La primera es la que nos da una ratio
mayor entre las sumas de cuadrados entregrupos e intragrupos, en tanto que la segunda,
incorrelacionada con la primera, es la que nos da el siguiente mayor ratio entre ambas
sumas de cuadrados. La correlación canónica de la tabla 16 es la raíz cuadrada del
cociente entre la suma entregrupos y la total de ambas funciones discriminantes.
Lógicamente la primera función tendrá la mayor variabilidad entregrupos e irá
disminuyendo en funciones sucesivas. La función 2 aporta el 13% restante hasta
completar el 100%. Por otra parte, la lambda de Wilks, de la tab la 17 es un test de
contraste de medias de todas las funciones discriminantes en todos los grupos, y no
supone la ratio entre la S.C. Intragrupos y la S.C. Total sino el producto de las lambda
de Wilks para cada función. El grado de significación de este valor se basa en una
transformación Chi-Cuadrado del estadístico. Este valor, los grados de libertad (df) y el
nivel de significación son los que aparecen en las últimas columnas de la tabla 17.
Vemos que únicamente es significativa la primera función, cuyo valor es menor que
0.05 establecido por defecto.
Tabla 18. Coeficientes estandarizados de la Función Discriminante Canónica.
Function
1 2
curso -.181 .853
Eval1ªsus .909 .325
MIIE1 -.251 .315
enfadado .266 -.171
En la tabla 18 tenemos una forma de interpretar la contribución de cada variable

a la función discriminante a través de los coeficientes estandarizados de las funciones
discriminantes.
56
Tabla 19. Matriz de estructura de las funciones discriminantes (ESO-1ª
evaluación) .
Function
1 2
eval1ªsus .898* .342
suma punt. -.293* .236
Motiv.internal
Enfadado .260* -.254
MIIE13 -.251* .195
MIIE9 -.233* .168
Orgullo -.194* .111
MIIE17 -.181* .160
MIIE21 -.173* .085
preocupado -.171* .023
MIIE18 -.162* .087
MIIE5 -.145* .113
D111 .144* -.041
MIIE15 -.132* .122
MIIE19 -.131* .106
A313 -.130* .096
Feliz -.116* .087
MIIE4 .097* -.075
MIIE7 -.090* .066
defraudado -.077* .045
culpable .066* .039
MIIE6 .032* -.012
Curso -.165 .864*
MIIE1 -.338 .345*
MIIE11 -.031 .187*
Suma punt. -.130 .156*
Motiv. Intrins.
Mal .121 -.148*
MIIE24 .102 -.145*
MIIE3 -.132 .138*
C131 .094 -.133*
MIIE12 .081 -.124*
MIIE14 .013 -.118*
MIIE22 .033 -.118*
MIIE10 -.065 .103*
suma punt. .028 -.097*
Motiv.extríns.
MIIE23 -.086 .095*
MIIE20 .023 -.090*
MIIE2 .047 -.087*
Alivio .006 .082*
MIIE8 -.002 -.070*
B333 .014 .063*
MIIE16 -.020 -.057*
Sexo -.007 .057*
Pooled within-groups correlations between discriminating variables and standardized canonical discriminant functions
Variables ordered by absolute size of correlation within function.
* Largest absolute correlation between each variable and any discriminant function
a This variable not used in the analysis.
Otra forma distinta es a través de la correlación entre las distintas variables y las
funciones discriminantes, que como vemos en la tabla 19 aparecen agrupadas en dos
bloques y con un asterisco para indicarnos la función a la que contribuyen en mayor
grado.
57
Tabla 20. Coeficientes de la Función Discriminante Canónica. (ESO-1ªeval).
Function
1 2
curso -.174 .820
eval1ªsus .454 .162
MIIE1 -.296 .371
enfadado .290 -.186
(Constant) -.917 -3.391
Unstandardized coefficients
En la tabla 20 tenemos los coeficientes no estandarizados de cada variable para

cada una de las funciones discriminantes. A partir de estos coeficientes y de los valores
de cada individuo en las variables independientes es posible obtener las puntuaciones
discriminantes para cada uno de ellos en ambas funciones y que genera y añade el
sistema a la base de datos, si se considera deseable.
Tabla 21. Funciones de los Centroides de grupo. Medias de los grupos para cada
función discriminante.
Function
3RENDIM 1 2
rend. bajo 1.916 -9.312E-02
rend. medio .510 .292
rend. alto -1.057 -3.973E-02
Unstandardized canonical discriminant functions evaluated at group means
En la tabla 21 tenemos las medias de cada grupo para las dos funciones. Si las
medias de los grupos en cada función son muy parecidas, es sinónimo de que la citada
función no discrimina entre grupos, y al contrario si las medias son muy diferentes,
como es nuestro caso.
Tabla 22. Coeficientes de la Función de Clasificación (ESO-1ª eval).

3RENDIM
rend. bajo rend. rend. alto
medio
curso 1.842 2.403 2.404
eval1ªsus 1.914 1.338 .572
MIIE1 4.079 4.638 4.979
enfadado 3.702 3.222 2.829
(Constant) -18.929 -17.783 -14.360
Fisher's linear discriminant functions
En la tabla 22 se obtienen los pesos de los coeficientes para generar la tabla de

clasificación posterior de asignación a los diversos grupos. Vemos que la variable
rendimiento en la primera evaluación es la que presenta valores más distintos y
disimilares en dicha función, mientras que el resto de las variables es más parecido, y
por lo tanto, aportará mucho menos a la clasificación.
58
Cuadro 7. Representación de las tres funciones discriminantes canónicas en los
tres tipos de rendimiento académico (alto, medio y bajo) en la 1ª evaluación.
Canonical Discriminant Functions

3
1
rend. medio
rend. alto rend. bajo
0
3RENDIM
-1 Group Centroids
rend. alto
Function 2
-2
rend. medio
-3 rend. bajo
-3 -2 -1 0 1 2 3 4 5
Function 1
En el cuadro 7 tenemos un Scatterplot para todos los grupos y en el que en el eje

de abscisas figuran los valore de la función 1, en el de ordenadas los de la función 2,
todos los sujetos de la muestra y los centroides. Puede observarse que a pesar de que
parecen percibirse agrupados los diversos casos de cada tipo de rendimiento también
existe cierto solapamiento, lo que indica que estas tres funciones discriminantes no son
todo lo independientes que hubiera sido deseable.
Finalmente, en la tabla 23 de Clasificación podemos analizar los porcentajes de

acierto de la clasificación de alumnos en la situación de alto, medio o bajo rendimiento
académico final en función de los resultados obtenidos en la primera evaluación. En
ella se presentan los resultados globales de la clasificación con los valores de la
diagonal que son los casos clasificados correctamente en los grupos, y que en nuestro
caso se aproximan al 80%, porcentaje suficiente, pero todo lo elevado que hubiéramos
deseado. En ulteriores análisis compararemos estas tablas así como las de las variables
de entrada en la ecuación de predicción. El resto de las tablas intermedias, por razones
expositivas, se expondrán en los anexos 2 y siguientes al final de este trabajo.
59
Tabla 23. Matriz de confusión o Tabla y resultados de la Clasificación del
rendimiento académico alto, medio y bajo en alumnos de ESO en la primera
evaluación.
Predicted Total
Group
Membership
3RENDIM rend. bajo rend. rend. alto
medio
Original Count rend. bajo 90 12 16 118
Ren.medio 15 15 25 55
rend. alto 5 6 178 189
% rend. bajo 76.3 10.2 13.6 100.0
rend. medio 27.3 27.3 45.5 100.0
rend. alto 2.6 3.2 94.2 100.0
Cross- Count rend. bajo 90 12 16 118
validated
rend. medio 16 14 25 55
rend. alto 6 5 178 189
% rend. bajo 76.3 10.2 13.6 100.0
rend. medio 29.1 25.5 45.5 100.0
rend. alto 3.2 2.6 94.2 100.0
a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the
functions derived from all cases other than that case.
b 78.2% of original grouped cases correctly classified.
c 77.9% of cross-validated grouped cases correctly classified.
Puede observarse que vuelve a ser más fácil predecir el éxito académico (0, 1
ó 2 suspensos) que el bajo (6 ó más suspensos) o el medio (3,4 ó 5 suspensos), aspecto
que también se observaba en los análisis de regresión logística. La categoría más difícil
de predecir correctamente es el rendimiento medio, debido posiblemente a los procesos
hacia arriba o hacia abajo que variables moduladoras ejercen a lo largo del periodo
escolar. El porcentaje de clasificaciones correctas se acerca pues, al 80%, es decir, de
10 alumnos nos equivocaríamos, en la primera evaluación respecto a su rendimiento
final, en solamente 2 de ellos.
7.5.2.3. Análisis discriminante en la etapa de la ESO en la segunda evaluación del

curso.
En la tabla 24 pueden observarse las variables que entran en la ecuación de

predicción del rendimiento final en la segunda evaluación de la ESO (362 alumnos), y
que además son todas ellas significativas (p < 0.05).
60
en la ESO en la segunda evaluación del curso (Análisis Discriminante).
Entered Wilks'
Lambda
1 eval2ªsus .277 1 2 316.000 412.608 2 316.000 .000
2 enfadado .261 2 2 316.000 151.007 4 630.000 .000
3 eval1ªsus .251 3 2 316.000 104.394 6 628.000 .000
4 curso .243 4 2 316.000 80.512 8 626.000 .000
5 alivio .237 5 2 316.000 65.842 10 624.000 .000
En la tabla 25, de clasificación observamos ya un mayor porcentaje de aciertos

en la ubicación de los alumnos en los diversos grupos de rendimiento final
Tabla 25. Matriz de confusión o tabla de resultados de clasificación del

rendimiento final de la ESO en la 2ª evaluación del curso.
Predicted Total
Group
Membershi
p
3RENDIM rend. bajo rend. rend.
medio alto
rend. medio 10 27 18 55
rend. alto 1 8 180 189
% rend. bajo 84.7 11.9 3.4 100.0
rend. medio 18.2 49.1 32.7 100.0
rend. alto .5 4.2 95.2 100.0
validated
rend. medio 12 23 20 55
rend. alto 1 11 177 189
% rend. bajo 83.9 12.7 3.4 100.0
rend. medio 21.8 41.8 36.4 100.0
rend. alto .5 5.8 93.7 100.0
a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the functions derived
from all cases other than that case.
61
tres tipos de rendimiento académico (alto, medio y bajo) en la 2ª evaluación de la
ESO.

3
1
rend. medio
0
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3
rend. medio
-4 rend. bajo
-4 -2 0 2 4 6
Function 1
En el cuadro 8 tenemos un Scatterplot para todos los grupos y en el que en el eje

de abscisas figuran los valore de la función 1, en el de ordenadas los de la función 2,
todos los sujetos de la muestra y los centroides. Puede observarse que parecen percibirse
agrupados los diversos casos de cada tipo de rendimiento también de forma más clara
que en la primera evaluación, y aunque existe cierto solapamiento, puede empezar a
vislumbrarse una mayor capacidad del modelo para la calsificación final en las diversas
situaciones de rendimiento final, lo que indica que estas tres funciones discriminantes
son relativamente independientes, sobre todo las referidas a la situación de éxito (a la
izquierda) y de fracaso académico (a la derecha del cuadro).
7.5.2.4. Análisis discriminante en la etapa de BACHILLERATO en la primera

evaluación del curso.
En la tabla 26 podemos observar que la única variable de entrada en la ecuación

es el rendimiento en la primera evaluación,. Sorprendentemente, coincide con el
análisis de regresión logística realizado en la primera parte de este trabajo lo que le da
validez convergente al modelo. El número de sujetos asciende a 122.
62
Tabla 26. Variables de entrada en la ecuación de predicción del análisis
discriminante en alumnos de Bachillerato Logse en la primera evaluación.
Entered Wilks'
Lambda
1 eval1ªsus .424 1 2 119.000 80.904 2 119.000 .000
Tabla 27. Coeficientes no estandarizados de la Función Discriminante Canónica.
Function
1
eval1ªsus .681
(Constant) -1.936
Tabla 28. Matriz de confusión o Tabla de Clasificación de resultados (Bato, 1ª).
Predicted Total
Group
Membershi
p
3RENDIM rend. bajo rend. medio rend. alto
rend. medio 1 39 8 48
rend. alto 0 11 75 86
% rend. bajo 28.0 64.0 8.0 100.0
rend. medio 2.1 81.3 16.7 100.0
rend. alto .0 12.8 87.2 100.0
validated
rend. alto 0 11 75 86
% rend. bajo 28.0 64.0 8.0 100.0
rend. medio 2.1 81.3 16.7 100.0
rend. alto .0 12.8 87.2 100.0
a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified by the
functions derived from all cases other than that case.
63
En la tabla 28 puede observarse que el porcentaje de clasificación vuelve a ser
mayor en los sujetos de alto, de medio y de bajo rendimiento académico,
respectivamente. En este caso, como en la ESO es más fácil predecir pues, el alto
rendimiento que el bajo, aunque en este caso y a diferencia de la ESO es más fácil y
elevada la predicción del rendimiento medio con respecto al bajo. El porcentaje total de
clasificaciones correctas a final de curso, a partir de la primera evaluación asciende al
76.1%, porcentaje algo más elevado que lo que se obtendría por azar (50%), y no todo
lo alto que hubiéramos deseado. La regresión logística binaria aporta porcentajes más
elevados, lo que ocurre es que aquí incluimos tres grupos (lo que complica la
clasificación), y allí solamente dos (alto y bajo rendimiento).
7.5.2.5. Análisis discriminante en la etapa de BACHILLERATO en la 2ª evaluación del

curso.
Como en el apartado anterior presentamos en las tabla 29, 30 y 31 los outputs

del programa de análisis discriminante con las variables de entrada en la ecuación de
predicción, los coeficientes no estandarizados de la función discriminante canónica y la
matriz de confusión, respectivamente.

en el Bachillerato en la 2ª evaluación.
Entered Wilks'
Lambda
1 eval1ªsus .424 1 2 119.000 80.904 2 119.000 .000
2 eval2ªsus .358 2 2 119.000 39.673 4 236.000 .000
Es interesante observar que casi cuatro meses después se repite la misma

variable que en el análisis realizado en la primera evaluación, descartándose todas las
demás variables excepto las que hacen referencia al rendimiento académico, que en este
caso se añade al rendimiento obtenido en la primera evaluación.
64
Tabla 30. Coeficientes de la Función Discriminante Canónica.
Function
1 2
eval1ªsus .382 -.765
(Constant) -2.144 .030

tres tipos de rendimiento académico (alto, medio y bajo) en la 2ª evaluación del
Bachillerato.

6
rend. bajo
rend. alto
0 rend. medio 3RENDIM
Group Centroids
rend. alto
Function 2
-2
rend. medio
-4 rend. bajo
-3 -2 -1 0 1 2 3 4
Function 1
En ese cuadro se observa claramente que, a pesar de algún solapamiento, la

función discrimina de forma suficiente los alumnos con los tres tipos de rendimiento
académico final, aunque en los alumnos/as de rendimiento académico medio se
vislumbra una cierta incrustación en la zona de los alumnos de rendimiento académico
bajo y viceversa. Ver matriz de confusión tabla 31.
65
Tabla 31. Matriz de confusión o tabla de Clasificación de los alumnos de
Bachillerato en la segunda evaluación del curso.
Predicted Total
Group
Membership
medio
ren. medio 3 34 11 48
rend. alto 0 12 74 86
% rend. bajo 76.0 24.0 .0 100.0
ren medio 6.3 70.8 22.9 100.0
rend. alto .0 14.0 86.0 100.0
validated
ren. medio 3 34 11 48
rend. alto 0 12 74 86
% rend. bajo 68.0 32.0 .0 100.0
ren. medio 6.3 70.8 22.9 100.0
rend. alto .0 14.0 86.0 100.0
a Cross validation is done only for those cases in the analysis. In cross validation, each case is classified
by the functions derived from all cases other than that case.
Esta tabla muestra que el porcentaje de clasificación correcta a final de curso

realizada en la segunda evaluación asciende al 76% en los alumnos de rendimiento bajo
(6 ó más suspensos), al 70.8% en los alumnos de rendimiento medio (de 3 a 5
suspensos) y al 86% en alumnos de alto rendimiento (de 0 a 2 suspensos), siendo el
porcentaje total de aciertos en la clasificación final casi del 80%. Si sabemos que una
clasificación al azar ascendería en tres grupos al 30%, el 80% supone casi el triple de
aciertos, lo que concede al modelo de una cierta bondad de ajuste, y puede ser útil para
ulteriores análisis.
7.5.2.6. Análisis discriminante en la etapa de ESO y BACHILLERATO en la 1ª

Procediendo como en anteriores apartados, los resultados pueden apreciarse en

las tablas 32, 33 y 34 y en el cuadro 10 de las páginas siguientes.
66
en la ESO y BATO considerados como un único grupo, en la 1ª evaluación.
Entered Wilks'
Lambda
1 eval1ªsus .419 1 2 438.000 303.196 2 438.000 .000
2 curso .396 2 2 438.000 128.840 4 874.000 .000
3 enfadado .377 3 2 438.000 91.443 6 872.000 .000
4 MIIE1 .366 4 2 438.000 71.057 8 870.000 .000
5 D111 .359 5 2 438.000 58.166 10 868.000 .000
Esta tabla presenta, las variables predictoras más relevantes, aunque su número
aumenta respecto a otros análisis anteriores y tal vez, sería más conveniente realizar esta
predicción por separado, por una parte la ESO y por otra el Bachillerato, aunque en
realidad, será la tabla de clasificación que presentamos posteriormente la que nos
indicará esa toma de decisión en función del porcentaje de clasificación que ganemos o
perdamos haciéndolo conjunta o separadamente.
Tabla 33. Coeficientes no estandarizados de la Función Discriminante Canónica

en la 1ª evaluación de la ESO y BATO considerados como un solo grupo.
Function
1 2
curso -.056 .506
MIIE1 -.231 -.136
enfadado .246 -.257
D111 .496 -2.461
(Constant) -1.275 -1.250
67
ESO y Bachillerato considerados un único grupo.

