Ready to kick off a week of science at one of my favorite conferences, the International Conference on Computational Social Science #IC2S22026 !

¿Cuál es el dato de Gini de este? La última vez que revisé estábamos en 0.43, aunque todos esos números me llaman la atención. ¿Podrías compartir la fuente?

Ohh que maravilla!

Felicitaciones! Buen trabajo!

Dos duchas diarias, con calor hace sentido. Hasta tres!

No estoy diciendo que estos puntajes sean causados por el tipo de colegio. La selección existe, obviamente entre muchos otros factores que contribuye a la brecha y a los puntajes que observamos. (Sigue)

Los agrupe, porque el dato estaba en categorías de deciles. Así a los sin info/no responde los traté como una categoría en sí misma. Era lo mejor, con lo que había.

El auto declarado en la inscripción. Los datos de inscripción si están disponibles con esa info complementaria.

*Este es un ajuste simple que se podría mejorar usando técnicas más avanzadas, aislar la causalidad o considerar variables difíciles de observar, como la preparación, la responsabilidad, los nervios, asistir a preuniversitario, etc.

Es verdad que existe mucho potencial en los estudiantes formados por colegios municipales o subvencionados. Yo fui uno de ellos. Por esto mismo, necesitamos buenas comparaciones como la que la estadística nos ayuda a lograr.

Si queremos fortalecer la educación pública, necesitamos diagnósticos honestos y cuidadosos. Defender lo público no es cerrar los ojos a sus desafíos, sino usar evidencia para mejorarlo.

Pero una vez que ajustamos por ingreso, sexo, rendimiento previo, comuna y demás, esa diferencia cae con fuerza, pero no desaparece: queda en 96 puntos comparando particulares con subvencionados, y de 158, y 166 comparando privados con municipales y SLEP.

Como es de esperar, estos ajustes reducen la brecha, pero no la eliminan. Sin ajustes, la brecha entre privados y municipales es de más de 280 puntos. Con ajustes, es de alrededor de 160.

Por ejemplo: cuánto tendríamos que “sumarle o restarle” al puntaje de una estudiante de un colegio privado de Puente Alto para estimar el puntaje que hubiese obtenido de ser una estudiante de un colegio municipal en Puerto Montt.

Incluso tenemos factores por comuna/tipo de colegio (colegios privados en Vitacura, o colegios municipales en Iquique). Esto nos permite “traducir” los puntajes.

Esos factores de comuna ya incorporan otras diferencias más agregadas, como urbano/rural o norte/centro/sur. Tenemos también factores por tipo de colegio o por el sexo del estudiante.

Eso lo hacemos simultáneamente con muchos factores. Por ejemplo, tenemos un factor para cada comuna, que captura qué tan altos (o tan bajos) son los puntajes de los estudiantes que viven en cada comuna.

Para cada decil podemos calcular coeficientes para ajustar los puntajes por nivel de ingreso. Por ejemplo, a un estudiante del decil más alto le podemos restar puntos para ver cuál sería su puntaje si fuera de un decil más bajo, manteniendo constantes otras cosas (como NEM/sexo)

Lo que hicimos fue un modelo que predice el puntaje promedio en la PAES de matemática y lenguaje de un estudiante que da la prueba por primera vez en función de varios factores. Por ejemplo, el decil de ingreso reportado por el estudiante o la municipalidad donde vive.

En esta figura, los triángulos comparan a los estudiantes que rindieron la prueba por primera vez, agrupando solo por tipo de colegio. Los círculos ajustan por ingreso, sexo, rendimiento previo y comuna. ¿Pero cómo hacemos estos ajustes?