LA ECONOMETRA DETRS DE LA FUNCIN DE PRODUCCIN EDUCATIVA.

Juan Antonio Dip *

dip@fce.unam.edu.ar
Universidad Nacional de Misiones

Alberto Landro**1
alandroar@yahoo.com.ar
Universidad Nacional de Buenos Aires

A lo largo de estos ltimos 45 aos, los estudiosos de Economa de la Educacin han concentrado su inters
en determinar qu factores organizacionales, personales y de contexto influyen sobre el desempeo
educacional de los individuos. Una serie de trabajos han puesto mucho nfasis en la estimacin de una funcin
de produccin educativa, en la cual se sostiene que el proceso educativo puede asimilarse a un proceso
productivo de cualquier bien o servicio. Existen numerosas investigaciones que han apoyado o desterrado la
posibilidad de estimar una funcin de produccin educativa (FPE), como si fuera un proceso productivo
estndar. Las investigaciones para encontrar regresiones estadsticamente robustas de una funcin de
produccin en educacin se iniciaron con Coleman et al (1966). Desde all los desarrollos en econometra han
sido exponenciales y en algunos casos con resultados satisfactorios. Este trabajo versar sobre la problemtica
en la estimacin de la FPE y las consideraciones pertinentes sobre los mtodos y modelos que se han utilizado
para tal fin.

Palabras Claves: Economa de la Educacin, Funcin de produccin educativa, mtodos economtricos.

Cdigos JEL: A20, I21, C01

1
* Lic. en Economa. Profesor Adjunto de Econometra. FCE UNAM. Doctorando en Economa UCA.
** Actuario. Profesor Titular de Econometra. Director del Centro de Investigaciones en Econometra. IADCOM
- FCE. UBA

1
I- INTRODUCCIN

A lo largo de estos ltimos 45 aos, los estudiosos de Economa de la Educacin han concentrado su inters
en determinar qu factores organizacionales, personales y de contexto influyen sobre el desempeo
educacional de los individuos. Desde el Reporte de Coleman (1966) Igualdad de oportunidades, una serie de
trabajos han puesto mucho nfasis en la estimacin de una funcin de produccin educativa, en la cual se
sostiene que el proceso educativo puede asimilarse a un proceso productivo de cualquier bien o servicio.
Existen numerosas investigaciones que han apoyado o desterrado la posibilidad de estimar una funcin de
produccin educativa, como si fuera un proceso productivo estndar. Se puede resaltar que existe una
diversidad y amplia gama de trabajos que versan sobre la funcin de produccin, sus formas funcionales, los
problemas de su estimacin, la determinacin de los outputs e inputs que deberan incluirse. Muchas
investigaciones han apoyado y otras han desterrado la posibilidad de estimar una funcin de produccin
educativa, como si fuera un proceso productivo estndar.
La mayora de estos trabajos tuvieron como unidad de anlisis las calificaciones de alumnos en un examen
para evaluar resultados cognoscitivos (tests de resultados estandarizados) y en general los estudios se han
concentrado en el nivel inicial de educacin.
Los desarrollos en econometra han sido exponenciales y en algunos casos con resultados satisfactorios. Este
trabajo versar sobre la problemtica en la estimacin de la FPE y las consideraciones pertinentes sobre los
mtodos y modelos que se han utilizado para tal fin. Por tal motivo, es interesante mostrar las herramientas
de la econometra y estadstica disponibles para abordar esta temtica.
El trabajo se presenta de la siguiente manera: la primera parte muestra una breve resea sobre la literatura
pertinente. En segundo lugar se realiza una introduccin a las funciones de produccin, resaltado las
mediciones de los componentes de la misma para finalmente mostrar los mtodos paramtricos y no
paramtricos utilizados para la estimacin de la FPE.

II ANTECEDENTES

Los resultados de Coleman, derivaron en los primeros estudios centrados en la funcin de produccin
educativa, por ejemplo, Welch (1966), Burkhead (1967), Kiesling(1967), Kain y Hanushek (1968), Bowles y
Levin (1968a, 1968b), Cain y Watts (1970), Hanushek (1972), Hanushek y Kain (1972) y Levin (1976). En
estos trabajos se muestra el anlisis emprico (paramtricos, estadsticos etc.) de la funcin de produccin
educativa, la cual relaciona los resultados de los estudiantes, con las caractersticas de los estudiantes, sus
familias, sus compaeros y con las caractersticas de las escuelas. Hanushek (1979) resalta que la medicin de
la performance educativa y entender sus determinantes son importantes para el diseo de polticas con
respecto a una variedades de temas como la contabilidad de profesores, el sistema financiero educativo y la
integracin escolar. Eric Hanushek (1986, 1996 y 1997), demostr que un mayor gasto en educacin, es decir
ms dinero, no implica por si solo mejores resultados en educacin. Especficamente prueba que no existe una
relacin significativa clara en la cual ms factores productivos escolares suponen un aumento en los resultados
de los alumnos. Resalta la importancia del acompaamiento de cambios institucionales para mejorar el
rendimiento de los alumnos. La literatura es extensa, por lo que se presentan algunas investigaciones
relevantes.
Levin (1974) intenta demostrar empricamente que estimar slo la funcin de produccin media o slo la
funcin de produccin en la frontera no nos permite aplicar la relacin de input ptimo. Una de las principales
conclusiones de su trabajo es que cuando se utiliza el xito del estudiante como medida del output educativo,
las llamadas escuelas en la frontera son ms eficientes en el uso de algunos inputs y menos eficientes en el
uso de otros.
Santn Gonzalez (2003), resalta que el esquema input-output para modelar el proceso de la educacin ha sido
empleado en numerosos estudios como en los trabajos de Debertin (1976), Sengupta (1986) entre otros.
Asevera que la forma ms habitual de estimar esta funcin en los estudios econmicos, ha sido con los datos
agregados a nivel escolar.
Aitkin y Langford (1986) analizan los resultados de 18 escuelas secundarias sujetas a una nica administracin
local. Utilizan el mtodo de anlisis denominado modelizacin en niveles que permite considerar las diferencias
entre las instituciones y las diferencias entre los estudiantes de estas instituciones para explicar las variaciones
en los resultados. Concluyen que la mayor parte de la variacin en los resultados entre instituciones es
2
consecuencia de las diferencias de capacidad innata de los alumnos y no debido a diferencias de eficacia de
las escuelas.
Levin (1994), resalta dos razones principales por las que, la educacin no puede ser vista como un proceso de
produccin. Una de ellas es que los seres humanos son actores intencionales, es decir que no responden a las
mismas circunstancias de la misma manera. Cada persona como resultado de diferencias en carcter,
situaciones, o lo que sea, tendra una interpretacin diferente de un conjunto dado de circunstancias. La otra
razn que se resalta es que la distincin de una produccin normal entre trabajadores y materiales no se
aplica. En una fbrica los trabajadores operan con materiales y estos son inertes, de una calidad razonable y el
producto final depende del trabajo de los obreros. En las instituciones educativas es muy difcil determinar
quines son los trabajadores y que cosa o cosas pueden ser llamadas materiales duros.
Delfino (1989), usando una muestra de resultados de una prueba realizada en 1983 a alumnos de 7mo grado
de la provincia de Crdoba, disea 3 funciones de produccin independientes entre s para explicar el nivel de
conocimientos de los alumnos en Matemtica, Lenguaje y Ciencias Sociales. En un inicio la forma funcional fue
la lineal, pero dado el escaso poder explicativo de esta forma, examin las soluciones proporcionadas por una
funcin de produccin cuadrtica que inclua trminos de interaccin entre los factores. Con los resultados
obtenidos, el autor evalu los niveles ptimos de inputs escolares que maximizan las calificaciones de los
alumnos y estimo los precios sombras de los determinantes considerados en la funcin de produccin.
Maradona y Caldern (2002), procuran resolver algunos cuestionamientos relacionados con la definicin o
caracterizacin de la relacin entre factores utilizados y grado de aprendizaje alcanzado por los alumnos del
colegio primario, a partir del enfoque de la funcin de produccin. Aseveran que el proceso de aprendizaje
como un proceso productivo tiene caractersticas particulares y limitaciones que es necesario considerar; tanto
la definicin del producto terminado como el alcance y contribucin de los insumos y factores al proceso,
presentan dificultades de caracterizacin. Si bien se han hecho diversos estudios acerca de cules son los
determinantes de un mejor logro acadmico por parte de los estudiantes, no queda claro cul es la restriccin
tecnolgica para alcanzar el producto terminado. Concluyen que el modelo estimado por ellos, confirma en
gran medida lo evidenciado en la revisin de la literatura: el factor ms significativamente relacionado con la
calidad educativa es el propio alumno como co-productor, medido a travs del nivel socioeconmico del hogar
de donde proviene.
Dolton, Marcerano y Navarro (2001), aseveran que, en la economa de la educacin existen pocos estudios
que se han focalizado en los mecanismos de la adquisicin del capital humano, esto es, exactamente como las
personas adquieren conocimiento y cul es la relacin entre el ambiente de aprendizaje y el logro educacional
que logran los receptores de dicha educacin.
Para otro nivel de educacin, Porto y Di Gresia (2004), presentan los resultados de una encuesta realizada por
el Departamento de Economa de la Universidad Nacional de La Plata en la que participaron voluntariamente
4676 alumnos regulares de la Facultad. Se estiman los determinantes del rendimiento estudiantil definido
como cantidad de materias aprobadas por ao, nota promedio y una combinacin de esas dos medidas. El
rendimiento depende de la carrera que cursan (mayor para economa), el sexo (mayor para las mujeres), la
edad (mayor para los ms jvenes), la educacin de los padres, el tipo de escuela secundaria y las
regulaciones de la facultad sobre la condicin de alumno regular. El rendimiento es menor para los estudiantes
que trabajan y disminuye con el nmero de horas trabajadas. Unos aos ms tardes, Di Gresia (2007), vuelve
a estudiar los factores que afectan la variabilidad del rendimiento acadmico en una cohorte de alumnos
universitarios de la facultad de ciencias econmicas de La Plata, Buenos Aires, Argentina, basndose en la
teora de funcin de produccin. Para este mismo nivel acadmico Carella (2009), presenta un estudio que
estima el rendimiento acadmico de los estudiantes universitarios, haciendo uso de la estimacin de fronteras
de eficiencia, mtodo que permite distinguir el efecto de caractersticas del alumno y su entorno (edad, sexo,
condicin laboral, entre otros) del impacto de factores exgenos (caractersticas de la universidad, etc. Para
este trabajo se utilizan datos de estudiantes de ciencias econmicas de 3 universidades: la Universidad de
Buenos Aires (UBA), la Universidad Nacional de Crdoba (UNC) y la Universidad Nacional de La Plata (UNLP).
Se estudia el rendimiento acadmico de una cohorte especfica: la de alumnos ingresantes en 1990, que al
momento de la realizacin del censo deberan estar finalizando sus estudios. La justificacin que realiza la
autora de la eleccin de esta cohorte es la posibilidad de medir el rendimiento a travs del nmero de
materias aprobadas en un momento del tiempo.
Finalmente Dickey y Houston (2010), ratifican que la teora econmica no indica una apropiada especificacin
para la funcin de produccin, dejando as un tema de cuestin emprica y de motivacin para investigar.
Adems no existen muchos trabajos que involucren a las universidades como fbricas de un producto de
calidad educativo y si echa un vistazo para Argentina, son muchos menos este tipo de investigaciones.
Por ltimo, se han desarrollado nuevas tendencias en el tratamiento de las funciones de produccin en
general que han sido derramadas a las funciones de produccin educativas. Esta nueva tendencia en
3
economa, que toma forma en un nuevo modo de produccin de conocimiento, se denomina economa del
conocimiento, sustentada ya no en las funciones de produccin tradicionales: trabajo, capital, materiales y
energa, sino en el capital intangible que a travs de un cambio tecnolgico aumenta la capacidad productiva
de las dems funciones. Esta sociedad del conocimiento y esta nueva forma de gestionarlo se ha presentado
en las escuelas. Krger (2006) dice que en el debate alrededor de la sociedad del conocimiento, no est
resuelta an la cuestin de si el progreso tecnolgico es el causante del incremento de nivel educativo o si el
incremento del nivel formativo ha impulsado la innovacin tecnolgica y, por consiguiente, la transicin hacia
la sociedad del conocimiento. Respecto a esto ltimo, Minakota Arceo (2009) asegura que los sistemas
educativos que en el siglo pasado se convirtieron en una de las piezas angulares del desarrollo econmico y
social de los estados nacionales, hoy se encuentran inmersos en las transformaciones de la sociedad del
conocimiento y de la economa del conocimiento. Resalta que la gestin del conocimiento en las instituciones
escolares es un fenmeno del que se est tomando conciencia en forma reciente y del que an no se puede
hablar como un campo de conocimiento y prctica ya constituido. La aplicacin de la gestin del conocimiento
no ha sido tratada en este trabajo, dado que la mayora de las investigaciones empricas se han basado en la
teora de produccin clsica.

III FUNCIN DE PRODUCCIN EDUCATIVA. OUTPUTS, INPUTS Y BASE DE DATOS.

