meritocracia-y-educacion-movilidad-social-y-desigualdad-de-oportunidades-un-enfoque-de-machine-learning-2023-10-11-meritocracia-y-educacion-movilidad-social-y-desigualdad-de-oportunidades-un-enfoque-d

Vista previa del material en texto

"Un enfoque de Machine Learning"
septiembre 2023
In
f
o
r
m
e
 C
O
T
E
C
meritocracia 
y educación:
MOVILIDAD SOCIAL Y 
DESIGUALDAD DE 
OPORTUNIDADES 
"Un enfoque de Machine Learning"
meritocracia 
y educación:
MOVILIDAD SOCIAL Y 
DESIGUALDAD DE 
OPORTUNIDADES 
Autores
David Martínez de Lafuente, Fundación ISEAK
Ainhoa Vega-Bayo, Fundación ISEAK y UPV/
EHU
Visualización de datos:
Jose Ariza, Fundación Cotec para la innovación
Comité Asesor:
Caterina Calsamiglia, ICREA, Pentabilities
Jorge Cimentada, Ryanair
Lucas Gortazar, EsadeEcPol
Álvaro Ferrer, Save the Children
Gema Zamarro, Universidad de Arkansas
Coordinación:
Ainara Zubillaga, Fundación Cotec para la 
innovación
Iria Mata, Fundación Cotec para la innovación
introducción 5
meritocracia 9
Conceptos, percepciones y argumentos 
en el debate público 10
 
Fuente de datos pisa 2018 14
 
I. Movilidad social 18
¿Hasta qué punto el rendimiento educativo en 
la adolescencia está determinado por el nivel 
socioeconómico familiar? 
 conceptos 19
 técnicas e indicadores 20
 resultados 23
Situación en España 24
Análisis comparativo entre países 26
Análisis comparativo entre 
comunidades autónomas 30
Ín
 DI
CE
meritocracia 
y educación:
4
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
II. desigualdad de oportunida-
des 32
¿Cómo se distribuyen las oportunidades según 
circunstancias individuales que no se relacio-
nan con el mérito personal?
 Acuerdos y desacuerdos 33
 el uso de machine learning 
 como propuesta 
 metodológica 34
 resultados 39
¿Qué países presentan una mayor des-
igualdad de oportunidades? 39
Regresión vs ML: ¿Cómo varían las esti-
maciones de la desigualdad de oportuni-
dades? 40
¿Cómo varía la desigualdad de oportuni-
dades por regiones? 43
¿Qué comunidades autónomas son las 
más y menos equitativas? 44
¿Cómo varían los resultados educativos 
a medida que mejoran las circunstan-
cias? 45
¿Qué estudiantes son los más y menos 
favorecidos? 47
¿Qué circunstancias son las más impor-
tantes para la desigualdad de oportuni-
dades? 49
Calidad vs Equidad: ¿es la eficiencia con-
traria a la equidad educativa? 50
La importancia de una mirada multidi-
mensional sobre la equidad educativa 51
III. el rol de las políticas públi-
cas 55
¿Qué políticas públicas pueden ayudar a miti-
gar las desigualdades educativas?
limitaciones y otras considera-
ciones finales 61
conclusiones 63
referencias 67
anexo a. resultados y figuras 
adicionales 71
anexo B. discusión sobre machi-
ne learning 74
5
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
in
tro
duc
ción
6
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En las últimas décadas, la mayoría de los 
países desarrollados ha experimentado una 
creciente desigualdad de ingresos que plantea 
interrogantes sobre la meritocracia y la movili-
dad social. Al mismo tiempo que las desigual-
dades han aumentado, el ideal de que el éxito 
económico y social se basa únicamente en los 
logros y méritos personales ha ido, lentamente, 
desvaneciéndose. Pocas personas se oponen 
a la idea de que las recompensas económicas 
y sociales se encuentran mejor repartidas si 
atendemos al esfuerzo y al mérito, en lugar de 
a la cuna y a la herencia (Castillo et al., 2021). 
Sin embargo, muchos perciben que la meri-
tocracia no opera (ni quizás nunca lo hizo) de 
esta manera (Markovits, 2019; Sandel, 2020; 
Barragué et al., 2022). Tras este desencanto se 
encuentra la aparente ineficacia de las políticas 
meritocráticas para abordar la falta de movili-
dad social (Arrow et al., 2000). Las economías 
modernas han sido incapaces de distribuir 
las ganancias del crecimiento económico de 
manera equitativa entre los distintos miembros 
de la sociedad (Blanchet et al., 2022). Dicho 
aumento de las disparidades económicas 
se siente cada vez más intolerable porque 
perjudica de manera sistemática a las clases 
medias y trabajadoras (Rodrik, 2021). Es por 
esto que la idea meritocrática de igualdad de 
oportunidades choca con la realidad de una 
movilidad intergeneracional limitada (Chetty 
et al., 2014; Soria-Espín, 2022). Este creciente 
resentimiento hacia la concepción actual de la 
meritocracia nos plantea algunas preguntas 
importantes: ¿Se está recompensando real-
mente el mérito o se trata simplemente una 
nueva forma de privilegio? ¿Hasta qué punto 
las políticas públicas actuales promueven real-
mente la igualdad de oportunidades? 
En el núcleo de estas cuestiones se encuentra 
el papel que juega la educación como uno de 
los pilares de la meritocracia. La transforma-
ción educativa ocurrida a lo largo del siglo XX 
mediante la universalización de la educación 
primaria y secundaria, así como la democra-
tización de la formación universitaria, marcó 
un avance fundamental para la difusión de 
oportunidades en la población. Como resul-
tado, la capacidad de ascender socialmente 
depende en la actualidad considerablemente 
de las competencias adquiridas mediante la 
educación (Gunderson & Oreopolous, 2020; 
Dodin et al., 2022). Desde esta perspectiva, 
parece incontestable que el sistema educativo 
ha sido un instrumento igualador fundamental 
para mitigar la desproporcionada importan-
cia de los privilegios de cuna y promover una 
distribución de oportunidades basada (al me-
nos parcialmente) en el mérito. Sin embargo, 
esta creciente relevancia de la educación en 
las sociedades contemporáneas implica que 
también puede perpetuar las desigualdades 
económicas en lugar de combatirlas (Blanden 
et al., 2022). Cuando el aprendizaje y las opor-
tunidades educativas se reparten en función 
de la renta familiar u otras circunstancias, los 
sistemas educativos contemporáneos pueden 
limitar la movilidad social de los que provienen 
de entornos más desfavorecidos. Por lo tanto, 
comprender cómo los sistemas educativos 
contemporáneos compensan las desventajas 
7
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
iniciales se vuelve fundamental para analizar la 
legitimidad moral de la concepción actual de la 
meritocracia. 
Estos elementos – las percepciones de la 
ciudadanía acerca de la meritocracia, la apa-
rente ineficacia de las políticas públicas y la 
importancia de la educación en la desigual-
dad – plantean la necesidad de un análisis 
profundo en torno a tres preguntas cruciales. 
Primero, ¿en qué medida se ve determinado el 
rendimiento educativo en la adolescencia por 
el nivel socioeconómico familiar? Segundo, 
¿cómo se distribuyen las oportunidades educa-
tivas de acuerdo a circunstancias individuales 
que nada tienen que ver con el mérito perso-
nal, y que están fuera del control de cada uno, 
como el sexo o el lugar de nacimiento? Final-
mente, ¿qué políticas públicas o instituciones 
pueden ayudar a mitigar estas desigualdades 
educativas? 
Con el objetivo de abordar estas preguntas, 
este estudio presenta nueva evidencia sobre 
el grado de desigualdad de oportunidades y 
movilidad social educativa en 35 países utili-
zando datos de PISA 2018. Para ello, emplea-
mos técnicas modernas de Machine Learning 
(ML) que nos permiten analizar la desigualdad 
de oportunidades desde una perspectiva poco 
explorada hasta la fecha. Impulsado por los 
campos de la informática y la estadística, 
el ML se refiere a un conjunto de técnicas y 
algoritmos de aprendizaje automático para 
realizar labores de predicción. A diferencia 
de las técnicas tradicionales, los algoritmos 
de ML permiten explorar de forma flexible y 
automática interacciones complejas en los 
datos. Esta ventaja resulta particularmente 
interesante para analizar la desigualdad de 
oportunidades educativas, ya que nos permite 
considerar la influencia de las circunstancias 
fuera del control individual de manera más 
completa. Desde esta perspectiva, nuestra 
aplicación de ML constituye una aproxi-
mación novedosa para estudiar la equidad 
educativa a través de un enfoque basado en 
datos, reduciendo así el riesgo de infraestimar 
o sobrestimar la verdadera desigualdad de 
oportunidades.
El análisis se estructuraen tres partes princi-
pales. En la primera parte, nos centramos en 
cuantificar la movilidad social educativa para 
comprender hasta qué punto los niños de 
familias más desaventajadas obtienen peores 
puntuaciones en PISA de manera sistemática. 
Para ello, utilizamos varios indicadores para 
medir la movilidad social absoluta y relativa, 
estableciendo la relación entre el nivel socioe-
conómico de los padres y los resultados en 
el examen de matemáticas de sus hijos. En la 
segunda parte del estudio, utilizamos varios 
algoritmos de Machine Learning para estimar 
la desigualdad de oportunidades a nivel nacio-
nal y regional. De esta manera, tratamos de 
cuantificar qué proporción de las diferencias 
educativas en PISA se deben a circunstancias 
que escapan del control de los niños, como 
su sexo, país y mes de nacimiento, así como 
la educación y ocupación de sus padres. En 
la última parte del estudio, relacionamos las 
variaciones obtenidas entre países en las dos 
secciones anteriores junto con diferentes 
indicadores económicos y educativos que 
reflejan las políticas públicas en estos ám-
bitos. A través de un análisis de correlación, 
exploramos si existe una asociación entre los 
indicadores de desigualdad de oportunidades 
y las políticas implementadas, buscando así 
evidencia sobre qué intervenciones podrían 
ayudar a mitigar las desigualdades educativas 
identificadas.
