Datos

La fuente de datos escogida es el operativo nacional Aprender 2017 para el nivel secundario. El mismo aplica evaluaciones estandarizadas en las áreas de Lengua y Matemática, de manera censal, a estudiantes del último año del nivel medio de la modalidad común en las 24 provincias argentinas. La prueba es diseñada por equipos técnicos de la Secretaría de Evaluación Educativa del exministerio de Educación de la República Argentina. Además, se administran cuestionarios de contexto que proveen información complementaria sobre los alumnos y sus familias.

Cabe aclarar que, por diversos problemas de implementación, pese al carácter censal del operativo, no se ha logrado una cobertura del 100%. En este caso la tasa de respuesta promedio es del 66.5% a nivel nacional, por lo que no puede descartarse la posibilidad de que existan sesgos. Especialmente, en las provincias de Neuquén, Río Negro y Santa Cruz los resultados deben tomarse con cautela ya que no se alcanzó el 50% de cobertura considerado como el mínimo aceptable por parte de la Secretaría de Evaluación Educativa. La cantidad de alumnos participantes por provincia puede encontrarse en la Tabla 3A del anexo.

Variables

A partir de la revisión de la literatura se han incluido diversas características demográficas y académicas del alumnado, así como indicadores del capital socioeconómico y cultural de sus familias, que podrían tener una influencia en la probabilidad de asistir al sector privado. Las variables empleadas buscan representar, según lo permite la información disponible, las distintas dimensiones sintetizadas en la Tabla 1 y se describen sucintamente en la Tabla 2.

Cabe aclarar que, mientras que la variable dependiente no presenta valores perdidos en la base de datos, las distintas variables explicativas presentan tasas de no-respuesta que, en muchos casos, superan el 5%. Por ello, tal como sugiere ^{Graham (2009)}, se optó por imputar los valores perdidos. Siguiendo a ^{Danhier (2018)}, entre otros, se realizó una imputación múltiple multivariada por cadena de ecuaciones (^{StataCorp, 2015}). Como se recomienda en la literatura especializada, para la construcción de los modelos de imputación se incluyeron todas las variables finalmente empleadas en los modelos predictivos de la elección escolar. Los datos de estadística descriptiva de las variables utilizadas pueden observarse en la Tabla 1A del Anexo.

Estrategia metodológica

Para modelizar la elección del tipo de gestión, se optó por emplear un modelo de regresión logística (logit) en el cual la variable dependiente toma valor 1 para reflejar la asistencia a una escuela privada. El mismo considera que la posibilidad de un alumno i de asistir a una escuela privada depende de un índice de utilidad no observable (latente) z_i, que se determina por una serie de variables explicativas x_i. Así: Z_i = α + βX_i (1)

Se supone que la variable Z_i representa la tendencia de un individuo a asistir a una escuela privada, y que existe un umbral Zi* por encima del cual la variable dependiente toma valor 1. El modelo logit supone que Z_i es una variable aleatoria que sigue una distribución logística, de modo que la probabilidad de Zi ≥Zi* puede calcularse a partir de la función de distribución acumulada logística (^{Greene, 2003}). La estimación de este modelo, realizada mediante el programa Stata 14.0, permite predecir la probabilidad de asistir a una escuela privada para un estudiante con ciertas características personales y familiares. Así, analizamos la incidencia de dichas características, dando por supuesto que las familias conocen o al menos intuyen las diferencias promedio entre escuelas de ambos tipos de gestión (^{Aedo, 1996}).

En este tipo de modelos la interpretación de los coeficientes de las variables explicativas no es directa y la magnitud de su efecto se evalúa a través de los denominados odds-ratios (razones de probabilidad). Estos se calculan como exp (β), siendo β un nombre genérico asignado a los coeficientes de la regresión. Los odds-ratios miden la probabilidad de que ocurra un suceso Y, condicionada a la ocurrencia de otro evento X; en relación con la probabilidad de que no ocurra Y, condicionada al mismo evento X. Las razones de probabilidad asociadas a variables cuyos coeficientes son positivos son mayores a uno, mientras que las asociadas a coeficientes negativos son menores a la unidad. La variación en la probabilidad de ocurrencia del suceso que se intenta explicar (Y = 1) en relación con la probabilidad de no ocurrencia del mismo (Y = 0), ante la modificación de una variable independiente cualquiera, se mide así: (odds-ratio - 1).