Existen dos enfoques principales para analizar a las firmas. Uno de ellos es el enfoque tecnolgico o
microeconmico cuyo objetivo principal es la maximizacin de beneficios de la empresa y el otro es un
enfoque contractual que considera a la empresa como un contrato. El enfoque microeconmico es el que ms
se ha utilizado en la literatura y es aquel que muestra como la transformacin de ciertos insumos, con una
tecnologa establecida, tiene como propsito nico vender esa produccin en el mercado. No tiene en cuenta
aspectos organizativos internos de la empresa y las decisiones de la misma en cuanto a la asignacin de los
recursos, sino que esas decisiones son tomadas de acuerdo a la informacin brindada por dicho mercado. Este
enfoque est relacionado con la Teora Neoclsica, en la que la nica informacin que necesita la empresa
para tomar sus decisiones son los precios brindados por el mercado. Por otro lado el enfoque contractual
estudia la firma en s misma y aade nuevas relaciones industriales y un gobernanza empresarial que no son
considerados en la teora microeconmica. El supuesto principal sobre el cual recae esta teora, es que las
transacciones comerciales que realiza la firma involucran la reduccin del costo al mnimo. Esta reduccin de
costo involucra a los costos de produccin o los costos de transaccin. Por mltiples razones, la teora
neoclsica de la firma es la que ms adeptos ha tenido en los ltimos aos.
A pesar de la extensa y variada gama de trabajos de investigaciones, an continua la discusin acerca de
equiparar la FPE con la funcin de produccin tradicional, tal cual la teora econmica lo plantea. La semejanza
entre las escuelas y las empresas, radica en el hecho de que la teora econmica parte de los supuestos de
que estas son capaces de identificar y utilizar los factores de produccin y con una tecnologa dada, alcanzar el
objetivo propuesto. De esta manera se podra pensar que la institucin educativa es una gran empresa, que en
base a una tecnologa determinada, utiliza eficientemente ciertos recursos educacionales (docentes,
infraestructuras, competencias culturales, etc.) para lograr un resultado educacional especifico (mejor
resultado en exmenes, mejorar la tasa de abandono etc). Navarro Gmez (2008), muestra como la
produccin en educacin pone en juego diferentes factores, cuya combinacin contribuye a la realizacin de
uno o varios productos. Desde esta perspectiva se puede equiparar el sector educativo a una industria y el
centro escolar a una empresa multi producto. Tambin la autora resalta que con las herramientas clsicas de
la teora econmica de la produccin se puede analizar el proceso educativo y en especial nfasis su eficiencia,
tanto tcnica como econmica.
Algunos autores aseguran que el importante corolario de la existencia de una relacin insumo producto bien
definida en la provisin de la educacin, es muy cuestionable. Esto es as, pues una institucin educativa
genera muchos productos y usa una variedad de insumos de distintas calidades, por lo que es difcil
determinar los insumos y un nico producto para una escuela, colegio medio o universidad. Por otro lado,
estudiar el efecto de los recursos educacionales sobre el rendimiento de los alumnos, ha llevado a resultados
ambiguos en innumerables trabajos de investigacin. Respecto a esto, Krueguer (1999), asevera que mucha
de la incertidumbre en la literatura deriva del hecho de que la especificacin apropiada (incluyendo la forma
funcional, el nivel de agregacin, las variables de control relevantes e identificacin) de la FPE es incierta. Ms
all de esta discusin, la FPE sigue siendo hoy estudiada en forma profunda con muchos avances interesantes.
De acuerdo al glosario propuesto por Hanushek (2010), la funcin de produccin educativa es una funcin que
relaciona varios insumos de la educacin incluyendo aquellos de las familias, de los compaeros y de las

4
escuelas con el nivel mximo de rendimiento que puede alcanzar un estudiante. Este autor, en el ao 1979,
planteo una funcin terica e implcita de la funcin de produccin educativa:

Y = F (X1 , X2 ,X3) (1)

En la cual Y = mide el producto output educacional, X1 es un vector de variables que recoge las
caractersticas del entorno escolar, X2 es un vector de variables que reflejan la influencia del entorno externo a
la institucin educativa y X3 vector de variables que involucra capacidad del estudiante y el nivel inicial de
conocimientos. Analizando la funcin de produccin desde sus bases, es decir a partir de la teora
microeconmica, la misma puntualiza la caracterstica de la homogeneidad del producto. Tambin se asume
una tecnologa que transforma los insumos en conocimiento y adems que hay sustitucin entre ellos para
producir el mismo producto. De este modo es acertado preguntarse si el producto educativo es homogneo
en realidad. Y representa adems, las habilidades cognitivas producidas por una determinada actividad y
que por lo general es aproximada a travs de resultados educacionales (test scores, porcentaje de
estudiantes que alcanzan un determinado grado, entre otros). De esta definicin general surgen diversos
interrogantes: Cul es la forma de la funcin de produccin educativa?, que representa el output educativo?,
qu insumos intervienen dentro de la funcin de produccin?.
Definir el producto educativo en forma semntica es muy sencillo. Se puede decir que es el resultado esperado
de un proceso productivo educativo. Sin embargo, la medicin de esos resultados plantea numerosos
problemas empricos. Una justificacin importante sobre la necesidad de determinar los outputs en educacin,
puede encontrarse en el trabajo de Dowling (2008). El autor asegura que el gobierno, en su rol de ser el
principal proveedor de la educacin bsica, tanto en pases desarrollados como en subdesarrollados, no
pueden justificar ms su desempeo en educacin en trminos de inputs, es decir, en trminos de la suma
actual o futura de dinero que han de desembolsar, el nmero de nuevos profesores que ingresan al sistema
educativo, o la cantidad de nuevas computadoras que se han instalado. Por el contrario, se ha observado que
hoy, los educadores necesitan exponer como ellos transforman el dinero actual y futuro, en resultados de
rendimientos de los estudiantes.
Si bien por lo general, se habla de un nico producto educativo, Navarro Gmez (2004), asegura que dada la
falta de los precios de mercado de los elementos que componen el producto, y al constituirse el mismo como
un bien de consumo e inversin en capital humano, no es posible realizar una evaluacin simultnea de la
totalidad del producto que realiza una institucin. Esta podra ser una de las razones por las que los
investigadores se concentran en evaluar un solo producto. Hanushek (1986) afirma que la estimacin del
producto como una medida de conocimiento cognitivo mediante test scores sera ms aplicable a escuelas
primarias y secundarias. Sin embargo no sera correcto utilizarlos para medir el producto en la educacin
superior. Esta postura nos induce a plasmar un anlisis del producto educativo en forma diferenciada segn
los distintos niveles de educacin.
Histricamente, en los estudios de educacin bsica, se han utilizado medidas de logro acadmico2 en test
estandarizados como producto o simplemente los aos de escuela finalizados. Otros trabajos empricos han
tenido en cuenta las actitudes de los estudiantes, las tasas de asistencia, de ausencia escolar, o las tasas de
abandono. Estas medidas son variables proxies de un producto educativo ms fundamental y es all donde se
inicia la discusin de aquellos investigadores que afirman o descreen que el producto educativo sea bien
cuantificado.
Una interesante clasificacin de los outputs se puede encontrar en Salas Velasco (2008) y Navarro Gomez
(2004), quienes delimitan a los outputs o resultados del proceso productivo educativo en dos grandes grupos:
Grupos de Conocimientos: representan los aspectos cognitivos del producto de la escuela y
se definido como aquellas destrezas y conocimientos que el individuo va adquiriendo a
medida que transcurre el tiempo. Se espera que la incorporacin de estas destrezas aporten
una retribucin a futuro en el mercado de trabajo. En la mayora de las investigaciones,
estas destrezas y conocimientos han sido medidas por los resultados de exmenes y pruebas
haciendo uso de tests estandarizados.
Grupos de Elementos no cognitivos: involucran a medidas relacionadas a las actitudes y
valores de los estudiantes. Se refieren a cierto tipo de satisfacciones inmediatas y futuras
que busca el estudiante. Tambin se incluye aquellos comportamientos y sistemas de valores
que se van modificando por el solo hecho de estar dentro de un proceso de aprendizaje.

2
El logro acadmico es tambin llamado resultado de escolarizacin o achievement.

5
La gran particularidad que tienen las universidades o instituciones de nivel superior, a diferencia de las
escuelas de educacin bsica, es que la difusin de conocimientos va de la mano con la creacin de los
mismos. Esa caracterstica tan fundamental hace que la produccin de conocimientos en la universidad sea tan
rica para estudiarla y comprenderla.
Uno de los trabajos ms citado en las investigaciones a nivel superior es el de Bear (1974). Este escrito es
analizado por Johnes (1995) quien concuerda en decir que tres grandes productos de una universidad son:
acumulacin del stock de capital humano de los estudiantes, consumo actual de los estudiantes de acuerdo al
inters por la especialidad elegida, y el crecimiento del stock de conocimientos de la humanidad. Este ltimo
punto relacionado a la investigacin universitaria, es la diferencia con los otros niveles educacionales.
Respecto a lo anterior, Walckiers (2004), indica que la universidad tienen dos principales labores: producir
ciencia, en el sentido de que debe contribuir al avance del conocimiento y la docencia universitaria, que
involucra la formacin estudiantil y la diseminacin de conocimientos. Sin embargo, asevera que no est muy
claro si la misma institucin debera realizar ambas tareas y que existe un gran debate sobre este tema en
particular. En el mbito de la educacin superior los productos que estn bien definidos son la docencia y la
investigacin. Sin embargo el producto brindado por el servicio de extensin universitaria ha sido poco
desarrollado. Esto ltimo se puede verificar en el trabajo de Millan y Chan (2003), quienes realizan una
comparacin de los mtodos DEA y Frontera de Produccin Estocstica para Universidades Canadienses,
reconociendo tres productos de las universidades: enseanza, investigacin y servicios. Sin embargo, aseguran
que a nivel agregado, tanto la docencia como la investigacin no estn bien medidas y los servicios
usualmente no se miden.
Por otro parte los determinantes del producto educativo, han sido estudiados por psiclogos, pedagogos,
socilogos y economistas. Hanushek (2003), destaca que la mayora de los estudios de funciones de
produccin educativa han puesto su atencin directa a un conjunto pequeo de recursos e insumos. Mancebn
Torrubia (1999), identifica dos grandes enfoques sobre los determinantes de la produccin de los centros
educativos: el econmico, vinculado a la construccin de la funcin de produccin educativa y el
psicopedaggico, dentro del que se destaca la denominada corriente de las escuelas eficaces. De este modo
podemos encontrar insumos educativos monetarios como no monetarios. Los insumos monetarios estn
relacionados a los salarios de profesores, gasto varios por alumnos, equipamiento de las escuelas,
instalaciones, gasto en transportes, alimentacin, entre otros. Los no monetarios involucran la destreza,
habilidades, efectos de pares etc.
Gamboa (2013), resalta que, adems de la existencia de un trade off entre productos educativos, los mismos
se determinan como funcin de todos los insumos. Clasifica a estos insumos en Controlables:
Insumos del colegio: Caractersticas del profesor (educacin, experiencia, gnero, raza, etc).
Organizacin escolar (tamao de clases, recursos disponibles en laboratorios, gastos
administrativos, estructuras civiles).
Y No controlables.
Educacin de los padres, ingreso, tamao familiar. Caractersticas socioeconmicas de los
integrantes del aula.
dotaciones iniciales de habilidad.
El autor asegura que la mayora de estos insumos acarrean algunos problemas prcticos respecto a la
comparabilidad (cuando los insumos tienen diferencias en calidad) y a la mensurabilidad (cuando medirlos no
resulta fcil).
Si bien se podra diferenciar los insumos pertinentes a la educacin primaria o a un nivel superior, todos ellos
recaen en cualquiera de los 4 grupos detallados anteriormente. Sin embargo, para el sector universitario
Gmez Sancho y Macebn Torrubia (2012), al igual que Lassibille y Navarro Gomez (1983) resaltan la
caracterstica del proceso productivo en la universidad indicando que las dos principales actividades que
desarrolla (docencia e investigacin) se producen de manera conjunta. La mayor parte de los recursos
empleados en estos dos outputs son compartidos por la misma persona por lo que existe una dificultad de
realizar una asignacin precisa de los inputs que corresponde a esas actividades productivas.
Una de las principales diferencias en la investigacin en ciencias sociales, es que las mismas no trabajan con
datos experimentales, como s lo hacen las ciencias naturales. El investigador en economa, se focaliza sobre
los problemas inherentes la bsqueda, recoleccin y anlisis de lo que se conoce con el nombre de datos no
experimentales o datos observacionales o datos retrospectivos (Wooldridge, 2013). Sosa Escudero (2005),
advierte que tener datos, no implica tener informacin. El dato recoge algo que tiene que ver con el problema
que se est estudiando. Si cambia el problema, los datos posiblemente no cambian, pero la informacin s.
Por lo tanto la base de datos a partir de las cuales se construyen las variables para determinar los outputs e
inputs de la FPE es importante, debido a que se han constituido como limitantes para este tipo de
investigacin.
6
Dado que la mayora de las investigaciones empricas se han concentrado en medir el producto educativo a
travs de test estandarizados, las bases de datos mayormente utilizadas han sido: prueba PISA (Programme
for International Student Assessment ), Trends in International Mathematics and Science Study ) y Progress
in International Reading Literacy Study (PIRLS). Para el caso de Argentina, adems de participar en las
pruebas de PISA, tambin lo hace en TERCE (Tercer Estudio Regional Comparativo y Explicativo - 2013),
organizado por el Laboratorio Latinoamericano de Evaluacin de la Calidad de la Educacin (LLECE), OREALC-
UNESCO. Dentro de las pruebas nacionales, se encuentra ONE (Operativo Nacional de Evaluacin), que se
realiza peridicamente en los que las 24 jurisdicciones educativas del pas. De acuerdo al DINIECE, cada
operativo consiste en la aplicacin de una prueba a alumnos de primaria y secundaria, que permite obtener
resultados sobre los desempeos estudiantiles as como de los factores que inciden en ellos, tanto los
escolares (historia escolar de los estudiantes, recursos); como los extraescolares (nivel socio-econmico y nivel
educativo de las familias). Por el lado del sector universitario, la mayora de las investigaciones internacionales
se han basado en estadsticas de los propios sistemas de carga curricular, docente y de investigacin de las
universidades o institutos universitarios (Watts; Vilaseca y Castillo, Agasisti y Esparrells, San Segundo, Gmez
Snchez etc.). Otros investigadores, han resuelto estimar los rendimientos de los alumnos en base a encuestas
o censos universitarios, realizados en cada unidad acadmica (Porto y Di Gresia; Rippiani et.al.; Ferreira, etc.).
Para el caso de Argentina, una base no explorada y de la cual se han desprendido pocos trabajos de
investigacin en el mbito de economa de la educacin a nivel superior, ha sido la que proporciona el
Sistema de Informacin Universitaria; SIU3. El SIU es un consorcio de Universidades que desarrolla
soluciones informticas y brinda servicios para el Sistema Universitario Nacional y distintos organismos de
gobierno. Su objetivo es contribuir a mejorar la gestin de las instituciones, permitindoles contar con
informacin segura, ntegra y disponible, optimizar sus recursos y lograr que el software sea aprovechado en
toda su potencialidad.
Finalmente, Si la funcin de produccin es conocida, entonces es posible predecir qu pasar si la cantidad de
recursos es modificada y analizar qu acciones podran tomarse ante la expectativa de cambios en los
insumos. El problema es que la FPE no es conocida, con lo cual debe ser inferida a travs de estimaciones que
utilizan informacin de los estudiantes, sus escuelas, familia, entorno etc.