Consideraciones previas. – Los resultados 
del estudio se limitan a analizar la movilidad 
social y la desigualdad de oportunidades utili-
zando datos de PISA. Dado que en España la 
desigualdad educativa opera principalmente a 
través de la repetición y el abandono educati-
vo temprano, este estudio ofrece una imagen 
parcial del sistema educativo. Para realizar un 
análisis exhaustivo de la equidad educativa en 
España, sería necesario utilizar un marco con-
ceptual que incluya otras medidas de apren-
dizaje y logro educativo. Pese a su interés y 
8
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
relevancia, consideramos que el desarrollo de 
este enfoque queda fuera del alcance de los 
objetivos de este estudio. Con todo, queremos 
recalcar que los resultados deben interpretarse 
con cautela, ya que la equidad educativa en 
España disminuye significativamente al utilizar 
estas otras medidas de oportunidades educati-
vas (Gortazar, 2019). 
Hoja de ruta del documento. – Para comen-
zar, ahondamos en cuestiones morales relacio-
nadas con la meritocracia y discutimos cómo 
estos conceptos se relacionan con la movili-
dad social y la desigualdad de oportunidades. 
La siguiente sección se centra en describir los 
datos PISA que utilizamos en este estudio. 
Posteriormente, pasamos a responder cada 
una de las tres preguntas principales en sus 
secciones correspondientes del informe: mo-
vilidad social, desigualdad de oportunidades 
y políticas públicas. Terminamos este estudio 
con un apartado dedicado a las conclusiones y 
reflexiones finales.
9
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
merito 
cracia
10
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Conceptos, percepcio-
nes y argumentos en el 
debate público
Cuando hablamos de meritocracia, nos referi-
mos comúnmente a un sistema en el que las 
personas son seleccionadas y promovidas 
a posiciones de éxito, poder o influencia en 
función de sus habilidades y méritos demos-
trados. Aunque el término tiene connotaciones 
positivas debido a su origen etimológico, la 
concepción de la meritocracia nace con una 
carga negativa en el libro "The Rise of Merito-
cracy" de Michael Young (1958). En esta sátira, 
se presenta una Gran Bretaña distópica donde 
los gobernantes pertenecen a una élite cogni-
tiva seleccionada según la fórmula de mérito = 
inteligencia + esfuerzo. Concebida en estos tér-
minos, la meritocracia perpetúa una sociedad 
jerárquica y elitista marcada por la segrega-
ción educativa desde una edad temprana y una 
obsesión por la cuantificación del mérito. 
Quizás como consecuencia de la creciente 
desigualdad e inseguridad económica que ha 
tenido lugar a lo largo de la década de 2010, 
la concepción de la meritocracia se enfrenta 
actualmente a un renovado escrutinio y crítica 
social, como se aprecia en la popularidad de 
varios ensayos recientes destinados a desmi-
tificarla (Markovits, 2019; Sandel, 2020; Barra-
gué et al., 2022). Este creciente escepticismo 
sobre la meritocracia podría suponer una 
pérdida de su popularidad como ideal desea-
ble, y nos plantea varias preguntas: ¿Hasta qué 
punto la meritocracia se sigue percibiendo, a 
día de hoy, como un sistema de selección y 
reparto positivo? 
¿Es partidaria la ciuda-
danía de la premisa me-
ritocrática? 
Pese a su origen distópico y el reciente au-
mento de críticas contra ella, lo cierto es que 
el ideal meritocrático todavía goza de bastante 
popularidad entre las sociedades contempo-
ráneas. Por un lado, la evidencia indica que las 
personas generalmente consideran el ideal de 
la meritocracia como un sistema de reparto y 
distribución moralmente deseable (Cappelen et 
al., 2010; Castillo et al., 2021).1 Por otro, la per-
cepción social de que el esfuerzo y la ambición 
importan más que las circunstancias para “as-
cender” socialmente se encuentra ampliamen-
te extendida (Castillo et al., 2021; Mijs, 2018).
A pesar de contar con un aparente apoyo po-
pular, la concepción actual de la meritocracia 
causa cada vez más división social. Es cierto 
que, en términos abstractos, la ciudadanía 
generalmente respalda el reparto de recom-
pensas según el talento y el esfuerzo. Muchos, 
sin embargo, se encuentran desencantados 
con la incapacidad de las políticas públicas 
para promover la igualdad de oportunidades, lo 
que deslegitimaría a la meritocracia desde un 
punto de vista moral. Esta tensión (la ausencia 
de una “verdadera meritocracia”, pero la creen-
cia en la misma) sería además peligrosa desde 
un punto de vista ideológico. Si las desigual-
dades materiales se atribuyen exclusivamente 
al mérito, un aumento de las brechas econó-
micas generará menor preocupación, ya que 
se entenderá como una señal de que los más 
desaventajados deben simplemente esforzar-
se más o aceptar sin rechistar su situación 
personal (Arrow et al., 2000). 
La falta de un consenso general sobre las vir-
tudes y carencias de la meritocracia impide el 
impulso de acuerdos políticos en, por ejemplo, 
el ámbito educativo. Este hecho nos motiva 
1. Por ejemplo, Cappelen et al. (2010) estudian las preferencias distributivas del alumnado universitario. Para ello, los autores consideran cuatro visiones 
distributivas: i) el “igualitarianismo” (i.e., reparto puramente equitativo de la tarta), ii) la “meritocracia” (i.e., reparto según el esfuerzo y el talento), iii) la “visión 
de control-responsabilidad” (i.e., reparto según el esfuerzo) y (iv) la visión “libertaria” (i.e., reparto de la tarta según tanto la suerte como el esfuerzo y el talento). 
Los resultados del experimento indican que la visión meritocrática es la más popular entre los estudiantes.
11
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
a tratar de articular desde un punto de vista 
teórico los argumentos a favor y en contra del 
ideal meritocrático. 
Argumentos a favor 
del ideal meritocráti-
co
Existen dos argumentos fundamentales que 
respaldan a la meritocracia como ideal social-
mente deseable (Sen, 2000). El primero es su 
carácter instrumental y se basa en la supuesta 
capacidad de la meritocracia para promover el 
bienestar común. Si el mérito de las acciones 
se mide de acuerdo a sus consecuencias po-
sitivas para la sociedad, la meritocracia actúa 
como un sistema para recompensar e incenti-
var acciones que fomenten un mayor progreso 
económico y social. Desde una perspectiva 
económica, sabemos que las personas res-
ponden a incentivos, por lo que un sistema que 
recompense el mérito puede motivar una ma-
yor búsqueda de resultados beneficiosos para 
la sociedad en su conjunto. En este sentido, la 
meritocracia puede actuarcomo un sistema 
que incentive acciones deseables: el mérito 
se convierte, por tanto, en un medio útil para 
lograr un fin socialmente deseable y la merito-
cracia en un sistema que lo fomenta. 
El segundo argumento a favor de la meritocra-
cia se basa en la idea de que es justo repartir 
recompensas según el mérito de las acciones. 
Desde esta perspectiva deontológica o “de 
principio”, el mérito es un valor en sí mismo y 
merece ser recompensado. En otras palabras, 
las acciones deben ser reconocidas y recom-
pensadas en función de su mérito, que deter-
mina su calidad intrínseca. De esta manera, el 
hecho de que alguien reciba una recompensa 
por su trabajo y mérito se considera moral-
mente correcto, ya que esa recompensa se 
basa en un principio ético deseable: el mérito 
en sí mismo.
Críticas al ideal de la 
meritocracia
La meritocracia, aunque ampliamente defen-
dida, también enfrenta diversos argumentos 
en contra que merecen ser considerados. 
A continuación, mencionaremos de forma 
sucinta algunas de las críticas más comunes, 
sin menospreciar otros argumentos de peso 
ampliamente discutidos por Sen (2000) y otros 
autores (Gil, 2023).
En primer lugar, se encuentra la limitada con-
cepción de mérito utilizada en las economías 
contemporáneas. Actualmente, las sociedades 
modernas reconocen una definición dema-
siado restrictiva del mérito en base a ciertos 
“talentos” específicos, como las calificaciones 
académicas o la capacidad de satisfacer las 
demandas del mercado. De acuerdo a esta 
visión, la meritocracia debería reconocer una 
gama más amplia de habilidades y recompen-
sar una mayor variedad de talentos que mere-
cen consideración en, por ejemplo, el ámbito 
de las artes o humanidades. 
En segundo lugar, encontramos la crítica 
“narrativista” de la meritocracia, la cual perpe-
tuaría la idea de que las personas alcanzan el 
éxito gracias a haber superado obstáculos me-
diante el esfuerzo y sus habilidades. Este relato 
llevaría a proclamar a las personas exitosas 
como legítimamente merecedoras de su si-
tuación privilegiada, lo que a su vez promueve 
explicaciones culturales e incluso genéticas de 
la desigualdad y la pobreza. La idea de la meri-
tocracia, por tanto, sería peligrosa ya que limita 
la capacidad de reconocer que las desventajas 
económicas y sociales pueden tener causas 
estructurales que podrían ser atajadas a través 
de, por ejemplo, una mayor redistribución de 
riqueza. 
Por último, se encuentra la crítica posiblemen-
te más popular, mordazmente resumida en la 
idea de que “la meritocracia son los padres”. 
Según esta perspectiva, el sistema meritocráti-
co favorece injustamente a quienes provienen 
12
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
de entornos socioeconómicos privilegiados, 
sin tener en cuenta las circunstancias iniciales 
de las personas. Ya desde el sistema edu-
cativo, se premia a los niños de familias con 
mayores recursos económicos y culturales no 
necesariamente por sus méritos individuales, 
sino porque sus padres les han proporciona-
do entornos y oportunidades educativas más 
favorables. Al no considerar este hecho, la me-
ritocracia estaría legitimando las desigualda-
des económicas (frecuentemente vinculadas 
al origen socioeconómico), sin reconocer las 
desventajas iniciales a las que se enfrentan las 
personas durante su infancia y adolescencia. 