3
1
rend. medio
rend. alto
0 rend. bajo
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3
rend. medio
-4 rend. bajo
-3 -2 -1 0 1 2 3 4 5
Function 1
Tabla 34. Matriz de confusión del análisis discriminante en la ESO y Bato

conjuntos en la 1ª evaluación.
Predicted Total
Group
Membership
medio
rend. medio 16 46 41 103
rend. alto 5 23 247 275
% rend. bajo 67.1 18.9 14.0 100.0
rend. medio 15.5 44.7 39.8 100.0
rend. alto 1.8 8.4 89.8 100.0
validated
rend. medio 17 44 42 103
rend. alto 6 23 246 275
% rend. bajo 66.4 19.6 14.0 100.0
rend. medio 16.5 42.7 40.8 100.0
rend. alto 2.2 8.4 89.5 100.0
Puede verse que, al igual que en la regresion logística binaria, se repite

sistemáticamente la mayor facilidad para predecir el éxito académico respecto a las
68
otras dos condiciones, siendo siempre en el análisis discriminante la ubicación del
alumno de forma correcta en la situación de rendimiento académico medio. A pesar de
que en la situación de éxito es casi del 90% de clasificaciones finales correctas, el
porcentaje total es algo bajo, aunque significativo, si entendemos que por azar se
obtendría un porcentaje de alrededor del 33%.
7.5.2.7. Análisis discriminante en la etapa de ESO y BACHILLERATO en la 2ª

Finalmente y procediendo como en anteriores apartados, los resultados pueden

apreciarse en las tablas 35, 36 y 37 y en el cuadro 11 de las páginas siguientes.

en la ESO y BATO considerados un grupo, en la 2ª evaluación.
Entered Wilks'
Lambda
1 eval2ªsus .297 1 2 438.000 518.419 2 438.000 .000
2 eval1ªsus .280 2 2 438.000 194.426 4 874.000 .000
3 curso .266 3 2 438.000 136.528 6 872.000 .000
4 enfadado .255 4 2 438.000 106.661 8 870.000 .000
5 MIIE4 .250 5 2 438.000 86.736 10 868.000 .000
Tabla 36. Coeficientes de la Función Discriminante Canónica.
Function
1 2
curso -.079 .493
MIIE4 -.170 -.047
enfadado .284 -.230
(Constant) -1.971 -1.590
Estos coeficientes sirven para obtener las puntuaciones discriminantes que

servirán para la posterior clasificación en uno de los tres grupos. No obstante, con el
programa puede calcularse automáticamente. En las tablas adicionales de los anexos
del final de esta investigación pueden consultarse todos los datos de interés que se
consideren oportunos.
69
ESO y Bachillerato considerados conjuntamente.

3
1
rend. medio

0
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3
rend. medio
-4 rend. bajo
-4 -2 0 2 4 6
Function 1
Tabla 37. Matriz de confusión/ Tabla de Clasificación de resultados de la

ESO/BATO en la 2ª evaluación.
Predicted Total
Group
Membership
medio
rend. medio 12 64 27 103
rend. alto 1 24 250 275
% rend. bajo 77.6 16.1 6.3 100.0
rend. medio 11.7 62.1 26.2 100.0
rend. alto .4 8.7 90.9 100.0
validated
rend. medio 12 62 29 103
rend. alto 1 27 247 275
% rend. bajo 76.9 16.8 6.3 100.0
rend. medio 11.7 60.2 28.2 100.0
rend. alto .4 9.8 89.8 100.0
70
En la tabla 38 puede observarse que el porcentaje de clasificaciones correctas del
rendimiento final en todo el grupo es sustancialmente mayor en los alumnos de
rendimiento bajo (casi un 10% más) y medio (casi un 20% más), y aumenta también
ligeramente en los de alto, aunque en esta ubicación son los índices muy elevados (en
torno al 90%). El porcentaje que se gana en la segunda evaluación en el total es
alrededor de un 7% mayor, aunque este porcentaje debe valorarse cuidadosamente para
su utilización dado que se pierde un tiempo muy importante entre las dos evaluaciones
primeras del curso. La bondad de ajuste del modelo, no obstante, se considera bastante
apropiada, ya que en este caso, nos equivocaríamos en un alumno de entre cinco
seleccionados aleatoriamente.
Tabla 38. Porcentajes comparativos de clasificaciones correctas (análisis

discriminante), en momentos temporales distintos (1ª y 2ª evaluación), y en la
situación de éxito/fracaso académico, en la ESO, en el BATO, y conjuntamente.
ESO ESO
1ªEval. 2ªEval.
Rend. Rend. Porcentaje Rend. Rend. Porcentaje
Rendimiento. 76.3 84.7
Bajo.
Rendimiento 94.2 95.2
Alto.
Porcentaje
Total. 78.2 84.8
BATO BATO
1ªEval. 2ªEval.
Rendimiento. 28.0 76.0
Bajo.
Rendimiento.
Alto. 87.2 86.0
Porcentaje
Total. 76.1 79.9
ESO y ESO y Bato
Bato 2ªEval.
1ªEval.
Rendimiento. 77.6
Bajo. 67.1
Rendimiento.
Alto. 89.8 90.9
Porcentaje
Total. 74.7 81.6
71
7.6. Conclusiones generales del proyecto de investigación.
En la tabla 39 se muestran una tabla de contingencia en la que puede observarse

el porcentaje total de éxito (0, 1 ó 2 suspensos) y de fracaso académico (3 ó más
suspensos), en el IES “El Portillo”, durante el curso 2002-2003. El porcentaje de bajo
rendimiento asciende al 47.8% frente al porcentaje del 52.2% correspondiente a la
situación de alto rendimiento, ligeramente superior. Esta situación no es excesivamente
preocupante en este Centro, pero podría serlo en otros en los que el porcentaje de
fracaso fuera mucho más elevado. A pesar de ello, esta investigación sigue estando
sobradamente justificada con estos porcentajes.
Tabla 39. Tabla de contingencia de curso por dicotómica éxito/fracaso en el IES

“El Portillo”. Curso 2002-2003. (N=521).
curso Total
1º ESO 2º ESO 3º ESO 4º ESO 1º BATO 2º BATO
dicotó Rend. Count 45 57 49 25 28 45 249
mica Bajo
% of 8.6% 10.9% 9.4% 4.8% 5.4% 8.6% 47.8%
Total
Rend. Count 34 53 44 55 40 46 272
Alto
% of 6.5% 10.2% 8.4% 10.6% 7.7% 8.8% 52.2%
Total
Total Count 79 110 93 80 68 91 521
% of 15.2% 21.1% 17.9% 15.4% 13.1% 17.5% 100.0%
Total
Si se comparan los resultados de la tabla 37 con los de la tabla 14 (regresión

binaria) en lo que concierne solamente a la predicción de alumnos en situación de éxito
o de fracaso escolar (ya que el rendimiento medio se acierta en torno a un 50%) y deja
de ser relevante en relación con los otros dos tipos de rendimiento cuyo porcentaje es
mucho más elevado y significativo, y que tal vez pueda ser útil para otros objetivos,
vemos que la regresión logística binaria arroja mayor y mejor bondad de ajuste en la
predicción del bajo y del alto rendimiento académico en todos los grupos estudiados
(ESO, Bachillerato y las dos etapas como un único grupo), respecto al análisis
discriminante. El porcentaje total en la ESO es de un 85.6% (regresión logística) frente
a un 78.2% (análisis discriminante), en la 1ª evaluación; de un 92.2% frente a un 84.8%
en la 2ª evaluación; En el Bachillerato, de un 86.9% en la 1ª evaluación frente a un
76.1%, y de un 84.4% frente a un 79.9 en la 2ª evaluación; y finalmente, en ESO y Bato
como un grupo, de un 85.9% frente a un 74.7% en la 1ª evaluación y de un 88.7% frente
a un 81.6% en la segunda evaluación, respectivamente.
Otro resultado de interés es que la predicción y clasificación es mejor realizarla

en la 1ª evaluación y no en la segunda, porque el porcentaje de aciertos en muy elevada
en aquella, y se gana mucho más tiempo para diseñar y aplicar programas de
intervención del fracaso académico en las dos etapas. La diferencia observada en la 2ª
72
evaluación tanto en la ESO como en la ESO y Bato como un único grupo, pero no en el
Bachillerato aisladamente, suponen una diferencia de porcentaje que no vale la pena
dadas las alturas del curso y el reducido tiempo que queda para intervenir. Algunas
matizaciones metodológicas en la regresión logística se comentan en el apartado 7.5.1.7
de este trabajo. Las variables de entrada en las ecuaciones de predicción de la regresión
logística no son demasiadas y permiten, tanto de forma manual como informática, la
ubicación de los alumnos en las situaciones de éxito o fracaso académico en la 1ª
evaluación respecto a la evaluación final 6 meses después con un porcentaje de aciertos
que se aproxima al 90%, lo que concede al modelo una buena bondad de ajuste, y
permite además, la puesta en marcha de estrategias de orientación e intervención
encaminadas, en la medida de lo posible, a la prevención del fracaso académico.
La predicción en la 1ª evaluación por el método de regresión logística da igual

hacerla por separado (solamente la ESO o el Bachillerato), que de forma conjunta (ESO
y BATO como un solo grupo), dado que el porcentaje de clasificación correcta es
prácticamente similar (85.6% en ESO, 86.9% en Bato y 85.9 en ESO y Bato conjuntos),
pero nosotros creemos que es preferible, en cualquier caso, hacerla por separado dado
que en Bachillerato es mayor que conjuntamente, y en la ESO separadamente es
prácticamente igual que de forma conjunta.
Tal vez, la técnica de análisis discriminante hubiera dado otros resultados si

solamente hubiéramos dicotomizado la variable dependiente de rendimiento académico
en dos categorías (éxito versus fracaso) eliminando la categoría de rendimiento
intermedio. Esta matización junto con el hecho de afinar la predicción en categorías de
éxito con cero suspensos (y no con cero, uno o dos) y uno o más, podría precisar el
número de alumnos con un éxito total a final de curso, o a la inversa, con ocho o más
suspensos supondrían alumnos/as con un fracaso rotundo. Igualmente, la predicción
tomando como variable dependiente no el número de aprobados o suspensos, sino el
rendimiento en alguna materia o asignatura concreta serviría para fines de investigación
no analizados en este trabajo, que sugieren para el futuro, nuevas líneas que podrán
permitir un mayor espectro de intervención y de prevención en los alumnos y alumnas
con dificultades de aprendizaje, problemas motivacionales o bajo rendimiento
académico. También sería interesante realizar esta investigación en otros centros
educativos y en otras etapas como por ejemplo en la educación infantil y primaria.
El modelo de predicción en la regresión logística binaria, aporta pues, un alto

porcentaje de clasificaciones correctas a final de curso, y permite a partir de pocas
variables motivacionales y de rendimiento (además del sexo y del curso académico)
predecir con la suficiente antelación y seguridad (en torno al 90%) el rendimiento que
obtendrán los alumnos/as en la evaluación final del curso, considerando los datos de
esas variables algo después de principio de curso, concretamente en la primera
evaluación.
73
7.7 Validación del modelo a nivel empírico.
Una vez obtenidas y analizadas las tablas en las que se nos presenta la
información acerca de las variables de entrada en las ecuaciones de predicción así como
las funciones que nos van a permitir ubicar a un alumno o alumna determinado en las
diversas categorías de rendimiento académico final en la ESO como en el Bachillerato,
a partir de una muestra previa que ha servido para la construcción de los modelos,
hemos pasado a validarlos en la realidad. Para ello se ha seleccionado aleatoriamente
una muestra de alumnos de los diversos grupos que componen todos los cursos de ESO
y Bato con el fin de que sean lo más representativos posible de toda la población, y esto
se ha realizado justamente después de la primera evaluación, es decir, en Enero de 2003
después de las vacaciones de Navidad.
El número de alumnos podía ser totalmente arbitrario pero se estableció en 39, a

razón de 3 alumnos por grupo en cada uno de los cuatro cursos de la ESO, es decir, 9 en
1º (grupos A, B, C y D); 12 en 2º (3 de cada uno de los grupos A, B, C y D); 9 en 3º (3
de A, B y C respectivamente) y 9 alumnos de 4º, a razón de 3 alumnos por cada uno de
los grupos A, B y C. El número de mujeres fue de 17 y el de varones de 22. Este
número de sujetos se consideró representativo porque incluía alumnos con alto, medio y
bajo rendimiento académico en la primera evaluación. El número de alumnos en el
Bachillerato fue de 40 (20 en 1º y en 2º respectivamente), y la mitad de ellos
aproximadamente fueron varones y la otra mitad mujeres. Para ello se contabilizó el
número de suspensos en la primera evaluación y los valores de las variables relevantes a
nivel motivacional seleccionadas en las ecuaciones de predicción por el método
Stepwise. Una vez obtenidas las funciones y las respectivas clasificaciones en las
diversas categorías esperamos a final de curso para ver en qué medida acertaba el
modelo en dicha predicción. En los alumnos de la ESO seleccionados fue necesario
administrar la escala de motivación intrínseca, extrínseca e internalizada justamente
después de la primera evaluación del curso. Sin embargo en el Bachillerato no fue
necesario debido a que estas variables no eran necesarias porque en las ecuaciones de
predicción solamente entraban las variables de rendimiento académico, únicamente,
tanto en la primera como en la segunda evaluación del curso, y ello simplificaba mucho
los procedimientos y los análisis ulteriores, por lo que teniendo solamente las actas de
evaluación final de estos cursos puede seleccionarse a cualquier alumno o alumna y
obtener inmediatamente su ubicación en una situación académica final o en otra, es
decir, en una situación de éxito o de fracaso. Al final del curso se contabilizó el número
de suspensos de cada alumno (0, 1 y 2) como éxito, y 3 o más suspensos como fracaso,
y se procedió a comparar este porcentaje con el que había realizado el programa 6
meses antes.
En la etapa de la ESO, y mediante el procedimiento de regresión logística

binaria, el modelo predecía y ubicaba de los 39 sujetos seleccionados a 17 en situación
de fracaso académico final y a 22 en situación de éxito. Al final, el porcentaje de
acierto del modelo en la situación de éxito fue 16 en vez de 17, es decir, de un 94,11%.
Y en la situación de fracaso de 18 de 22, es decir de un 81, 8%. El número de fallos del
modelo ascendió pues, a 5 (1 en la situación de éxito y 4 en la de fracaso), es decir, de
un 87,17% de aciertos totales, lo que sitúa al modelo ligeramente por encima de los
74
porcentajes iniciales de predicción, de lo que se deriva, por lo tanto, un ajuste muy
bueno del modelo de predicción previo, muy por encima de lo que se obtendría de una
clasificación al azar, y que valida los análisis efectuados, sirviendo además, como un
instrumento al servicio de la prevención y de la intervención psicopedagógica en esta
etapa educativa. Tal vez, el mayor número de fallos del modelo en la situación de
fracaso se deba a una tendencia del profesorado a final de curso hacia la promoción de
algunos alumnos o alumnas hacia el siguiente curso o hacia la obtención del título de
graduado en educación secundaria obligatoria, que origina que el número de aciertos en
la situación de fracaso sea más difícil de detectar, aunque en realidad, el modelo por eso
no tenga que ser necesariamente menos válido, ya que el sesgo hacia la promoción de
los alumnos por parte del profesorado es una variable que no se puede controlar en esta
investigación.
En el Bachillerato los resultados han sido muy similares a los anteriores. La

función Z hallada igual a 4,546 – 1,276 x nº suspensos en la 1º evaluación ubica en
situación de éxito académico final (0, 1 y/o 2 suspensos) a todos aquellos alumnos y
alumnas que suspenden en la primera evaluación 0, 1, 2 y 3 asignaturas, y ubica en la
situación de fracaso académico final (3 o más suspensos), a aquellos alumnos y
alumnas que suspenden en la primera evaluación 4 ó más asignaturas. La función de
clasificación arrojaba un 84,8% de alumnos en un rendimiento bajo (o fracaso) y un
88,2% en rendimiento alto (o éxito), con un porcentaje total del 86.9%. En la situación
real hemos hallado, en relación con los 40 sujetos seleccionados. De ellos, en la 1ª
evaluación el programa ubicaba en situación de éxito final a 16 y en situación de fracaso
final a 24. Al final, se ha obtenido un porcentaje del 87,5% de aciertos de alumnos en
situación de éxito, con dos fallos en los 16 alumnos. En relación con la situación de
fracaso el porcentaje de acierto ha sido el mismo, fallando en 3 pronósticos de los 24
iniciales. En consecuencia, el porcentaje total de acierto en las dos situaciones de
predicción del rendimiento académico real en el Bachillerato, a partir de los resultados
obtenidos en la primera evaluación y mediante el procedimiento de regresión logística
binaria asciende al 87.5%, que prácticamente coincide con el 86,9% inicial, lo que
permite pronosticar adecuadamente en, alrededor de 9 de 10 alumnos, el rendimiento
académico a final de curso a partir de los datos obtenidos (o numero de suspensos), en
la primera evaluación.
En cuanto a la técnica de análisis discriminante, los resultados tanto en la ESO