IV- ECONOMETRIA APLICADA A LA FUNCIN DE PRODUCCIN. TCNICAS PARAMTRICAS Y NO

PARAMTRICAS.

Todd y Wolpin ( 2009), resaltan que la meta primaria de cualquier investigacin emprica es comprender y
entender la tecnologa de los inputs escolares para crear los resultados de logro cognitivos. A la hora de
plantear la forma funcional de esta funcin, aparecen nuevos conceptos y otros aggiornados que ayudan a
determinar los outputs, inputs y la manera de estimar la FPE.
Uno de las maneras de clasificar a los mtodos estadsticos, adems de la ya conocida clasificacin de
estadstica descriptiva e inferencial, es la que diferencia a los mtodos paramtricos de los no paramtricos.
Como se sabe, los mtodos paramtricos son aquellos se supone que la poblacin que se est estudiando
posee una distribucin normal, o se la puede aproximar haciendo uso del teorema del lmite central. En
contraste, los mtodos no paramtricos son tcnicas en las cuales no existe la necesidad de realizar supuesto
alguno sobre la poblacin que se estudia. Son mtodos que no tienen dependencia alguna sobre la poblacin
de inters. En economa de la educacin, ambos mtodos han sido aplicados en forma extensa, aunque los
mtodos no paramtricos han tenido un importante auge en la estimacin de la frontera de produccin
educativa en el nivel superior o universitario de la educacin.
Por otro lado, Gamboa (2013), asevera que la economa de la educacin intenta proveer respuestas usando
aproximaciones estadsticas para identificar los determinantes y los efectos causales del manejo de ciertas
variables exgenas sobre resultados en educacin. Lo modelos de determinantes, surgen en la Escuela de
Chicago, con la necesidad de cuantificar los fenmenos econmicos y se hizo hincapi en el uso de
herramientas economtricas. En los modelos de impacto o efectos causales se busca identificar el efecto de un
programa sobre una variable de inters. Se analiza diferencias entre variables cuando el programa es aplicado
y cuando el mismo no est presente. En la jerga se compara con los experimentos de las ciencias naturales
por lo que se tiene eventos controlados y eventos no controlados. El autor resalta que el efecto causal es la
diferencia entre el outcome de los estudiantes que han sido tratados y los que no. Esta investigacin causal

3
La informacin es obtenida del sitio oficial http://www.siu.edu.ar/

7
tiene una doble validez: una interna y otra externa. En este mbito, la literatura tiene dos grandes reas:
Estudio de los determinantes (Ecuacin de Mincer, Modelos de Valor Aadido, modelos Jerrquicos etc.) y los
estudios de impacto - Causal effects models (tcnicas aplicadas; Diferencias en Diferencias, Propensity Score
Matching, Regresin Discontinua, Variables Instrumentales etc.).
Las siguientes secciones analizarn los mtodos estadsticos utilizados para la aproximacin de la funcin de
produccin resaltndose las ventajas y desventajas de los mismos.

IV. 1 - MTODOS PARAMTRICOS PARA ESTIMACIN DE LA FPE.

Los mtodos paramtricos han sido los que se han utilizado en mayor medida en los trabajos de funciones de
produccin educativa y en especial en el sector bsico de la educacin. Si se toma el trabajo de Hanushek y
Woessmann (2010), en el que realizan un anlisis de las diferencias en el resultado educativo a nivel
internacional, se pueden observar los distintos mtodos que se han utilizado para la estimacin de funciones
de produccin en distintos pases. De esta manera, el 34% de estos estudios que han utilizado mtodos
paramtricos, estimaron la FPE a travs de RLPRC (regresin lineal ponderada robusta por clster), un 15%
utiliz estimaciones mediante variables instrumentales, un 14% Mnimos Cuadrados ordinarios y en el resto de
los trabajos encontramos otros mtodos como ser: modelos de valor aadido, DiD = Diferencias en
diferencias, datos en panel con efectos fijos y aleatorios, modelos multinivel, Regresin Discontinua (RD),
Modelos lineal de Jerarqua (HLM) entre otros. Aunque en algunas investigaciones vemos una combinacin de
ellos. A continuacin analizamos los principales mtodos paramtricos:

IV. 1.1 RLPRC (REGRESIN LINEAL PONDERADA ROBUSTA POR CLUSTERS)

Antes de definir al modelo de regresin lineal robusto por aglomerados (o clusters) es interesante dar una
breve introduccin de estos modelos para compenetrar al lector.
Los modelos predictivos o tcnicas de modelado originado por la teora, especifican el modelo para los datos
en base a un conocimiento terico previo basado en la teora econmica. El modelo pre-formulado para los
datos que se tiene, debe contrastarse antes de aceptarlo como vlidos. De acuerdo a Prez Lpez (2008), se
puede incluir dentro de estas tcnicas, a todo tipo de regresin, asociacin, ANOVA y series de tiempo. Dentro
de los modelos predictivos, encontramos las tcnicas de clasificacin y de segmentacin. La segmentacin
apunta a la separacin de los datos en subgrupos o clase significativos e interesantes, adems de que todos
los miembros de un subgrupo comparten caractersticas comunes. El anlisis de conglomerados o Clusters es
una tcnica de segmentacin que identifica grupos heterogneos entre s y los ms homogneos posibles
dentro de cada grupo. Se constituye como una tcnica de Data Mining de clasificacin automtica y su
finalidad es revelar concentraciones en los datos (casos o variables cuantitativas o cualitativas) para su
agrupamiento eficiente en clusters segn su homogeneidad. Lo fundamental es que los elementos dentro del
clster sean homogneos y muy diferentes de los que se encuentran dentro de otros clusters. Lo siguiente
corresponde analizar como este concepto es introducido dentro del modelo de regresin lineal.
Una preocupacin en las investigaciones empricas es la necesidad de contrastar la estimacin de uno o varios
parmetros en los modelos de regresin. Para ello, adems de seleccionar un estimador, se requiere una
matriz de covarianza asociada al mismo de manera tal que se puedan realizar los test de hiptesis.
Si recordamos el modelo de regresin lineal donde y, son T vectores, X una matriz de T x k
regresores, es un vector de k parmetros. El estimador de MCO (Mnimos cuadrados ordinarios) es
.
Si la condicin E ( X) = 0 se cumple, entonces es un estimador insesgado. Si es el estimador tiene esta
caracterstica, entonces la expresin de su varianza es:

{( )( ) } (uu) (2)

Bajo el supuesto de que el trmino del error es independiente y est idnticamente distribuido (iid) la
= . Pero si el supuesto iid no se cumple, podemos construir en principio otro estimador
ms eficiente que MCO (ejemplo: mnimos cuadrados generalizados factibles) y los errores estndares
convencionales de MCO no son vlidos.
Los econometristas han solucionado el problema de los errores que no son iid, con Mnimos Cuadrados
Generalizados Factibles o Mnimos Cuadrados Ponderados, usando como ponderacin el recproco de las
varianzas estimadas. Sin embargo, una aproximacin alternativa ha cobrado una mayor atencin: usar MCO
pero computar errores estndares que son robustos respecto a las desviaciones del supuesto iid. Por lo

8
general esto se combina con un fuerte nfasis sobre el tamao de la muestra, la cual debe ser lo
suficientemente grande de manera que se puedan cumplir las propiedades asintticas de MCO.
Wirjanto- Pakalen (2010) y Camern-Miller (2010), en sus respectivos trabajos resaltan que el conjunto de
estimadores para la matriz de covarianza, desde los menos robustos (y ms antiguos) hasta ms robustos (y
ms nuevos) son:
Errores Estndares de Mnimos Cuadrados (Bajo supuesto de Homocedasticidad)
Errores Estndares Robusto a la Heterocedasticidad de White/Eicker.
Errores Estndares Robusto a la Heterocedasticidad y Autocorrelacin de Newey West.
Errores Estndares Robustos por Clusters
Errores Estndares Robustos Multi Formas por Clusters
Por lo tanto, dentro de los estimadores ms actuales que se encuentra en la lista, es estimador Robusto por
Clusters. Uno de los pioneros en estudiar el sesgo de los errores estndares de MCO para el caso especial de
efectos especiales aleatorios por clusters fue Moulton, en sus trabajos del ao 1986 y 1990. Schmidheiny
(2013), al igual que muchos investigadores, analizan los trabajos de Moulton y proponen cierta mejoras a los
mismos. Este estimador, podra ser ms apropiado cuando las observaciones caen dentro de un grupo o
aglomerado y se sospecha que el trmino error podra exhibir dependencia dentro del clster y/o tener
varianzas que difieren a travs de los clusters. Respecto a esto, Williams (1999) describe una situacin general
de datos con aglomerados. Sea Zjk la k-sima observacin ( k = 1, 2 ,.,nj) del j-simo cluster (j= 1, 2 ,.,m).
Se asume que E (Zjk) = 0. Adems cov (Zjk, Zjk) =jkk y la cov (Zjk, Zjk) = 0 cuando j j.
El autor resalta que son supuestos generales y permiten que la varianza sea heterocedstica entre y dentro
de los Clusters. Adems admite una estructura de dependencia arbitraria entre las observaciones dentro del
clster. Tales clusters, podran ser binarios (trabajadores empleados y desempleados), categricos (productos
agrupados por empresa) u ordinal (individuos con bajo, medio o alto nivel de educacin). Ejemplos de
clustering pueden ser tomados de Wooldrigdge (2011). Uno de ellos es la seleccin aleatoria aulas de
alumnos de 4to grado de una poblacin grande de aulas (en el estado de Michigan). Cada clase/ aula, es un
clster y los estudiantes dentro de la clase son las unidades individuales. O si se seleccionan industrias
entonces se tiene firmas dentro de una industria, o si se seleccionan hospitales se tiene pacientes dentro de
cada hospital. Respecto a esto ltimo, el autor realiza aclaraciones muy acertadas de acuerdo a la seleccin de
los clusters: Si un mayor nivel de variables explicativas son incluidas en el modelo, se debera considerar los
datos como una muestra de clster a ese mayor nivel, para asegurar la validez de la inferencia.
Cameron y Miller (2010), examinan los mtodos para controlar el error de modelos de regresin que estn
correlacionados dentro de grupos o clusters pero que no lo estn entre los grupos. Resaltan que la falta de
control de esta caracterstica de los clusters puede acarrear a la subestimacin de los errores estndares o a
sobreestimar la significancia estadstica. Los autores resaltan que el fenmeno clustering lleva a una prdida
de eficiencia por lo la aplicacin de MCO obliga a la correccin de errores. En un trabajo de investigacin
posterior Cameron y Miller (2013) resaltan las caractersticas de los datos por clster cuando los mismos
tienen la caracterstica de ser de corte transversal a nivel individuo o cuando se trata de datos en panel.
Proporcionan un interesante ejemplo sobre el efecto de clster en los errores. Aseguran que se puede tener
datos con agrupacin/clustering en regiones geogrficas como pueblos o estados. Entonces, al modelar, los
errores para los individuos que se encuentran en la misma regin podran estar correlacionados mientras que
los errores para individuos en diferentes regiones no se asume correlacin alguna. En el caso de datos en
panel, los errores del modelo en diferentes perodos de tiempo para un individuo dado (persona o regin)
podran estar correlacionados, mientras que los errores del modelo para diferentes individuos no se
encuentran correlacionados.
Respecto al uso de los test para realizar inferencia y en especial para datos en Panel, Wooldridge (2013),
muestra como computar estos errores estndares robustos especiales. Resalta que la idea es que cada unidad
de corte transversal sea definida como un clster de observaciones a travs del tiempo, donde se permita una
correlacin (serial) arbitraria y varianzas cambiantes dentro de cada clster. Resalta que este estadstico es
reportado en muchos trabajos con datos en panel.
De acuerdo a Cottrel y Luchetti (2014) el estimador por clster para modelos de regresin lineal estimado por
MCO es

