Acceso usuarios
Johanna Enith Aguilar Reyes, Edwin Fernando Mejia Peñafiel, Tania Paulina Morocho Barrionuevo, Geoconda Velasco Castelo
Este artículo tiene como objetivo identificar los factores que afectan el rendimiento académico a partir de la comparación de los modelos de regresión y árboles de decisión para determinar los factores que involucra. La metodología adoptada es de naturaleza cuantitativa utilizando modelo de regresión y árboles de clasificación y la población estudiada incluye a los estudiantes de nivelación en la carrera de estadística, a quienes se les realizó un análisis exploratorio y descriptivo, empleando dos métodos estadísticos. Se emplearon dos técnicas de modelado: la regresión logística multinomial y los árboles de clasificación. Las variables evaluadas incluyeron factores sociodemográficos, rendimiento académico previo y características del entorno educativo. Los resultados mostraron que el modelo de regresión logística alcanzó una precisión del 100% con un área bajo la curva de 1, lo que indica una capacidad perfecta de clasificación. En comparación, el modelo de árbol de clasificación tuvo una precisión del 70.83% con un área bajo la curva de 0.7042, lo que refleja una capacidad moderada de clasificación. A partir de estos resultados, se identificaron factores clave que afectan el rendimiento académico, como los hábitos de estudio, el interés en la carrera y aspectos psicológicos. En conclusión, la regresión logística multinomial fue más eficaz y precisa para analizar las relaciones cuantitativas entre las variables que afectan el rendimiento académico, superando al método de árboles de clasificación.
This article aims to identify the factors that affect academic performance by comparing regression models and decision trees to determine the factors involved. The methodology adopted is quantitative in nature, focused on the collection of numerical data and its statistical analysis, in order to evaluate the relationships between different variables and determine those factors that influence academic performance. The population studied includes remedial students in the statistics career, who underwent an exploratory and descriptive analysis, using two statistical methods. Two modeling techniques were used: multinomial logistic regression and classification trees. The variables evaluated included sociodemographic factors, previous academic performance, and characteristics of the educational environment. The results showed that the logistic regression model achieved 100% accuracy with an AUC of 1, indicating perfect classification ability. In comparison, the classification tree model had an accuracy of 70.83% with an AUC of 0.7042, reflecting moderate classification ability. From these results, key factors that affect academic performance were identified, such as study habits, interest in the career and psychological aspects. In conclusion, multinomial logistic regression was more effective and accurate in analyzing the quantitative relationships between the variables that affect academic performance, outperforming the classification tree method.