como en el Bachillerato han sido similares también al modelo de ajuste, aunque los
porcentajes de acierto han sido ligeramente más bajos que los constatados en aquel,
debido quizás, a la mayor complejidad de la técnica, como al hecho de haber incluido
una categoría más, la que se refiere a la de rendimiento medio, categoría en la cual han
existido más errores, aunque desde luego, muy por encima de los que se hubieran
obtenido por azar. En la etapa de la ESO se obtuvo un porcentaje del 90,1% en alumnos
de rendimiento alto, del 25,6% en alumnos de rendimiento medio y del 77,4% en
alumnos de rendimiento bajo, con un 75% de casos totales clasificados correctamente.
En relación con la etapa del Bachillerato, los aciertos del modelo han supuesto,
en la realidad un porcentaje del 86,4% en alumnos de alto rendimiento, de un 73,6% en
alumnos de rendimiento medio y de un 31% en alumnos de rendimiento bajo. El total
75
de alumnos clasificados correctamente ascendió a un 74,8%, muy cercano al 76,1% que
defendía el modelo en la versión inicial, lo que implica un porcentaje de error del
26,2%, o lo que es lo mismo, que nos equivocamos en 1 alumno de entre 4 al realizar la
predicción en situaciones reales a posteriori.
Las conclusiones generales de esta investigación muestran que las técnicas de

análisis de regresión binaria y análisis discriminante son muy válidas en la predicción
del rendimiento académico en la ESO y Bachillerato con unos niveles de acierto muy
por encima del que se obtendría por azar, alrededor del 90% con la primera de estas
técnicas y del 75% con la segunda. Que esta predicción puede llevarse a cabo tanto en
la primera como en la segunda evaluación, pero que en la primera es más aconsejable
porque el porcentaje de aciertos que se pierde es relativamente pequeño pero la
ganancia en tiempo es relativamente grande (alrededor de 3 meses entre las dos
evaluaciones), lo que permite poner en marcha, en la medida de nuestras posibilidades,
de estrategias de prevención e intervención que vayan encaminadas a la reducción del
fracaso escolar, por un lado, y en el mantenimiento y aumento del éxito por otra.
Sería muy interesante validar estos resultados con otras investigaciones análogas
que se realizaran en otros institutos de educación secundaria y bachillerato para evaluar
la validez ecológica del modelo, pero en cualquier caso, deben hacernos reflexionar
muy seriamente a profesores y expertos dentro del campo de la educación de un hecho
preocupante: el del determinismo del fenómeno educativo y el de la inevitabilidad
relativa del rendimiento académico. El alto poder predictivo de las variables relativas al
rendimiento académico previo en sí mismo, con la consiguiente infravaloración de otras
variables personales, sociales o psicopedagógicas teóricamente relevantes debe
hacernos cuestionar la importancia atribuida a las mismas en muchos estudios y
publicaciones previas o, al menos, plantear seriamente todo el proceso de intervención
psicopedagógica, tanto en su diseño como en la evaluación de los supuestos efectos de
dichos programas, ya que desde esta investigación, lo que en mayor medida se ha
descubierto es que, en realidad, lo más importante es lo que sabe y ha aprendido y
retenido el alumno en relación con contenidos curriculares, y precisamente esto y no
otra cosa, es lo que verdaderamente se evalúa y tiene casi todo el peso en el proceso de
evaluación, concediendo a la evaluación y a las calificaciones una importancia tal vez
desmedida que menosprecia y limita otras variables, como por ejemplo las
motivacionales, que de ser trabajadas e incorporadas en las aulas por parte del
profesorado, podrían incidir más positivamente en el proceso de enseñanza aprendizaje
y redundar en un mayor y mejor nivel de rendimiento académico.
El relativamente alto porcentaje de fracaso académico plantea una serie de

necesidades a los centros educativos que van más allá de la mera reorganización de los
propios recursos de que dispone el centro en su totalidad. La implementación de
programas de acción tutorial en su más amplio sentido, así como la puesta en práctica de
programas de apoyo al proceso de enseñanza aprendizaje, además de la necesaria
formación continuada del profesorado en el ámbito de la psicopedagogía no son
posibles actualmente solamente con los recursos económicos y personales con que
disponen muchos de los centros educativos. Todo ello requiere una atención por parte
de las Administraciones educativas en el sentido de dotar más profesores especialistas
76
en las plantillas, más profesores de pedagogía terapéutica y de compensación educativa,
trabajadores sociales y profesores que puedan dar más horas de apoyo y refuerzo
educativo a los alumnos de medio y bajo rendimiento, al menos de acuerdo con las
necesidades reales que reclama cada uno de los centros según su propia ubicación
geográfica y su propia identidad. En la medida en que esto no se cumpla, servirá para
perpetuar y potenciar ese determinismo casi mecanicista en el desarrollo y rendimiento
de muchos alumnos que con otro tipo de medidas económicas y de recursos humanos
podrían ser evitadas en un porcentaje no menos importante.
77
7.8. Bibliografía.
Adell, M. A. (2002). Estrategias para mejorar el rendimiento académico de los

adelescentes. Psicología Pirámide.
Bisquerra, R. (1989). Introducción conceptual al Análisis Multivariable (Tomo I y II).

Barcelona : PPU.
Bolívar, A. (1991). Análisis de una innovación curricular (el currículum de ética en

EEMM). En Enseñanza, 9, 145-164.
Broc, M. A. (2001). Validación y adaptación española del Perfil de Autoconcepto,

autoestima y apoyo social, de Susan Harter, en alumnos educación primaria y primer
ciclo de la ESO. Implicaciones psicopedagógicas para la orientación y la tutoría.
Licencia por estudios modalidad B (proyecto de investigación) concedida por el
Departamento de Educación y Ciencia de la DGA. Resolución BOA nº 94 de 7 de
agosto de 2000. (En depósito).
Broc, M. A. (2003). Aportaciones recientes en la evaluación y tratamiento del

autoconcepto y autoestima en contextos clínicos y educativos. Servicio de
Publicaciones de la Universidad de Zaragoza. (Edición limitada).
Broc, M. A. (2003). Motivación y rendimiento académico en alumnos de educación

secundaria obligatoria y Bachillerato Logse. En ANNALES (Centro de la UNED de
Barbastro (Huesca). Vol. XVI. 191-223.
Covington, M. V. (2002). La voluntad de aprender. Psicología y Educación. Alianza

Editorial.
Cuadras, C. M. (1981). Métodos de Análisis Multivariante. Barcelona: Eunibar.
Duarte Silva, P., y Stam, A. (1995). “Discriminant analysis”. En L. G. Grimm y P. R.

Yarnold, P. (Eds.) (1995). Reading and understanding multivariate statistics (págs. 277-
318), Washington, DC: American Psychological Association.
Fernández, J.M., y Buela Casal, G. (2001). Manual para padres desesperados...con

hijos adolescentes. Ed. Pirámide.
Gil, J., García E.,y Rodríguez G. (2001). Análisis Discriminante. Editorial La Muralla.
Hespérides.
Gil Pascual, J. A. (2003). Métodos de investigación en educación. Vol. III. Análisis

Multivariante. UNED. Madrid.
González, J. A. y Núñez, J. C. (1991). Capacidad discriminativa del autoconcepto en

los primeros niveles de enseñanza primaria. En Bordón, 43 (3), 285-298.
González, M.C (1997). La motivación académica. Sus determinantes y pautas de

intervención. Eunsa. Pamplona.
78
Hair, Anderson, Tatham, Black (1999). Análisis multivariante. 5/e. Madrid:Prentice
Hall.
Huberty, C. J. (19849. Issues in the use and interpretation of discriminant analysis.

Psychological Bulletin, 95, 156-171.
INCE (1998). Elementos para un diagnóstico del Sistema Educativo Español. Informe
Global. (Diagnóstico del Sistema Educativo. La Escuela secundaria obligatoria).
García Garrido y otros. MEC. Secretaría General de Educación y Formación
Profesional. Instituto Nacional de Calidad y Evaluación. Madrid.
Johnson, D. E. (1998). Métodos multivariados aplicados al análisis de datos.

México: International Thomson Editores.
Marchesi, A., y Hernández, C. (Coords). (2002). El fracaso escolar. Una perspectiva

internacional. Alianza Ensayo.
Martínez Arias, R. (1999). El Análisis Multivariante en la Investigación Científica.

Editorial La Muralla, S.A. Hespérides.
Martínez, F. y Álvarez, M. (1993). Orientación, análisis discriminante y perfiles

culturales.En Aula Abierta, 61, 5-18.
Pérez, C. (2001). Técnicas Estadísticas con SPSS. Prentice Hall.
Renick, M. J. (1985). The development of learning disabled children´s self-perceptions.

Unpublished master´s thesis. University of Denver, Denver, CO.
Repetto, E. (1985). Valores y ocupaciones. Un análisis discriminante. En Revista

Española de Pedagogía, 168, 197-217.
SPSS, Inc. (2002). SPSS for Windows. Versión 10.0 Chicago.
Stevens, J. (1992). Applied multivariate statistics for the social sciences. Hillsdale NJ:
Lawrence Erlbaum.
Tatsuoka, M. M. (1985). Multivariate analysis. Techniques for educational and

psychological research. John Wiley & Sons. Nueva York.
Vidal, M. C. (1989). Comparación de las variables de atribución del logro de los niños
con fracaso y éxito escolar. Bordón, 41 (1), 105-126.
Villanueva, P. (1989). Aplicación del análisis discriminante en alumnos de Educación

Permanente de Adultos. En Revista de Investigación Educativa, 2 (3), 5-18.
Visauta, B. (1999). Análisis estadístico con SPSS para Windows. Madrid: McGraw-
Hill.
79
80
ANEXO 1.
ESCALA DE MOTIVACIÓN INTRÍNSECA, INTERNALIZADA Y

EXTRÍNSECA HACIA EL APRENDIZAJE EN EL AULA Y CLAVE DE
CORRECCIÓN.
81
82
ANEXO 2
ANÁLISIS ADICIONALES DE LA REGRESIÓN LOGÍSTICA BINARIA EN LA

1ª EVALUACIÓN DE LA EDUCACIÓN SECUNDARIA OBLIGATORIA.
87
88
Logistic Regression (ESO-1ª evaluación).
Resumen de los casos analizados en la ESO, incluyendo únicamente la primera evaluación. IES "El Portillo".
a
Unweighted Cases N Percent
Selected Cases Included in Analysis 319 61.2
Missing Cases 43 8.3
Total 362 69.5
Unselected Cases 159 30.5
Total 521 100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding
Original Value Internal Value

rendimiento bajo 0
rendimieneto alto 1
Categorical Variables Codings
Parameter
di
Frequency (1)
sexo varon 173 1.000
mujer 146 .000
Block 0: Beginning Block

Iteration History a,b,c
Coefficient
-2 Log s
Iteration likelihood Constant
Step 1 437.448 .245
0 2 437.448 .246
a. Constant is included in the model.
b. Initial -2 Log Likelihood: 437.448
c. Estimation terminated at iteration number 2 because log-likelihood decreased by less than .010 percent.
Classification Tabled,e
Predicted
a
Selected Cases
dicotomica
rendimiento rendimieneto Percentage
Observed bajo alto Correct
Step 0 dicotomica rendimiento bajo 0 140 .0
rendimieneto alto 0 179 100.0
Overall Percentage 56.1
Predicted
b,c
Unselected Cases
dicotomica
a. Selected cases curso LT 5
b. Unselected cases curso GE 5
c. Some of the unselected cases are not classified due to either missing values in the independent variables or
d. Constant is included in the model.
e. The cut value is .500
Variables in the Equation
B S.E. Wald df Sig. Exp(B)

Step 0 Constant .246 .113 4.744 1 .029 1.279
Block 1: Method = Forward Stepwise (Wald)

Iteration History a,b,c,d
-2 Log Coefficients
Iteration likelihood Constant REND1 SUMAA ENFADADO ALIVIO
Step 1 249.754 1.989 -.473
1 2 228.222 2.875 -.703
3 225.975 3.273 -.807
4 225.932 3.338 -.824
5 225.932 3.340 -.825
Step 1 241.516 .717 -.444 .067
2 2 210.936 .270 -.677 .144
3 204.968 -.165 -.828 .202
4 204.591 -.299 -.878 .221
5 204.589 -.310 -.882 .223
Step 1 238.012 1.343 -.437 .052 -.215
3 2 206.648 1.280 -.668 .118 -.342
3 200.526 1.074 -.820 .170 -.417
4 200.139 1.002 -.870 .188 -.438
5 200.137 .996 -.874 .189 -.440
Step 1 236.651 1.152 -.435 .046 -.218 .121
4 2 203.583 .836 -.670 .109 -.348 .252
3 196.517 .424 -.833 .159 -.430 .360
4 195.993 .278 -.893 .178 -.457 .398
5 195.989 .265 -.899 .180 -.460 .402
a. Method: Forward Stepwise (Wald)
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 437.448
d. Estimation terminated at iteration number 5 because log-likelihood decreased by less than .010 percent.
Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 211.515 1 .000
Block 211.515 1 .000
Model 211.515 1 .000
Step 2 Step 21.344 1 .000
Block 232.859 2 .000
Model 232.859 2 .000
Step 3 Step 4.452 1 .035
Block 237.311 3 .000
Model 237.311 3 .000
Step 4 Step 4.148 1 .042
Block 241.459 4 .000
Model 241.459 4 .000
Model Summary
-2 Log Cox & Snell Nagelkerke R

Step likelihood R Square Square
1 225.932 .485 .650
2 204.589 .518 .694
3 200.137 .525 .703
4 195.989 .531 .711
Hosmer and Lemeshow Test
Step Chi-square df Sig.

1 2.838 7 .900
2 4.175 8 .841
3 4.721 8 .787
4 6.399 8 .603
Contingency Table for Hosmer and Lemeshow Test
dicotomica = dicotomica =
rendimiento bajo rendimieneto alto
Observed Expected Observed Expected Total
Step 1 29 28.648 0 .352 29
1 2 37 35.590 1 2.410 38
3 22 23.332 6 4.668 28
4 19 19.911 10 9.089 29
5 15 14.206 14 14.794 29
6 7 7.406 18 17.594 25
7 4 5.140 29 27.860 33
8 4 3.816 47 47.184 51
9 3 1.951 54 55.049 57
Step 1 33 32.840 0 .160 33
2 2 29 29.395 2 1.605 31
3 28 27.670 5 5.330 33
4 23 21.965 9 10.035 32
5 15 14.851 18 18.149 33
6 7 7.465 26 25.535 33
7 2 3.309 29 27.691 31
8 2 1.566 32 32.434 34
9 0 .692 32 31.308 32
10
1 .250 26 26.750 27
Step 1 32 31.876 0 .124 32
3 2 30 30.672 2 1.328 32
3 29 27.552 3 4.448 32
4 23 22.495 10 10.505 33
5 14 14.183 18 17.817 32
6 6 7.187 26 24.813 32
7 4 3.342 30 30.658 34
8 1 1.621 31 30.379 32
9 0 .816 33 32.184 33
10 1 .257 26 26.743 27
Step 1 32 31.909 0 .091 32
4 2 30 30.822 2 1.178 32
3 29 27.944 3 4.056 32
4 21 21.539 11 10.461 32
5 17 14.787 15 17.213 32
6 6 6.998 26 25.002 32
7 4 3.237 28 28.763 32
8 0 1.666 32 30.334 32
9 0 .810 32 31.190 32
10 1 .289 30 30.711 31
Tabla de clasificación en la situación de éxito/fracaso de alumnos de la ESO,
d
teniendo en cuenta
solamente la primera evaluación. (IES "El Portillo").
Predicted
a b,c
Selected Cases Unselected Cases
dicotomica dicotomica
rendi
mient rendim Percent rendim rendi Percent
o iento age iento mient age
Observed bajo alto Correct bajo o alto Correct
Step 1 dicotomica rendimiento
bajo 107 33 76.4 24 22 52.2
rendimiento alto 17 162 90.5 3 73 96.1
Overall Percentage
84.3 79.5
bajo 118 22 84.3 28 18 60.9
Overall Percentage
86.2 82.0
bajo 118 22 84.3 28 18 60.9
Overall Percentage
86.5 81.1
bajo 115 25 82.1 28 18 60.9
Overall Percentage
85.6 81.1

c. Some of the unselected cases are not classified due to either missing values in the independent
variables or categorical variables with values out of the range of the selected cases.
d. The cut value is .500
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de la ESO,
teniendo en cuenta la evaluación en la primera evaluación. IES "El Portillo".
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a REND1 -.825 .085 93.630 1 .000 .438 .371 .518
1 Constant 3.340 .361 85.459 1 .000 28.213
Step
b REND1 -.882 .098 81.784 1 .000 .414 .342 .501
2 SUMAA .223 .051 18.904 1 .000 1.250 1.130 1.382
Constant
-.310 .841 .135 1 .713 .734
Step
c REND1 -.874 .097 80.643 1 .000 .417 .345 .505
3 ENFADA
DO -.440 .214 4.234 1 .040 .644 .424 .979
SUMAA .189 .054 12.451 1 .000 1.208 1.088 1.342
Constant .996 1.071 .865 1 .352 2.707
Step
d REND1 -.899 .101 79.021 1 .000 .407 .334 .496
4 ALIVIO .402 .200 4.026 1 .045 1.495 1.009 2.214
ENFADA
DO -.460 .217 4.502 1 .034 .632 .413 .966
SUMAA .180 .055 10.706 1 .001 1.197 1.075 1.333
Constant .265 1.158 .052 1 .819 1.303
a. Variable(s) entered on step 1: REND1.
b. Variable(s) entered on step 2: SUMAA.
c. Variable(s) entered on step 3: ENFADADO.
d. Variable(s) entered on step 4: ALIVIO.
Correlation Matrix
Constant REND1 SUMAA ENFADADO ALIVIO