Nuestra contribución 
al debate y la literatu-
ra
Este documento tiene como objetivo examinar 
empíricamente la última crítica a la meritocra-
cia desde el ámbito educativo. Específicamen-
te, nos proponemos cuantificar el grado de 
movilidad social y de desigualdad de oportuni-
dades en 35 sistemas educativos. El análisis 
se articula en torno a tres preguntas funda-
mentales: 
• ¿hasta qué punto el rendimiento educativo 
en la adolescencia está determinado por el 
nivel socioeconómico familiar? 
• ¿cómo se distribuyen las oportunidades 
educativas según circunstancias individua-
les, como el sexo o el lugar de nacimiento, 
que están fuera del control de cada persona 
y no se relacionan con el mérito personal? 
• ¿qué políticas públicas o instituciones 
pueden mitigar estas desigualdades educa-
tivas?
Mediante el análisis de la movilidad social y 
la desigualdad de oportunidades, el presente 
informe pretende poner de relieve algunas 
carencias que presentan las políticas públicas 
educativas actuales para “nivelar el campo de 
juego” en la carrera meritocrática. Al cuantificar 
la importancia de las desigualdades de parti-
da y los obstáculos a los que se enfrentan las 
personas en su camino hacia la etapa adulta, 
el estudio tratará además ofrecer evidencia so-
bre cómo los sistemas y estructuras sociales 
pueden perpetuar las desigualdades. El uso de 
datos PISA nos habilitará comparar los niveles 
de equidad educativa en hasta 35 países y 
comparar las capacidades de estos para corre-
gir las desigualdades de partida y promover la 
movilidad social en la educación, situaciones 
que deberían darse en una sociedad idealmen-
te meritocrática.
Desde una perspectiva académica, este trabajo 
contribuye a varios ámbitos de investigación. 
Por un lado, se enmarca en la literatura sobre 
movilidad social, que abarca una amplia gama 
de estudios en los campos de la educación, 
la sociología y la economía. Estos estudios 
suelen examinar la relación entre las oportuni-
dades de los hijos y el nivel socioeconómico de 
los padres, aunque existen diferentes enfoques 
para medir estas oportunidades (Dodin et al., 
2022). Por ejemplo, la sociología suele cen-
trarse en la transmisión intergeneracional de 
las ocupaciones, mientras que la economía se 
enfoca en la transmisión de renta (Chetty et 
al., 2014; Soria-Espín, 2022). Pese a su atrac-
tivo, medir la movilidad intergeneracional de 
ingresos es complicado debido a la necesidad 
de combinar datos fiscales de padres e hijos, 
lo que limita la posibilidad de comparar países 
y analizar el impacto de las políticas públicas. 
Al utilizar las evaluaciones estandarizadas de 
PISA, nuestro estudio permite obtener estadís-
ticas de movilidad social educativa compara-
bles. En este sentido, nuestro enfoque se ve 
ampliamente inspirado por Dodin et al. (2022), 
que analizan la relación entre la renta familiar 
y la probabilidad de obtener el “A-level” (el nivel 
superior de secundaria en Alemania). A dife-
rencia de su trabajo, aquí nos centramos en la 
movilidad social educativa a nivel internacio-
nal y utilizamos la probabilidad de obtener el 
“Proficiency Level 3 en PISA” como indicador 
de oportunidades.
13
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Por otro lado, este estudio contribuye a la 
literatura sobre la medición de desigualdad 
de oportunidades. El enfoque empírico más 
común para cuantificar la desigualdad de opor-
tunidades se basa en medir qué parte de la 
desigualdad total se debe a las circunstancias 
fuera del control individual mediante técnicas 
de regresión (Ferreira & Gignoux, 2011; 2014; 
Marrero et al., 2022). Pese a su simplicidad, 
este enfoque presenta al menos dos limita-
ciones (Brunori et al., 2021). Primero, resulta 
necesario seleccionar qué circunstancias son 
relevantes y cómo se relacionan con las opor-
tunidades. Segundo, a menudo se ignoran las 
posibles interacciones de las circunstancias en 
los resultados. Por ejemplo, en algunos países, 
el género del estudiante puede tener un im-
pacto diferencial en el rendimiento educativo 
dependiendo de si pertenece a una familia con 
más o menos capital cultural. Ambas conside-
raciones pueden afectar la estimación de igual-
dad de oportunidades, generando sesgos tanto 
al alza como a la baja (Brunori et al., 2019). 
Para superar estas limitaciones, proponemos 
el uso de técnicas modernas de Machine 
Learning para medir la desigualdad de oportu-
nidades. Este enfoque nos permite utilizar una 
aproximación basada en datos para abordar 
la selección de variables y sus interacciones, 
obteniendo así una medición más precisa de 
la desigualdad de oportunidades.Al emplear 
técnicas de ML, este informe amplía el relati-
vamente limitado, aunque creciente número 
de estudios en la materia (p.ej.: Brunori et al., 
2021; 2022). A diferencia de ellos, sin embargo, 
nos centramos en el ámbito de la educación 
e incorporamos algoritmos diferentes de ML, 
incluyendo métodos de regularización y otros 
basados en árboles. 
14
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
fuente 
de 
datos
pisa 2018
15
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Nuestro análisis se basa en microdatos de las 
pruebas PISA 2018 (“Programme for Inter-
national Student Assessment”). PISA es una 
evaluación estandarizada a nivel internacional 
destinada a medir las competencias en mate-
máticas, lectura y ciencia entre estudiantes de 
15 años. Impulsada por la OCDE desde el año 
2000, la prueba se realiza cada tres años. En 
2018 contó con alrededor de 600.000 estu-
diantes de 79 países y “economías regionales”. 
El objetivo de las pruebas PISA es evaluar el 
rendimiento educativo en las tres áreas com-
petenciales de matemáticas, ciencias y lectura 
a través de “Item Response Theory” (IRT). Cada 
estudiante contesta alrededor de 60 preguntas 
o ítems para medir su capacidad de entender 
y resolver problemas prácticos a partir de la 
aplicación de conocimientos. Dado que las 
pruebas están diseñadas para ser indepen-
dientes del currículum nacional, PISA no evalúa 
explícitamente los programas ni las materias 
escolares abordadas en cada país. 
En este estudio nos centramos en PISA por va-
rias razones. La primera es la riqueza que ofre-
cen sus microdatos. Más allá de los resultados 
educativos, PISA incorpora información vital de 
las características del alumnado, como el nivel 
socioeconómico, la disponibilidad de libros en 
el hogar o la ocupación de los progenitores. La 
segunda razón es su carácter internacional y 
estandarizado. Al compartir un modelo de eva-
luación, las pruebas PISA permiten establecer 
comparaciones sobre el grado de movilidad 
social e igualdad de oportunidades educativas 
entre distintos países. 
Aunque los datos PISA ofrecen ventajas evi-
dentes, también presentan algunas limitacio-
nes. En primer lugar, debemos tener en cuenta 
la naturaleza “low-stakes” de las pruebas. Los 
resultados en PISA no tienen ninguna conse-
cuencia académica para el alumnado, lo que 
significa que la motivación intrínseca de los 
estudiantes juega un papel importante en el 
desempeño (Zamarro et al., 2019). Dicha mo-
tivación puede variar entre países debido a la 
importancia pública y política que se les atribu-
ye a las pruebas, lo que limita en cierta manera 
las comparaciones entre sistemas educativos. 
16
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En segundo lugar, las competencias evaluadas 
por PISA no están necesariamente relaciona-
das con otras medidas de logro educativo que 
pueden ser más determinantes en la etapa 
adulta, como la obtención de un título de 
educación secundaria. Esto conlleva que los 
resultados PISA son una medida de aprendi-
zaje y no de logro educativo, lo que podría ser 
una dimensión más relevante para la movilidad 
social y la igualdad de oportunidades. 
En nuestro análisis, nos centramos en el área 
de matemáticas, utilizando una submuestra 
de 35 países y “economías regionales”. Dicha 
selección se debe principalmente a la exigen-
cia de los algoritmos de Machine Learning que 
utilizamos en el apartado 5. Por un lado, nos 
centramos en el ámbito de matemáticas por 
su particular relevancia en el debate público y 
también porque la prueba de lectura presentó 
anomalías significativas en España en 2018. 
Por otro lado, la selección de 35 países busca 
abarcar una variedad de zonas geográficas 
con desempeños diversos en la prueba. En la 
FIGURA 1 se presenta el listado completo de 
los países que participaron en PISA 2018, junto 
con el resultado promedio en matemáticas. 
Hemos identificado en azul los países incorpo-
rados al análisis de nuestro estudio. 
17
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
FIGURA 1. Resultado medio en matemáticas por país: PISA 2018
18
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Movilidad 
social
I. 
¿Hasta qué punto el 
rendimiento educativo 
en la adolescencia está 
determinado por el nivel 
socioeconómico familiar? 
19
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Movilidad social: Con-
ceptos
La movilidad social abarca el proceso dinámico 
mediante el cual las personas, familias o gru-
pos sociales se mueven de una posición a otra 
dentro de una determinada jerarquía social. Es 
decir, se trata de un movimiento que implica al-
teraciones en el estatus socioeconómico, y que 
puede incluir diferentes ámbitos como logros 
profesionales, niveles de ingresos o salarios, 
niveles educativos o la clase social (Erikson & 
Goldthorpe, 1992; Breen & Goldthorpe, 1997). En 
general, cuando hablamos de movilidad social 
nos referimos a un movimiento intergenera-
cional, esto es, un cambio en el estatus o clase 
social de padres a hijos, que puede darse en 
renta (movilidad social económica), ocupación 
(movilidad social laboral), o nivel educativo obte-
nido (movilidad social educativa).
La movilidad social, como medida de la capa-
cidad de las personas de distintos entornos 
socioeconómicos para subir por el denomina-
do “ascensor social” desempeña, por tanto, un 
papel crucial en la configuración de la dinámi-
ca de una sociedad. Asimismo, constituye un 
indicador esencial de la equidad y la eficiencia 
económica, ya que refleja hasta qué punto 
todas las personas de una sociedad pueden 
avanzar con independencia de su origen so-
cioeconómico familiar.