(3)
Y si se estima por Mxima Verosimilitud

9
 (4)
Donde H-1 es el inverso del Hesiano y Gj es la suma del score (que es la derivada del logaritmo de la
verosimilitud respecto del parmetro estimado) a travs de observaciones que se encuentran insertas en el
clster j. Los autores resaltan que muchas veces es comn aplicar un cierto grado de libertad para ajustar a
estos estimadores (ya que de lo contrario la varianza puede aparecer engaosamente pequea en
comparacin con otros estimadores, si el nmero de clusters es pequeo). Los autores proponen que en MCO
el factor es: (m/(m 1)) (n 1)/(n k), donde n es el total de nmero de observaciones, m nmeros de
clusters y k es el nmero de parmetros estimado. Para mxima verosimilitud el factor de ajuste es m/(m -1).
Wooldridge (2006), asegura que el caso de pequeos nmeros de clusters ha recibido mucha atencin en
especial en los modelos lineales. El autor proporciona una gua muy detallada para estimar los efectos de co-
variables a nivel de clster sobre un resultado especfico individual, cuando el nmero de clusters es pequeo
(y el tamao del clster es moderadamente grande). Este es un avance de su trabajo realizado en el ao
20034. Muestra dos alternativas: una de ellas es tratar al nmero de grupos como nmero de observaciones y
usar el anlisis de muestras finitas, donde el efecto especifico individual se torna poco importante (el relacin
al efecto del clster) a medida que el tamao del clster se hace ms grande (Modelo de Donald y Lang -
2002 ). Una segunda alternativa, es observar las covariables a nivel clster como restricciones impuestas
sobre interceptos especficos del clster en un conjunto de modelos de regresiones especficas a nivel
individual y luego testear esas restricciones usando la estimacin de distancia mnima. Este mtodo DM,
cuando es vlido, tiene el beneficio de que se pueda realizar un anlisis asinttico estndar bajo ciertos
supuestos dbiles, cuando el tamao del grupo o clster se considera grande y puede conducir a significancias
estadsticas muy aceptables. El autor, muestra distintas alternativas variando el tamao del clster, la cantidad
de los mismos y compara los resultados de la DM con el modelo propuesto por Donald y Lang (2002), tanto
para modelos lineales, como no lineales. Sin embargo sugiere que se necesitan mayores investigaciones a
pesar de que DM resulte una metodologa prometedora. Un anlisis similar podemos encontrarlo en Cameron y
Miller (2010).
Otro mtodo alternativo para estimar la matriz robusta de covarianzas por clusters y propuesta por
Schmidheiny (2013), es el Bootstrapping. El clustering es realizado al azar y tiene en cuenta todas las
observaciones para cada clster que se ha diseado aleatoriamente. Esto se ha denominado block bootstrap
y conserva la correlacin dentro de los clusters.
En los prrafos previos se ha mostrado el funcionamiento general y sus implicancias al corregir los errores
estndares cuando estamos en presencia de clusters. A continuacin ser resumir algunas investigaciones que
han utilizado este mtodo de correccin.
Woessmman (2010), en base a PIRLS, estudia la funcin de produccin para pases latinoamericanos
(Argentina y Colombia) y algunos pases de Europa. Para estimar el resultado de alumnos de 4to grado en
base a lengua y literatura, utiliza una combinacin del modelo de valor aadido junto al modelo de regresin
lineal robusto por clusters (RLPRC). El autor resalta la importancia de los antecedentes familiares como input
de la funcin de produccin. Tambin, utiliz el mismo mtodo en muchsimos estudios para investigar por
ejemplo: el efecto del tamao de la clase en el rendimiento de estudiantes, el efecto de pares etc. Bajo el
esquema de conocer el efecto del tamao de la clase, Altinok and Kingdon (2009) realizan un estudio en 45
pases usando RLPRC y concluyen la existencia de bajo efecto del tamao sobre el rendimiento de los
alumnos. Otros autores que han utilizado RLPRC son Ammermueller and Pischke (2009) al evaluar el efecto de
pares, Ammermueller, Heijke, and Woessmann (2005) para funciones de produccin educativa en pases de
transicin, Fuchs and Woessmann (2007) al evaluar el rendimiento estudiantil en escuelas privadas y
autnomas; Schuetz (2009) al investigar el efecto de la educacin pre-primaria en el rendimiento educacional
ms avanzado. En este contexto, Wooldridge (2013), asegura que datos de educacin sobre estudiantes de
varias escuelas forman una muestra de clusters. As, los resultados dentro del clster parecen estar
correlacionados, permitiendo un efecto clster no observado que se torna muy importante. El autor resalta,
que en caso de datos en panel, la estimacin con efecto fijo es preferible cuando se piensa que este efecto
inobservable de clster esta correlacionada con una o ms variables explicativas. En este caso, se pueden
incluir variables explicativas que varen dentro del clster. Debido a que el tamao de los clusters por lo

4
Wooldridge, J. (2003). Cluster-Sample Methods in Applied Econometrics. The American Economic
Review, Vol. 93, No. 2. pp. 133-138.
Disponible en : http://people.stern.nyu.edu/wgreene/Lugano2013/Wooldridge-Cluster.pdf
10
general difiere, se requiere el mtodo de efecto fijo para datos de paneles desbalanceado. Por otro lado, si la
variable explicativa clave, se modifica nicamente a nivel de clster y no dentro de l, la estimacin por
efectos fijos, no es aplicable.
Finalmente, y a modo de resumen, la falta de control para la correlacin de los errores dentro del clster
puede llevar engaosamente a: errores estndares pequeos, intervalos de confianzas bastante reducidos,
estadsticos t grandes y valores p bajos. La necesidad de controlar este fenmeno aumenta, no solamente
cuando el tamao de la correlacin dentro del mismo lo hace, sino que tambin con el tamao de la
correlacin de los regresores dentro del clster y con el nmero de observaciones inserto en l tambin.

IV.1.2 VARIABLES INSTRUMENTALES

Es frecuente cuando se estudia en economa ciertas relaciones, que las variables que se involucran en estas,
no hayan sido medidas en forma precisa. Muchas de las variables macroeconmicas y microeconmicas son
aproximaciones que surgen de encuestas. Por ejemplo, en las encuestas de datos microeconmicos se
encuentran errores que se deben al encuestado, pues no ha respondido correctamente a las preguntas o las
ha interpretado mal. Otra fuente de imprecisin se puede considerar cuando se define una variable de algn
modo para un modelo especfico, pero los datos disponibles corresponden a un concepto medianamente
diferente. Este error en la medicin, ocasiona que las estimaciones convencionales de MCO sean sesgadas y
en caso de que la imprecisin en la medicin se deba a que la variable ha sido medida conceptualmente
diferente (de la verdadera variable), la idea es obtener datos ms apropiados, aunque a veces no es posible.
Una tcnica que ayuda a la problemtica anteriormente descripta, es la estimacin por Variables
Instrumentales (VI).
Antes de describir el proceso de estimacin, se analiza el trabajo de Becker (2010), quien realiza un resumen
de los tipos de problemas que justifican la utilizacin de VI como tcnica de estimacin. El primer problema
que analiza el autor es el de omisin de variable. Omitir una variable explicativa que se considera relevante en
el modelo planteado, ocasiona que los coeficientes estimados de las variables incluidas sean sesgados e
inconsistentes. Si bien Dougherty (2011), seala que en el caso excepcional de que la correlacin entre
variable omitida y la incluida en el modelo sea igual a cero, el estimador del coeficiente involucrado permanece
insesgado, Wooldridge (2013) advierte que la correlacin entre una sola variable explicativa y el error,
generalmente tiene como resultado final que todos los estimadores de MCO sean sesgados. Resalta, adems,
que la variable omitida no debera estar correlacionada ni con el error, ni con las variables explicativas que se
encuentran en el modelo y estas ltimas deberan ser independientes entre s (Corr Xi Xj = 0) i j (5). El
segundo problema analizado son los errores en las variables, adems de lo que se dijo anteriormente, el autor
destaca que variables explicativas inobservables para las cuales se desarrollan variables ndices dan lugar a
problemas de errores en las mismas. El tercer problema que viene a resolver la estimacin con VI es el de la
simultaneidad. Cuando la variable dependiente en una ecuacin acta tambin como variable explicativa en
otra ecuacin, se est en presencia ante un modelo de ecuaciones simultaneas. Las variables dependientes
son tambin llamadas variables endgenas y las que vienen determinadas por factores externos al modelo son
llamadas variables exgenas. Esta identificacin se torna muy importante en los modelos de ecuaciones
simultneas. Por ltimo, Becker (2010), Wooldridge (2013), aseguran que variables omitidas que estn
correlacionadas con variables explicativas incluidas en el modelo, la simultaneidad y los errores de medicin en
las variables son todos ejemplos de problemas de endogeneidad para los cuales una estimacin de una sola
ecuacin no es suficiente.
Siguiendo a Becker (2010), el problema de endogeneidad ocurre cuando una variable independiente se
relaciona con el trmino del error en el modelo poblacin del proceso de generacin de datos, lo que ocasiona
que los estimadores de los parmetros de MCO del modelo relevante sean sesgados e inconsistentes. Si el
proceso de generacin de datos poblacional es lineal y b ser un vector de MCO que contenga
los estimadores consistentes de .
Como se sabe para determinar b, las condiciones que se deben dar en un desarrollo matricial implica que XX
debe ser una matriz positiva y definida (si el tamao muestral n tiende a infinito, el autor la denomina Q) y
no debe existir relacin alguna entre el vector del error poblacional () y la matriz X variables independientes.

Si se cumple lo anterior entonces:

5
Una demostracin matemtica del Sesgo general por Omisin con k variables independientes intervinientes se puede
consultar en Wooldridge, J. (2013). Introductory Econometrics. A Modern Approach. 5ta Edicin. 3A . pag. 115-117.

11
 1
lim XX Q
n
n (5)

1
p lim X 0
n (6)

1
p lim b Q p lim X
1

n (7)
Por lo tanto si las variables explicativas (X) no se relacionan con el error, la distribucin muestral de cada uno
de los coeficientes (b) se aproxima a la poblacional a medida que n se incrementa. Pero si existe una
correlacin entre X y (), los estimadores de MCO no son estimadores consistentes de los entonces plim b
. El vector b es un estimador inconsistente por causa de regresores endgenos.
Estos problemas de endogeneidad pueden resolverse haciendo uso de variables instrumentales. Esencialmente
VI consiste en una semi-sustitucin de una variable explicativa defectuosa por una variable que est
altamente correlacionada con la anterior y adems que no tenga relacin alguna con el trmino del error.
Un anlisis matemtico y sencillo, lo podemos ver en Dougherty (2011), quien explica el uso de VI en un
modelo de regresin simple Yi = Xi Por alguna razn Xi tiene un componente aleatorio que no est
distribuido independientemente de . La estimacin de Y sobre X con MCO llevar a estimadores
inconsistentes de los parmetros. Por ello, se busca una variable Z, que est correlacionada con X pero no con
el trmino error. El estimador de VI de con Z como instrumento se define como:
n

(z i z )( yi y )
bVI i 1
n

(z
i 1
i z )( xi x )
(8)
Este estimador ser consistente si zx , covarianza poblacional entre Z y X, es cero. Este estimador tiene
distribucin normal asinttica. Por lo tanto a medida que n crece, la distribucin de VI converge a una
normal con media 2 y varianza dada por:
n

( y i y) 2 / n
sb2IV i 1
n
rx2, z ( xi x ) 2
i 1(9)
rx,z es la correlacin entre X y Z. De (9) se puede resaltar que si la correlacin fuera perfecta la varianza de
IV y de MCO seran las mismas y por otro lado si la relacin entre X y Z es dbil, la varianza de IV ser mayor
a MCO.
El autor resalta los 3 requerimientos que debe cumplir un instrumento:
1. Debera estar correlacionado con la variable que ser instrumentada y esa correlacin debera ser la
ms alta posible.
2. No debe estar correlacionado con el trmino del error.
3. No debera ser una variable explicativa que aparezca del lado derecho de la ecuacin.
Por otro lado, Becker (2010), resalta que se pueden usar todas las variables exgenas en el sistema para
predecir las variables endgenas y adems algunas de esas variables exgenas pueden an estar en la
ecuacin original de inters. Tambin acredita que las propiedades deseadas del estimador VI son todas
asintticas, por lo que hacer referencia a las propiedades de muestras chicas no es apropiado (x ejemplo el
estadstico t). Muestra que el estadstico apropiado para testear con VI es el estadstico Z, de la distribucin
normal estndar:
BVI
Z
SVI / n , para n grande (10)

12
En caso de tener multi-instrumentos, VI puede resultar ms eficiente si los instrumentos son usados como
grupos ms que individualmente. En este caso, entra en juego, lo que se conoce como Estimacin por Mnimos
Cuadrados en 2 etapas, que es un caso de VI con multi-instrumentos. El test de Hausman, Durbin y Wu para
la prueba de endogeneidad es uno de los ms utilizados para probar la existencia de regresores exgenos.
Por las ventajas que tiene para resolver problemas de medicin en variables y suplir la problemtica de sesgo
de omisin, algunos autores han utilizado este mtodo de estimacin en sus trabajos de economa de la
educacin. A modo de ejemplos se resumen algunos de ellos: Jrges and Schneider (2004), utilizan esta
metodologa para estudiar a estudiantes de 23 pases donde analizan las fuentes del rendimiento acadmico.
Analizan grupos de estudiantes, docentes, algunas medidas de la escuela. Utilizan adems de MCO, VI
logrando encontrar efectos positivos de las caractersticas de las familias, recursos escolares y caractersticas
de los profesores. Gunnarsson, Orazem, y Snchez (2006), investigan los efectos del trabajo infantil sobre el
rendimiento estudiantil, encontrando un efecto negativo sobre el rendimiento estudiantil en 10 pases. Por otro
lado Woessmann y West (2006) estudian el efecto del tamao de la clase sobre el rendimiento y concluyen
que el efecto beneficioso de un tamao de clase pequeo ha sido rechazado en 8 pases de 11 analizados y
resaltan que muchas investigaciones han resultado altamente sesgadas. Becker y Johnston (1999) estudian la
atencin en clase y el efecto de pares sobre el resultado de 2 tipos de pruebas. All identifican un problema de
simultaneidad al tratar de explicar resultados sobre un tipo de test (multiple-choice) con resultados de otros
tipos de pruebas (respuestas libres) en donde la causalidad es bidireccional. Encontraron que los estudiantes
con resultados ms altos en un tipo de prueba lo logran tambin en el otro tipo. Este es un problema de
simultaneidad que involucra la presencia de regresores endgenos. Vandenberghe y Robin (2004), estudian
las diferencias de la educacin privada y pblica en 9 pases, en base a resultados de pruebas de matemticas,
ciencias y lecturas de los estudiantes que participan en la prueba PISA, encontrando una asociacin
significativa favor de las escuelas privadas al medir el rendimiento educacional en algunos pases.
Ammermueller, Heijke, and Woessmann (2005), descripto en la seccin anterior, han utilizado VI para estimar
la FPE en pases de transicin.
Finalmente uno se puede quedar con el consejo de uno de los que ms ha desarrollado esta metodologa y es
Jerry Hausman, quien aconseja que If your instruments arent perfect, you could go seriously wrong.