Análisis global de los resultados

Aquí se describen y analizan los principales hallazgos del análisis empírico para el total país. Los resultados pormenorizados de la estimación del modelo propuesto para cada provincia se presentan en la Tabla 2A del anexo. Cabe señalar que, como medida de la bondad de ajuste de los modelos, consideramos su capacidad predictiva: en promedio, el porcentaje total de observaciones correctamente predichas es del 77.9%, mientras que la sensibilidad (predicción correcta de valores positivos) es de 50.7% y la especificidad (predicción correcta de valores negativos), de 86.2%² (ver Tabla 3A del anexo).

Además, ^{Wooldridge (2001)} menciona que existe la posibilidad de analizar la bondad de ajuste del modelo por medio de la medida denominada pseudo R². Así, en la Tabla 3A del anexo también puede observarse el pseudo R² McFadden que proporciona el software STATA, cuyo valor es igual a 0.22, en promedio. Según Mc Fadden (1979, citado en ^{Hemmert, Schons, Wieseke y Schimmelpfennig, 2018}), un valor mayor o igual a 0.2 indica un buen ajuste del modelo.

La primera cuestión a resaltar es que se verifica la hipótesis de que los factores asociados a la asistencia a un tipo de gestión escolar no son totalmente homogéneos entre jurisdicciones. En la Tabla 2A del anexo se observa que la significatividad de las variables explicativas difiere entre provincias, aunque cuando una variable es significativa en más de una provincia, el signo que acompaña a su coeficiente es consistente entre las mismas.

Más allá de las discrepancias evidenciadas, algunas variables han resultado ser estadísticamente significativas en más del 60% de los estados. Algunos indicadores que de algún modo reflejan la riqueza o el nivel socioeconómico de los hogares se encuentran en este grupo y los signos de sus coeficientes sugieren el vínculo esperado. Las variables que indican un mayor nivel socioeconómico familiar se asocian a una mayor probabilidad de asistencia a escuelas privadas, tal como señalaran ^{Villaroya y Escardíbul (2008)}.

Así, los estudiantes que habitan hogares en los que hay hacinamiento tienen menos probabilidades de asistir a escuelas de gestión privada, mientras que aquellos que disponen de internet y/o aire acondicionado aumentan sus oportunidades en dicho sentido.

Una variable personal relacionada indica si el estudiante trabaja, la cual podría estar manifestando que el costo de oportunidad de destinar la totalidad del tiempo a estudiar es más elevado porque existe la necesidad de sumar ingresos en el hogar. Su coeficiente es negativo, entonces trabajar reduce las probabilidades de que el alumno asista a un establecimiento de gestión privada. En el mismo sentido parecen operar las expectativas de trabajar -ya sea de trabajar y estudiar o solo trabajar- luego de concluir el nivel educativo medio. Es decir que quienes tienen un horizonte de continuación de los estudios superiores o condiciones familiares que les permitirán posponer el ingreso al mundo del trabajo son quienes con mayor probabilidad se vuelcan al sector escolar privado. Aquí se entrecruzan factores vinculados tanto al capital económico como sociocultural de los hogares.

Específicamente respecto del nivel cultural y el clima educativo de los hogares, se encuentra que la menor presencia de libros en el hogar tiene signo negativo. Asimismo, todos los coeficientes que acompañan a las variables representativas del nivel educativo de los padres tienen signo positivo, es decir que, a mayor clima educativo del hogar, mayor es la probabilidad de asistir a un colegio de gestión privada. Por otro lado, con respecto a la disponibilidad de recursos informáticos para estudiar, la significatividad y efecto hallados para la variable “internet” coinciden con lo esperado y encontrado por ^{Villarroya y Escardíbul (2008)}; mientras que no sucede lo mismo con la variable “computadora”, la cual solo resultó ser significativa en un reducido número de provincias (25%).

En suma, se observa que los estudiantes que habitan hogares con menor nivel socioeconómico, cultural y educativo presentan menos probabilidades de estar asistiendo a un establecimiento de gestión privada en su último año escolar, lo cual es consistente con investigaciones previas (^{Segnana y Adrogué, 2021}; ^{Aedo, 1996}; ^{Cámara, Decándido y Gertel, 2012}; ^{Canals 2013}; ^{Ibáñez Martín, 2015}; ^{Krüger, 2011}; ^{Villarroya y Escardíbul, 2008}). En este sentido, ^{Gallego y Hernando (2010)} hipotetizan que padres más ricos y educados tienen mayor disposición a pagar por una escuela que se ajusta mejor sus preferencias. Por su parte, ^{Krüger, Ibáñez Martín y Formichella (2016)} afirman que las escuelas de gestión privada, al ser percibidas como mejores en calidad, son demandadas por aquellas familias que se encuentran en condiciones de pagar por el servicio y que las más educadas tienen una mayor predisposición a invertir en educación.