En este sentido, la movilidad social educativa, 
que se centra típicamente en la asociación 
entre los logros educativos y el ascensor social 
medido vía la renta parental, ha acaparado una 
atención significativa en los últimos años (ver, 
por ejemplo, Hilger, 2015 en Estados Unidos y 
Dodin et al., 2022, para Alemania). En esta sec-
ción del informe exploramos las diferencias en 
la movilidad social educativa de España y sus 
comunidades autónomas, además de en otros 
34 países, utilizando para ello datos PISA de 
2018.
El acceso a una educación de calidad se con-
sidera desde hace mucho tiempo un motor 
clave de la movilidad social ascendente, ya que 
permite a las personas adquirir las competen-
cias, conocimientos y oportunidades necesarias 
para liberarse de las limitaciones de su entorno 
social. Una sociedad que promueve y facilita 
la movilidad social educativa garantiza que las 
personas no se vean limitadas por sus circuns-
tancias al nacer, sino que tengan la oportunidad 
de alcanzar los mismos logros que el resto. 
Al permitir que las personas procedentes de 
entornos desfavorecidos accedan a la educa-
ción en igualdad de condiciones a las personas 
más favorecidas, la movilidad social contribuye 
a “nivelar el terreno de juego” y a reducir las 
desigualdades, fomentando una sociedad más 
justa y equitativa (Hertz, 2008; Reardon, 2011).
Más allá del impacto que pueda tener a nivel 
individual, la movilidad social educativa tam-
bién tiene implicaciones para las sociedades 
en su conjunto. Cuando personas de orígenes 
dispares tienen las mismas oportunidades de 
tener éxito y contribuir a la sociedad, se pro-
duce una mayor cohesión social, diversidad 
y enriquecimiento cultural. Una sociedad que 
promueve activamente la movilidad social 
educativa aprovecha el talento, las capacida-
des y las perspectivas de toda su población, 
fomentando la innovación, el crecimiento 
económico y el progreso social. Por el contra-
rio, la falta de movilidad social puede dar lugar 
a la infrautilización del potencial humano y a la 
perpetuación de las disparidades socioeconó-
micas, obstaculizando el desarrollo general de 
la sociedad (Corak, 2013).
Además, la movilidad social educativa juega un 
papel crucial en la ruptura del ciclo de la pobre-
za intergeneracional. Al proporcionar medios 
para mejorar las perspectivas económicas de 
las personas,la educación se convierte en una 
poderosa herramienta para la elevación social 
y la mejora de las comunidades que tradicio-
nalmente hayan sido más marginadas, ya 
que ofrece a los individuos la oportunidad de 
conseguir un mejor empleo, mayores ingresos 
y un mejor nivel de vida. Por tanto, la movilidad 
social educativa también contribuye al desarro-
20
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
llo económico general de una nación, dado que 
permite mejorar la mano de obra cualificada 
y competitiva que impulsa la productividad, la 
innovación y el crecimiento sostenible (Chetty 
et al., 2014; Hertz, 2008).
Siguiendo la línea de la literatura reciente en 
el ámbito de la movilidad social (Chetty et al. 
2014; Hilger, 2015; Dodin et al., 2022), defini-
mos dos conjuntos de indicadores de movili-
dad social con el objetivo de distinguir entre 
dos conceptos: movilidad absoluta y relativa. 
Mientras que las medidas de movilidad abso-
luta dan información sobre el nivel (absoluto) 
de oportunidades de los niños con circunstan-
cias desfavorables, las medidas de movilidad 
relativa reflejan las diferencias de oportunida-
des (relativas) entre los niños que provienen 
de circunstancias más desfavorables y los que 
provienen de circunstancias más favorables:
Movilidad educativa absoluta. Este indica-
dor mide la probabilidad de que una per-
sona de entorno desfavorecido alcance un 
nivel de educativo determinado (por ejem-
plo, GED o equivalente en Estados Unidos, 
A-level en Alemania, Bachiller o equivalente 
en España, o Proficiency Level 3 en datos 
PISA), esto es, entre los niños que consi-
deramos como “desfavorecidos” socioeco-
nómicamente, la proporción que consigue 
alcanzar un nivel educativo predeterminado. 
Movilidad educativa relativa. Mide la pro-
babilidad de que un individuo de entorno 
favorecido alcance un nivel de estudios 
determinado en relación a otro individuo de 
entorno desfavorecido. Un valor alto de este 
indicador implica que la movilidad educativa 
relativa es baja, ya que una mayor proporción 
de niños que provienen de circunstancias 
aventajadas conseguirá el nivel educativo de-
terminado, frente a los niños que provienen 
de circunstancias desaventajadas. 
A continuación, describimos brevemente el 
enfoque empírico que hemos tomado en este 
estudio para medir tanto la movilidad educa-
tiva absoluta como la relativa junto con otros 
indicadores de movilidad social, para después 
mostrar los resultados obtenidos para los dife-
rentes países y comunidades autónomas. 
Movilidad social: Técni-
cas e indicadores
El elemento central de los indicadores de mo-
vilidad social educativa que utilizamos en este 
estudio son las estimaciones de la probabili-
dad de que los niños obtengan un Proficiency 
Level 3 (PL3) en PISA condicionada al nivel 
socioeconómico de los padres. Por tanto, se 
trata de estadísticos descriptivos que relacio-
nan la probabilidad de que un niño obtenga el 
nivel educativo determinado como PL3 (“basic 
proficiency”) en PISA, con el ranking socioeco-
nómico (ESCS) de sus padres.
En PISA 2018, la OCDE define seis niveles de 
competencia matemáticas. En función del 
resultado obtenido por el alumnado en la prue-
ba, se determina qué nivel de competencia ha 
alcanzado. En concreto, alcanzar el PL3 o “ba-
sic proficiency” indica que “… pueden ejecutar 
procedimientos claramente descritos, incluidos 
los que requieren decisiones secuenciales. 
Pueden interpretar y utilizar representaciones 
basadas en distintas fuentes de información y 
razonar directamente a partir de ellas. (…) Sus 
soluciones reflejan que han realizado interpre-
taciones y razonamientos básicos.”2
Por otra parte, la variable ESCS (“Economic, So-
cial and Cultural Status”) es un índice calculado 
por la OCDE que se deriva, como en ediciones 
anteriores de la prueba, de otras tres variables 
relacionadas con el entorno familiar: el nivel 
educativo máximo de los padres, el estatus ocu-
pacional máximo de los padres, y las posesiones 
del hogar, incluido el número de libros en casa.
2. La elección de este nivel es arbitraria, pero lo consideramos razonable dada su propia denominación de “competencia básica” y el hecho de que supone 
alcanzar el tercer nivel de los seis que hay.
21
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Para computar las medidas de movilidad so-
cial, definimos una medida de oportunidades 
educativas Yi a través de una variable binaria 
que adquiere valor Yi = 1 si el niño alcanza el 
nivel PL3 o superior y Yi = 0 si no lo hace3. Por 
su parte, asignamos a cada estudiante a su 
respectivo percentil de ESCS familiar, que de-
nominamos Ri. Basándonos en la interrelación 
de estas dos variables PISA, cada uno de los 
conceptos de movilidad educativa menciona-
dos se obtienen de la siguiente forma:
Movilidad educativa absoluta, Q1. Proba-
bilidad de obtener el nivel de “Proficiency 
Level 3” o “basic proficiency” (PL3) en 
matemáticas PISA 2018 para un niño en el 
quintil inferior de la distribución parental de 
ESCS, es decir, Q1 = P[Yi | Ri ≤ 20]. Un valor 
alto de este indicador implica que la movili-
dad educativa absoluta es alta, ya que una 
mayor cantidad de niños desaventajados 
habrá conseguido alcanzar dicho nivel 
educativo.
Movilidad educativa relativa, Ratio de 
probabilidades, Q5/Q1. Se calcula como la 
ratio entre la probabilidad de obtener el nivel 
PL3 en matemáticas PISA 2018 para un 
niño en el quintil superior de la distribución 
parental de ESCS (Q5) sobre el equivalente 
para el quintil inferior (Q1). Mide, por tanto, 
cuantas veces más probable es obtener el 
nivel PL3 para los niños más aventajados 
socioeconómicamente frente a los más 
desaventajados.
Gradiente de probabilidades, Grad. Es el 
coeficiente estimado en la regresión Yi = 
ßRi + ui, esto es, la pendiente de la probabili-
dad de obtener el nivel PL3 en matemáticas 
PISA 2018 según el percentil de la distri-
bución parental de ESCS. Mide, por tanto, 
cómo aumenta la probabilidad de obtener 
el nivel PL3 conforme aumenta el percentil 
socioeconómico de los padres.
Para ambos indicadores, Q5/Q1 y Grad, un 
mayor valor indica una menor movilidad so-
cial relativa, ya que implica que una mayor 
cantidad de niños aventajados consigue 
alcanzar el nivel de ‘basic proficiency’ frente 
a los desaventajados.
Además de los anteriores, se obtienen también 
los siguientes indicadores para cada uno de 
los países indicados y las comunidades autó-
nomas españolas:
Nivel de competencia medio, Niv3. Se 
calcula como el porcentaje de niños que ob-
tiene el PL3 en matemáticas para cada una 
de las zonas geográficas y mide, por tanto, 
el nivel medio de desempeño educativo. 
A mayor valor de Niv3, significa que el país 
(o comunidad autónoma) obtiene de me-
dia un mejor rendimiento educativo en la 
prueba, pero dicho resultado medio puede 
esconder diferencias entre alumnos de 
diferentes entornos socioeconómicos que 
pretenden recogerse mediante los indicado-
res de movilidad social absoluta y relativa.
3. En el cómputo de estos indicadores descriptivos se tienen en cuenta los diez valores plausibles que cada estudiante obtiene en la prueba PISA.
22
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Nivel de competencia para los niños aven-
tajados, Q5. Probabilidad de obtener el nivel 
de “Proficiency Level 3” o “basic proficiency” 
(PL3) en matemáticas PISA 2018 para un 
niño en el quintil superior de la distribución 
parental de ESCS, es decir, Q5 = P[Yi | Ri ≥ 80]. 