IV 1.3 DATOS EN PANEL: EFECTOS FIJOS Y VARIABLES

El uso de datos en panel en economa de la educacin ha venido creciendo en los ltimos aos. Una razn
podra ser que se cuenta con una mayor cantidad de pruebas digitalizadas y de fcil acceso para observar los
cambios que se han dado a lo largo del tiempo en las mismas. Algo que se encuentra en la definicin es que
se considera que los individuos, empresas, pases etc. son intrnsecamente diferentes entre s. Siguiendo a
Becker (2010) en anlisis de datos en panel provee una estructura en la cual las mediciones sobre los
individuos de corte transversal son tenidas en cuenta a intervalos regulares a travs de varios perodos de
tiempo. Recoger datos de corte transversal de sujetos (individuos, empresas, escuelas, universidades etc.) a
travs del tiempo permite realizar un estudio de cambio. El autor resalta que los investigadores en economa
de la educacin manejan atributos no observables que llevan a estimadores sesgados en el anlisis de corte
transversal. Por ello, la principal ventaja del empleo de datos de panel consiste en la posibilidad de controlar la
heterogeneidad inobservable de los individuos. La consideracin de efectos (inobservables) temporales y/o de
variacin lenta puede resultar particularmente interesante. Siguiendo a Wooldridge (2002) y Perazzi (2010),
se puede resumir las siguientes ventajas y desventajas de esta metodologa. Las ventajas que se pueden citar
consisten que se tiene en cuenta la heterogeneidad no observable reduciendo posible sesgo, se posee mejor
calidad de datos al tener mayor variabilidad, grados de libertad y eficiencia. Por ende existen menos
problemas de posible multicolinealidad. Por otro lado permite estudiar las dinmicas de ajuste, modelos con
retardos. Identifica y cuantifica efectos que no posibles de detectar con datos de corte transversal o con
series de tiempo. Finalmente la agregacin puede ocultar caractersticas importantes de la variable en estudio.
Los datos panel reducen sesgo de agregacin, al recoger informacin de microunidades (individuos, firmas,
hogares), aumentando la precisin de las estimaciones. Dentro de las limitaciones, se pueden resaltar los
problemas de diseo y recoleccin de los datos. Muchas veces se tiene el problema de la falta de cobertura o
representatividad de la muestra para algunos perodos (attrition bias o perdida de unidades transversales por
muerte, mudanza, cambio de opinin hacia no participar, etc.) Otro problema son las distorsiones por errores
de medida y problemas de seleccin entre otros.
Con datos en panel se busca determinar si las variaciones observadas en y se deben a cambios en las
variables explicativas, tomando en cuenta las diferencias individuales.

13
De acuerdo a Becker (2010), una forma general para plantear un modelo con datos en panel donde las
variables son libres de cambiar a lo largo del tiempo y el error sigue la forma iid con E(it2|xit) = 2, podra
escribirse como

Yit = 1 + 2X2it + 3X3it +. . . + kXkit + it , for i = 1, 2,.I; y , t = 1, 2, T. (11)

Es un modelo con coeficiente constante porque el intercepto y las pendientes se asumen que no varan dentro
del segmento de datos de corte transversal o a travs del tiempo. Si esto es cierto, los parmetros pueden ser
estimados por MCO sin sesgo alguno, aplicando el conjunto de datos en panel. Sin embargo, esto no d por lo
que se requiere utilizar modelos de datos en panel con efectos fijos y aleatorios.
El modelo con efecto fijo permite que el intercepto vare entre instituciones o entre cualquier categora de
corte transversal que se considere en el estudio, mientras que los coeficientes de las pendientes se mantienen
y son los mismos para todas las instituciones o categoras. El modelo puede ser escrito como

Yit = 1i + 2X2it + 3X3it + it (12)

Donde 1i muestra que existe un intercepto separado para cada unidad. No existen restricciones respecto a
cmo vara el intercepto pero si el autor resalta la necesidad de independencia de it. Se puede adicionar una
dummy para cada una de las instituciones (o categora) a excepcin de la que se desea realizar la
comparacin.
Por otro lado, el modelo con efectos aleatorios permite que el termino del intercepto vari entre las unidades
pero existe una diferencia adicional que exige que esta variacin sea independiente de los valores de las otras
variables en el modelo. En este caso, se trata de un modelo de regresin con un intercepto que est sujeto a
perturbaciones puramente aleatorias (1i). El autor presenta una representacin del modelo para el caso de
dos variables explicativas.

Yit = 1i + 2X2it + 3X3it + it . (13)

1i = + vi with Cov[vi,(X1i2,X2it)] = 0 (14)

Si se inserta (14) en (13), se obtiene el modelo de efectos aleatorios

Yit = + 2X2it + 3X3it + it + vi (15)

Desviaciones del intercepto principal, , como vi no deben estar correlacionados con los regresores que
cambian con el tiempo y debe tener media nula. Dado que vi no vara en el tiempo, la varianza es fija. Esto es

E(vi| X2it, X3it) = 0 and E(vi2| X2it, X3it) = 2 (16)

El autor resalta que una importante diferencia entre los modelos de efectos fijos y aleatorios, es que los
regresores que no varan con el tiempo (por ejemplo el tipo de escuelas en estudios de economa de la
educacin) pueden ser insertos dentro de modelos con efectos aleatorios y no en modelos de efectos fijos. Es
as debido al supuesto de que la variacin del trmino constante es independiente de las otras variables, lo
que permite colocar el trmino vi en el error de la ecuacin. El modelo de efecto fijo puede ser estimado
eficientemente con MCO mientras que el modelo de efectos aleatorios requiere algn tipo de procedimiento de
mnimos cuadrados generalizados. MCG producir estimaciones asintticamente ms eficientes si el supuesto
de efectos aleatorios del modelo es correcto. El test de Hausman se ha popularizado para resolver esta
disyuntiva.
Dado que estos mtodos de estimacin han sido muy popularizados y existe una extensa bibliografa, se deja
al lector la posibilidad de consultar detalladamente los libros de econometra que figuran en la referencia.

14
 IV 1.4 OTROS MODELOS: DiD, VALOR AADIDO, REGRESIN POR CUANTILES, FRONTERA
ESTOCASTICAS DE PRODUCCIN

A - Valor aadido y Modelos en diferencias (DiD): como se dijo anteriormente los test scores han sido
utilizados en la literatura como uno de los principales herramientas para medir el output a nivel educativo. Ese
output es una variable continua Y que puede ser generado por un proceso que involucra un componente
determinstico (la media de Y, quien es en s misma funcin de algunas variables explicativas ( X1, X2 Xk) y
un componente del error puramente aleatorio v y . Siguiendo a Becker (2010) y Dougherty (2013), se
tiene:

Yit y vit Yit 1 2 X it 2 3 X it 3 4 X it 4 it

(17)

Donde Yit es el test score dela i sima persona en el momento t, el mismo anlisis se sigue para las variables
explicativas. Adems se supone que
vit ~ N (0, v2 )
y it (18) ~ N (0, 2 )
El modelo de Valor Aadido no es ms que una variante sencilla del modelo convencional descripto
anteriormente:
Yit Yit 1 1 2 X it 2 3 X it 3 4 X it 4 uit
(19)
Donde Yit-1 es el test score de la ith persona al momento t1. En caso de que una de las variables X es una
variable dummy binaria, que se incluye para capturar el efecto de un grupo tratado respecto del de control,
entonces el modelo recibe el nombre de difference in difference model. En este modelo ahora Yit se refiere al
tratamiento post test e Yit-1 al tratamiento pre test. Becker (2010), resalta que esta diferencia del test score
puede ser vista como una variable continua si se trata de test score convencionales, sin embargo si los test
son del tipo eleccin mltiple, esta diferencia est restringida al conjunto de nmeros enteros y est limitada
por el valor absoluto de la puntuacin mnima y mxima de la de la prueba. Resalta que, en este modelo en
diferencias, se suele olvidar las implicaciones de series de tiempo asociadas a la variable dependiente que
involucra dos perodos al hacer uso de datos de corte transversal. Estimar el modelo en una nica ecuacin
con MCO llevar a que los estimadores sean sesgados e inconsistentes si las variables explicativas y el trmino
del error se relacionan a lo largo del tiempo (problema de series de tiempo). El autor resalta la contribucin de
Hanushek (1986) , Alisson (1990) y resalta que los modelos a evitar son aquellos que posicionan este cambio
en el score sobre el lado izquierdo y los pre-tests sobre el lado derecho. Cualquier intento en regresar la
diferencia del test (post-test menos pre-test) sobre un pre-test score resultaran estimaciones sesgadas debido
al efecto de este ltimo. Una alternativa muy popular es usar este modelo de diferencias con estructura de
datos en panel. Respecto al modelo de Valor Aadido, Gamboa (2013) resalta que para entender esta
metodologa es importantsimo comprender la generacin de los datos para no caer en problemas de
autocorrelacin. Respecto a DiD, el autor resalta que para estimar el efecto del tratamiento, se deben
comparar las unidades tratadas vs. las no tratadas (Control) antes y luego del tratamiento. Esta estrategia
permite controlar por otros factores exgenos y no sobreestimar el efecto del tratamiento por lo que se
termina diseando un anlisis de regresin en el cual se pueden comparar los resultados.
Estos modelos suelen padecer de sesgo de seleccin muestral por lo que se recomienda aplicar la correccin
de Heckman. Al presentarse este problema se recurre, adems la ecuacin objetivo que se pretende estimar,
a una segunda ecuacin que se le suele denominar ecuacin de seleccin. Esta ecuacin posee una variable
dependiente discreta, midiendo as la probabilidad de estar en la muestra. El sesgo de seleccin muestral
surge cuando las muestras a disposicin de los investigadores no son "aleatorias o bien los datos no son
seleccionados de forma aleatoria por decisiones del propio investigador. Si lo que se desea es obtener
estimaciones no sesgadas, siempre debe considerarse este hecho. Heckman, realiz esta correccin para el
mercado de trabajo. El mtodo consiste en estimar en un primer paso un modelo tipo probit para calcular la
probabilidad de que un individuo decida o no estar ocupado. De esta estimacin se obtiene la razn inversa de
Mills (representa la magnitud del sesgo)6, la cual la se incorpora al modelo de regresin original como si
fuera una variable independiente. La significatividad de este coeficiente indica la magnitud del sesgo. Por lo
tanto los coeficientes estimados por MCO aadiendo la variable , que capta la magnitud del sesgo, son
consistentes pero con problemas de eficiencia que son mejorados con la estimacin por mxima verosimilitud.
Hoy en da existen varios softwares estadsticos que hacen la tarea ms sencilla.

6
Para ms detalle se puede consultar en http://www.soderbom.net/lecture15final.pdf

15
B. Regresin por cuantiles
Como es sabido MCO estima los parmetros minimizando la suma de los errores al cuadrado y lleva a una
aproximacin de la funcin media de la distribucin condicional de la variable dependiente. Sin bien nos
informa sobre la tendencia central de la distribucin, nada nos cuenta del comportamiento en las colas de la
misma. Un nuevo punto en el anlisis de regresin es el enfoque de regresin por cuantiles propuesta por
Koenker y Bassett en el ao 1978. De acuerdo a Sosa Escudero (2005), los modelos de regresin por cuantiles
intentan modelar el efecto que x tiene sobre toda la distribucin condicional de y, a diferencia de los modelos
de regresin estndar que, se concentran solo en la esperanza condicional. La regresin por cuantiles es
recomendada cuando la distribucin condicional no presenta la forma estndar sino por ejemplo, presenta
asimetras, o truncamientos. Como se sabe y de acuerdo a Ramoni Perazzi (2010), dada una variable aleatoria
y, con funcin de distribucin f(y), los cuantiles son puntos tomados a intervalos regulares de la funcin de
distribucin acumulada f(y) de la variable aleatoria y. Al dividir el conjunto de los datos ordenados, en Q

subconjuntos de igual tamao, se forman los cuantiles ( ) como los valores que limitan los subconjuntos
consecutivos. Dependiendo de la divisin, los cuantiles reciben diferentes nombres: Cuartil (4 partes): cada
segmento con 25% de la poblacin, Quintil (5 partes): cada uno con 20%, Decil (10 partes): cada uno con
10%, Percentil (100 partes): cada uno con 1%, etc.
Siguiendo a Sosa Escudero (2005) y Ramoni Perazzi (2010), la regresin por cuantil, implica modelar cuantiles
condicionales de la distribucin de la variable respuesta Q
y
| X , con
p
Q
y
| X j j

x x (20).7
j 1
El objetivo es determinar como el cuantil en la distribucin de y cambia ante variaciones marginales de x. El
primer autor resalta que los coeficientes () no estn restringidos a ser iguales entre s para distintos valores
de . El modelo expresado en (2.15) involucra a una familia de modelos de regresin, uno para cada cuantil
de la distribucin condicional. De ah que el mismo es conocido como modelo de regresin por cuantiles.