Step Constant 1.000 -.884
1 REND1 -.884 1.000
Step Constant 1.000 -.058 -.887
2 REND1 -.058 1.000 -.365
SUMAA
-.887 -.365 1.000
Step Constant 1.000 -.104 -.849 -.602
3 REND1 -.104 1.000 -.308 .085
ENFADADO -.602 .085 .269 1.000
SUMAA -.849 -.308 1.000 .269
Step Constant 1.000 -.036 -.795 -.564 -.303
4 REND1 -.036 1.000 -.285 .113 -.211
ALIVIO -.303 -.211 -.054 -.060 1.000
ENFADADO -.564 .113 .285 1.000 -.060
SUMAA -.795 -.285 1.000 .285 -.054
Casewise Listb
Selected Observed Predicted Temporary Variable

a
Case Status dicotomica Predicted Group Resid ZResid
117 S 0** .921 1 -.921 -3.407
136 S 1** .086 0 .914 3.261
143 S 0** .985 1 -.985 -8.030
145 S 1** .103 0 .897 2.950
148 S 1** .041 0 .959 4.861
149 S 0** .892 1 -.892 -2.872
188 S 0** .927 1 -.927 -3.574
258 S 0** .903 1 -.903 -3.051
289 S 1** .016 0 .984 7.869
a. S = Selected, U = Unselected cases, and ** = Misclassified cases.
b. Cases with studentized residuals greater than 2.000 are listed.
Step number: 4
80 ô ô
ó ó
ó ó
F ó ó
R 60 ô ô
E ó ó
Q ó ó
U ó ó
E 40 ô0 ô
N ó0 ó
C ó0 1ó
Y ó0 111ó
20 ô0 111ô
ó0 1 111ó
ó0 0 0 1 11111ó
ó0000000 001 10 0 11 00 1 1 111 11111111111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111
Predicted Probability is of Membership for rendimieneto alto

1 - rendimieneto alto
ANEXO 3

97
98
Logistic Regression (ESO-2ª evaluación).
Case Processing Summary
a
Total 362 69.5
Total 521 100.0

rendimiento bajo 0
rendimieneto alto 1
Parameter
di
Frequency (1)
mujer 146 .000

Coefficient
-2 Log s
Step 1 437.448 .245
0 2 437.448 .246
Predicted
a
Selected Cases
dicotomica
Predicted
b,c
Unselected Cases
dicotomica

Step 0 Constant .246 .113 4.744 1 .029 1.279

Iteration History a,b,c,d,e,f
-2 Log Coefficients
Iteration likelihood Constant REND2 REND1 SUMAA P7 ALIVIO
Step 1 216.589 2.089 -.484
1 2 180.656 3.193 -.777
3 172.462 3.971 -.994
4 171.680 4.305 -1.087
5 171.670 4.349 -1.100
Step 1 209.119 2.195 -.360 -.157
2 2 167.642 3.460 -.577 -.275
3 155.885 4.518 -.760 -.379
4 154.117 5.138 -.864 -.439
5 154.056 5.286 -.888 -.453
6
154.056 5.293 -.889 -.454
Step 1 206.468 1.490 -.344 -.155 .037
3 2 159.572 1.641 -.544 -.279 .098
3 142.830 1.572 -.734 -.404 .168
4 138.969 1.557 -.876 -.497 .220
5 138.661 1.563 -.931 -.533 .240
6 138.659 1.564 -.937 -.537 .242
Step 1 203.891 1.477 -.350 -.143 .058 -.214
4 2 154.870 1.732 -.560 -.259 .136 -.439
3 136.795 1.813 -.769 -.378 .222 -.653
4 132.380 1.877 -.931 -.469 .287 -.788
5 131.977 1.904 -.999 -.507 .314 -.833
6 131.972 1.907 -1.007 -.512 .317 -.838
Step 1 202.821 1.297 -.349 -.142 .053 -.217 .106
5 2 152.109 1.283 -.559 -.262 .128 -.449 .246
3 132.462 1.062 -.770 -.389 .213 -.688 .402
4 127.198 .901 -.945 -.493 .284 -.860 .517
5 126.609 .829 -1.027 -.542 .318 -.931 .567
6 126.598 .819 -1.040 -.550 .323 -.942 .575
Step 1 201.987 1.053 -.353 -.141 .064 -.219 .124
6 2 150.608 .827 -.573 -.258 .150 -.463 .282
3 129.899 .323 -.799 -.386 .252 -.719 .468
4 123.623 -.170 -1.001 -.500 .345 -.915 .620
5 122.717 -.447 -1.112 -.564 .398 -1.010 .699
6 122.691 -.503 -1.136 -.577 .409 -1.029 .715
7 122.691 -.504 -1.137 -.578 .409 -1.030 .715
Step 1 199.420 1.564 -.347 -.140 .052 -.226 .130
7 2 146.720 1.743 -.569 -.254 .130 -.497 .288
3 124.924 1.752 -.807 -.378 .220 -.784 .482
4 117.911 1.772 -1.031 -.492 .304 -1.008 .644
5 116.716 1.814 -1.169 -.564 .354 -1.127 .735
6 116.666 1.835 -1.205 -.582 .367 -1.156 .757
7 116.666 1.837 -1.207 -.583 .367 -1.158 .758
Iteration History a,b,c,d,e,f
Coefficients
Iteration TIPOD ENFADADO
Step 1
1 2
3
4
5
Step 1
2 2
3
4
5
6
Step 1
3 2
3
4
5
6
Step 1
4 2
3
4
5
6
Step 1
5 2
3
4
5
6
Step 1 .422
6 2 .926
3 1.506
4 2.169
5 2.586
6 2.675
7 2.678
Step 1 .424 -.184
7 2 1.003 -.323
3 1.750 -.481
4 2.557 -.628
5 3.070 -.719
6 3.200 -.744
7 3.207 -.745
e. Estimation terminated at iteration number 6 because log-likelihood decreased by less than .010 percent.
f. Estimation terminated at iteration number 7 because log-likelihood decreased by less than .010 percent.
Chi-square df Sig.
Step 1 Step 265.778 1 .000
Block 265.778 1 .000
Model 265.778 1 .000
Step 2 Step 17.614 1 .000
Block 283.392 2 .000
Model 283.392 2 .000
Step 3 Step 15.397 1 .000
Block 298.789 3 .000
Model 298.789 3 .000
Step 4 Step 6.687 1 .010
Block 305.476 4 .000
Model 305.476 4 .000
Step 5 Step 5.374 1 .020
Block 310.850 5 .000
Model 310.850 5 .000
Step 6 Step 3.908 1 .048
Block 314.757 6 .000
Model 314.757 6 .000
Step 7 Step 6.025 1 .014
Block 320.782 7 .000
Model 320.782 7 .000
Model Summary

1 171.670 .565 .758
2 154.056 .589 .789
3 138.659 .608 .815
4 131.972 .616 .826
5 126.598 .623 .834
6 122.691 .627 .840
7 116.666 .634 .850

1 1.926 6 .926
2 7.140 8 .522
3 3.976 8 .859
4 10.104 8 .258
5 6.480 8 .594
6 4.591 8 .800
7 6.092 8 .637
Step 1 36 35.910 0 .090 36
1 2 39 39.156 1 .844 40
3 35 36.021 9 7.979 44
4 15 14.342 13 13.658 28
Step 5 10 8.032 21 22.968 31
1 6 4 4.381 38 37.619 42
7 1 1.381 36 35.619 37
8 0 .778 61 60.222 61
Step 1 32 31.972 0 .028 32
2 2 32 31.755 0 .245 32
3 29 29.578 3 2.422 32
4 27 24.424 7 9.576 34
5 11 14.663 22 18.337 33
6 5 4.785 25 25.215 30
7 4 1.761 28 30.239 32
8 0 .602 28 27.398 28
9 0 .271 28 27.729 28
10 0 .190 38 37.810 38
Step 1 32 31.995 0 .005 32
3 2 32 31.858 0 .142 32
3 30 30.121 2 1.879 32
4 25 24.427 7 7.573 32
5 15 14.018 17 17.982 32
6 3 5.610 29 26.390 32
7 3 1.471 30 31.529 33
8 0 .337 31 30.663 31
9 0 .131 34 33.869 34
10 0 .033 29 28.967 29
Step 1 32 31.996 0 .004 32
4 2 31 31.897 1 .103 32
3 30 30.357 2 1.643 32
4 26 25.616 7 7.384 33
5 15 13.548 17 18.452 32
6 6 4.983 27 28.017 33
7 0 1.177 32 30.823 32
8 0 .300 32 31.700 32
9 0 .095 31 30.905 31
10 0 .032 30 29.968 30
Step 1 33 32.998 0 .002 33
5 2 32 31.903 0 .097 32
3 29 30.562 3 1.438 32
4 27 24.527 5 7.473 32
5 12 14.170 20 17.830 32
6 7 4.519 25 27.481 32
7 0 .983 33 32.017 33
8 0 .243 32 31.757 32
9 0 .075 32 31.925 32
10 0 .021 29 28.979 29
Step 1 32 31.999 0 .001 32
6 2 32 31.940 0 .060 32
3 30 30.776 2 1.224 32
4 27 24.886 5 7.114 32
5 12 14.562 20 17.438 32
6 7 4.741 25 27.259 32
7 0 .845 32 31.155 32
8 0 .193 33 32.807 33
9 0 .047 32 31.953 32
10 0 .011 30 29.989 30
Step 1 32 31.999 0 .001 32
7 2 32 31.969 0 .031 32
3 31 31.174 1 .826 32
4 28 25.037 4 6.963 32
5 10 14.219 22 17.781 32
6 7 4.732 25 27.268 32
7 0 .644 32 31.356 32
8 0 .167 32 31.833 32
9 0 .049 32 31.951 32
10 0 .010 31 30.990 31
Tabla de clasificación en la situación de éxito/fracaso de alumnos
d
de la ESO, en la segunda evaluación. (IES "El
Portillo").
Predicted
a
Selected Cases
dicotomica
rendimi rendimi
ento ento Percentage
Step 1 dicotomica rendimiento bajo
125 15 89.3
rendimiento alto 23 156 87.2
Overall Percentage
88.1
125 15 89.3
Overall Percentage
89.0
124 16 88.6
Overall Percentage
91.2
123 17 87.9
Overall Percentage
90.9
127 13 90.7
Overall Percentage
91.8
127 13 90.7
Overall Percentage
91.2
126 14 90.0
Overall Percentage
92.2
Tabla de clasificación en la situación de éxito/fracaso de alumnos
d
de la ESO, en la segunda evaluación. (IES "El
Portillo").
Predicted
b,c
Unselected Cases
dicotomica
rendimi Percent
ento rendimie age
Observed bajo nto alto Correct
37 9 80.4
Overall Percentage
79.5
33 13 71.7
Overall Percentage
82.8
30 16 65.2
Overall Percentage
83.6
33 13 71.7
Overall Percentage
85.2
32 14 69.6
Overall Percentage
84.4
32 14 69.6
Overall Percentage
83.6
33 13 71.7
Overall Percentage
82.8

Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de la ESO,
en la segunda evaluación. (IES "El Portillo").
95.0% C.I.for
Exp EXP(B)
B S.E. Wald df Sig. (B) Lower Upper
Step
a REND2 -1.100 .124 78.453 1 .000 .333 .261 .425
1 Constant 4.349 .491 78.569 1 .000 77.44
Step
b REND1 -.454 .112 16.486 1 .000 .635 .510 .791
2 REND2 -.889 .133 44.688 1 .000 .411 .317 .534
Constant
5.293 .650 66.282 1 .000 198.9
Step
c REND1 -.537 .123 19.080 1 .000 .585 .459 .744
3 SUMAA .242 .066 13.299 1 .000 1.274 1.119 1.451
REND2 -.937 .147 40.582 1 .000 .392 .294 .523
Constant 1.564 1.084 2.081 1 .149 4.779
Step
d REND1 -.512 .126 16.539 1 .000 .599 .468 .767
4 P7 -.838 .335 6.243 1 .012 .432 .224 .835
SUMAA .317 .076 17.376 1 .000 1.373 1.183 1.593
REND2 -1.007 .158 40.804 1 .000 .365 .268 .498
Constant 1.907 1.123 2.886 1 .089 6.735
Step
e REND1 -.550 .132 17.289 1 .000 .577 .445 .748
5 P7 -.942 .346 7.426 1 .006 .390 .198 .768
ALIVIO .575 .256 5.054 1 .025 1.777 1.076 2.932
SUMAA .323 .081 16.008 1 .000 1.381 1.179 1.618
REND2 -1.040 .166 39.463 1 .000 .354 .256 .489
Constant .819 1.273 .414 1 .520 2.268
Step
f REND1 -.578 .138 17.560 1 .000 .561 .428 .735
6 P7 -1.030 .357 8.304 1 .004 .357 .177 .719
ALIVIO .715 .269 7.051 1 .008 2.045 1.206 3.466
SUMAA .409 .097 17.854 1 .000 1.506 1.245 1.821
TIPOD 2.678 1.288 4.324 1 .038 14.56 1.166 181.788
REND2 -1.137 .183 38.461 1 .000 .321 .224 .460
Constant -.504 1.441 .122 1 .726 .604
Step
g REND1 -.583 .144 16.377 1 .000 .558 .421 .740
7 P7 -1.158 .378 9.366 1 .002 .314 .150 .659
ALIVIO .758 .273 7.695 1 .006 2.134 1.249 3.645
ENFADADO -.745 .326 5.218 1 .022 .475 .250 .900
SUMAA .367 .100 13.611 1 .000 1.444 1.188 1.755
TIPOD 3.207 1.298 6.101 1 .014 24.70 1.939 314.540
REND2 -1.207 .201 36.060 1 .000 .299 .202 .444
Constant 1.837 1.794 1.048 1 .306 6.275
b. Variable(s) entered on step 2: REND1.
c. Variable(s) entered on step 3: SUMAA.
d. Variable(s) entered on step 4: P7.
e. Variable(s) entered on step 5: ALIVIO.
f. Variable(s) entered on step 6: TIPOD.
g. Variable(s) entered on step 7: ENFADADO.
Correlation Matrix
Constant REND2 REND1 SUMAA P7 ALIVIO

1 REND2 -.917 1.000
Step Constant 1.000 -.685 -.561
2 REND1 -.561 -.130 1.000
REND2
-.685 1.000 -.130
Step Constant 1.000 -.193 -.088 -.774
3 REND1 -.088 -.014 1.000 -.321
SUMAA -.774 -.292 -.321 1.000
REND2 -.193 1.000 -.014 -.292
Step Constant 1.000 -.221 -.089 -.621 -.136
4 REND1 -.089 -.030 1.000 -.268 -.014
P7 -.136 .288 -.014 -.456 1.000
SUMAA -.621 -.383 -.268 1.000 -.456
REND2 -.221 1.000 -.030 -.383 .288
Step Constant 1.000 -.143 .016 -.629 -.079 -.332
5 REND1 .016 .007 1.000 -.309 .040 -.193
P7 -.079 .336 .040 -.446 1.000 -.189
ALIVIO -.332 -.193 -.193 .090 -.189 1.000
SUMAA -.629 -.381 -.309 1.000 -.446 .090
REND2 -.143 1.000 .007 -.381 .336 -.193
Step Constant 1.000 .070 .102 -.712 .020 -.440
6 REND1 .102 .103 1.000 -.375 .079 -.234
P7 .020 .370 .079 -.475 1.000 -.231
ALIVIO -.440 -.298 -.234 .256 -.231 1.000
SUMAA -.712 -.516 -.375 1.000 -.475 .256
TIPOD -.537 -.391 -.197 .578 -.175 .337
REND2 .070 1.000 .103 -.516 .370 -.298
Step Constant 1.000 -.126 -.024 -.625 -.100 -.262
7 REND1 -.024 .137 1.000 -.318 .087 -.268
P7 -.100 .398 .087 -.461 1.000 -.218
ALIVIO -.262 -.313 -.268 .218 -.218 1.000
ENFADADO -.602 .310 .143 .115 .204 -.129
SUMAA -.625 -.465 -.318 1.000 -.461 .218
TIPOD -.301 -.455 -.204 .549 -.238 .377
REND2 -.126 1.000 .137 -.465 .398 -.313
Correlation Matrix
TIPOD ENFADADO
Step Constant
1 REND2
Step Constant
2 REND1
REND2
Step Constant
3 REND1
SUMAA
REND2
Step Constant
4 REND1
P7
SUMAA
REND2
Step Constant
5 REND1
P7
ALIVIO
SUMAA
REND2
Step Constant -.537
6 REND1 -.197
P7 -.175
ALIVIO .337
SUMAA .578
TIPOD 1.000
REND2 -.391
Step Constant -.301 -.602
7 REND1 -.204 .143
P7 -.238 .204
ALIVIO .377 -.129
ENFADADO -.212 1.000
SUMAA .549 .115
TIPOD 1.000 -.212
REND2 -.455 .310
Casewise Listb

a
70 S 0** .884 1 -.884 -2.764
117 S 0** .942 1 -.942 -4.014
132 S 1** .010 0 .990 9.767
188 S 0** .875 1 -.875 -2.641
277 S 1** .122 0 .878 2.684
Step number: 7
160 ô ô
ó ó
ó ó
F ó ó
R 120 ô ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 80 ô0 1ô
N ó0 1ó
C ó0 1ó
Y ó0 1ó
40 ô0 1ô
ó0 1ó
ó0 1ó
ó000 0 1 11ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

ANEXO 4

1ª EVALUACIÓN DEL BACHILLERATO.
113
114
Logistic Regression (Bachillerato-1ª evaluación).
c
Selected Casesa,b Included in Analysis 122 23.4
Total 159 30.5
Total 521 100.0
a. The variable C131 is constant for all selected cases. Since a constant
was requested in the model, it will be removed from the analysis.
b. The variable D111 is constant for all selected cases. Since a constant
c. If weight is in effect, see classification table for the total number of cases.

rendimiento bajo 0
rendimieneto alto 1
Parameter
di
Frequency (1)
sexo varon 69 1.000
mujer 53 .000

Coefficient
-2 Log s
Step 1 161.678 .492
0 2 161.675 .502
Predicted
a
Selected Cases
dicotomica
Predicted
b,c
Unselected Cases
dicotomica
a. Selected cases curso GT 4
b. Unselected cases curso LE 4

Step 0 Constant .502 .187 7.224 1 .007 1.652
Variables not in the Equationa
Score df Sig.
Step Variables SEXO(1) 1.264 1 .261
0 REND1 66.320 1 .000
P1 7.024 1 .008
P2 .787 1 .375
P3 .485 1 .486
P4 .337 1 .562
P5 .099 1 .753
P6 3.021 1 .082
P7 .375 1 .540
P8 1.772 1 .183
P9 1.153 1 .283
P10 .448 1 .503
P11 4.091 1 .043
P12 .087 1 .768
P13 2.921 1 .087
P14 .469 1 .493
P15 .002 1 .969
P16 1.842 1 .175
P17 1.725 1 .189
P18 .000 1 .995
P19 .000 1 .992
P20 1.496 1 .221
P21 .296 1 .586
P22 1.615 1 .204
P23 .072 1 .789
P24 .351 1 .554
FELIZ .624 1 .429
ORGULLO .064 1 .800
ALIVIO 6.412 1 .011
MAL .883 1 .347
ENFADADO .017 1 .897
CULPABLE 9.860 1 .002
PREOCUPA .546 1 .460
DEFRAUDA 1.141 1 .285
SUMAA 2.711 1 .100
SUMAB .232 1 .630
SUMAC .308 1 .579
TIPOA .079 1 .779
TIPOB .406 1 .524
a. Residual Chi-Squares are not computed because of redundancies.