Un valor alto de este indicador nos dice que 
una proporción alta de niños aventajados 
obtiene el PL3. Esto, per se, no conlleva 
una movilidad social baja ni alta; sino que 
dependerá de qué diferencias hay entre este 
indicador y el Q1. Si obtenemos valores pa-
recidos de Q5 y Q1, la ratio de probabilida-
des será cercana a 1 y querrá decir que es 
similarmente probable alcanzar el PL3 para 
alumnos aventajados y desaventajados. Si 
obtenemos valores mucho más altos para 
Q5 que para Q1, la ratio de probabilidades 
serásensiblemente mayor que 1 y por 
tanto, el alumnado aventajado socioeconó-
micamente tendrá mucha más probabilidad 
de obtener el PL3 que el alumnado desfavo-
recido.
Presentamos a continuación los resultados 
obtenidos en esos cinco indicadores para 
cada uno de los 35 países mencionados en la 
sección anterior y las 17 comunidades autóno-
mas españolas. Introducimos en primer lugar 
la situación de España para después realizar 
una comparativa con los diferentes países y 
terminar esta sección con los resultados de las 
comunidades autónomas.4
4. Desafortunadamente, se excluyen del análisis la presentación de estadísticas para Ceuta y Melilla debido al limitado número de observaciones que presentan 
en la prueba PISA.
23
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
resul
tados
24
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Situación en España
 
En términos de nivel de competencia media 
(Niv3), España alcanza un valor del 50,9%, 
lo que significa que algo más de la mitad de 
todos los niños alcanzan el nivel de compe-
tencia básico en PISA 2018 en España. Sin 
embargo, este nivel de competencia media 
esconde valores extremos, que se recogen me-
diante los indicadores de movilidad educativa.
Por un lado, en cuanto a la movilidad educa-
tiva absoluta (Q1), España presenta un valor 
relativamente modesto: el 31,6% de los niños 
desfavorecidos (aquellos cuya familia está 
en el quintil inferior de nivel socioeconómico) 
consigue alcanzar el nivel PL3 en matemáticas 
de PISA 2018. Esto situará a España, como 
veremos a continuación, en la mitad inferior 
de los países analizados. Como contrapunto, 
en el indicador Q5, España obtiene un valor de 
73,2%, esto es, alrededor de tres cuartas partes 
de los niños con circunstancias aventajadas 
(aquellos cuya familia se sitúa en el quintil 
superior de nivel socioeconómico) consigue 
alcanzar el mismo nivel en PISA 2018. Es decir, 
existe una diferencia de más de 40 puntos 
porcentuales en la consecución del nivel PL3 
entre los alumnos de procedencia socioeco-
nómica más aventajada y los que menos.
Esta diferencia en la probabilidad de obtener 
el nivel PL3 en matemáticas PISA 2018 se 
recoge también mediante los dos indicadores 
de movilidad educativa relativa. Obtenemos, en 
primer lugar, que el valor Q5/Q1 para España 
es de 2,32, lo que sugiere que los niños de los 
entornos socioeconómicos más favorecidos 
tienen aproximadamente 2,32 veces más pro-
babilidades de alcanzar el nivel de "compe-
tencia básica" (PL3) en comparación con los 
de entornos desfavorecidos. Por otra parte, 
el indicador Grad, con un valor de 0,51 en el 
caso de España, nos indica que los niños “más 
ricos” tienen aproximadamente un 51% más de 
probabilidades de obtener el nivel educativo en 
cuestión que los niños “más pobres”.
2,3X
Veces más probable obtener el nivel básico de 
competencia matemática en PISA 2018 para un 
alumno proveniente de familia socioeconómicamente 
aventajada frente a uno de entorno desaventajado.
De todo el alumnado en España obtiene el nivel 
básico de competencia matemática en PISA 2018.51%
32% Sólo el 32% de los alumnos socioeconómicamente desaventajados lo obtienen.
Frente al 73% en el caso de aquellos con 
circunstancias socioeconómicas favorables.73%
25
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Estos resultados se observan gráficamente en 
la FIGURA 2, que muestra no solo los valores 
obtenidos para los indicadores de movilidad 
social y nivel medio de competencia en PL3, 
sino también la clara relación positiva entre 
el resultado obtenido en PISA 2018 y el nivel 
socioeconómico de los padres. Si existiera una 
movilidad social relativa alta, el gráfico a con-
tinuación debería ser prácticamente plano, ya 
que esto implicaría que es igualmente probable 
obtener el nivel PL3 independientemente de las 
circunstancias socioeconómicas de la familia, 
i.e. la ratio de probabilidades Q5/Q1 sería igual 
a 1. Sin embargo, la tendencia ascendente ob-
servada refleja que es más probable (concreta-
mente, 2,32 veces más) obtener el nivel PL3 en 
PISA 2018 para los niños con circunstancias 
aventajadas frente a aquellos con circunstan-
cias desaventajadas.
movilidad social en españa
Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que han alcanzan un resultado en matemáticas superior al PL3. Los percentiles 
se obtienen utilizando la distribución de ESCS en España. Gradiente obtenido mediante OLS. Los datos provienen de microdatos PISA 2018. 
“más pobre” “Más rico”Percentil escs de la familia
26
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Análisis comparativo 
entre países5
La FIGURA 3 a continuación presenta el gráfi-
co anteriormente descrito para España, en este 
caso para los 35 países y economías regiona-
les. Es importante recordar que una pendiente 
más vertical conlleva mayores valores de Q5/
Q1 y Grad e indica, por tanto, una menor movili-
dad educativa relativa. Una pendiente más pla-
na indicaría un mejor resultado en términos de 
movilidad relativa (los resultados educativos 
obtenidos por aquellos en los cuantiles bajos 
de la distribución socioeconómica-cultural son 
parecidos a aquellos en los cuantiles altos).
Por otra parte, también es importante fijarse 
de qué nivel parte cada sistema educativo. Un 
país que tiene una movilidad absoluta alta (Q1 
alto) partirá de un nivel mayor. En términos 
de movilidad social lo ideal sería, por tanto, 
un país que parte de un nivel de desempeño 
educativo alto y que mantiene ese alto nivel 
a lo largo de toda la distribución socioeconó-
mica. En este sentido, nos parece interesante 
destacar la posición que ocupa México, ya 
que, aunque es uno de los países con menor 
movilidad absoluta, veremos que ocupa una 
posición destacable en términos de movilidad 
relativa. Esto es debido a que parte de un nivel 
bajo (Q1 bajo, movilidad absoluta baja) y tiene 
una pendiente relativamente plana (Grad bajo, 
movilidad relativa alta). 
5. En la Tabla A1 del Anexo A se muestran los resultados de los cinco indicadores para cada uno de los 35 países.
movilidad social educativa en 
perspectiva internacional
Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que alcanzan un resultado en matemáticas superior al PL3 en cada país/
economía regional. Los percentiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Gradiente obtenido mediante OLS. Los 
datos provienen de microdatos PISA 2018. 
27
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Dicho esto, observamos que España pre-
senta una la movilidad educativa absoluta 
relativamente moderada (31% del alumnado 
proveniente de circunstancias desaventajadas 
obtiene el nivel PL3). Se sitúa muy por detrás 
de países (regiones) como China B-S-J-Z 
(84%)6, Macao (76%), Hong Kong (66%) y Sin-
gapur (64%) en términos de Q1; en el caso de 
los dos primeros doblan el indicador español. 
Estos países presentan niveles más altos de 
movilidad educativa absoluta, lo que sugiere un 
mayor éxito a la hora de ofrecer oportunidades 
educativas a los alumnos desfavorecidos. En 
relación con países europeos, España se sitúa 
también por debajo, pero a una distancia más 
cercana, de países como Finlandia (46%), Di-
namarca (45%), Irlanda (41%) e Islandia (39%), 
que demuestran mayores niveles de movilidad 
educativa absoluta. Estos países han realizado 
importantes avances a la hora de ofrecer opor-
tunidades educativas a los niños procedentes 
de entornos desfavorecidos, lo que se traduce 
en una mayor proporción de ellos que alcanzan 
el nivel educativo predeterminado. Estos re-
sultados sobre el indicador Q1 se ven también 
reflejados en la FIGURA 4 a continuación. 
3.B-S-J-Z es un acrónimo que abarca las cuatro provincias chinas de Beijing, Shanghai, Jiangsu y Zhejiang. Estas cuatro regiones se tratan como un sistema 
educativo único en PISA 2018. 
Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticassuperior al PL3 en cada 
país/economía regional. Los quintiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Los datos provienen de microdatos PISA 
2018. 
Resultados del indicador de movilidad educativa absoluta (Q1) para 35 países
28
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En términos del Grad, la FIGURA 5 muestra 
cómo España se sitúa de nuevo en la mitad in-
ferior de la tabla en cuanto a movilidad educa-
tiva relativa se refiere. Con un valor de 0,51 (los 
niños de circunstancias aventajadas tienen 
aproximadamente un 51% más de probabilidad 
de alcanzar el nivel PL3) está lejos de aquellos 
países que mejor resultados obtienen en mate-
ria de movilidad educativa absoluta como Ma-
cao (0,14), B-S-Z-J (0,15) y Hong Kong (0,25), 
pero en una posición aventajada respecto a 
países vecinos como Francia (0,67). Podemos 
también observar que se encuentra en una po-
sición similar en términos de movilidad relativa 
a Países Bajos (0,49), Australia (0,49), Nueva 
Zelanda (0,53) y Emiratos Árabes (0,53).
Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada país. Los percentiles se 
obtienen utilizando la distribución de ESCS en cada país/economía regional. El gradiente se calcula a través del coeficiente en la regresión relacionando ambas 
variables para cada país. Los datos provienen de microdatos PISA 2018. 