Por otra parte Con Q y | X /x = () se permite que el efecto de x sobre y vare en distintos lugares de la
distribucin condicional de y. Grficamente se podra pensar que el mtodo estima rectas para distintos
lugares de la distribucin condicional de y. Respecto de esto, Sosa Escudero (2005), resalta que un error
comn es pensar que el modelo propone distintas rectas para distintos niveles de la distribucin (no
condicional) de y. Por lo tanto k() se interpreta como el efecto que tiene una alteracin marginal en x sobre
el simo cuantil condicional de la distribucin de y. Este coeficiente depende explcitamente de , por lo que
x puede tener un efecto distinto para los diferentes cuantiles de la distribucin de y. Esto sugiere que las
variables explicativas pueden tener diferentes impactos sobre la variable dependiente .Es decir, el impacto
depende de la localizacin de la distribucin condicional. De acuerdo a Buchinsky (1998), Lee (2006) y Ramoni
Perazzi (2010) las ventajas que presenta este mtodo radican en que permite modelar cualquier nmero de
cuantiles condicionales sin riesgo de sesgo en la estimacin de los parmetros del modelo, pero debido
algunas restricciones al tamao de la muestra, solo algunos cuantiles podrn ser distintos. Tambin existe
robustez en la estimacin contra la posible presencia de heterocedasticidad y observaciones extremas, dado
que los parmetros de la regresin cuantil se estiman minimizando la suma de los valores absolutos
ponderados de residuos, en lugar de la suma de cuadrados de residuos y cuando la distribucin de errores no
es normal, entonces los estimadores de la regresin cuantil son ms eficientes que los estimadores de
mnimos cuadrados. Respecto a las desventajas, se dice que existe un alto grado de trabajo computacional.
Sosa Escudero (2005) asegura que la estimacin de estos modelos no es computacionalmente trivial y la
mayora de las veces involucra procesos de optimizacin no diferenciables. As la funcin objetivo no es

7
En el caso de una muestra aleatoria y1 , y2 ... yn , el cuantl estimado se puede obtener resolviendo el siguiente
min 1
problema de minimizacin: arg
n
n
y x
i 1
i i
.

16
diferenciable en el origen y por consiguiente no puede darse una solucin cerrada y no se cuenta an con un
buen desarrollo de la teora asinttica.
C. Fronteras estocsticas de produccin
La eficiencia tcnica se relaciona con la capacidad que tiene una firma para obtener la mxima produccin
posible con una tecnologa y una combinacin de insumos dadas. Si uno desea medir esta eficiencia, es
necesario analizar la tecnologa que va a determinar la cantidad mxima de produccin que puede ser
alcanzada con el esquema de insumos y compararla con la produccin que se podra obtener. La eficiencia se
puede medir aplicando las tcnicas de frontera estocstica de produccin, que relacionan la distancia que
existe entre una observacin y el valor que predice un modelo terico. La frontera de produccin provee el
lmite superior de las posibilidades de produccin y la combinacin insumo-producto, en la cual cada firma
puede estar localizada, ya sea sobre la frontera o por debajo de ella8.
El concepto de productividad se aplica en forma similar en el campo de la educacin. En esta rama se
pretende lograr resultados educativos eficientes en cada institucin educativa a partir de la utilizacin de los
distintos recursos disponibles. La mayora de los investigadores sostienen que el modelo de FEPE fue
utilizado en sus inicios por Aigner, Lovel y Schmidt, 1977; Battese y Corra, 1977; y Meeusen y Van den Broeck,
(1977). Para el caso de una unidad de decisin i (alumno) y si se asume una tecnologa de produccin tipo
Cobb Douglas, se estima la siguiente ecuacin:

(21)

Donde wi es una variable controlable por el hacedor de poltica, es decir un input escolar (ej. gasto por
alumnos), las xni son las variables dependientes no controlables (factores socioeconmicos, caractersticas de
los compaeros de clase y otros insumos escolares). El trmino vi es el ruido aleatorio, el cual se espera que
capture las caractersticas no observables en los alumnos, principalmente las habilidades innatas, pero tambin
as como algunas otras caractersticas familiares y escolares no observables. Ui es un trmino no negativo que
representa la ineficiencia productiva de la unidad i. vi ~ N (0 , 2v) ui ~ |N (0 , 2u)|, es decir ui 0, adems
ui y vi son independientes. Se estima el modelo utilizando el mtodo de mxima verosimilitud. La estimacin
del trmino de ineficiencia se toma como una medida de porcentaje sobre el cual una observacin en
particular no logra alcanzar la frontera.
De acuerdo a Carella (2009), las principales ventajas de este mtodo se basan en la posibilidad de evaluar la
significatividad de los parmetros estimados mediante los errores estndar. Adems, la autora asegura que no
incorpora errores de medicin ni efectos de shocks aleatorios en las medidas de eficiencia, dado que los
mismos entran en el trmino de la regresin y se trata de un modelo estocstico. Las limitaciones son
bsicamente dos: 1) cualquier error de especificacin se incorpora en el indicador de eficiencia y 2) no son
fcilmente aplicables en situaciones donde existen mltiples insumos y mltiples productos, cuestin
importante a tener en cuenta en modelos de economa de la educacin.

IV 2 - MTODOS NO PARAMTRICOS PARA ESTIMACIN DE LA FPE

Las investigaciones que miden la eficiencia y efectividad de las escuelas sobre el logro acadmico, se han
concentrado en el uso de tcnicas como: DEA (Data Envelopment Analysis) y Propensity Score Matching.

IV 2.1 - DEA (ANLISIS ENVOLVENTE DE DATOS)

El anlisis envolvente de datos ha sido utilizado en su gran mayora en estudios de eficiencia a nivel
universitario. La eficiencia econmica de las universidades ha sido medida por diversos mtodos,
principalmente por la metodologa DEA y en parte con el ndice de Malmquist, reseados en Salas y Gaymer
(2011)9. Lo fundamental cuando se evala la eficiencia de una institucin es preciso construir ordenadamente
una funcin de produccin que refleje el proceso productivo a travs del cual las unidades acadmicas
efectan esa transformacin de ciertos inputs en outputs. Una particularidad importante que tiene DEA es la
posibilidad de medir la eficiencia a travs de mltiples outputs. La seleccin de las variables es la fase ms
importante del desarrollo de una evaluacin mediante la tcnica DEA, debido a que los resultados dependen
en gran medida de la adecuada eleccin de las variables, para asegurar la confiabilidad de los mismos.

8
Mtodos de estimacin de Fronteras de produccin puede consultar a: Lewin, A.Y., and C.A.K. Lovell (eds.). 1990.
"Frontier Analysis: Parametric and Nonparametric Approaches." Journal of Econometrics 46 (Anales 1990-4)
9
Salas Vctor y Mario Gaymer (2011) Sntesis de mtodos de medicin de la eficiencia de las universidades. Departam ento
Economa Usach, diciembre 2011.
17
Muchos autores reconocen al creador del DEA a los investigadores Charnes, Cooper y Rhodes quienes
mostraron el desarrollo del mismo a fines de los aos setenta, ms especficamente en 1978. Se trata de un
mtodo no paramtrico, donde se utilizan medidas de productos e insumos para estimar, con tcnicas de
programacin lineal, un conjunto convexo que representa la frontera de eficiencia. De acuerdo a Trillo del
Pozo (2002), esta tcnica busca los mejores comportamientos en el sentido de Pareto de entre las muestras
de unidades, entendiendo como tal cada par (X,Y) de vectores de inputs y outputs pertenecientes a una
unidad. A partir de estos, se define una frontera formada por ellos mismos y sus combinaciones lineales.
Esta tcnica permite la evaluacin de la eficiencia relativa de un conjunto de unidades productivas
homogneas. Se construye una superficie envolvente, frontera eficiente o funcin de produccin emprica, a
partir de los datos disponibles del conjunto de unidades objetos de estudio, de modo que las unidades que
determinan la envolvente son denominadas Unidades Eficientes y aquellas que no permanecen sobre la misma
son consideradas Unidades Ineficientes.
Una explicacin ms detallada la podemos ver de Carello (2009), quien recomienda elegir primero unidades
de decisin (UD). As para cada unidad de decisin (UD), existe un programa lineal donde se buscan
combinaciones lineales de otras UD que produzca ms outputs dados los mismos insumos. Si no se puede
encontrar esa combinacin, se dice que la UD es eficiente. Si la UD resulta ineficiente, la misma metodologa
DEA ofrece una medida de eficiencia tcnica hacia donde la UD debera dirigirse para que sea eficiente. La
autora resalta que al ser no paramtrico, este mtodo no requiere especificacin de la forma funcional de la
funcin de produccin y no tiene problemas de especificacin. Se puede aplicar a situaciones donde existen
mltiples productos e insumos. Este ltimo detalle es una de las razones por la que su aplicacin se ha dirigido
a las funciones de produccin de nivel superior o Universitario. Gamboa (2013), resalta las ventajas y
desventajas de esta metodologa. A saber:
1. Ventajas
1.1. No requiere forma funcional de la Funcin de Produccin.
1.2. Permite hallar relaciones entre variables que otras metodologas (por ejemplo paramtricas) no
hallaban.
1.3. Permite mltiples insumos y productos.
1.4. Se pueden analizar las fuentes de la ineficiencia y cuantificarlas para cada firma.
2. Desventajas:
2.1. Sensible a las variables incluidas (inputs-outputs).
2.2. Pruebas de robustez no se pueden hacer.
2.3. El tamao del conjunto de firmas eficientes es funcin del nmero de insumos y productos.
2.4. No provee una medida de eficiencia absoluta sino relativa.

IV 2.2 - PROPENSITY SCORE MATCHING (PSM)

La introduccin del sesgo, como se ha resaltado anteriormente, puede deberse a que la diferencia observada
entre dos grupos sea a causa de su seleccin y a su tratamiento en s mismo. Becker (2010), asegura que PSM
es una aproximacin no paramtrica para evaluar el efecto causal de tratamientos (Causal Treatment
Effects)10. Es una alternativa al tratamiento de los datos a travs de la correccin de Heckman. ). Caliendo y
Kopeinig (2005), resaltan que PSM es aplicado a todas las situaciones donde se tiene un tratamiento, un grupo
de individuos tratados y un grupo de individuos no tratados. La naturaleza del tratamiento puede ser muy
diversa.
Gamboa (2013), asegura que al no disponer de un experimento, se pueden crear unidades ficticias de
individuos que podran haber recibido un tratamiento particular. Por lo general se tiende a tener sujetos lo ms
comparables posibles y el menor sesgo posible en las estimaciones. Por otro parte una idea del
funcionamiento de esta metodologa aplicada al sector de educacin la encontramos en Becker (2010). El
autor manifiesta que el inters principal del PSM es evaluar el cambio en el score despus de un tratamiento.
Denota O a la variable resultado o de inters (post-test score, cambio del score tec.) y T a las variables
tratamiento de tipo dummy, de manera tal que T = 1 para los individuos que han tratamiento y T = 0 para
aquellos que no lo han recibido. El experimento resulta de observar al individuo tratado (1) despus de
haber experimentado el tratamiento y al mismo individuo en la misma situacin sin experimentar el
tratamiento. Entonces el efecto del tratamiento ser la diferencia entre los 2 post-test scores. El problema es
que no se observa a O ex-post para el individuo tratado en ausencia del tratamiento. Se observa algunos
individuos que fueron tratados y otros que no. En esta misma lnea Caliendo y Kopeinig (2005), aseguran que

10
Otros autores hablan que el PSM es una aproximacin semi-paramtrica.

18
el primer problema surge porque se desea saber la diferencia en el resultado de los participantes con y sin
tratamiento, pero no se puede observar ambos resultados del mismo individuo al mismo tiempo.
Si los individuos que han experimentado el tratamiento fueran exactamente iguales a los que no lo han hecho,
se podra comparar las muestras aleatorias de los individuos tratados y no tratados, entonces cualquier
diferencia observada podra ser atribuida al tratamiento. Si la asignacin al tratamiento fuera perfectamente
aleatoria, la solucin a este problema sera sencilla. Sin embargo algunos mtodos de regresin estn
diseados para aquellos casos donde la asignacin no es aleatoria respecto a caractersticas no observables de
los individuos (habilidad, motivacin) que pueden estar relacionados a la asignacin del tratamiento, es decir si
han recibido o no el mismo. Sin embargo esos mtodos no responden otras cuestiones como ser si las
diferencias observables son sistemticas entre los individuos tratados o no tratados. El PSM es usado para
resolver esta cuestin. El mismo autor proporciona los siguientes detalles del PSM. SI x denota un vector de
caractersticas observables de los individuos antes del tratamiento y la probabilidad del tratamiento P(T=1|x)
= P(x). Como T es binaria, P(x) = E[T|x], es un modelo de probabilidad lineal. Si el tratamiento es aleatorio
dado x, entonces el tratamiento es aleatorio dado P(x), el cual bajo este contexto se llama propensity score.
Por lo general, no ser posible hacer coincidir los individuos sobre la base de todas las caractersticas de forma
individual - con caractersticas de medicin continua, como los ingresos. El Matching o Coincidencia se lo
realiza a travs del propensity score. Individuos con similares propensity scores se espera (en promedio) que
sean individuos con caractersticas similares. En general, para un individuo con propensity P(xi) y resultado Oi
la estrategia es localizar una observacin de control con propensity similiar P(xc) y con resultado Oc . El efecto
del tratamiento sobre el individuo tratado para este individuo se estima por la diferencia entre Oi Oc. Esto es
promediado entre los individuos para estimar el efecto promedio del tratamiento sobre el tratado.
Si bien el PSM puede ser realizado en algunos softwares de econometra como ser STATA, Becker (2010),
Caliendo y Kopeinig (2005) proponen los siguientes pasos para su estimacin:
1. Estimar la funcin del Propensity Score P(x) para cada individuo, ya sea corriendo un modelo probit y
logit para utilizar las probabilidades estimadas.
2. Establecer que los propensity scores promedios de las observaciones tratadas y de control son los
mismos dentro de ciertos rangos particulares de todos los propensity scores.
3. Establecer que los promedios de las caractersticas para el tratamiento y controles son las mismas
para observaciones en rangos especficos del propensity score. Se debe observar si el propensity
score funciona al hacer coincidir o emparejar individuos con caractersticas similares, al hacerlos
coincidir con sus propensity scores.
4. Para cada observacin tratada en la muestra, localizar una observacin de control similar de acuerdo
al propensity score. Computar el efecto del tratamiento Oi Oc. promediar esto entre las
observaciones para obtener el efecto promedio del tratamiento.
5. Para estimar los errores estndares para la estimacin, el paso 4 se repite con un conjunto de
bootstrapped muestras (muestras que se les aplica el proceso de bootstrapping).