-2 Log Coefficients
Iteration likelihood Constant REND1
Step 1 90.082 2.316 -.641
1 2 79.220 3.551 -.996
3 77.420 4.305 -1.210
4 77.327 4.531 -1.272
5 77.327 4.546 -1.276
Chi-square df Sig.
Step 1 Step 84.348 1 .000
Block 84.348 1 .000
Model 84.348 1 .000
Model Summary

1 77.327 .499 .680

1 4.114 6 .661
Step 1 9 8.925 0 .075 9
1 2 8 8.616 1 .384 9
3 7 7.762 2 1.238 9
4 15 13.362 6 7.638 21
5 4 4.265 9 8.735 13
6 3 1.918 13 14.082 16
7 0 .952 26 25.048 26
8 0 .199 19 18.801 19
Función de clasificación en la situación de éxito/fracaso de alumnosd
de Bachillerato, en la primera evaluación.
(IES "El Portillo").
Predicted
a
Selected Cases
dicotomica Percent
rendimiento rendimiento age
bajo 39 7 84.8
rendimiento
alto 9 67 88.2
Overall Percentage
86.9
Función de clasificación en la situación de éxito/fracaso de alumnosd
de Bachillerato, en la primera evaluación.
(IES "El Portillo").
Predicted
b,c
Unselected Cases
dicotomica
rendimiento rendimiento
Observed bajo alto % correct
bajo 123 18 87.2
rendimiento
alto 31 148 82.7
Overall Percentage
84.7

Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de

Bachillerato, en la primera evaluación. (IES "El Portillo").
95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a REND1 -1.276 .227 31.526 1 .000 .279 .179 .436
1 Constant 4.546 .816 31.065 1 .000 94.261
Correlation Matrix
Constant REND1
1 REND1 -.935 1.000
Score df Sig.
Step Variables SEXO(1) .458 1 .499
1 P1 .767 1 .381
P2 .286 1 .593
P3 .959 1 .327
P4 2.830 1 .093
P5 .423 1 .515
P6 .643 1 .422
P7 .706 1 .401
P8 .437 1 .508
P9 .116 1 .734
P10 .100 1 .752
P11 .375 1 .540
P12 2.337 1 .126
P13 2.886 1 .089
P14 .233 1 .630
P15 .217 1 .641
P16 1.466 1 .226
P17 .445 1 .505
P18 .473 1 .492
P19 .969 1 .325
P20 .490 1 .484
P21 .041 1 .840
P22 .672 1 .412
P23 .092 1 .762
P24 1.027 1 .311
FELIZ .226 1 .634
ORGULLO .517 1 .472
ALIVIO .245 1 .620
MAL .010 1 .920
ENFADADO .000 1 1.000
CULPABLE 1.043 1 .307
DEFRAUDA .556 1 .456
SUMAA .756 1 .384
SUMAB 1.091 1 .296
SUMAC .001 1 .975
TIPOA .202 1 .653
TIPOB .002 1 .965
Casewise Listb

a
368 S 1** .138 0 .862 2.504
369 S 0** .880 1 -.880 -2.709
413 S 1** .138 0 .862 2.504
446 S 0** .880 1 -.880 -2.709
447 S 0** .880 1 -.880 -2.709
471 S 1** .043 0 .957 4.740
485 S 1** .043 0 .957 4.740
486 S 1** .138 0 .862 2.504
500 S 0** .880 1 -.880 -2.709
Step number: 1
32 ô ô
ó ó
ó ó
F ó 1 ó
R 24 ô 1 ô
E ó 1 1 ó
Q ó 1 1 1ó
U ó 1 1 1ó
E 16 ô 0 1 1 1ô
N ó 0 1 1 1 1ó
C ó 0 1 1 1 1ó
Y ó0 1 1 0 1 1 1 1ó
8 ô0 0 0 0 1 1 1 1ô
ó0 0 0 0 1 1 1 1ó
ó0 0 0 0 0 0 1 1ó
ó0 0 0 0 0 0 1 1ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

ANEXO 5

125
126
Logistic Regression (Bachillerato-2ª evaluación).
c
Selected Casesa,b Included in Analysis 122 23.4
Total 159 30.5
Total 521 100.0
a. The variable C131 is constant for all selected cases. Since a constant
b. The variable D111 is constant for all selected cases. Since a constant
c. If weight is in effect, see classification table for the total number of cases.

rendimiento bajo 0
rendimieneto alto 1
Parameter
di
Frequency (1)
sexo varon 69 1.000
mujer 53 .000

Coefficient
-2 Log s
Step 1 161.678 .492
0 2 161.675 .502
Predicted
a
Selected Cases
dicotomica
Predicted
b,c
Unselected Cases
dicotomica

Step 0 Constant .502 .187 7.224 1 .007 1.652
Score df Sig.
0 REND1 66.320 1 .000
P1 7.024 1 .008
P2 .787 1 .375
P3 .485 1 .486
P4 .337 1 .562
P5 .099 1 .753
P6 3.021 1 .082
P7 .375 1 .540
P8 1.772 1 .183
P9 1.153 1 .283
P10 .448 1 .503
P11 4.091 1 .043
P12 .087 1 .768
P13 2.921 1 .087
P14 .469 1 .493
P15 .002 1 .969
P16 1.842 1 .175
P17 1.725 1 .189
P18 .000 1 .995
P19 .000 1 .992
P20 1.496 1 .221
P21 .296 1 .586
P22 1.615 1 .204
P23 .072 1 .789
P24 .351 1 .554
FELIZ .624 1 .429
ORGULLO .064 1 .800
ALIVIO 6.412 1 .011
MAL .883 1 .347
CULPABLE 9.860 1 .002
DEFRAUDA 1.141 1 .285
SUMAA 2.711 1 .100
SUMAB .232 1 .630
SUMAC .308 1 .579
TIPOA .079 1 .779
TIPOB .406 1 .524
REND2 59.536 1 .000

-2 Log Coefficients
Iteration likelihood Constant REND1 REND2
Step 1 90.082 2.316 -.641
1 2 79.220 3.551 -.996
3 77.420 4.305 -1.210
4 77.327 4.531 -1.272
5 77.327 4.546 -1.276
Step 1 86.274 2.428 -.438 -.244
2 2 73.158 3.862 -.679 -.409
3 70.180 4.935 -.844 -.542
4 69.877 5.418 -.914 -.604
5 69.872 5.488 -.924 -.613
Chi-square df Sig.
Step 1 Step 84.348 1 .000
Block 84.348 1 .000
Model 84.348 1 .000
Step 2 Step 7.455 1 .006
Block 91.802 2 .000
Model 91.802 2 .000
Model Summary

1 77.327 .499 .680
2 69.872 .529 .720

1 4.114 6 .661
2 3.320 7 .854
Step 1 9 8.925 0 .075 9
1 2 8 8.616 1 .384 9
3 7 7.762 2 1.238 9
4 15 13.362 6 7.638 21
5 4 4.265 9 8.735 13
6 3 1.918 13 14.082 16
7 0 .952 26 25.048 26
8 0 .199 19 18.801 19
Step 1 13 12.830 0 .170 13
2 2 11 11.172 1 .828 12
3 10 10.841 5 4.159 15
4 6 6.270 7 6.730 13
5 5 2.880 6 8.120 11
6 1 1.424 13 12.576 14
7 0 .399 16 15.601 16
8 0 .123 13 12.877 13
9
0 .062 15 14.938 15
Tabla de clasificación en la situación de éxito/fracaso en alumnos d

de Bachillerato, en la segunda evaluación. (IES
"El Portillo").
Predicted
a
Selected Cases
dicotomica Percent
rendimiento rendimienet age
Observed bajo o alto Correct
Step 1 dicotomica rendimiento bajo 39 7 84.8
Tabla de clasificación en la situación de éxito/fracaso en alumnos d
de Bachillerato, en la segunda evaluación. (IES
"El Portillo").
Predicted
b,c
Unselected Cases
dicotomica Percen
rendimiento rendimienet tage
Observed bajo o alto Correct
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de Bachillerato, en la segunda
evaluación. (iES "El Portillo").

Step
a REND1 -1.276 .227 31.526 1 .000 .279
1 Constant 4.546 .816 31.065 1 .000 94.261
Step
b REND1 -.924 .257 12.884 1 .000 .397
2 REND2 -.613 .242 6.434 1 .011 .542
Constant
5.488 1.054 27.136 1 .000 241.779
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de Bachillerato, en la segunda
evaluación. (iES "El Portillo").
95.0% C.I.for EXP(B)

Lower Upper
Step
a REND1 .179 .436
1 Constant
Step
b REND1 .240 .658
2 REND2 .337 .870
Constant

Correlation Matrix
Constant REND1 REND2

1 REND1 -.935 1.000
Step Constant 1.000 -.569 -.547
2 REND1 -.569 1.000 -.322
REND2
-.547 -.322 1.000
Score df Sig.
Step Variables SEXO(1) .458 1 .499
1 P1 .767 1 .381
P2 .286 1 .593
P3 .959 1 .327
P4 2.830 1 .093
P5 .423 1 .515
P6 .643 1 .422
P7 .706 1 .401
P8 .437 1 .508
P9 .116 1 .734
P10 .100 1 .752
P11 .375 1 .540
P12 2.337 1 .126
P13 2.886 1 .089
P14 .233 1 .630
P15 .217 1 .641
P16 1.466 1 .226
P17 .445 1 .505
P18 .473 1 .492
P19 .969 1 .325
P20 .490 1 .484
P21 .041 1 .840
P22 .672 1 .412
P23 .092 1 .762
P24 1.027 1 .311
FELIZ .226 1 .634
ORGULLO .517 1 .472
ALIVIO .245 1 .620
MAL .010 1 .920
ENFADADO .000 1 1.000
CULPABLE 1.043 1 .307
SUMAA .756 1 .384
SUMAB 1.091 1 .296
SUMAC .001 1 .975
TIPOA .202 1 .653
TIPOB .002 1 .965
REND2 7.208 1 .007
Score df Sig.
2 P1 1.079 1 .299
P2 .142 1 .706
P3 .446 1 .504
P4 2.710 1 .100
P5 .126 1 .723
P6 .784 1 .376
P7 .391 1 .532
P8 .799 1 .371
P9 .206 1 .650
P10 .323 1 .570
P11 .338 1 .561
P12 3.235 1 .072
P13 2.647 1 .104
P14 .142 1 .707
P15 .571 1 .450
P16 1.903 1 .168
P17 .383 1 .536
P18 .343 1 .558
P19 .991 1 .319
P20 .320 1 .571
P21 .145 1 .703
P22 .186 1 .666
P23 .025 1 .874
P24 .562 1 .454
FELIZ 1.338 1 .247
ORGULLO .560 1 .454
ALIVIO .001 1 .978
MAL .314 1 .575
CULPABLE 1.052 1 .305
SUMAA .666 1 .415
SUMAB 1.377 1 .241
SUMAC .012 1 .911
TIPOA .696 1 .404
TIPOB .109 1 .741
Casewise Listb

a
471 S 1** .042 0 .958 4.761
485 S 1** .075 0 .925 3.503
Step number: 1
32 ô ô
ó ó
ó ó
F ó 1 ó
R 24 ô 1 ô
E ó 1 1 ó
Q ó 1 1 1ó
U ó 1 1 1ó
E 16 ô 0 1 1 1ô
N ó 0 1 1 1 1ó
C ó 0 1 1 1 1ó
Y ó0 1 1 0 1 1 1 1ó
8 ô0 0 0 0 1 1 1 1ô
ó0 0 0 0 1 1 1 1ó
ó0 0 0 0 0 0 1 1ó
ó0 0 0 0 0 0 1 1ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

Step number: 2
32 ô ô
ó ó
ó 1ó
F ó 1ó
R 24 ô 1ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 16 ô 1ô
N ó 1ó
C ó 11ó
Y ó 111ó
8 ô0 1 1 111ô
ó00 1 1 1 111ó
ó000 0 0 0 0 1 0 1 1 1 0 1 111ó
ó00000 00 0 0 0 1 0 0 0 0 0 0 1 11111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

ANEXO 6

1ª EVALUACIÓN DE LA ESO Y BACHILLERATO.
137
138
Logistic Regression (ESO y BATO-1ª evaluación).
a
Total 521 100.0
Unselected Cases 0 .0
Total 521 100.0

rendimiento bajo 0
rendimieneto alto 1
Parameter
di
Frequency (1)
mujer 199 .000

Coefficient
-2 Log s
Step 1 600.516 .313
0 2 600.515 .316
Classification Tablea,b
Predicted
dicotomica
b. The cut value is .500

Step 0 Constant .316 .096 10.707 1 .001 1.371
Score df Sig.
0 CURSO 4.648 1 .031
REND1 231.381 1 .000
P1 47.916 1 .000
P2 .041 1 .840
P3 12.603 1 .000
P4 .123 1 .726
P5 15.105 1 .000
P6 1.448 1 .229
P7 .066 1 .798
P8 2.817 1 .093
P9 26.204 1 .000
P10 .537 1 .464
P11 3.724 1 .054
P12 1.488 1 .222
P13 36.087 1 .000
P14 4.269 1 .039
P15 2.303 1 .129
P16 5.105 1 .024
P17 16.893 1 .000
P18 22.083 1 .000
P19 2.505 1 .114
P20 4.464 1 .035
P21 15.209 1 .000
P22 1.046 1 .307
P23 1.201 1 .273
P24 8.103 1 .004
FELIZ .330 1 .566
ORGULLO 21.299 1 .000
ALIVIO 1.496 1 .221
MAL 8.758 1 .003
ENFADADO 20.361 1 .000
CULPABLE 1.880 1 .170
PREOCUPA 23.288 1 .000
DEFRAUDA 9.154 1 .002
SUMAA 42.924 1 .000
SUMAB .040 1 .841
SUMAC 4.649 1 .031
TIPOA .602 1 .438
TIPOB 2.076 1 .150
TIPOC .195 1 .659
TIPOD 19.647 1 .000

-2 Log Coefficients
Iteration likelihood Constant REND1 SUMAA P4 P14
Step 1 344.459 2.033 -.497
1 2 312.427 2.976 -.752
3 308.689 3.430 -.876
4 308.600 3.516 -.899
5 308.600 3.518 -.900
Step 1 337.616 1.013 -.476 .053
2 2 297.411 .784 -.728 .118
3 290.460 .501 -.880 .165
4 290.112 .421 -.924 .179
5 290.111 .417 -.927 .180
Step 1 335.387 .674 -.479 .052 .126
3 2 293.310 .113 -.738 .118 .240
3 285.545 -.394 -.901 .168 .320
4 285.105 -.543 -.952 .183 .344
5 285.103 -.553 -.956 .184 .346
Step 1 332.032 .728 -.473 .057 .185 -.161
4 2 287.754 .301 -.736 .125 .348 -.300
3 279.127 -.072 -.911 .174 .458 -.389
4 278.576 -.176 -.970 .189 .493 -.417
5 278.573 -.183 -.975 .191 .496 -.419
Chi-square df Sig.
Step 1 Step 291.916 1 .000
Block 291.916 1 .000
Model 291.916 1 .000
Step 2 Step 18.489 1 .000
Block 310.405 2 .000
Model 310.405 2 .000
Step 3 Step 5.007 1 .025
Block 315.412 3 .000
Model 315.412 3 .000
Step 4 Step 6.530 1 .011
Block 321.942 4 .000
Model 321.942 4 .000
Model Summary