Resultados del indicador de movilidad educativa relativa (Grad) para 35 países
29
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En términos del otro indicador de movilidad re-
lativa, la ratio de probabilidades Q5/Q1, obtene-
mos, como es de esperar, resultados similares 
a los obtenidos mediante el gradiente. La lista 
de los mejor colocados de nuevo la encabe-
zan China B-S-Z-J, Macao, y Hong Kong con 
valores próximos a 1 (1,16; 1,18 y 1,33 respec-
tivamente). Por otro lado, aunque España se 
coloca de nuevo en una posición ligeramente 
por debajo de la media con una ratio de 2,32, 
está mejor posicionada que otros países euro-
peos como Luxemburgo (3,03), Francia (2,8) y 
Alemania (2,5). Estos países tienen una mayor 
disparidad entre la probabilidad de que los ni-
ños de entornos favorecidos y desfavorecidos 
alcancen la competencia básica.
Por tanto, podemos concluir que, a pesar de 
que España presenta una movilidad educativa 
absoluta y relativa moderada, sobre todo en 
relación a ciertos países asiáticos, está en una 
posición aventajada respecto a otros países 
más cercanos como pueden ser Francia o 
Alemania. 
30
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Análisis comparativo 
entre comunidades au-
tónomas7
Existe abundante evidencia empírica que indi-
ca una variación geográfica significativa de la 
movilidad social y la desigualdad de oportuni-
dades, incluso dentro de un mismo país (Chet-
ty et al., 2014; Dodin et al., 2022). Esto sugiere 
que es útil realizar comparaciones entre las 
diferentes regiones autonómicas para com-
prender si varía la movilidad social en España 
y, en caso formativo, cómo lo hace. 
En la FIGURA 6 observamos que la movilidad 
social absoluta varía ampliamente entre regio-
nes españolas. Las comunidades autónomas 
peor situadas son Canarias (26,1) y Madrid 
(26,7), esto es, únicamente alrededor de una 
cuarta parte del alumnado desaventajado de 
estas comunidades alcanza el PL3 en matemá-
ticas PISA 2018. Por su parte, las comunidades 
autónomas con sistemas educativos que pre-
sentan mejores niveles de movilidad social ab-
soluta son Galicia y Castilla y León, ambas con 
valores superiores al 41%. Esto es, observamos 
diferencias de más de 15 puntos porcentuales 
entre unas comunidades y otras. Además, no se 
aprecia un patrón geográfico claro en cuanto a 
los resultados de este indicador. 
7.En la Tabla A2 del Anexo A se muestran los resultados de los cinco indicadores para cada una de las comunidades autónomas.
FIGURA 6. Resultados del indicador de movilidad 
educativa absoluta (Q1) por CC.AA.
Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticas superior al PL3 en cada 
comunidad autónoma. Los quintiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. Los datos provienen de microdatos PISA 
2018. 
41,99
41,9926,09
31,15 37,91 33,31
36,19
35,07
26,69
30,87
32,31
30,77
32,6741,59
33,92
37,27
29,18
40,84
26,09
31
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
FIGURA 7. Resultados del indicador de movilidad 
educativa relativa (Grad) por CC.AA.
Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada comunidad autónoma. 
Los percentiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. El gradiente se calcula a través del coeficiente en la regresión 
relacionando ambas variables para cada país. Los datos provienen de microdatos PISA 2018. 
En términos de movilidad social relativa, la 
FIGURA 7 presenta los resultados para el 
indicador Grad de cada comunidad autónoma 
española. En este caso, repiten de nuevo como 
la peor situada Madrid (0,58); obtienen idéntico 
resultado Murcia y Asturias y le siguen de cerca 
País Vasco (0,56) y Canarias (0,54). Por su par-
te, la región que muestra un sistema educativo 
con mejores niveles de movilidad social relativa 
es de nuevo Galicia (0,41), en este caso seguida 
de Castilla-La Mancha (0,43), Valencia (0,43) 
y Castilla y León (0,47). Como en el caso de la 
movilidad absoluta, tampoco ahora apreciamos 
un patrón geográfico claro.
0,41
0,410,58
0,58 0,51 0,52
0,56
0,52
0,58
0,58
0,43
0,5
0,50,47
0,47
0,43
0,51
0,49
0,54
32
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
desigual
dad de 
oportu
nidades
II. 
¿Cómo se distribuyen 
las oportunidades 
según circunstancias 
individuales que no se 
relacionan con el mérito 
personal?
33
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Desigualdad de opor-
tunidades: Acuerdos y 
desacuerdos
En la sección anterior, hemos visto cómo el 
rendimiento educativo –medido a través de la 
probabilidad de obtener determinado nivel en 
matemáticas en PISA– está estrechamente 
relacionado con el estatus socioeconómico 
de la familia, tanto en España como en mu-
chos otros países de su entorno. Esto es, el 
rendimiento educativo en PISA 2018 depende 
del nivel socioeconómico de los padres, cir-
cunstancia que está fuera del control de los 
niños y que, por tanto, en una sociedad que 
se ajuste al ideal meritocrático, no debería 
tener tanto peso. Visto esto, a continuación, 
pasamos a abordar la segunda pregunta que 
planteábamos en este estudio, es decir, medir 
cómo se distribuyen las oportunidades educa-
tivas conforme a un conjunto más amplio de 
circunstancias personales fuera del control de 
cada uno mediante el cálculo de indicadores 
de desigualdad de oportunidades.
Desde un punto de vista filosófico, la igualdad 
de oportunidades (IOp) se refiere a un ideal 
político que defiende la promoción de las 
personas a posiciones de éxito a través de 
un proceso competitivo abierto y en igualdad 
de condiciones.8 En este sentido, existen dos 
nociones principales de la igualdad de oportu-
nidades y de lo que significa competir en igual-
dad de condiciones (Roemer, 2000; Arneson, 
2015). La primera defiende el principio formal 
de no-discriminación. Esta concepción requie-
re que las posiciones sociales de éxito estén 
abiertas a cualquier solicitante y que la asigna-
ción final se realice exclusivamente de acuer-
do a los méritos y atributos necesarios para 
cada puesto. Por otra parte, y a diferencia de 
esta noción formal, la concepción de igualdad 
de oportunidades sustantiva es más amplia 
y defiende que todos los ciudadanos deben 
tener acceso a las oportunidades suficientes 
para desarrollar sus capacidades “antes de que 
empiece la competición”.9
Aunque la mayoría de ciudadanos en las 
sociedades industrializadasestán a favor de 
la igualdad de oportunidades como principio, 
existen discrepancias importantes sobre cómo 
debe entenderse este ideal (Bénabou, 2000; Ar-
neson, 2015). En el extremo más igualitario se 
encuentra el ideal de John Rawls (1971), quien 
consideraba que el talento innato es una forma 
de suerte arbitraria que no constituye mérito 
o recompensa. Alguna forma de desigualdad 
económica sería necesaria para generar incen-
tivos, pero esta debería combatirse lo máximo 
posible. En el extremo contrario se encuentra 
la noción libertaria de que las personas son 
también responsables de sus propias circuns-
tancias. Desde esta perspectiva, la igualdad de 
oportunidades se entiende como una idea mi-
nimalista basada en el respeto mutuo a ciertos 
derechos básicos sobre la propiedad (Nozick, 
1974) y en una intervención mínima del estado 
para luchar contra la discriminación (Epstein, 
1995). 
Dónde traza la sociedad el alcance de la 
responsabilidad individual tiene implicaciones 
directas sobre la legitimidad de la cultura del 
esfuerzo. Un ejemplo ilustrativo sería el de un 
niño pobre al que no le gusta la escuela por no 
disponer de recursos suficientes en el hogar. 
¿Es este niño responsable de sus preferencias 
y de no esforzarse lo suficiente? La respuesta 
a esta pregunta varía según las intuiciones mo-
rales de cada cual. Por un lado, autores como 
Dworkin (1981) o Fleurbaey (2008) consideran 
que las preferencias son responsabilidad de 
uno mismo y que las personas no deben ser 
compensadas por su falta de ambición o sus 
valores personales. Por otro, autores como 
8.Esta noción de justicia no va, por tanto, en contra de la existencia de jerarquías sociales ya que reconoce y acepta implícitamente la presencia de posiciones 
de distinta valía en la sociedad (Arneson, 2015). Sin embargo, a diferencia de los sistemas de castas o aristocráticos, el principio de IOp promueve que la 
asignación a estas posiciones no dependa del estatus social al nacer o de las circunstancias que escapan del control individual de las personas. 
9. Un ejemplo de la IOp formal sería combatir la discriminación por sexo o raza, ya que estos atributos son inconsecuentes para el desempeño en un puesto de 
responsabilidad. Por su parte, un ejemplo de la IOp sustantiva sería garantizar más recursos educativos a niños de familias trabajadoras para compensar las 
desventajas sociales que limitan sus habilidades para competir con aquellos más pudientes en la etapa adulta. 
34
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Cohen (1989) o Roemer (2002) consideran 
que algunas preferencias y estilos de vida son 
resultado de las circunstancias vividas durante 
la infancia. Según esta perspectiva, la sociedad 
debería “igualar el campo de juego” y compen-
sar el impacto de las circunstancias en facto-
res como el esfuerzo y la ambición. Desde esta 
concepción de la igualdad de oportunidades, la 
política educativa debería, por tanto, destinar 
recursos para garantizar que todos puedan 
competir con la misma ambición y perseveran-
cia durante la etapa adulta en la medida de lo 
posible (Arneson, 2015). 
Por sus complejidades éticas y morales, pode-
mos concluir que existen profundos desacuer-
dos tras la aparente popularidad de la igualdad 
de oportunidades como principio de justicia. 
Dichas discrepancias pueden ser fruto de lo 
difícil que resulta delimitar una frontera entre 
circunstancias y responsabilidad individual en 
la práctica y/o de diferencias éticas entre la 
ciudadanía. La ausencia de un acuerdo general 
no hace, sin embargo, inútil el estudio de la 
igualdad de oportunidades desde un punto de 
vista empírico. Al contrario, creemos que esta 
limitación hace fundamental un análisis prác-
tico del papel que juegan las circunstancias 
en la desigualdad educativa para informar el 
debate público. Por ello, el siguiente subaparta-
do se destina a explicar la metodología em-
pleada en este estudio para la medición de la 
desigualdad de oportunidades. 