Respecto de los atributos personales del alumnado, la trayectoria académica previa aparece como relevante: quienes han asistido al nivel inicial durante dos años o más tienen mayores oportunidades de estar cursando su último año de secundario en una escuela de gestión privada; mientras que quienes han repetido algún año en el nivel primario o secundario tienen menos probabilidades de que esto sea así. La evidencia sobre la asistencia a preescolar es coincidente con la hallada por ^{Villarroya y Escardíbul (2008}) y ^{Escardíbul y Villarroya (2009)} y podría interpretarse de diversas maneras a partir de los aportes de ^{Gamboa y Krüger (2016)}. Por un lado, es en sí mismo un indicador de un mayor capital económico y sociocultural familiar, así como posiblemente de una mayor valoración de la educación por parte de los padres, por lo cual podría estar captando la influencia de distintos atributos no observables en este sentido. Por otro lado, dado que la asistencia escolar temprana incide positivamente en el desempeño académico en el nivel medio, la influencia de esta variable podría estar señalando que quienes presentan trayectorias educativas más exitosas asisten en mayor medida a escuelas privadas. En el mismo sentido operaría la repitencia, observándose aquí también un resultado consistente con la literatura previa (^{Aedo, 1996}; ^{Cámara, Decándido y Gertel, 2012}; ^{Canals, 2013}). Asimismo, ^{Ibáñez Martín (2015)}, si bien no incorpora la variable repitencia en el modelo, sí incluye la edad y también halla una asociación negativa con la oportunidad de asistir a centros privados.

Por último, se ha incorporado la variable “interés por la escuela” vinculada a resultados educativos denominados no-cognitivos, es decir que no tienen que ver con aptitudes o conocimientos adquiridos por los estudiantes, sino con actitudes y expectativas. La hipótesis de base es que el interés que el alumno demuestra por lo que le enseñan en la escuela es un reflejo de sus expectativas en relación con la continuidad de los estudios y de la valoración y el involucramiento familiar en la educación, lo cual podría ser indicativo de un mayor capital sociocultural familiar y una mayor disposición a pagar por una escolarización privada, que en muchos casos se percibe como de mayor calidad. Sin embargo, su signo negativo muestra aquí que aumenta las probabilidades de asistencia a una escuela estatal, lo cual no coincide con lo esperado ni la evidencia previa (^{Cámara, Decándido y Gertel, 2012}). En investigaciones futuras será de interés profundizar en esta cuestión.

Análisis de los resultados por subgrupos de provincias

Ahora bien, como se expresó en el párrafo inicial de esta sección, existen discrepancias entre estados y con el fin de organizar los resultados se han combinado dos clasificaciones: la distribución geográfica de las provincias en regiones -de acuerdo con las regiones estadísticas del Instituto Nacional de Estadísticas y Censos (INDEC)- y la tipificación propuesta por ^{Riquelme y Kodric (2013)}. Así, por un lado, existen seis regiones: Patagonia, Cuyo, Pampeana, Ciudad Autónoma de Buenos Aires (CABA), Noreste (NEA) y Noroeste (NOA) y, por otra parte, cuatro grupos: G1, G2, G3 y G4. Estos últimos surgen de la clasificación realizada por ^{Riquelme y Kodric (2013)} a partir de un conjunto de indicadores sociales y económicos provinciales: Índice de Desarrollo Humano (IDH), Producto Bruto Geográfico per cápita (PBG), tasa de mortalidad infantil y tasa de desempleo. El G1 agrupa a las provincias más desarrolladas, decreciendo el grado de desarrollo con el número de grupo tal que el G4 agrupa a los estados menos desarrollados. De la combinación de estas dos clasificaciones surgen 11 subgrupos y las provincias quedan distribuidas como lo muestra la Tabla 3.

Una de las variables que presenta efectos dispares según la provincia es el género de los estudiantes, la cual no es estadísticamente significativa en la mayoría de las jurisdicciones, pero que sí resulta mayormente explicativa en algunos subgrupos: CABA-G1, región Cuyo-G2 y región Pampeana-G2. Lo que tienen en común estos tres subgrupos es que los indicadores sociales y económicos de las provincias que los conforman se corresponden con los de mayor nivel de vida. Sin embargo, en los subgrupos G3 y G4 también hay casos aislados de provincias en las que el género resulta significativo (ver Formosa, Santa Fe y Misiones). Por ende, no se pueden relacionar los niveles de desarrollo con los patrones de género y asistencia a escuelas públicas o privadas. De este modo, no puede derivarse una conclusión general que permita explicar la influencia del género. Esto coincide con ^{Villarroya y Escardíbul (2008)}, quienes restan relevancia a factores personales como el sexo y la edad, en contraposición a las variables familiares.

