Descarga la aplicación para disfrutar aún más
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-
Compartir