Desigualdad de opor-
tunidades: El uso de 
Machine Learning como 
propuesta metodológi-
ca
En este subapartado nos adentraremos en los 
detalles metodológicos para estimar empírica-
mente el grado de desigualdad de oportunida-
des. Tal y como ocurría en la sección anterior 
referente a la medición de la movilidad social, 
el análisis se centrará en la desigualdad edu-
cativa medida a través de datos PISA. La razón 
principal por la que nos enfocamos en la etapa 
obligatoria de la educación se debe tanto a su 
impacto sobre las condiciones económicas 
durante la etapa adulta, así como al hecho 
de que ocurre antes de la “edad de consenti-
miento” a partir de la cual las personas deben 
ser consideradas (al menos parcialmente) 
responsables de sus elecciones (Roemer & 
Trannoy, 2016). En este sentido, consideramos 
que promover la igualdad de oportunidades 
en la educación y el aprendizaje es un objetivo 
deseable, tanto desde un punto de vista igua-
litario como meritocrático. En lo que prosigue, 
adoptaremos la concepción sustantiva de la 
igualdad de oportunidades: esto es, el grado 
en que las oportunidades educativas (medidas 
a través de resultados PISA) dependen de las 
circunstancias que escapan al control de las 
personas. 
Medir la desigualdad de oportunidades es 
un proceso más complejo que el de analizar 
la desigualdad de resultados educativos o la 
movilidad social. Como hemos mencionado, 
el principio de IOp requiere de una distinción 
entre las circunstancias y la responsabilidad 
individual. Por lo tanto, un análisis empírico de 
la desigualdad de oportunidades debe aislar 
el impacto de las primeras en el rendimiento 
educativo. En otras palabras, lo que realmente 
importa no son las diferencias de resultados, 
sino la desigualdad generada por el impacto 
de las distintas circunstancias de los estu-
diantes. Por lo tanto, para medir la desigual-
dad de oportunidades (que denominaremos 
35
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
DOp) debemos realizar el análisis en dos fases: 
primero, una fase de estimación para aislar el 
papel de circunstancias en las oportunidades 
educativas y, segundo, una fase medición de la 
desigualdad. A continuación, pasamos a des-
cribir estas dos fases de manera detallada. 
F1- Fase de estimación: Aislar el 
rol de las circunstancias
Definición de circunstancias. – En esta prime-
ra fase del análisis empírico, el objetivo será 
aislar el impacto de las circunstancias sobre el 
rendimiento educativo. Cuando hablamos de 
circunstancias, nos referimos a aquellas carac-
terísticas que los estudiantes heredan y sobre 
las que no tienen control alguno, como su sexo 
o el nivel socioeconómico de los progenitores. 
La importancia de estas circunstancias so-
bre el desempeño académico determinará la 
intensidad de la desigualdad de oportunidades 
en cada sistema educativo. Por ejemplo, si 
en un país la renta familiar es un factor más 
determinante que en otros, podremos concluir 
que el nivel de DOp será mayor en ese país, 
ya que las diferencias heredadas generan una 
mayor desigualdad en el rendimiento educati-
vo. En nuestro análisis nos centraremos en las 
siguientes características individuales: sexo y 
mes de nacimiento del estudiante, su país de 
nacimiento y el de sus progenitores, el idioma 
hablado en el hogar, ocupación, nivel educativo 
y estatus ocupacional de padre/madre, núme-
ro de libros en el hogar y varios índices sobre el 
nivel social, económico y cultural de las fami-
lias10. El CUADRO 1 muestra el listado de cir-
cunstancias que consideramos en el análisis.
En la práctica, no es posible observar todas las 
circunstancias relevantes de los estudiantes. 
Pese a que los microdatos de PISA recogen 
información valiosa sobre las características 
de los estudiantes, no podemos observar al-
gunas circunstancias que también están fuera 
del control del alumnado, como su composi-
ción genética (que tendrá un impacto en su 
inteligencia) o el número de hermanos. En la 
medida que estos factores ausentessean im-
portantes para el desempeño académico, el 
proceso de estimación no considerará todas 
las circunstancias, lo que resultará en una 
infraestimación de la DOp (Ferreira & Gignoux, 
2011; 2014). Por tanto, nuestros resultados 
deben interpretarse con cautela, ya que repre-
sentan un límite inferior (“lower-bound”) de la 
verdadera DOp. 
Además de esta limitación insalvable, quere-
mos recalcar que existen otros factores ob-
servables que no consideramos en el estudio, 
como la titularidad de centro o el desempeño 
educativo de los compañeros de clase (Ma-
rrero et al., 2022). Somos conscientes de que 
estas características son importantes para el 
aprendizaje (Sacerdote, 2011) y que pueden 
considerarse como circunstancias. Pese a 
compartir esta interpretación (¿es un niño al 
fin y al cabo responsable de las preferencias 
de sus padres y la elección que hayan hecho 
por él?), hemos decidido no incorporarlas en el 
análisis. El motivo es que la elección de cen-
tro puede estar influenciada por las propias 
preferencias de las familias y, por lo tanto, no 
ser universalmente aceptada como un factor a 
compensar. Por esta razón, hemos optado por 
centrar nuestro análisis en características que 
pueden ser más globalmente consideradas 
como circunstancias. 
10.Como hemos comentado anteriormente, el índice ESCS incorpora el nivel educativo máximo de los padres, el estatus ocupacional máximo de los padres, y 
las posesiones del hogar, incluido el número de libros en casa. Hemos decidido incorporar tanto el índice ESCS como estos elementos en los modelos ya que 
los algoritmos de ML seleccionan las variables predictivas más importantes en el proceso de optimización. Por este motivo, hemos apostado por adoptar una 
aproximación más agnóstica y que la selección final del modelo se realice a través de los algoritmos. 
36
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Sexo del estudiante
Hombre
Mujer
País de nacimiento del estudiante
Mismo que país de residencia
Otro
País de nacimiento del progenitor
Mismo que país de residencia
Otro
Idioma en el hogar
Mismo que el test
Otro
Número de libros en el hogar
0-10 libros
11-25 libros
25-100 libros
101-200 libros
200+ libros
Mes de nacimiento
Normalizado entre 1 (Enero) y 0 (Diciembre)
Ocupación del padre del 
estudiante
Baja cualificación: ISCO 0 y 9
Media cualificación: ISCO 4-8
Alta cualificación: ISCO 1-3
Ocupación de la madre del 
estudiante
Baja cualificación: ISCO 0 y 9
Media cualificación: ISCO 4-8
Alta cualificación: ISCO 1-3
Educación del padre del estudiante
Primaria o menos: ISCED ≤ 1
Primer ciclo secundaria: ISCED = 2
Segundo ciclo secundaria: ISCED = 3-4
Terciaria: ISCED 5-6
Educación de la madre del 
estudiante
Primaria o menos: ISCED <=1
Primer ciclo secundaria: ISCED = 2
Segundo ciclo secundaria: ISCED = 3-4
Terciaria: ISCED 5-6
Estatus ocupacional de padre/
madre
Índice ISEI
Nivel económico, social y cultural 
familiar
Índice ESCS
Nivel económico, social y cultural 
familiar
Índice ESCS
Posesiones culturales en el hogar
Índice de posesiones culturales (CULTPOSS)
Recursos educativos en el hogar
Índice de recursos educativos en el hogar (HEDRES)
Riqueza en el hogar
Índice de riqueza familiar (WEALTH)
CUADRO 1. Listado de circunstancias
37
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Estimación: enfoque convencional. – Para 
medir la contribución de las circunstancias a 
la desigualdad en el rendimiento educativo, es 
necesario realizar un proceso de estimación 
para cuantificar la importancia de las circuns-
tancias sobre la variable de interés (en nuestro 
caso, el resultado en el test de matemáticas). 
El objetivo final de la estimación será construir 
una distribución contrafactual que aproxime 
el resultado de los estudiantes si “solamente 
importaran las circunstancias”. Esta distribu-
ción contrafactual permitirá evaluar si existe 
igualdad de oportunidades entre los estudian-
tes, es decir, si aquellos que tienen diferentes 
circunstancias obtienen resultados similares 
(van der Gaer, 1993; Ferreira & Gignoux, 2013). 
Por ejemplo, si estudiantes de renta alta y baja 
obtienen resultados idénticos en promedio, po-
dremos concluir que se cumple el principio de 
igualdad de oportunidades ya que una mayor 
renta no ofrecería ninguna ventaja en términos 
de rendimiento académico. Sin embargo, si los 
estudiantes de renta alta obtienen resultados 
significativamente mejores que los de renta 
baja, como ya hemos apreciado que sucede 
para España y muchos otros países de su 
entorno en la sección anterior de este trabajo, 
podemos concluir que la renta es una circuns-
tancia que influye en el rendimiento educativo 
y que existe cierta desigualdad de oportunida-
des.
Típicamente, la construcción de esta distribu-
ción contrafactual se realiza mediante técnicas 
paramétricas que implican una regresión del 
siguiente tipo (Bourguignon et al., 2007; Ferrei-
ra & Gignoux, 2011; Marrero et al., 2022): 
yi=α+βCi+ϵi,
donde yi representa el resultado en matemáti-
cas del estudiante i y Ci constituye el vector de 
circunstancias definidas en el CUADRO 1. Aquí, 
β es un vector de coeficientes que reflejan las 
correlaciones de las circunstancias con el ren-
dimiento académico. Desde los resultados de 
la regresión, se obtiene el resultado en mate-
máticas esperado yi de acuerdo a sus circuns-
tancias Ci mediante una predicción 
ŷi=α ̂+β ̂Ci. 