Sí puede afirmarse que, en los casos en que la variable “varón” presenta efectos estadísticamente significativos, su coeficiente es negativo; es decir, ser hombre disminuiría las probabilidades de asistir a una escuela de gestión privada. Podría ser objeto de futuras investigaciones analizar esto en mayor detalle, ya que la literatura previa no ha sido concluyente (^{Escardíbul y Villarroya, 2009}). Algunas investigaciones han encontrado una correlación positiva entre ser varón y asistir a escuelas de gestión privada (^{Ibáñez Martín, 2015}; ^{Villarroya y Escardíbul, 2008}), mientras que otras han hallado lo contrario (^{Cámara, Decándido y Gertel, 2012}; ^{Krüger, 2011}).

Por otra parte, ser nativo o hijo de nativos de Argentina no parece tener relación con la probabilidad de asistencia escolar, ya que la variable resultó ser no significativa en prácticamente todas las provincias, con excepción de CABA. Allí, ser argentino se vincula con una mayor probabilidad de asistir al sector privado, lo cual coincide con los hallazgos de otros estudios (^{Villarroya y Escardíbul, 2008}). Si bien pueden esbozarse algunas ideas acerca del vínculo entre ser nativo y la asistencia a la escuela de gestión privada en CABA, quizás a partir de una posible asociación con el nivel socioeconómico familiar, se requeriría de una investigación específica sobre este tema para poder encontrar las razones que den cuenta del mismo. De todas maneras, el principal resultado aquí es que no se evidencia dicho vínculo en la mayor parte de las jurisdicciones.

Convivir con una familia compuesta por padre y madre también se presenta como una situación heterogénea entre provincias, ya que solo en el 54% de ellas la variable “familia nuclear” aparece como estadísticamente significativa. Si se observa el comportamiento por subgrupos, en la mayoría de las provincias de las regiones CABA y Pampeana la variable es significativa y lo mismo sucede en los subgrupos Patagonia-G2, Cuyo-G2 y NOA-G4.

En aquellas provincias donde la variable presenta efectos estadísticamente significativos, su coeficiente es positivo, reflejando que los estudiantes que conviven con ambos padres tienen mayor oportunidad de asistir a un centro privado. Sin embargo, no puede ignorarse que en prácticamente la mitad de los estados la variable no resultó ser significativa y que la evidencia previa no es consistente, ya que algunas investigaciones hallaron un efecto positivo (^{Krüger, 2011}) y otras un impacto negativo (^{Escardíbul y Villarroya, 2009} y ^{Villarroya y Escardíbul, 2008}). De este modo, el principal resultado en relación con esta variable es la disimilitud entre jurisdicciones.

Una variable que aparece como no significativa en la mayoría de las provincias es el ámbito, urbano o rural, de la localidad en la que se ubica la escuela. Sin embargo, en la región Pampeana y en un subgrupo de la región de Cuyo (G2) la probabilidad de asistir al sector privado es mayor en el contexto urbano, lo cual podría estar reflejando una mayor diversidad de la oferta educativa y disponibilidad de establecimientos privados, entre otras cuestiones. Este efecto positivo también fue hallado por ^{Canals (2013)} y ^{Krüger (2011)}. Nuevamente, se observa discrepancia acerca de la significatividad de la variable entre jurisdicciones, pero en los estados donde la variable ha resultado ser relevante, se ha hallado el mismo impacto que en la literatura previa.

Asimismo, algunas de las variables que anteriormente se describieron como altamente homogéneas entre provincias presentan excepciones en el análisis por grupos. En relación con las vinculadas al nivel socioeconómico, pueden mencionarse la no significatividad de la variable “internet” en la región Patagonia y en los subgrupos Cuyo-G3, Cuyo-G4 y NOA-G3; la irrelevancia en la posesión de aire acondicionado en la región Patagonia, lo cual resulta esperable debido a las bajas temperaturas de dicha área geográfica; la no significatividad de “expectativa de trabajo” en CABA y la ambigüedad de este resultado en el subgrupo Pampeana-G3. Además, la variable “computadora”, también vinculada al nivel socioeconómico, no es significativa en el 75% de las provincias; pero sí lo es en CABA y en la mayoría de las provincias dentro del subgrupo región Pampeana-G2, y su signo es el esperado coincidiendo con “internet”: positivo.

Respecto de las variables relacionadas con el nivel cultural y clima educativo de los hogares, “escasez de libros” es mayormente significativa al interior de todos los subgrupos, con excepción de Patagonia-G4. Lo mismo sucede con las variables representativas del nivel educativo de los padres, con excepción del subgrupo Cuyo-G3 en el caso de que la madre tenga solo estudios secundarios o superiores incompletos.