Bajo este mismo esquema, Gamboa (2013), detalla que en el PSM se estima un modelo probabilstico de la
probabilidad que un individuo reciba el tratamiento en funcin de x variables. Es decir que se utiliza un
modelo de eleccin binaria para predecir la participacin en el tratamiento:
F 0 1 x1 2 x2 ... K xK F (x)
Prob(T = 1|x) = (22)

La eleccin de F puede corresponder a una distribucin normal o logstica. En el caso de ser un modelo Logit
tenemos que
exp(x)
Prob(T=1|x) =
1 exp(x) (23)
y para un modelo Probit

F (x) = (x) (24)

con (t) la funcin de distribucin normal. Tal como se defini anteriormente, el propensity score es la
probabilidad estimada de cualquiera de los modelos anteriores, por lo que para un individuo i, el propensity
score es

19

F xi Pi
(25)

Luego, entre ms cercano a los individuos (realmente tratados), mejor se hace la comparacin entre ambos. El
autor detalla que existen varios modelos de emparejamiento o coincidencias mtodos de emparejamiento:
Kernel, One-to-one, k-Nearestneighbors, Radius, Local linear regression, Spline, Mahalanobis. Un anlisis
extenso sobre los algoritmos para emparejamiento, lo podemos ver en el trabajo de Caliendo y Kopeinig
(2005), quienes presentan el siguiente resumen grfico:

Grfico N 1- Diferentes Algoritmos Matemticos

Fuente: Caliendo y Kopeinig (2005)

Tambin muestra como condiciones favorables lo siguiente: no impone la existencia de linealidad que existe
en la regresin lineal, el procedimiento elimina aquellas observaciones que no tienen parejas y como
limitaciones establece que debe tenerse un conjunto considerable de variables para controlar el
emparejamiento y evitar sesgos, no es verificable al 100% la ausencia de endogeneidad y existe una
dependencia de los criterios de distancia utilizados para emparejar a la poblacin.

IV 2.3 - OTRAS HERRAMIENTAS NO PARAMTRICAS

Una de las etapas bsicas y fundamentales en la aplicacin de Principios de Calidad Total (TQM) en la
Educacin es la definicin del Modelo del Sistema, caracterizado por una red multifuncional e interdependiente
que se materializa con la aplicacin del concepto de Cadena Cliente-Proveedor. Ella se define como la relacin
entre los individuos o grupos de individuos que reciben o se benefician con un proceso, Clientes; y aquellos
que originan resultados que representan entradas o recursos a dichos procesos, Proveedores.

De esta forma se definen los clientes / proveedores internos y externos del Sistema Educativo: Alumnos,
Maestros, Profesores, Padres, Administrativos, No Docentes, Auxiliares, Universidades, Empresas, Sociedad. La
aplicacin de TQM se fundamenta en la idea de identificacin de las necesidades de los Clientes internos
primordiales del sistema: Los Alumnos, y el grado de satisfaccin alcanzado en el aula. Es una tcnica no
paramtrica que ayuda a evaluar la eficiencia de la institucin educativa y por ende su FPE.

20
La economa del conocimiento ha introducido cambios en las funciones de produccin tradicionales. Incorpora
al capital intangible, el cual a travs de un cambio tecnolgico aumenta la capacidad productiva de todas las
funciones. Dentro de este marco se han desarrollado trabajos de investigaciones para la educacin superior y
bsica respecto a cmo gestionar el conocimiento. Minakota Arceo (2009) resalta que la gestin del
conocimiento en las instituciones escolares es un fenmeno del que se est tomando conciencia en forma
reciente y del que an no se puede hablar como un campo de conocimiento y prctica ya constituido. El autor
propone que para entender la gestin del conocimiento en la escuela se propone adoptar una perspectiva
epistemolgica que considera al conocimiento como accin, en un modelo de aprendizaje organizacional,
performance through learning, cuyo propsito central sea la mejora de los desempeos y el logro de
resultados. Khorasgani y Moazzeni (2011) versan sobre la gestin del conocimiento y sus implicaciones en la
productividad acadmica, haciendo foco sobre los modelos de cambios en la produccin del conocimiento
propuesto por Gibbons y el modelo comunitario de gestin del conocimiento para Irn. Los autores discuten
sobre las relaciones entre investigacin y productividad en la enseanza. Debido a la significancia que tiene la
educacin superior y sus instituciones relevantes en el conocimiento (Universidades y comunidades varias),
muestran algunos cuestionamientos sobre una posible reforma al sistema educativo universitario y su relacin
con la gestin del conocimiento.
Por ltimo, el uso de las llamadas redes neuronales han venido a mostrar una manera alternativa el uso de los
software para ayudar a estimar funciones de produccin. Satn Gonzalez (2003) define a las redes neuronales
artificiales como el resultado de los intentos por reproducir mediante computadoras el funcionamiento del
cerebro humano. Las RNAs han sido aplicadas con xito, por ejemplo, en el campo de la inteligencia artificial,
para el reconocimiento de voz y de escritura. En el rea de economa han sido aplicadas al campo de las
finanzas y tambin en la economa de la educacin. Las RNAs son una alternativa vlida a los mtodos de
anlisis envolventes de datos y de frontera estocstica descriptos anteriormente y cuya utilizacin principal ha
sido la eficiencia educativa.
Finalmente se debe aclarar que el investigador debe conocer la teora que fundamente su trabajo emprico, la
base datos con la que se cuenta, la determinacin especfica y correcta del problema de investigacin para
poder decidir que metodologa seguir en el abanico de posibilidades existentes. Tambin cabe resaltar que
algunos trabajos de investigaciones han mixturado dos o ms mtodos de los anteriormente descriptos para
lograr mejores resultados. Existen algunos modelos de estimacin que no han sido tratados y que podrn ser
objeto de investigacin en trabajos posteriores.

V- CONCLUSIONES

En el presente trabajo se pretendi mostrar la metodologa utilizada en la estimacin de la funcin de

produccin educativa. Se plasm como la misma puede ser asimilada a la funcin de produccin clsica bajo
ciertos condicionamientos. Se mostr la dificultad emprica a la hora de medir los componentes de la misma
(outputs e inputs) y en especial las diferencias existentes segn el nivel de educacin del que se trate.
Finalmente se sintetiz las herramientas estadsticas, paramtricas y no paramtricas que permiten la
estimacin de la funcin de produccin. Se resalt la importancia de conocer la teora por parte del
investigador, la base de datos que se dispone para poder decidir la metodologa a implementar, teniendo en
cuenta siempre las virtudes y desventajas que presentan cada una de ellas, con el propsito de lograr el mejor
resultado emprico posible.

VI- REFERENCIAS

AEDO I. , C., VARGAS S. , J. (1997). Economa De La Educacin: Una Historia Reciente, Un Futuro Plagado De
Desafos. Persona y Sociedad, XI (2), 11-25.
AGUILAR BROUGHTON, R. (1999). Economa y Educacin . Revista enfoque educacionales Vol2. N 1.
Departamento de Educacin. Facultad de Ciencias Sociales. Universidad de Chile.
AITKIN, M. y LONGFORD, N. (1986): "Statistical Modelling Issues In School Effectiveness Studies", Journal of
the Royal Statistical Society, Series A, n 149.
ALONSO, J. Y SOSVILLA RIVERO, S. (2006). Human Capital In Spain: An Estimate Of Educational
Attainment. Documento de trabajo N 2004/08. FEDEA, Espaa.
ALTINOK, N. y G. KINGDON (2009). "New Evidence On Class Size Effects: A Pupil Fixed Effects Approach."
CSAE Working Paper WPS/2009-16. Oxford: Centre for the Study of African Economies. Universidad de Oxford.

21
AMMERMUELLER, A. , H. HEIJKE, Y L. WOESSMANN (2005). "Schooling Quality In Eastern Europe: Educational
Production During Transition." Economics of Education Review 24, no. 5: 579-599.
AMMERMUELLER, A. Y J. PISCHKE (2009). "Peer Effects in European Primary Schools: Evidence from the
Progress in International Reading Literacy Study." Journal of Labor Economics 27, no. 3: 315-348.
AMMERMLLER, A. (2004). PISA: What Makes the Difference? Explaining the Gap in PISA Test Scores
Between Finland and Germany. Discussion Paper N 4-04. ZEW (Centre for European Economic Research).
Alemania.
ANUARIO ESTADISITICAS UNIVERSITARIAS 2011. Departamento de Informacin Universitaria, de la
Secretara de Polticas Universitarias (SPU), del Ministerio de Educacin de la Nacin.
BABALOLA,J.B.(2003). Fundamentals of Economics of Education ,in J.B. Babalola (Ed). Deparment of
Educational Management, University of Ibadan.
BARNETSON, B (1999). Key performance indicators in Higher Education. Alberta Colleges and Institutes
Faculties Association. Alberta, Canad.
BECKER, G. S. (1964). Human Capital: A Theoretical And Empirical Analysis, With Special Reference To
Education. National Bureau of Economic Research. Nueva York.
BECKER, W. (2010). Data-Generating Processes. Modulo I. The American Economic Association.
BECKER, W. (2010). Issues Of Endogeneity And Instrumental Variables In Economic Education Research.
Modulo II. The American Economic Association.
BECKER, W. Y C. JOHNSTON (1999).The Relationship Between Multiple Choice and Essay Response Questions
in Assessing Economics Understanding. Economic Record (Economic Society of Australia), Vol. 75
(December): 348-357.
BECKER, W. y W. Greene (2010). Sample Selection In Economic Education Research. Modulo IV. The
American Economic Association.
BECKER, W., W. Greene y J. J. Siegfried (2010). Panel Data Analysis In Economic Education Research.
Modulo III. The American Economic Association.
BOWLES, S. y LEVIN, H. (1968a): "The Determinants Of Scholastic Achievement -An Appraisal Of Some Recent
Evidence", Journal of Human Resources, vol. III, n 1, pp. 3-24.
BOWLES, S. y LEVIN, H. (1968b): "More On Multicollinearity And The Effectiveness Of Schools", Journal of
Human Resources, vol. III, n 3.
BURKHEAD, J., FOX, T. y HOLLAND, J. (1967): Input And Output In Large-City High Schools, Syracuse
University Press, Syracuse, Nueva York.
CALDERN M, M. RIOS ROLLA Y CECCARINI M. (2008). Economa De La Educacin. Editorial Universitaria.
Universidad Nacional de Cuyo.
CALERO J., CHOI A. y WAISGRAIS S. (2009) Determinantes Del Rendimiento Educativo Del Alumnado De
Origen Nacional E Inmigrante En PISA-2006. Cuadernos Econmicos del ICE N78. Barcelona.
CALIENDO, M. Y S. KOPEINIG (2005). Some Practical Guidance for the Implementation of Propensity Score
Matching. Disussion Paper N 1588- IZA Institute for the Study of Labor. Bonn. Alemania.
CAMERON, A. Y MILLER D. L. (2010). Robust Inference with Clustered Data. Department of Economics,
University of California - Davis. Estados Unidos.
CARNOY, M. (2006). Economa De La Educacin. Editorial UOC. Barcelona.
COLEMAN, J y otros (1966): Equality Of Educational Opportunity, 2 vols., US Government Printing Office,
Washington, DC
COTTRELL, A. Y R. LUCCHETTI (2014). Gretl User Guide. Gnu Regression, Econometrics and Time-series
Library.
DELFINO, J. A. (1989). Los Determinantes Del Aprendizaje, en A. H. Petrei (ed): Ensayos en Economa de la
Educacin, ed del autor, Bs. As.
DEUTSCH, J. y SILBER J. (2009). Estimating an Educational Production Function for Five Countries of Latin
America on the basis of the PISA data. A report on a research project funded by the RBLAC-UNDP 2009
Regional Report on Inequality in Human Development.
DI GRESIA, L. Y A. PORTO (2004). Dinmica del Desempeo Acadmico, Documento de Trabajo Nro. 49,
Departamento de Economa de la Universidad Nacional de La Plata.
DI GRESIA, L., A. PORTO Y L. RIPANI (2002). Rendimiento de los Estudiantes de las Universidades Pblicas
Argentinas, Documento de Trabajo Nro. 45, Departamento de Economa de la Universidad Nacional de La
Plata.
DI GRESIA, L., M. FAZIO, A. PORTO, L. RIPANI Y W. SOSA ESCUDERO (2005). Rendimiento y Productividad
de los Estudiantes. El Caso de las Universidades Pblicas Argentinas, en Porto, A. (editor) Economa de la
Educacin Universitaria: Argentina-Brasil-Per, Editorial de la Universidad Nacional de La Plata, La Plata.