Pese a su simplicidad, esta aproximación 
presenta ciertas carencias, ya que la regresión 
asume un impacto lineal de las circunstancias 
y obvia el efecto de las interacciones entre 
ellas (Brunori et al., 2019; 2021). Por un lado, 
los estudios típicamente asumen, por ejemplo, 
que un aumento del nivel socioeconómico y 
cultural (medido a través del índice ESCS) se 
traduce en un incremento proporcional o lineal 
en los resultados académicos (Marrero et al., 
2022). Sin embargo, en la práctica, esto puede 
no ser cierto ya que, una vez alcanzado cierto 
límite, el ESCS podría no impactar el desem-
peño académico. Por otro lado, se tienden a 
obviar las posibles interrelaciones entre las 
circunstancias y su posible impacto en el ren-
dimiento educativo. Por ejemplo, en algunos 
países, el sexo del estudiante puede tener un 
impacto diferencial en el rendimiento educativo 
dependiendo de si pertenece a una familia con 
más o menos capital cultural. Resolver estas 
limitaciones no es obvio desde una perspectiva 
econométrica convencional. Si bien es posible 
incorporar más interacciones y asociaciones 
no lineales en una regresión, estas decisiones 
suelen tomarse de manera discrecional, lo que 
puede generar un sesgo tanto al alza (“overfit-
ting”) como a la baja (“underfitting”) de la DOp 
real. 
Nuestra alternativa de Machine Learning. 
– Para resolver esta limitación, empleamos 
un enfoque basado en datos (“data-driven 
approach”) a través de técnicas de Machine 
Learning (ML). El ML se refiere a un conjunto 
de algoritmos de aprendizaje automático des-
tinados a predecir una variable objetivo utili-
zando una serie de variables explicativas. Las 
aproximaciones de ML ofrecen una serie de 
ventajas sobre el análisis convencional. Por un 
lado, a diferencia de la regresión lineal, estos 
algoritmos son capaces de evaluar la impor-
tancia de interacciones y efectos no-lineales de 
manera automática. Por otro lado, la práctica 
utilizada en ML de “entrenar” algoritmos sobre ̂
38
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
una muestra y evaluar su rendimiento en otra 
independiente (i.e., la combinación de “sample 
splitting” y “out-of-sample prediction”) permite 
la posibilidad de comparar varios modelos 
y seleccionar aquel que ofrecen una mayor 
fiabilidad, reduciendo así el riesgo de “overfit-
ting” o “underfitting”. En el Anexo B se puede 
encontrar una explicación más técnica sobre el 
tema. Si el lector se encuentra especialmente 
interesado, recomendamos además el artículo 
escrito por Mullainathan & Spiess (2017) que 
ofrece una introducción relativamente accesi-ble. 
Las técnicas de ML son particularmente 
adecuadas para estimar la desigualdad de 
oportunidades. Esto se debe a que construir 
la distribución contrafactual del rendimiento 
educativo es fundamentalmente “un problema 
de predicción”, que es exactamente lo que las 
técnicas de ML tratan de resolver. En este sen-
tido, nuestra aproximación de ML se basa en 
obtener una predicción ŷidel resultado de mate-
máticas (nuestra variable objetivo) a través de 
las circunstancias Ci de los estudiantes (nues-
tras variables explicativas). Aunque el enfoque 
tradicional también realiza una predicción 
similar, las técnicas de ML nos permiten anali-
zar interacciones de manera automática para 
considerar las circunstancias e interrelaciones 
más importantes y así ofrecer una predicción 
más precisa y fiable. 
En este ejercicio, construimos varios modelos 
de predicción que explican la relación entre el 
resultado en matemáticas y las circunstancias 
de los estudiantes de manera independiente 
para cada país. Posteriormente, utilizamos 
estos modelos para predecir el rendimiento 
educativo de cada estudiante en función de 
sus circunstancias. Para evaluar el desempe-
ño de distintas técnicas de ML, consideramos 
varios tipos de algoritmos basados en la re-
gularización (i.e., Ridge, Lasso y Elastic Net) y 
en la construcción de árboles (i.e., Regression 
Tree, Random Forest y Boosting). Para evaluar 
las posibles ventajas del ML sobre el enfoque 
tradicional, también consideramos el análisis 
mediante regresión (OLS). Para describir la 
desigualdad de oportunidades, seleccionamos 
el modelo que ofrece el mejor rendimiento pre-
dictivo (medido a través del R2) en cada país. 
Entre los algoritmos considerados, el algoritmo 
Boosting supera al resto de modelos en la gran 
mayoría de los casos (29/35 países). Pese 
a esta aparente superioridad del Boosting, 
preferimos seleccionar el algoritmo que me-
jores predicciones ofrece para cada país a la 
hora de presentar y discutir los resultados. En 
el Anexo B se puede encontrar una explicación 
detallada de los distintos algoritmos, así como 
del procedimiento de “sample splitting” y de 
optimización de “hiperparámetros”. 
F2-Fase de medición de la des-
igualdad: Construir un índice de 
DOp
Una vez realizada la fase de estimación, se 
procede a computar un índice que resuma la 
DOp en cada país. Para ello, nos centramos en 
un índice ampliamente utilizado en la literatura 
de desigualdad de oportunidades educativas 
(Ferreira & Gignoux, 2014; Marrero et al., 2022):
(DOP) ̂=var ŷ/var(y) × 100,
donde y representa el resultado observado en 
matemáticas de los estudiantes e ŷ la predic-
ción del rendimiento según las circunstancias 
del alumnado (i.e. la puntuación que se estima 
que obtendría el estudiante si “solo importaran 
sus circunstancias”). El índice en cuestión tiene 
una interpretación intuitiva al capturar el por-
centaje de la desigualdad total, capturada por 
la varianza del denominador, que se encuentra 
explicada por las circunstancias, capturada por 
la varianza en el numerador.11
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de 
ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
39
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
resul
tados
40
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
A continuación, mostramos los resultados 
obtenidos para el indicador DOp en cada uno 
de los 35 países analizados y las comunidades 
autónomas españolas. Tal y como hemos indi-
cado, y a pesar de que para cada país/región se 
ha calculado el indicador DOp utilizando varios 
modelos de ML distintos, para cada una de las 
zonas geográficas analizadas se calcula el DOp 
con el modelo que mejor predicción haya rea-
lizado. Por tanto, no hay un modelo final único, 
sino que depende de cada país/región. 
 
Después de presentar el indicador DOp procede-
mos a desgranar los resultados para poner ros-
tro a los estudiantes más y menos favorecidos 
en términos de (des)igualdad de oportunidades. 
Posteriormente, describimos qué circunstancias 
tienen más peso en la desigualdad de oportu-
nidades. Finalmente, procedemos a relacionar 
nuestro indicador de DOp con la eficiencia 
educativa, esto es, comprobamos si existe una 
relación entre la desigualdad de oportunidades 
y el resultado medio obtenido en PISA. 
¿Qué países presentan 
una mayor desigualdad de 
oportunidades?
Comenzamos la presentación de los resulta-
dos caracterizando la desigualdad de opor-
tunidades a nivel nacional para identificar los 
sistemas educativos más y menos equitativos. 
En la FIGURA 8 se muestra un ranking que 
ordena los países en función de las estima-
ciones de desigualdad de oportunidades (i.e., 
cuanto mayor es el valor del indicador, mayor 
es la desigualdad de oportunidades). El valor 
de este indicador oscila entre 0 (igualdad de 
oportunidades perfecta) y 100 (desigualdad de 
oportunidades máxima). En términos generales, 
el valor del indicador puede interpretarse como 
una estimación conservadora del porcentaje de 
la desigualdad que se explica por las circuns-
tancias predeterminadas del alumnado de cada 
país (Ferreira & Gignoux, 2013), debido a las 
limitaciones anteriormente comentadas (i.e., 
no observamos todas las circunstancias, y solo 
incluimos aquellas circunstancias que pueden 
ser universalmente aceptadas como tal). 
Notas: Estimaciones del indicador de Desigualdad de Oportunidades 
(DOp) en matemáticas para la selección de 35 países. DOp se calcula 
como la ratio entre la varianza de predicciones y la varianza de 
resultados observados. Las predicciones de cada país provienen del 
mejor modelo/algoritmo de predicción. El proceso de optimización y 
estimación de predicciones, así como los algoritmos, se explican en el 
Anexo B. Los datos provienen de microdatos PISA 2018. 
Estimación de Desigualdad de Oportunidades (DOP), por país
41
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
España muestra unos niveles relativamente 
moderados de DOp, donde aproximadamente 
el 26% de la desigualdad en matemáticas se 
atribuye al impacto de las circunstancias. Esto 
coloca a España en una posición intermedia 
en el ranking (puesto 17 de 35), junto a países 
como Singapur, Portugal y Estados Unidos. 
Entre los países con mayores niveles de des-
igualdad de oportunidades se encuentran los 
Emiratos Árabes Unidos (41%), Luxemburgo 
(40%), Israel (40%) y Perú (38%). Por otro lado, 
destacan como los países/economías regio-
nales más igualitarias Macao (9%), Hong Kong 
(12%), México (16%) y Corea del Sur (17%). 
Estos resultados indican una heterogeneidad 
significativa en cuanto a la equidad de los 
sistemas educativos analizados, ya que en 
los países peor situados las circunstancias 
tienen más del doble de peso en la desigual-
dad. En conjunto, se apunta hacia unos niveles 
limitados (aunque mejorables) de la inequi-
dad en España. Desde una perspectiva euro-
pea, España muestra una mayor igualdad de 
oportunidades educativas en comparación con 
otros países vecinos como Francia, Alemania o 
Bélgica. 
Regresión vs ML: ¿Cómo varían 
las estimaciones de la desigual-
dad de oportunidades?
Una pregunta natural es si nuestra aproxima-
ción produce resultados diferentes frente al 
enfoque tradicional. Por lo general, los algorit-
mos de ML son menos interpretables y compu-
tacionalmente más exigentes que las técnicas 
de regresión. Dado que el uso de ML impone 
estos costes adicionales, consideramos útil 
comparar los resultados obtenidos mediante 
ambas aproximaciones para evaluar las ven-
tajas del ML no sólo desde un punto de vista 
conceptual, sino también desde una perspecti-
va empírica.
La FIGURA 9 compara las estimaciones obte-
nidas por el algoritmo más preciso de ML con 
la regresión (OLS). La diagonal negra represen-
ta la línea de 45 grados, donde todos los pun-
tos deberían estar si ambos métodos produje-