1 308.600 .484 .651
2 290.111 .505 .679
3 285.103 .511 .687
4 278.573 .518 .697

1 5.271 7 .627
2 3.755 8 .879
3 7.284 8 .506
4 6.425 8 .600
Step 1 47 47.323 1 .677 48
1 2 28 26.369 0 1.631 28
3 30 32.113 7 4.887 37
4 26 27.649 12 10.351 38
5 30 26.029 20 23.971 50
6 11 11.637 27 26.363 38
7 7 7.455 42 41.545 49
8 4 5.235 73 71.765 77
9 3 2.189 73 73.811 76
Step 1 44 43.703 0 .297 44
2 2 38 39.400 4 2.600 42
3 37 37.492 8 7.508 45
4 27 27.305 15 14.695 42
5 21 18.716 23 25.284 44
6 9 10.160 36 34.840 45
7 7 5.102 38 39.898 45
8 1 2.399 46 44.601 47
9 1 1.126 40 39.874 41
10
1 .597 45 45.403 46
Step 1 43 43.715 1 .285 44
3 2 41 41.493 3 2.507 44
3 37 36.124 7 7.876 44
4 28 28.750 16 15.250 44
5 23 18.083 21 25.917 44
6 7 9.356 37 34.644 44
7 4 4.654 40 39.346 44
8 1 2.255 43 41.745 44
9 2 1.068 42 42.932 44
10 0 .502 45 44.498 45
Step 1 43 43.771 1 .229 44
4 2 41 41.912 3 2.088 44
3 37 36.516 7 7.484 44
4 27 28.237 17 15.763 44
5 22 18.361 23 26.639 45
6 9 9.533 35 34.467 44
7 4 4.143 40 39.857 44
8 3 2.063 42 42.937 45
9 0 1.032 44 42.968 44
10 0 .432 43 42.568 43
Tabla de clasificación en la situación de éxito/fracaso de alumnosa
de ESO y BATO, en la primera
evaluación. (IES "El Portillo").
Predicted
dicotomica
a. The cut value is .500
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de ESO y BATO, en la primera

Step
a REND1 -.900 .081 124.825 1 .000 .407
1 Constant 3.518 .322 119.154 1 .000 33.720
Step
b REND1 -.927 .086 115.535 1 .000 .396
2 SUMAA .180 .043 17.313 1 .000 1.197
Constant
.417 .759 .301 1 .583 1.517
Step
c REND1 -.956 .090 113.919 1 .000 .384
3 P4 .346 .156 4.890 1 .027 1.413
SUMAA .184 .044 17.858 1 .000 1.202
Constant -.553 .878 .396 1 .529 .575
Step
d REND1 -.975 .093 110.060 1 .000 .377
4 P4 .496 .169 8.639 1 .003 1.643
P14 -.419 .166 6.377 1 .012 .658
SUMAA .191 .043 19.448 1 .000 1.210
Constant -.183 .885 .043 1 .836 .832
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de ESO y BATO, en la primera

Lower Upper
Step
a REND1 .347 .476
1 Constant
Step
b REND1 .334 .469
2 SUMAA 1.100 1.302
Constant
Step
c REND1 .323 .458
3 P4 1.040 1.920
SUMAA 1.104 1.309
Constant
Step
d REND1 .314 .453
4 P4 1.180 2.287
P14 .475 .910
SUMAA 1.112 1.317
Constant
b. Variable(s) entered on step 2: SUMAA.
c. Variable(s) entered on step 3: P4.
Correlation Matrix
Constant REND1 SUMAA P4 P14

1 REND1 -.894 1.000
Step Constant 1.000 -.147 -.898
2 REND1 -.147 1.000 -.260
SUMAA
-.898 -.260 1.000
Step Constant 1.000 -.013 -.816 -.491
3 REND1 -.013 1.000 -.272 -.230
P4 -.491 -.230 .076 1.000
SUMAA -.816 -.272 1.000 .076
Step Constant 1.000 -.061 -.779 -.387 -.179
4 REND1 -.061 1.000 -.274 -.270 .183
P4 -.387 -.270 .100 1.000 -.364
P14 -.179 .183 -.086 -.364 1.000
SUMAA -.779 -.274 1.000 .100 -.086
Casewise Listb

a
117 S 0** .947 1 -.947 -4.232
136 S 1** .060 0 .940 3.960
143 S 0** .944 1 -.944 -4.113
148 S 1** .015 0 .985 8.197
149 S 0** .960 1 -.960 -4.889
258 S 0** .933 1 -.933 -3.733
289 S 1** .033 0 .967 5.374
328 S 0** .893 1 -.893 -2.889
375 S 0** .864 1 -.864 -2.522
471 S 1** .120 0 .880 2.708
485 S 1** .062 0 .938 3.885
500 S 0** .887 1 -.887 -2.805
Step number: 4
80 ô ô
ó ó
ó ó
F ó ó
R 60 ô ô
E ó ó
Q ó ó
U ó1 1ó
E 40 ô0 11ô
N ó0 11ó
C ó0 11ó
Y ó0 111ó
20 ô0 1111ô
ó00 11111ó
ó0001 0 1 1 1111111ó
ó00000000 000 00000 011 1 11011 011 01 1 11111 111111111111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

ANEXO 7

2ª EVALUACIÓN DE LA ESO Y BACHILLERATO.
147
148
Logistic Regression (ESO Y BATO-2ª evaluación).
a
Total 521 100.0
Unselected Cases 0 .0
Total 521 100.0

rendimiento bajo 0
rendimieneto alto 1
Parameter
di
Frequency (1)
mujer 199 .000

Coefficient
-2 Log s
Step 1 600.516 .313
0 2 600.515 .316
Classification Tablea,b
Predicted
dicotomica
b. The cut value is .500

Step 0 Constant .316 .096 10.707 1 .001 1.371
Score df Sig.
0 CURSO 4.648 1 .031
REND1 231.381 1 .000
REND2 253.526 1 .000
P1 47.916 1 .000
P2 .041 1 .840
P3 12.603 1 .000
P4 .123 1 .726
P5 15.105 1 .000
P6 1.448 1 .229
P7 .066 1 .798
P8 2.817 1 .093
P9 26.204 1 .000
P10 .537 1 .464
P11 3.724 1 .054
P12 1.488 1 .222
P13 36.087 1 .000
P14 4.269 1 .039
P15 2.303 1 .129
P16 5.105 1 .024
P17 16.893 1 .000
P18 22.083 1 .000
P19 2.505 1 .114
P20 4.464 1 .035
P21 15.209 1 .000
P22 1.046 1 .307
P23 1.201 1 .273
P24 8.103 1 .004
FELIZ .330 1 .566
ORGULLO 21.299 1 .000
ALIVIO 1.496 1 .221
MAL 8.758 1 .003
ENFADADO 20.361 1 .000
CULPABLE 1.880 1 .170
PREOCUPA 23.288 1 .000
DEFRAUDA 9.154 1 .002
SUMAA 42.924 1 .000
SUMAB .040 1 .841
SUMAC 4.649 1 .031
TIPOA .602 1 .438
TIPOB 2.076 1 .150
TIPOC .195 1 .659
TIPOD 19.647 1 .000

Iteration History a,b,c,d,e
-2 Log Coefficients
Iteration likelihood Constant REND2 REND1 SUMAA P7 ALIVIO
Step 1 316.979 2.073 -.498
1 2 270.439 3.179 -.799
3 260.658 3.943 -1.013
4 259.893 4.238 -1.094
5 259.886 4.270 -1.102
Step 1 301.786 2.204 -.333 -.206
2 2 245.987 3.495 -.550 -.343
3 230.930 4.560 -.731 -.454
4 228.912 5.140 -.827 -.514
5 228.856 5.260 -.846 -.526
6
228.856 5.264 -.846 -.526
Step 1 299.557 1.648 -.321 -.205 .028
3 2 238.823 1.978 -.526 -.344 .080
3 220.020 2.147 -.709 -.467 .132
4 216.838 2.291 -.824 -.541 .163
5 216.701 2.337 -.854 -.560 .171
6 216.700 2.340 -.856 -.561 .172
Step 1 297.565 1.669 -.324 -.198 .042 -.151
4 2 235.365 2.106 -.531 -.336 .102 -.299
3 215.944 2.396 -.721 -.458 .161 -.418
4 212.619 2.594 -.840 -.531 .196 -.474
5 212.471 2.651 -.872 -.551 .205 -.486
6 212.471 2.654 -.874 -.552 .206 -.486
Step 1 297.230 1.595 -.323 -.198 .040 -.153 .042
5 2 233.466 1.794 -.532 -.340 .099 -.305 .159
3 212.470 1.798 -.726 -.470 .158 -.432 .299
4 208.591 1.837 -.854 -.554 .195 -.500 .384
5 208.393 1.859 -.892 -.578 .205 -.518 .406
6 208.392 1.861 -.894 -.579 .206 -.519 .407
e. Estimation terminated at iteration number 6 because log-likelihood decreased by less than .010 percent.
Chi-square df Sig.
Step 1 Step 340.629 1 .000
Block 340.629 1 .000
Model 340.629 1 .000
Step 2 Step 31.030 1 .000
Block 371.660 2 .000
Model 371.660 2 .000
Step 3 Step 12.155 1 .000
Block 383.815 3 .000
Model 383.815 3 .000
Step 4 Step 4.230 1 .040
Block 388.044 4 .000
Model 388.044 4 .000
Step 5 Step 4.078 1 .043
Block 392.123 5 .000
Model 392.123 5 .000
Model Summary

1 259.886 .538 .723
2 228.856 .569 .766
3 216.700 .581 .781
4 212.471 .585 .787
5 208.392 .589 .792

1 4.732 6 .579
2 4.301 8 .829
3 3.777 8 .877
4 3.494 8 .900
5 4.371 8 .822
Step 1 36 35.919 0 .081 36
1 2 48 48.016 1 .984 49
3 53 54.060 13 11.940 66
4 25 26.723 25 23.277 50
5 16 11.594 26 30.406 42
6 7 6.296 49 49.704 56
7 1 2.180 53 51.820 54
8 0 1.213 88 86.787 88
Step 1 45 44.944 0 .056 45
2 2 42 42.193 1 .807 43
3 42 40.896 5 6.104 47
4 29 31.016 19 16.984 48
5 15 16.570 27 25.430 42
6 9 6.438 31 33.562 40
7 4 2.609 45 46.391 49
8 0 .845 49 48.155 49
9 0 .217 25 24.783 25
10 0 .273 53 52.727 53
Step 1 45 44.970 0 .030 45
3 2 43 43.286 1 .714 44
3 39 39.459 5 4.541 44
4 32 30.538 13 14.462 45
5 14 17.085 30 26.915 44
6 10 7.347 34 36.653 44
7 3 2.273 42 42.727 45
8 0 .659 44 43.341 44
9 0 .274 42 41.726 42
10 0 .109 44 43.891 44
Step 1 44 43.978 0 .022 44
4 2 43 43.378 1 .622 44
3 39 39.495 5 4.505 44
4 33 30.890 11 13.110 44
5 15 17.839 29 26.161 44
6 9 7.111 35 36.889 44
7 3 2.249 41 41.751 44
8 0 .672 44 43.328 44
9 0 .282 45 44.718 45
10 0 .107 44 43.893 44
Step 1 44 43.984 0 .016 44
5 2 44 43.393 0 .607 44
3 39 39.807 5 4.193 44
4 31 31.197 13 12.803 44
5 15 17.295 29 26.705 44
6 11 7.386 34 37.614 45
7 2 2.003 42 41.997 44
8 0 .607 44 43.393 44
9 0 .238 44 43.762 44
10 0 .091 44 43.909 44
Función de clasificación en la situación de éxito/fracaso en alumnos dea
ESO y BACHILLERATO,
en la segunda evaluación. (IES "El Portillo").
Predicted
dicotomica
rendimiento rendimiento Percentage
a. The cut value is .500
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de ESO y BACHILLERATO, en
la segunda evaluación. IES "El Portillo".

Step
a REND2 -1.102 .106 109.018 1 .000 .332
1 Constant 4.270 .412 107.461 1 .000 71.554
Step
b REND1 -.526 .099 28.110 1 .000 .591
2 REND2 -.846 .115 54.576 1 .000 .429
Constant
5.264 .541 94.562 1 .000 193.257
Step
c REND1 -.561 .103 29.580 1 .000 .571
3 REND2 -.856 .120 50.819 1 .000 .425
SUMAA .172 .051 11.403 1 .001 1.187
Constant 2.340 .945 6.129 1 .013 10.382
Step
d REND1 -.552 .104 28.425 1 .000 .576
4 REND2 -.874 .122 51.608 1 .000 .417
P7 -.486 .241 4.060 1 .044 .615
SUMAA .206 .055 13.829 1 .000 1.228
Constant 2.654 .984 7.283 1 .007 14.216
Step
e REND1 -.579 .106 29.623 1 .000 .560
5 REND2 -.894 .125 51.521 1 .000 .409
P7 -.519 .241 4.635 1 .031 .595
ALIVIO .407 .205 3.957 1 .047 1.502
SUMAA .206 .056 13.471 1 .000 1.229
Constant 1.861 1.070 3.024 1 .082 6.430
Variables de entrada en la ecuación de predicción del rendimiento final en alumnos de ESO y BACHILLERATO, en
la segunda evaluación. IES "El Portillo".

Lower Upper
Step
a REND2 .270 .409
1 Constant
Step
b REND1 .486 .718
2 REND2 .343 .537
Constant
Step
c REND1 .466 .698
3 REND2 .336 .538
SUMAA 1.075 1.312
Constant
Step
d REND1 .470 .705
4 REND2 .329 .530
P7 .383 .987
SUMAA 1.102 1.369
Constant
Step
e REND1 .455 .690
5 REND2 .320 .522
P7 .371 .955
ALIVIO 1.006 2.244
SUMAA 1.101 1.372
Constant
c. Variable(s) entered on step 3: SUMAA.
e. Variable(s) entered on step 5: ALIVIO.
Correlation Matrix
Constant REND2 REND1 SUMAA P7 ALIVIO

1 REND2 -.924 1.000
Step Constant 1.000 -.677 -.550
2 REND1 -.550 -.161 1.000
REND2
-.677 1.000 -.161
Step Constant 1.000 -.268 -.146 -.812
3 REND1 -.146 -.133 1.000 -.201
REND2 -.268 1.000 -.133 -.151
SUMAA -.812 -.151 -.201 1.000
Step Constant 1.000 -.284 -.155 -.701 -.159
4 REND1 -.155 -.138 1.000 -.170 .004
REND2 -.284 1.000 -.138 -.181 .138
P7 -.159 .138 .004 -.352 1.000
SUMAA -.701 -.181 -.170 1.000 -.352
Step Constant 1.000 -.218 -.067 -.671 -.135 -.345
5 REND1 -.067 -.113 1.000 -.193 .034 -.173
REND2 -.218 1.000 -.113 -.175 .156 -.151
P7 -.135 .156 .034 -.338 1.000 -.090
ALIVIO -.345 -.151 -.173 .034 -.090 1.000
SUMAA -.671 -.175 -.193 1.000 -.338 .034
Step number: 5
160 ô ô
ó ó
ó ó
F ó ó
R 120 ô 1ô
E ó 1ó
Q ó 1ó
U ó 1ó
E 80 ô 1ô
N ó0 1ó
C ó0 1ó
Y ó0 1ó
40 ô0 1ô
ó0 11ó
ó00 111ó
ó00 0000 1 0 1 1 1 1 11111ó
Prob: 0 .25 .5 .75 1
Group: 000000000000000000000000000000111111111111111111111111111111

Casewise Listb

a
117 S 0** .879 1 -.879 -2.690
132 S 1** .044 0 .956 4.652
277 S 1** .078 0 .922 3.438
289 S 1** .105 0 .895 2.919
351 S 1** .083 0 .917 3.315
375 S 0** .906 1 -.906 -3.100
378 S 0** .922 1 -.922 -3.444
482 S 0** .961 1 -.961 -4.941
ANEXO 8
CUADROS COMPLEMENTARIOS DEL ANÁLISIS DISCRIMINANTE EN LA

159
160
Discriminant (ESO-1ª evaluación).
Analysis Case Processing Summary

Valid 319 88.1
Excluded Missing or out-of-range
group codes 0 .0
At least one missing
discriminating variable 43 11.9
Both missing or
out-of-range group codes
and at least one missing 0 .0
discriminating variable
Total 43 11.9
Total 362 100.0
Analysis 1
Stepwise Statistics
Variables de entrada en la ecuación de predicción (análisis discriminante) de variables independientes sobre el
a,b,c,d
rendimiento final en la ESO, y en la 1ª evaluación. (N=319).
Wilks' Lambda
Step Entered Statistic df1 df2 df3