En relación con la trayectoria previa de los alumnos, nuevamente aparece la homogeneidad entre grupos, con excepción de la repitencia en primaria en los subgrupos Patagonia-G2 y NOA-G4, y de la repitencia en secundaria en NEA-G4. A diferencia de otras variables vinculadas a la trayectoria previa como la repitencia o la asistencia al nivel inicial, la variable que indica si los estudiantes tienen materias previas, sí presenta gran heterogeneidad entre provincias y subgrupos de provincias, ya que solo es mayormente significativa en la mitad de estos últimos.

Por otro lado, la variable que refleja la distancia a la escuela resultó ser estadísticamente significativa solo en el 58% de las provincias, pero al analizarla por subgrupos se detecta mayor homogeneidad: es significativa en la mayoría de las provincias que conforman 8 de los 11 subgrupos, con las excepciones de Patagonia-G2, GEA-G4 y NOA-G4. El signo que la acompaña es negativo, es decir que, a mayor lejanía de la escuela, menor probabilidad de asistir a un establecimiento de gestión privada. Este resultado difiere del hallado por ^{Canals (2013)} y ^{Gallego y Hernando (2010)}, quienes argumentan que padres con mayor nivel educativo e ingresos tendrían una mayor posibilidad y predisposición a pagar por escuelas con ciertos atributos, por ejemplo, mejor composición socioeconómica del alumnado y mejores resultados escolares, y no se verían tan afectados por la cercanía de la escuela al hogar. Sin embargo, esta cuestión está muy vinculada a la realidad geográfica de cada localidad, ya que en muchos casos los alumnos que habitan zonas periféricas o rurales deben viajar largas distancias para acceder a una escuela secundaria. Si la escasez de oferta se registra principalmente donde habita la población más vulnerable, esto podría contribuir a explicar la asociación hallada. De todas formas, el tema merece un estudio más específico para indagar en la discrepancia con la evidencia previa.

Las variables que se vinculan a los denominados resultados educativos no-cognitivos -“ausentismo alto”, “interés por la escuela”, “autoconceptos en lengua y matemática” e “interés por la lectura”- presentan efectos muy heterogéneos entre provincias, con excepción de “interés por la escuela”, como ya se ha mencionado. Sin embargo, cabe resaltar algunos hallazgos: en CABA todas estas variables resultaron ser estadísticamente significativas; mientras que en la región Pampeana sucede algo similar, con excepción de “autoconcepto medio en lengua” e “interés por la lectura” en el subgrupo Pampeana-G3. En relación con los signos, en los subgrupos en los que dichas variables resultan relevantes se observa que las actitudes y disposiciones más favorables se asocian a una menor oportunidad de asistir a una escuela privada, lo cual resulta en principio inesperado. Si bien estos hallazgos se verifican en una minoría de los subgrupos, vale la pena considerar futuras investigaciones que busquen responder, entre otras, a las siguientes preguntas: ¿las escuelas de gestión pública incentivan en mayor medida a sus estudiantes?, ¿los alumnos de las escuelas estatales que logran permanecer escolarizados hasta el último año del nivel secundario, pese a que en promedio provienen de un origen social más desfavorecido, poseen mejores competencias no-cognitivas que contribuyen a su éxito escolar?

Respecto de las variables que reflejan las actividades extraescolares que realizan los alumnos, aquí predomina un resultado de no significatividad estadística, aunque pueden señalarse algunas cuestiones particulares. Sobre la variable “idiomas” se observa que es significativa en la mayoría de las provincias al interior de los subgrupos Cuyo-G2, NEA-G4, Pampeana-G2, NOA-G3 y G4. Por otro lado, en relación con la variable “actividades extraescolares”, solo es significativa en la mayoría de las provincias al interior de los subgrupos Cuyo-G3 y Pampeana-G2. En ambos casos, el signo que acompaña a estas variables es positivo, es decir que los estudiantes que toman clases fuera del colegio tienen más oportunidades de asistir a establecimientos de gestión privada.

En síntesis, el principal hallazgo de esta sección es que no existe homogeneidad entre jurisdicciones en relación con los factores que explican la asistencia a escuelas de un tipo de gestión u otra, confirmándose así la hipótesis inicialmente presentada. Asimismo, el segundo hallazgo, producto de este análisis exploratorio, muestra que en algunos casos el efecto marcado por las variables coincide con la evidencia previa, mientras que en otros no, dando lugar a un conjunto de nuevas preguntas de investigación para abordar a futuro.