22
DIAZ C. (2006). Universidades Indianas Del Perodo Colonial. Facultad de Ciencias Sociales y Econmicas.
Pontificia Universidad Catlica Argentina, Santa Mara de los Buenos Aires. Departamento de Economa.
Documento de Trabajo N 13.
DICKEY, S. y HOUSTON R. (2010). Estimation of the Education Production Function of Macroeconomics.
University of Kentucky, USA
DINIECE (2011). Definiciones a la estructura del Sistema Educativo. GLOSARIO. Ministerio de Educacin de
la Nacin Argentina.
DOLTON P, O. MACERANO Y NAVARRO L. (2001).The Effective Use of Student Time: A Stochastic Frontier
Production Function Case Study Centre for Economics of Education. London School of Economics and Political
Science. Economic Review, vol. 67 nm. 4. (Sept).
DOUGHERTY, C. (2011). Introduction To Econometrics. 4ta Edicin. Oxford University Press. Nueva York.
Dowling, A. (2008). Output Measurement In Education. Policy Analysis and Program Evaluation Unit.
Australian Council for Educational Research (ACER).
ECONOMICS OF EDUCATION. M.A Education Course. Mumbay University, India. 2012.
FERNADEZ LAMARRA, N. (2002). La Educacin Superior En Argentina. Proyecto Observatorio de la Educacin
Superior. IESALC.
FERREYRA, M. G. (2007). Determinantes del Desempeo Universitario:Efectos Heterogneos en un Modelo
Censurado. Tesis de Maestra Universidad Nacional de La Plata.
FRIEHS, B. ( 2004). Knowledge Management In Educational Settings. Working Paper.
FUCHS, T., Y L. WOESSMANN (2004)."Computers And Student Learning: Bivariate And Multivariate Evidence
On The Availability And Use Of Computers At Home And At School". Brussels Economic Review 47, no. 3/4:
359-385.
GAMBOA, L. (2013). Mini Curso De Economa De La Educacin. Facultad de Economa. Universidad Federal
Fluminense (UFF). Niteroi, RJ, Brasil.
GARCA DE FANELLI, A. (2001). Los Indicadores En Las Polticas De Reforma Universitaria Argentina: Balance
De La Situacin Actual Y Perspectivas Futuras. CEDES
GARCIA, T (1993). La Evaluacin Y El Control De La Eficiencia En La Universidad. Tesis doctoral. Facultad de
Ciencias Econmicas y Empresariales. Universidad de Cdiz. Espaa.
GERTEL, H., GIULIODOR R Y OTROS (2006). Anlisis Multinivel Del Rendimiento Escolar Al Trmino De La
Educacin Bsica En Argentina. Instituto de Economa y finanzas. Facultad de Ciencias Econmicas.
Universidad Nacional de Crdoba.
GMEZ SANCHO, J. M. Y M. J. MACEBN TORRUBIA (2012). La Evaluacin De La Eficiencia De Las
Universidades Pblicas Espaolas: En Busca De Una Evaluacin Neutral Entre reas De Conocimiento.
Instituto de Estudios Fiscales. Presupuesto y Gasto Pblico 67/2012: 43-70.
GONZALEZ, P. (2006). La Educacin Superior: Un Bien Pblico?. Universidades, nm. 32, julio-diciembre,
2006, pp. 23-26.Unin de Universidades de Amrica Latina y el Caribe. Organismo Internacional.
GUNNARSSON, V., P. F. ORAZEM, Y M. A. SNCHEZ (2006). "Child Labor And School Achievement In Latin
America." World Bank Economic Review 20, no. 1: 31-54.
HANCHANE, S. y MOSTAFA T. (2010). Endogeneity Problems in Multilevel Estimation of Education Production
Functions: an Analysis Using PISA Data. LLAKES Research Paper N 14. Institute Of Education. University Of
London.
HANUSHEK E, S. RIVKIN Y KAIN F. (2005). Teachers, School And Academic Achievement. Econometrica Vol
73 N 2, pp 417.458
HANUSHEK, E. (1972): Education And Race: An Analysis Of The Educational Production Process, Heath-
Lexington, Cambridge, MA.
HANUSHEK, E. (1986): "The Economics Of Schooling: Production And Efficiency In Public Schools", Journal of
Economic Literature, vol. XXIV, septiembre, pp. 1141-1177.
HANUSHEK, E. (1989): "The Impact Of Differential Expenditures On School Performance", Educational
Researcher, 18, pp. 45-51.
HANUSHEK, E. Y L. WOESSMANN (2010). The Economics of International Differences in Educational
Achievement. Discussion Paper No. 4925. IZA. The Institute for the Study of Labor. Bonn. Alemania.
JOHNES J. (2003). Measuring The Efficiency Of Universities: A Comparison Of Multilevel Modelling And Data
Envelopment Analysis. The Department of Economics Lancaster University Management School Lancaster.
Reino Unido. UK
KAIN, J. y HANUSHEK, E. (1968): "On the value of equality of educational opportunity as a guide to policy",
Discussion Papers n 36, Program on Regional and Urban Economics, Harvard University, Cambridge,
Massachusetts.

23
KHORASGANI A. Y MOAZZENI A. (2011). Higher Education and Knowledge Management. International
Journal of Information Science and Management.
KIESLING, H. (1967). "Measuring A Local Government Service: A Study Of Schools Districts In New York
State", Review of Economics and Statistics, vol. XLIX.
KLEIN, C. (2007). Efficiency Versus Effectiveness: Interpreting Education Production Studies. Department of
Economics and Finance Working Paper Series. Middle Tennessee State University, Murfreesboro, TN. USA.
KOENKER, R (2005). Quantile Regression, Cap.1 y 2, Cambridge University Press, Cambridge.
KRUEGER, A. (1999). Experimental Estimates Of Education Production Functions. The Quarterly journal of
economics, vol114 N2, pp 497.532.
KRGER, K (2006). El Concepto De Sociedad Del Conocimiento. Revista bibliogrfica de geografa y ciencias
sociales, (XI), (683).
KWOK TONG, S. (2009). Estimating The Production Function Of University Students. Lancaster University
Management School.
LASSIBILLE, G. Y M. L. NAVARRO GMEZ (1983). Funciones De Produccin En Los Centros De Enseanza
Superior Franceses. Cuadernos de Ciencias Econmicas y Empresariales, N 12. pgs. 59-85.
LASSIBILLE, G. y NAVARRO GOMEZ, M. (2004) Manual de Economa de la Educacin. Teora y Casos
Prcticos Ediciones Pirmides.
LEVIN, H. (1996): "Aumentando La Productividad Educativa", en GRAO e IPIA (eds.) (1996), pp. 47-62, pg.
49.
MACERANO, O. (2002). Los Estudiantes Universitarios Y El Uso De Su Tiempo: Una Funcin De Produccin
Educativa. Tesis doctoral. Universidad de Mlaga, Espaa.
MARADONA, G. Y CALDERON, M. (2002) Una Aplicacin Del Enfoque De La Funcin De Produccin En
Educacin Working Paper.
MINAKATA ARCEO A. (2009). Gestin Del Conocimiento En Educacin Y Transformacin De La Escuela. Notas
Para Un Campo En Construccin. Revista Electrnica Sinectica. ITESO.
MOHAMMAD POUR H. y K. YESHODHARA (2009). Total Quality Management In Education- Perception Of
Secondary School Teachers. Working paper.
MORDUCHOWICZ, A. (2004). Discusiones de economa de la Educacin. Edicin Losada. Buenos Aires.
NICHOLLS, J (1992). Academic Development And Quality Control. Presentacin en Seminario: Los cambios
en la educacin superior. Montevideo
NIETO POTES M. (2005). Produccin Y Gestin Del Conocimiento En La Actividad Acadmica. Revista
Escuela de Administracin de Negocios N 053. Bogot. Colombia. Pp 36-51.
ORGANISATION FOR ECONOMIC CO-OPERATION AND DEVELOPMENT (2000). Knowledge Management In
The Learning Society. Centre for educational research and innovation.
PACKALEN, M Y T. WIRJANTOZ (2010). Inference About Clustering And Parametric. Assumptions In
Covariance Matrix Estimation. Department of Economics, University of Waterloo, Canad.
PEREZ LINDO, A (1990). Evaluacin Del Rendimiento De Las Universidades. En Propuesta
educativa.FLACSO Ao 2, nmero 2.
PEREZ LOPEZ, C. (2008). Econometra Avanzada. Tcnicas y Herramientas. 1era Edicin. Pearson Education
S.A. Espaa.
PETRIDES L. Y NODINE T. (2003). knowledge management in education: Defining de Landscape. The
Institute for the Study of knowledge management in education. California USA.
PINEDO HERRERA, P (2001). Economa de la educacin: una disciplina pedaggica en pleno desarrollo.
Revista Teora de la Educacin 12, pp. 143-158. Ediciones Universidad de Salamanca.
PORTO A. ET. AL. (2005). Economa De La Educacin Universitaria Argentina, Brasil Y Per. Universidad
Nacional de La Plata.
PORTO, A. y DI GRESIA, L. (2004). Rendimiento De Estudiantes Universitarios Y Sus Determinantes. Revista
de Economa y Estadstica Vol. XLII - Instituto de Economa y Finanzas - Facultad de Ciencias Econmicas.
Universidad Nacional de Crdoba - Argentina
PSACHAROPOULOS, G. (2004). Economics Of Education: From Theory To Practice Brussels Economic
Review. Vol 47. N 3/4. Autumn Winter 2004.
RABBANI KHORASGANI A. Y A. MOAZZENI (2011). Higher Education and Knowledge Management.
International Journal of Information Science and Management. IJISM Vol. 1, No. 2 (Vol. 9, No. 2).
RAMONI PERAZZI, J. (2010). Introduccin A Los Modelos De Regresin De Datos Panel: Modelo De Efectos
Fijos. Modelo De Efectos Aleatorios. FCE. Universidad de Los Andes. Venezuela.
RAMONI PERAZZI, J. (2010). Introduccin A Los Modelos De Regresin Cuantil. FCE. Universidad de Los
Andes. Venezuela.

24
RODRIGUES L, MACCARI E y DE ALMEIDA M. (2004). Knowledge Management In Higher Education: The
Busioness-Side Performance. In: THE INTERNET SOCIETY 2004, 2004, Skiathos (Greece). Proccedings do The
Internet Society: Adavances in Learning,
SALAS VELASCO, M. (2008). Economa De La Educacin. Prentice-Hall. Espaa.
SANTN GONZALEZ, D. (2003). La Estimacin De La Funcin De Produccin Educativa En Valor Aadido
Mediante Redes Neuronales: Un Aplicacin Para El Caso Espaol. Instituto De Estudios Legales. Universidad
Complutense de Madrid.
SCHMIDHEINY. K. (2013). Clustering In The Linear Model. Universitat Basel.
SCHUETZ, G. (2009). "Does The Quality Of Pre-Primary Education Pay Off In Secondary School? An
International Comparison Using PISA 2003." Ifo Working Paper 68. Institute for Economic Research. Munich.
Alemania.
SOSA ESCUDERO, W (2005). Perspectivas y Avances Recientes en Regresin por Cuantiles, en Marchionni,
M. (editora) Progresos en Econometra, Editorial de La Asociacin Argentina de Economa Poltica, Buenos
Aires.
SOSA ESCUDERO, W. (2005). Aproximaciones Econmicas Y Economtricas Para La Problemtica Educativa
Documento de trabajo N17. Conferencia en el mbito del seminario permanente de investigacin de la
maestra en educacin de la UDESA.
SOSA ESCUDERO, W., O. ARIAS Y K. HALLOCK (2001). Individual Heterogeneity in the Returns to Schooling:
Instrumental Variables Quantile Regression Using Twins Data. Cornell University ILR School Collections.
Estados Unidos.
TODD, P. Y WOLPIN K. (2009). On the Specification and Estimation of Production Function for Cognitive
Achievement. Departament of Economics. University of Pennsylvania.
VANDENBERGHE. V. Y S. ROBIN (2004). "Evaluating The Effectiveness Of Private Education Across Countries:
A Comparison Of Methods." Labour Economics 11, no. 4:487-506.
VARELA SALAS L. Y BACA PUMAREJO J. (2010): La Gestin Del Conocimiento, en Contribuciones a las
Ciencias Sociale. Disponible en www.eumed.net/rev/cccss/10/
VILASECA J. Y D.CASTILLO (2008). Economic Efficiency of Elearning in Higher Education: An Industrial
Approach. Revista Electrnica Intangible Capital, 2008 4(3): 191-211. Espaa.
WALBER, H. (2003). Improving Educational Productivity. Institute of Education Sciences (ED). Washington
DC, USA.
WALCKIERS, A. (2004). Multi-Dimensional Screening And University Output, Part Two: Should Universities
Produce Both Research And Teaching?. Working Paper. Universit libre de Bruxelles. Blgica.
WATTS, M. (2012). New and Enduring Topics and Trends in Economic Education Research. Presented at the
Korea Economic Education Association International Conference. Sel, Korea.
WELCH, F. (1966): "Measurement of the quality of schooling, the Economics of Education", American
Economic Review, vol. LVI, n 2, mayo, pp. 379-392.
WOESSMANN, L. Y M. R. WEST (2006). "Class-Size Effects In School Systems Around The World: Evidence
From Between-Grade Variation In TIMSS." European Economic Review 50, no. 3: 695-736.
WOODHALL, M. (1985). Economics of Education. The International Encyclopedia of Education. Printe-Hall,
New York
WOOLDRIDGE, J. (2013). Introductory Econometrics. A Modern Approach. 5ta Edicin. South Western.
Estados Unidos.
WOOLDRIDGE, J. M. (2003). Cluster-Sample Methods in Applied Econometrics. The American Economic
Review, Vol. 93, No. 2, Washington, DC pp. 133-138. Estados Unidos.
WOOLDRIDGE, J.M. (2002.: Econometric Analysis of Cross Section and Panel Data. The MIT Press,
Cambridge.
XAVIER PINTO, C. (2007). Semiparametric Estimation Of The Education Production Function And The Peer
Effects. Department of Economics, University of California Berkeley. California USA.

25