1 eval1ªsus .424 1 2 316.000
2 enfadado .396 2 2 316.000
3 MIIE1 .379 3 2 316.000
4 curso .367 4 2 316.000
Variables de entrada en la ecuación de predicción (análisis discriminante) de variables independientes sobre el

a,b,c,d
rendimiento final en la ESO, y en la 1ª evaluación. (N=319).
Wilks' Lambda
Exact F
1 214.512 2 316.000 .000
2 92.939 4 630.000 .000
3 65.335 6 628.000 .000
4 50.989 8 626.000 .000
a. Maximum number of steps is 84.
b. Minimum partial F to enter is 3.84.
c. Maximum partial F to remove is 2.71.
d. F level, tolerance, or VIN insufficient for further computation.
Variables in the Analysis
Wilks'
Step Tolerance F to Remove Lambda
1 eval1ªsus 1.000 214.512
2 eval1ªsus .996 199.736 .897
enfadado .996 11.404 .424
3 eval1ªsus .994 171.348 .793
enfadado .959 7.259 .397
MIIE1 .961 6.811 .396
4 eval1ªsus .993 166.902 .758
enfadado .959 7.056 .383
MIIE1 .961 6.470 .382
curso .999 5.325 .379
Wilks' Lambda
Number of
Step Variables Lambda df1 df2 df3
1 1 .424 1 2 316
2 2 .396 2 2 316
3 3 .379 3 2 316
4 4 .367 4 2 316
Wilks' Lambda
Exact F
1 214.512 2 316.000 .000
2 92.939 4 630.000 .000
3 65.335 6 628.000 .000
4 50.989 8 626.000 .000
Summary of Canonical Discriminant Functions

Eigenvalues
Canonical
Function Eigenvalue % of Variance Cumulative % Correlation
1 1.681 a 99.0 99.0 .792
2 .017a 1.0 100.0 .130
a. First 2 canonical discriminant functions were used in the analysis.
Wilks' Lambda
Wilks'
Test of Function(s) Lambda Chi-square df Sig.
1 through 2 .367 315.603 8 .000
2 .983 5.402 3 .145
Standardized Canonical Discriminant Function Coefficients
Function
1 2
curso -.181 .853
MIIE1 -.251 .315
enfadado .266 -.171
Structure Matrix
Function
1 2
suma puntuaciones a
motivación internalizada -.293* .236
enfadado .260* -.254
MIIE13a -.251* .195
MIIE9a -.233* .168
orgulloa -.194* .111
MIIE17a -.181* .160
MIIE21a -.173* .085
preocupadoa -.171* .023
MIIE18a -.162* .087
MIIE5a -.145* .113
D111a .144* -.041
MIIE15a -.132* .122
MIIE19a -.131* .106
A313a -.130* .096
feliza -.116* .087
MIIE4a .097* -.075
MIIE7a -.090* .066
defraudadoa -.077* .045
culpable a .066* .039
MIIE6a .032* -.012
curso -.165 .864*
MIIE1 -.338 .345*
MIIE11a -.031 .187*
suma
puntuacionesmotivación
a -.130 .156*
intírinseca
mala .121 -.148*
MIIE24a .102 -.145*
MIIE3a -.132 .138*
C131a .094 -.133*
MIIE12a .081 -.124*
MIIE14a .013 -.118*
MIIE22a .033 -.118*
MIIE10a -.065 .103*
suma puntuaciones a
motivación extrínseca .028 -.097*
MIIE23a -.086 .095*
MIIE20a .023 -.090*
MIIE2a .047 -.087*
alivioa .006 .082*
MIIE8a -.002 -.070*
B333a .014 .063*
MIIE16a -.020 -.057*
sexoa -.007 .057*

*. Largest absolute correlation between each variable and any discriminant function
a. This variable not used in the analysis.
Canonical Discriminant Function Coefficients
Function
1 2
curso -.174 .820
MIIE1 -.296 .371
enfadado .290 -.186
(Constant) -.917 -3.391
Functions at Group Centroids
Function
3RENDIM 1 2
rend. bajo 1.916 -9,312E-02
rend. alto -1.057 -3,973E-02
Classification Statistics
Classification Processing Summary
Processed 362
group codes 0
discriminating variable 0
Used in Output 362
Prior Probabilities for Groups
Cases Used in Analysis

3RENDIM Prior Unweighted Weighted
rend. bajo .270 86 86.000
rend. medio .163 52 52.000
rend. alto .567 181 181.000
Total 1.000 319 319.000
Classification Function Coefficients
3RENDIM
rend. bajo rend. medio rend. alto
curso 1.842 2.403 2.404
eval1ªsus 1.914 1.338 .572
MIIE1 4.079 4.638 4.979
enfadado 3.702 3.222 2.829
(Constant) -18.929 -17.783 -14.360
Territorial Map
Canonical Discriminant
Function 2
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
ôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòôòòòòòòòòòô
6.0 ô 32 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
4.0 ô ô ô 32ô 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
2.0 ô ô ô 32 21 ô ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 3* 21 ó
.0 ô ô ô * ô 321 * ô ô
ó 321 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-2.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-4.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-6.0 ô 31 ô
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
Canonical Discriminant Function 1
Symbols used in territorial map
Symbol Group Label

------ ----- --------------------
1 1 rend. bajo
2 2 rend. medio
3 3 rend. alto
* Indicates a group centroid

3RENDIM = rend. bajo
3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. bajo
-2 -1 0 1 2 3 4 5
Function 1

3RENDIM = rend. medio
3
Group Centroid
Function 2
-1
Group Centroid
-2 rend. medio
-2 -1 0 1 2 3
Function 1
3RENDIM = rend. alto
2
-1
Group Centroid
Function 2
-2
Group Centroid
-3 rend. alto
-3 -2 -1 0 1 2
Function 1

3
1
rend. medio
0
3RENDIM
-1 Group Centroids
rend. alto
Function 2
-2
rend. medio
-3 rend. bajo
-3 -2 -1 0 1 2 3 4 5
Function 1
Classification Resultsb,c
Predicted Group Membership

3RENDIM rend. bajo rend. medio rend. alto Total
rend. medio 15 15 25 55
rend. alto 5 6 178 189
% rend. bajo 76.3 10.2 13.6 100.0
rend. medio 27.3 27.3 45.5 100.0
rend. alto 2.6 3.2 94.2 100.0
Cross-validated a Count rend. bajo 90 12 16 118
rend. medio 16 14 25 55
rend. alto 6 5 178 189
% rend. bajo 76.3 10.2 13.6 100.0
rend. medio 29.1 25.5 45.5 100.0
rend. alto 3.2 2.6 94.2 100.0
a. Cross validation is done only for those cases in the analysis. In cross validation, each case is
classified by the functions derived from all cases other than that case.
b. 78.2% of original grouped cases correctly classified.
c. 77.9% of cross-validated grouped cases correctly classified.
ANEXO 9

171
172
Análisis Discriminante (ESO-2ª evaluación)

Valid 319 88.1
group codes 0 .0
Both missing or
Total 43 11.9
Total 362 100.0
Analysis 1
Stepwise Statistics
Variables Entered/Removeda,b,c,d
Wilks' Lambda

1 eval2ªsus .277 1 2 316.000
2 enfadado .261 2 2 316.000
3 eval1ªsus .251 3 2 316.000
4 curso .243 4 2 316.000
5 alivio .237 5 2 316.000
Wilks' Lambda
Exact F
1 412.608 2 316.000 .000
2 151.007 4 630.000 .000
3 104.394 6 628.000 .000
4 80.512 8 626.000 .000
5 65.842 10 624.000 .000
Wilks'
1 eval2ªsus 1.000 412.608
2 eval2ªsus .993 384.603 .897
enfadado .993 9.828 .277
3 eval2ªsus .687 90.734 .396
enfadado .993 9.781 .266
eval1ªsus .689 6.252 .261
4 eval2ªsus .686 89.431 .382
enfadado .993 9.517 .258
eval1ªsus .689 6.204 .253
curso .998 4.976 .251
5 eval2ªsus .684 89.277 .372
enfadado .993 9.435 .251
eval1ªsus .689 6.191 .246
curso .998 4.794 .244
alivio .994 4.064 .243
Wilks' Lambda
Number of
1 1 .277 1 2 316
2 2 .261 2 2 316
3 3 .251 3 2 316
4 4 .243 4 2 316
5 5 .237 5 2 316
Wilks' Lambda
Exact F
1 412.608 2 316.000 .000
2 151.007 4 630.000 .000
3 104.394 6 628.000 .000
4 80.512 8 626.000 .000
5 65.842 10 624.000 .000

Eigenvalues
Canonical
1 3.125 a 99.2 99.2 .870
2 .024a .8 100.0 .153
Wilks' Lambda
Wilks'
1 through 2 .237 452.384 10 .000
2 .977 7.457 4 .114
Function
1 2
curso -.159 .679
alivio -.183 -.073
enfadado .275 -.113
Structure Matrix
Function
1 2
eval2ªsus .914* -.002
MIIE13a -.204* .041
enfadado .191* -.126
orgulloa -.184* -.022
suma puntuaciones a
motivación internalizada -.181* -.001
MIIE1a -.179* .038
MIIE18a -.149* -.035
D111a .145* .054
preocupadoa -.142* -.057
MIIE17a -.121* .010
MIIE21a -.121* -.035
MIIE19a -.120* .021
MIIE9a -.118* -.036
MIIE7a -.109* .007
MIIE10a -.109* .068
alivio -.109* -.056
MIIE3a -.096* .036
A313a -.095* .033
suma
a -.094* .037
intírinseca
MIIE16a -.076* -.074
MIIE5a -.074* -.020
MIIE15a -.064* -.006
feliza -.064* -.022
MIIE6a -.064* .018
MIIE23a -.055* .009
curso -.124 .676*
MIIE8a .033 -.143*
MIIE24a .088 -.133*
suma puntuaciones a
motivación extrínseca -.025 -.114*
MIIE22a .006 -.114*
MIIE2a .050 -.108*
MIIE11a .001 .101*
MIIE14a -.032 -.097*
MIIE12a .002 -.084*
MIIE4a .071 -.083*
MIIE20a -.039 -.081*
mala .059 -.073*
culpable a .000 .066*
C131a .058 -.066*
sexoa .025 .035*
B333a -.014 .025*

Function
1 2
curso -.152 .653
alivio -.202 -.081
enfadado .299 -.123
(Constant) -1.941 -1.667
Function
3RENDIM 1 2
rend. bajo 2.661 -.100
rend. alto -1.417 -5.195E-02
Processed 362
group codes 0
Used in Output 362

rend. bajo .270 86 86.000
rend. medio .163 52 52.000
rend. alto .567 181 181.000
Total 1.000 319 319.000
3RENDIM
curso 1.744 2.360 2.397
eval1ªsus .690 .647 .256
alivio 2.209 2.603 3.029
enfadado 3.151 2.460 1.925
eval2ªsus 2.308 1.128 .293
(Constant) -20.785 -14.557 -9.664
Territorial Map
Function 2
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
6.0 ô 32 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
4.0 ô ô ô 32 ô ô21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
2.0 ô ô ô 32 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32* 21 ó
.0 ô ô ô * ô32 21 ô * ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 3221 ó
-2.0 ô ô ô ô 3221 ô ô ô
ó 321 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-4.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-6.0 ô 31 ô
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
Symbol Group Label

------ ----- --------------------
1 1 rend. bajo
2 2 rend. medio
3 3 rend. alto
Separate-Groups Graphs

3
-1
-2 Group Centroid
Function 2
-3 Group Centroid
-4 rend. bajo
-1 0 1 2 3 4 5
Function 1

3
Group Centroid
Function 2
-1
Group Centroid
-2 rend. medio
-2 -1 0 1 2 3
Function 1
3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. alto
-3 -2 -1 0 1 2
Function 1

3
1
rend. medio
0
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3 rend. medio
-4 rend. bajo
-4 -2 0 2 4 6
Function 1

rend. medio 10 27 18 55
rend. alto 1 8 180 189
% rend. bajo 84.7 11.9 3.4 100.0
rend. medio 18.2 49.1 32.7 100.0
rend. alto .5 4.2 95.2 100.0
rend. medio 12 23 20 55
rend. alto 1 11 177 189
% rend. bajo 83.9 12.7 3.4 100.0
rend. medio 21.8 41.8 36.4 100.0
rend. alto .5 5.8 93.7 100.0
ANEXO 10

183
184
Discriminant (Bachillerato 1ª evaluación).
Warnings
All-Groups Stacked Histogram is no

longer displayed.

Valid 122 76.7
group codes 0 .0
Both missing or
Total 37 23.3
Total 159 100.0
Analysis 1
Stepwise Statistics
Wilks' Lambda

1 eval1ªsus .424 1 2 119.000
Wilks' Lambda
Exact F
1 80.904 2 119.000 .000
Step Tolerance F to Remove

1 eval1ªsus 1.000 80.904
Wilks' Lambda
Number of
1 1 .424 1 2 119
Wilks' Lambda
Exact F
1 80.904 2 119.000 .000

Eigenvalues
Canonical
1 1.360 a 100.0 100.0 .759
Wilks' Lambda
Wilks'
1 .424 102.167 2 .000
Function
1
eval1ªsus 1.000
Structure Matrix
Function
1
eval1ªsus 1.000
MIIE6a .262
MIIE20a .191
suma puntuaciones a
motivación extrínseca .183
MIIE4a .175
MIIE12a .169
MIIE2a .161
preocupadoa -.141
alivioa .134
MIIE24a .129
MIIE9a -.128
culpable a .112
MIIE1a -.105
MIIE3a .105
A313a -.104
MIIE13a .096
sexoa -.093
MIIE23a -.090
MIIE16a .086
mala .082
MIIE5a .077
feliza .077
MIIE10a .074
MIIE15a .072
B333a .049
MIIE22a .049
MIIE19a -.044
cursoa .043
MIIE18a -.042
MIIE7a -.037
MIIE11a -.035
orgulloa .031
defraudadoa .024
MIIE8a .019
suma puntuaciones a
motivación internalizada -.019
MIIE14a -.013
MIIE21a .011
MIIE17a -.009
enfadadoa .008
suma
a -.007
intírinseca

Function
1
eval1ªsus .681
(Constant) -1.936
Function
3RENDIM 1
rend. bajo 2.284
rend. medio 1.203
rend. alto -.870
Processed 159
group codes 0
Used in Output 159

rend. bajo .082 10 10.000
rend. medio .295 36 36.000
rend. alto .623 76 76.000
Total 1.000 122 122.000
3RENDIM
eval1ªsus 2.873 2.137 .726
(Constant) -11.407 -6.146 -1.041
8
2
Std. Dev = 1.12
Mean = 2.3
0 N = 25.00
0.0 1.0 2.0 3.0 4.0

30
20
10
Std. Dev = 1.00

Mean = 1.3
0 N = 48.00
-1.0 0.0 1.0 2.0 3.0 4.0
50
40
30
20
10 Std. Dev = 1.02

Mean = -.8
0 N = 86.00
-2.0 -1.0 0.0 1.0 2.0

rend. alto 0 11 75 86
% rend. bajo 28.0 64.0 8.0 100.0
rend. medio 2.1 81.3 16.7 100.0
rend. alto .0 12.8 87.2 100.0
rend. alto 0 11 75 86
% rend. bajo 28.0 64.0 8.0 100.0
rend. medio 2.1 81.3 16.7 100.0
rend. alto .0 12.8 87.2 100.0
ANEXO 11

191
192
Discriminant. Bachillerato-2ª evaluación.

Valid 122 76.7
group codes 0 .0
Both missing or
Total 37 23.3
Total 159 100.0
Analysis 1
Stepwise Statistics
Wilks' Lambda

1 eval1ªsus .424 1 2 119.000
2 eval2ªsus .358 2 2 119.000
Wilks' Lambda
Exact F
1 80.904 2 119.000 .000
2 39.673 4 236.000 .000
Wilks'
1 eval1ªsus 1.000 80.904
2 eval1ªsus .634 11.106 .425
eval2ªsus .634 10.933 .424
Wilks' Lambda
Number of
1 1 .424 1 2 119
2 2 .358 2 2 119
Wilks' Lambda
Exact F
1 80.904 2 119.000 .000
2 39.673 4 236.000 1.033E-14

Eigenvalues
Canonical
1 1.680 a 97.5 97.5 .792
2 .044a 2.5 100.0 .205
Wilks' Lambda
Wilks'
1 through 2 .358 121.883 4 .000
2 .958 5.071 1 .024
Function
1 2
eval1ªsus .561 -1.124
eval2ªsus .556 1.127
Structure Matrix
Function
1 2
eval1ªsus .897* -.442
MIIE6a .244* -.098
suma puntuaciones a
motivación extrínseca .181* -.047
MIIE2a .172* -.015
MIIE12a .168* -.041
MIIE9a -.160* -.034
MIIE4a .151* -.089
MIIE20a .149* -.129
A313a -.143* -.054
alivioa .139* -.021
feliza .134* .098
culpable a .116* -.019
MIIE15a .112* .064
MIIE22a .101* .095
MIIE24a .098* -.094
MIIE13a .086* -.041
MIIE16a .084* -.023
MIIE10a .077* -.011
MIIE18a -.045* .004
defraudadoa .041* .028
B333a .038* -.034
suma puntuaciones a
motivación internalizada -.028* -.015
orgulloa .026* -.017
MIIE21a .023* .021
cursoa .117 .138*
mala .029 -.126*
MIIE19a .009 .118*
sexoa -.046 .117*
MIIE3a .064 -.107*
MIIE23a -.051 .100*
MIIE1a -.070 .096*
MIIE5a .045 -.083*
MIIE11a -.001 .076*
suma
a .029 .076*
intírinseca
MIIE7a -.008 .067*
MIIE8a .049 .055*
enfadadoa -.003 -.024*
MIIE17a -.021 -.021*
MIIE14a -.004 .021*

Function
1 2
(Constant) -2.144 .030
Function
3RENDIM 1 2
rend. bajo 2.805 .522
rend. medio 1.217 -.252
rend. alto -.945 5.047E-02
Processed 159
group codes 0
Used in Output 159

rend. bajo .082 10 10.000
rend. medio .295 36 36.000
rend. alto .623 76 76.000
Total 1.000 122 122.000
3RENDIM
eval1ªsus 1.512 1.498 .442
eval2ªsus 2.225 1.044 .464
(Constant) -14.865 -6.907 -1.191
Territorial Map
Function 2
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
6.0 ô 31 ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
4.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 321 ó
ó 3221 ó
ó 32 21 ó
ó 32 21 ó
2.0 ô ô ô ô 32 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21* ó
ó 32 21 ó
.0 ô ô ô * ô 32 ô 21 ô ô
ó 32 * 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
-2.0 ô ô ô ô32 ô 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
-4.0 ô ô ô 32 ô ô 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
-6.0 ô 32 21ô
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
Symbol Group Label

------ ----- --------------------
1 1 rend. bajo
2 2 rend. medio
3 3 rend. alto

5
0 Group Centroid
Function 2
-1 Group Centroid
-2 rend. bajo
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Function 1

3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. medio
-1 0 1 2 3 4
Function 1
3
-1
-2 Group Centroid
Function 2
-3 Group Centroid
-4 rend. alto
-3 -2 -1 0 1 2 3
Function 1

6
rend. bajo
rend. alto
rend. medio
3RENDIM
0
Group Centroids
rend. alto
Function 2
-2
rend. medio
-4 rend. bajo
-3 -2 -1 0 1 2 3 4
Function 1

rend. alto 0 12 74 86
% rend. bajo 76.0 24.0 .0 100.0
rend. medio 6.3 70.8 22.9 100.0
rend. alto .0 14.0 86.0 100.0
rend. alto 0 12 74 86
% rend. bajo 68.0 32.0 .0 100.0
rend. medio 6.3 70.8 22.9 100.0
rend. alto .0 14.0 86.0 100.0
ANEXO 12

1ª EVALUACIÓN DE LA ESO Y BACHILLERATO CONJUNTOS.
201
202
Discriminant (ESO y Bachillerato-1ª evaluación).

Valid 441 84.6
group codes 0 .0
Both missing or
Total 80 15.4
Total 521 100.0
Analysis 1
Stepwise Statistics
Wilks' Lambda

1 eval1ªsus .419 1 2 438.000
2 curso .396 2 2 438.000
3 enfadado .377 3 2 438.000
4 MIIE1 .366 4 2 438.000
5 D111 .359 5 2 438.000
Wilks' Lambda
Exact F
1 303.196 2 438.000 .000
2 128.840 4 874.000 .000
3 91.443 6 872.000 .000
4 71.057 8 870.000 .000
5 58.166 10 868.000 .000
Wilks'
1 eval1ªsus 1.000 303.196
2 eval1ªsus .998 289.079 .919
curso .998 13.062 .419
3 eval1ªsus .996 275.212 .852
curso .998 12.363 .398
enfadado .998 10.980 .396
4 eval1ªsus .992 239.223 .768
curso .983 11.142 .385
enfadado .975 8.025 .379
MIIE1 .958 6.511 .377
5 eval1ªsus .990 232.172 .742
curso .983 10.966 .377
enfadado .972 7.390 .371
MIIE1 .875 4.548 .366
D111 .901 4.408 .366
Wilks' Lambda
Number of
1 1 .419 1 2 438
2 2 .396 2 2 438
3 3 .377 3 2 438
4 4 .366 4 2 438
5 5 .359 5 2 438
Wilks' Lambda
Exact F
1 303.196 2 438.000 .000
2 128.840 4 874.000 .000
3 91.443 6 872.000 .000
4 71.057 8 870.000 3.864E-14
5 58.166 10 868.000 .000

Eigenvalues
Canonical
1 1.601 a 95.7 95.7 .785
2 .072a 4.3 100.0 .260
Wilks' Lambda
Wilks'
1 through 2 .359 447.241 10 .000
2 .932 30.500 4 .000
Function
1 2
curso -.090 .807
MIIE1 -.192 -.112
enfadado .222 -.232
D111 .098 -.489
Structure Matrix
Function
1 2
MIIE1 -.324* .157
suma puntuaciones a
MIIE9a -.242* .141
preocupadoa -.184* .106
MIIE21a -.163* .147
MIIE18a -.131* .071
MIIE4a .129* -.063
A313a -.127* .095
MIIE12a .118* -.118
MIIE24a .108* -.106
MIIE7a -.096* .092
feliza -.089* .062
C131a .070* -.063
MIIE6a .069* .041
suma puntuaciones a
motivación extrínseca .056* -.048
sexoa -.031* .024
B333a .030* -.004
MIIE14a -.015* -.006
MIIE8a -.010* -.004
MIIE16a -.009* .003
curso -.160 .802*
D111 .235 -.488*
enfadado .224 -.287*
MIIE13a -.244 .286*
MIIE11a -.074 .263*
MIIE5a -.154 .234*
MIIE17a -.192 .233*
suma
a -.138 .214*
intírinseca
MIIE23a -.120 .176*
MIIE19a -.131 .161*
defraudadoa -.096 .158*
MIIE15a -.110 .144*
MIIE20a .088 -.134*
mala .128 -.133*
MIIE3a -.099 .126*
alivioa .016 .113*
MIIE10a -.033 .076*
MIIE2a .054 -.059*
MIIE22a .024 -.030*

Function
1 2
curso -.056 .506
MIIE1 -.231 -.136
enfadado .246 -.257
D111 .496 -2.461
(Constant) -1.275 -1.250
Function
3RENDIM 1 2
rend. bajo 2.090 -.247
rend. alto -.986 -8.657E-02
Processed 521
group codes 0
Used in Output 521

rend. bajo .218 96 96.000
rend. medio .200 88 88.000
rend. alto .583 257 257.000
Total 1.000 441 441.000
3RENDIM
curso .860 1.332 1.114
eval1ªsus 2.180 1.564 .696
MIIE1 4.712 4.952 5.402
enfadado 3.465 2.902 2.669
D111 7.862 5.232 5.943
(Constant) -20.360 -17.608 -13.928
Territorial Map
Function 2
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
6.0 ô 32 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
4.0 ô ô ô 32 ô ô 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
2.0 ô ô ô 32 ô 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32* 21 ó
ó 32 21 ó
.0 ô ô ô * ô 32 21 ô ô ô
ó 32 21 * ó
ó 321 ó
ó 31 ó
ó 31 ó
ó 31 ó
-2.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-4.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-6.0 ô 31 ô
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
Symbol Group Label

------ ----- --------------------
1 1 rend. bajo
2 2 rend. medio
3 3 rend. alto

3
-1
-2 Group Centroid
Function 2
-3 Group Centroid
-4 rend. bajo
-2 -1 0 1 2 3 4 5
Function 1

3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. medio
-2 -1 0 1 2 3
Function 1
3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. alto
-3 -2 -1 0 1 2 3
Function 1

3
1
rend. medio
rend. alto
0 rend. bajo
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3 rend. medio
-4 rend. bajo
-3 -2 -1 0 1 2 3 4 5
Function 1

rend. medio 16 46 41 103
rend. alto 5 23 247 275
% rend. bajo 67.1 18.9 14.0 100.0
rend. medio 15.5 44.7 39.8 100.0
rend. alto 1.8 8.4 89.8 100.0
rend. medio 17 44 42 103
rend. alto 6 23 246 275
% rend. bajo 66.4 19.6 14.0 100.0
rend. medio 16.5 42.7 40.8 100.0
rend. alto 2.2 8.4 89.5 100.0
ANEXO 13

2ª EVALUACIÓN DE LA ESO Y BACHILLERATO CONJUNTOS.
213
214
Discriminant (ESO Y BATO-2ª evaluación).

Valid 441 84.6
group codes 0 .0
Both missing or
Total 80 15.4
Total 521 100.0
Analysis 1
Stepwise Statistics
Wilks' Lambda

1 eval2ªsus .297 1 2 438.000
2 eval1ªsus .280 2 2 438.000
3 curso .266 3 2 438.000
4 enfadado .255 4 2 438.000
5 MIIE4 .250 5 2 438.000
Wilks' Lambda
Exact F
1 518.419 2 438.000 .000
2 194.426 4 874.000 .000
3 136.528 6 872.000 .000
4 106.661 8 870.000 .000
5 86.736 10 868.000 .000
Wilks'
1 eval2ªsus 1.000 518.419
2 eval2ªsus .678 108.768 .419
eval1ªsus .678 13.251 .297
3 eval2ªsus .678 106.482 .396
eval1ªsus .677 13.404 .282
curso .998 11.591 .280
4 eval2ªsus .677 104.005 .377
eval1ªsus .677 13.334 .270
curso .998 11.078 .268
enfadado .996 9.380 .266
5 eval2ªsus .676 103.304 .369
eval1ªsus .673 14.035 .266
curso .968 11.567 .264
enfadado .964 11.186 .263
MIIE4 .926 4.067 .255
Wilks' Lambda
Number of
1 1 .297 1 2 438
2 2 .280 2 2 438
3 3 .266 3 2 438
4 4 .255 4 2 438
5 5 .250 5 2 438
Wilks' Lambda
Exact F
1 518.419 2 438.000 .000
2 194.426 4 874.000 .000
3 136.528 6 872.000 .000
4 106.661 8 870.000 4.952E-14
5 86.736 10 868.000 .000

Eigenvalues
Canonical
1 2.735 a 97.5 97.5 .856
2 .070a 2.5 100.0 .256
Wilks' Lambda
Wilks'
1 through 2 .250 604.104 10 .000
2 .935 29.528 4 .000
Function
1 2
curso -.127 .787
MIIE4 -.164 -.045
enfadado .256 -.208
Structure Matrix
Function
1 2
suma puntuaciones a
MIIE1a -.155* .122
D111a .151* -.034
MIIE9a -.136* .056
MIIE18a -.112* -.048
MIIE21a -.098* .043
MIIE7a -.079* .066
MIIE10a -.069* -.012
alivioa .039* .015
feliza -.023* .001
curso -.129 .776*
enfadado .173 -.237*
MIIE20a .001 -.217*
suma puntuaciones a
motivación extrínseca -.016 -.201*
MIIE24a .098 -.201*
MIIE12a .013 -.201*
MIIE11a -.010 .179*
MIIE4 -.002 -.176*
MIIE8a -.009 -.174*
MIIE13a -.167 .172*
MIIE17a -.116 .145*
suma
a -.070 .144*
intírinseca
MIIE22a .027 -.129*
mala .056 -.128*
MIIE14a -.055 -.120*
MIIE19a -.091 .117*
MIIE23a -.051 .112*
MIIE5a -.088 .106*
C131a .041 -.105*
MIIE2a .057 -.103*
A313a -.101 .102*
MIIE16a -.079 -.089*
MIIE15a -.031 .088*
MIIE3a -.065 .086*
sexoa .023 .027*
MIIE6a -.009 -.026*
B333a -.003 .013*

Function
1 2
curso -.079 .493
MIIE4 -.170 -.047
enfadado .284 -.230
(Constant) -1.971 -1.590
Function
3RENDIM 1 2
rend. bajo 2.806 -.220
rend. alto -1.260 -9.553E-02
Processed 521
group codes 0
Used in Output 521

rend. bajo .218 96 96.000
rend. medio .200 88 88.000
rend. alto .583 257 257.000
Total 1.000 441 441.000
3RENDIM
curso 1.382 1.920 1.766
eval1ªsus .762 .722 .206
MIIE4 2.630 2.968 3.318
enfadado 2.631 1.841 1.449
eval2ªsus 2.382 1.142 .379
(Constant) -22.043 -15.362 -10.079
Territorial Map
Function 2
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
6.0 ô 32 21 ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
4.0 ô ô ô 32 ô ô 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
2.0 ô ô ô 32ô ô 21 ô ô
ó 32 21 ó
ó 32 21 ó
ó 32 21 ó
ó 32 * 21 ó
ó 32 21 ó
.0 ô ô ô * ô32 21ô ô ô
ó 32 21 * ó
ó 32 21 ó
ó 32 21 ó
ó 3221 ó
ó 3221 ó
-2.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-4.0 ô ô ô ô 31 ô ô ô
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
ó 31 ó
-6.0 ô 31 ô
-6.0 -4.0 -2.0 .0 2.0 4.0 6.0
Symbol Group Label

------ ----- --------------------
1 1 rend. bajo
2 2 rend. medio
3 3 rend. alto

3
-1
-2 Group Centroid
Function 2
-3 Group Centroid
-4 rend. bajo
-1 0 1 2 3 4 5 6
Function 1

3
Group Centroid
Function 2
-1
Group Centroid
-2 rend. medio
-2 -1 0 1 2 3 4
Function 1
3
-1
Group Centroid
Function 2
-2 Group Centroid
-3 rend. alto
-3 -2 -1 0 1 2
Function 1

3
1
rend. medio
0
-1 3RENDIM
Group Centroids
-2
rend. alto
Function 2
-3 rend. medio
-4 rend. bajo
-4 -2 0 2 4 6
Function 1

rend. medio 12 64 27 103
rend. alto 1 24 250 275
% rend. bajo 77.6 16.1 6.3 100.0
rend. medio 11.7 62.1 26.2 100.0
rend. alto .4 8.7 90.9 100.0
rend. medio 12 62 29 103
rend. alto 1 27 247 275
% rend. bajo 76.9 16.8 6.3 100.0
rend. medio 11.7 60.2 28.2 100.0
rend. alto .4 9.8 89.8 100.0
View publication stats

Libro Regresion Logistica Miguel Broc

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Libro Regresion Logistica Miguel Broc

Загружено:

Авторское право:

Доступные форматы

See discussions, stats, and author proﬁles for this publication at: https://www.researchgate.

PREDICCIÓN DEL ÉXITO Y DEL FRACASO ACADÉMICO EN ALUMNOS DE ESO

Book · April 2004

Miguel Ángel Broc Cavero

Self-concept, self-esteem and academic achievement in educacional context View project

The user has requested enhancement of the downloaded ﬁle.

MIGUEL ANGEL BROC CAVERO

DISEÑO DEL PROYECTO DE INVESTIGACIÓN.

Miguel Angel Broc Cavero.

Licenciado en Psicología (Clínica, Educativa e Industrial).

Depósito Legal: Z-1273-2003

1. Primera Parte. Diseño del proyecto de investigación ............................................13

2. Segunda parte. Características generales y particulares en el que se ha

3. Consecución de los objetivos del Proyecto:

4. Cambios realizados en el Proyecto a lo largo de su puesta en marcha en cuanto

5. Síntesis del proceso de evaluación utilizado a lo largo del Proyecto .....................27

6.1. Logros del Proyecto........................................................................................29

7. Predicción del éxito y del fracaso escolar en alumnos de ESO y Bachillerato

7.5.1. Análisis de regresión logística binaria. ................................................33

7.5.1.1.Análisis de regresión logística binaria en la etapa de la ESO

7.5.2. Análisis discriminante ...........................................................................54

7.5.2.1. Breve introducción teórica .............................................................54

7.6. Conclusiones generales del proyecto...........................................................72

TABLA 1. Resumen de los casos analizados en la ESO, incluyendo solamente

DISEÑO DEL PROYECTO DE INVESTIGACIÓN

MIGUEL ANGEL BROC CAVERO.

1.1. Datos de identificación.

1.1.1. Título del Proyecto.

“Predicción del éxito y del fracaso escolar en alumnos de ESO y

1.1.2. Datos del Centro.

Centro Público IES “EL PORTILLO”. C/Juan XXIII, 3. 50010. ZARGOZA.

1.1.3. Coordinador/a y profesorado participante (Apellidos, nombre, NIF y

BROC CAVERO, MIGUEL ANGEL. Cuerpo de profesores de Enseñanza Secundaria

1.2. Diseño del proyecto y actividad.

1.2.1. Planteamiento y justificación.

1.2.1.1. Breve introducción conceptual al tema del rendimiento académico.

Si bien existen suficientes estudios rigurosos que analizan el rendimiento escolar

Esta investigación intentará dar respuesta a algunos de estos interrogantes.

1.2.1.2. Análisis de regresión logística binaria.

La regresión logística binaria está indicada en situaciones de investigación en las

Su utilización fundamental se encuentra en el análisis de variables dependientes

Por tanto, el modelo de regresión logística permite predecir o estimar la

El modelo especifica como variable dependiente la probabilidad estimada P(Y)

1) Determinar la existencia o ausencia de relación entre una o más variables

Si las variables independientes preceden en el tiempo al suceso, como será

La formulación del modelo es algo diferente al de la regresión lineal múltiple, ya

El modelo matemático-estadístico selecciona el conjunto de variables que

Como en el caso de la regresión, deberemos de optar sobre el proceso de

El análisis discriminante (AD) es la técnica adecuada cuando la variable

Precisando un poco más, el AD puede ser la técnica adecuada cuando se

1. Determinar si existen diferencias estadísticamente significativas en

En el análisis discriminante, se pone en relación una variable medida en escala

Adell, M. A. (2002). Estrategias para mejorar el rendimiento académico de los

Bolívar, A. (1991). Análisis de una innovación curricular (el currículum de ética en

Broc, M. A. (2001). Validación y adaptación española del Perfil de Autoconcepto,

Broc, M. A. (2003). Aportaciones recientes en la evaluación y tratamiento del

Broc, M. A. (2003). Motivación y rendimiento académico en alumnos de educación

Covington, M. V. (2002). La voluntad de aprender. Psicología y Educación. Alianza

Duarte Silva, P., y Stam, A. (1995). “Discriminant analysis”. En L. G. Grimm y P. R.

Fernández, J.M., y Buela Casal, G. (2001). Manual para padres desesperados...con

González, J. A. y Núñez, J. C. (1991). Capacidad discriminativa del autoconcepto en

González, M.C (1997). La motivación académica. Sus determinantes y pautas de

Huberty, C. J. (19849. Issues in the use and interpretation of discriminant analysis.