Meritocracia y Educación LARGO
Meritocracia y Educación LARGO
Meritocracia y Educación LARGO
y educación:
MOVILIDAD SOCIAL Y
DESIGUALDAD DE
Informe COTEC
OPORTUNIDADES
septiembre 2023
meritocracia
y educación:
MOVILIDAD SOCIAL Y
DESIGUALDAD DE
OPORTUNIDADES
Autores
Visualización de datos:
Comité Asesor:
Coordinación:
DI
meritocracia 9
Conceptos, percepciones y argumentos
en el debate público 10
CE
Fuente de datos pisa 2018 14
I. Movilidad social 18
¿Hasta qué punto el rendimiento educativo en
la adolescencia está determinado por el nivel
socioeconómico familiar?
conceptos 19
técnicas e indicadores 20
resultados 23
Situación en España 24
4
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
in
tro
duc
ción
5
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En las últimas décadas, la mayoría de los nueva forma de privilegio? ¿Hasta qué punto
países desarrollados ha experimentado una las políticas públicas actuales promueven real-
creciente desigualdad de ingresos que plantea mente la igualdad de oportunidades?
interrogantes sobre la meritocracia y la movili-
dad social. Al mismo tiempo que las desigual- En el núcleo de estas cuestiones se encuentra
dades han aumentado, el ideal de que el éxito el papel que juega la educación como uno de
económico y social se basa únicamente en los los pilares de la meritocracia. La transforma-
logros y méritos personales ha ido, lentamente, ción educativa ocurrida a lo largo del siglo XX
desvaneciéndose. Pocas personas se oponen mediante la universalización de la educación
a la idea de que las recompensas económicas primaria y secundaria, así como la democra-
y sociales se encuentran mejor repartidas si tización de la formación universitaria, marcó
atendemos al esfuerzo y al mérito, en lugar de un avance fundamental para la difusión de
a la cuna y a la herencia (Castillo et al., 2021). oportunidades en la población. Como resul-
Sin embargo, muchos perciben que la meri- tado, la capacidad de ascender socialmente
tocracia no opera (ni quizás nunca lo hizo) de depende en la actualidad considerablemente
esta manera (Markovits, 2019; Sandel, 2020; de las competencias adquiridas mediante la
Barragué et al., 2022). Tras este desencanto se educación (Gunderson & Oreopolous, 2020;
encuentra la aparente ineficacia de las políticas Dodin et al., 2022). Desde esta perspectiva,
meritocráticas para abordar la falta de movili- parece incontestable que el sistema educativo
dad social (Arrow et al., 2000). Las economías ha sido un instrumento igualador fundamental
modernas han sido incapaces de distribuir para mitigar la desproporcionada importan-
las ganancias del crecimiento económico de cia de los privilegios de cuna y promover una
manera equitativa entre los distintos miembros distribución de oportunidades basada (al me-
de la sociedad (Blanchet et al., 2022). Dicho nos parcialmente) en el mérito. Sin embargo,
aumento de las disparidades económicas esta creciente relevancia de la educación en
se siente cada vez más intolerable porque las sociedades contemporáneas implica que
perjudica de manera sistemática a las clases también puede perpetuar las desigualdades
medias y trabajadoras (Rodrik, 2021). Es por económicas en lugar de combatirlas (Blanden
esto que la idea meritocrática de igualdad de et al., 2022). Cuando el aprendizaje y las opor-
oportunidades choca con la realidad de una tunidades educativas se reparten en función
movilidad intergeneracional limitada (Chetty de la renta familiar u otras circunstancias, los
et al., 2014; Soria-Espín, 2022). Este creciente sistemas educativos contemporáneos pueden
resentimiento hacia la concepción actual de la limitar la movilidad social de los que provienen
meritocracia nos plantea algunas preguntas de entornos más desfavorecidos. Por lo tanto,
importantes: ¿Se está recompensando real- comprender cómo los sistemas educativos
mente el mérito o se trata simplemente una contemporáneos compensan las desventajas
6
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
8
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
merito
cracia
9
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Cuando hablamos de meritocracia, nos referi- Pese a su origen distópico y el reciente au-
mos comúnmente a un sistema en el que las mento de críticas contra ella, lo cierto es que
personas son seleccionadas y promovidas el ideal meritocrático todavía goza de bastante
a posiciones de éxito, poder o influencia en popularidad entre las sociedades contempo-
función de sus habilidades y méritos demos- ráneas. Por un lado, la evidencia indica que las
trados. Aunque el término tiene connotaciones personas generalmente consideran el ideal de
positivas debido a su origen etimológico, la la meritocracia como un sistema de reparto y
concepción de la meritocracia nace con una distribución moralmente deseable (Cappelen et
carga negativa en el libro "The Rise of Merito- al., 2010; Castillo et al., 2021).1 Por otro, la per-
cracy" de Michael Young (1958). En esta sátira, cepción social de que el esfuerzo y la ambición
se presenta una Gran Bretaña distópica donde importan más que las circunstancias para “as-
los gobernantes pertenecen a una élite cogni- cender” socialmente se encuentra ampliamen-
tiva seleccionada según la fórmula de mérito = te extendida (Castillo et al., 2021; Mijs, 2018).
inteligencia + esfuerzo. Concebida en estos tér-
minos, la meritocracia perpetúa una sociedad A pesar de contar con un aparente apoyo po-
jerárquica y elitista marcada por la segrega- pular, la concepción actual de la meritocracia
ción educativa desde una edad temprana y una causa cada vez más división social. Es cierto
obsesión por la cuantificación del mérito. que, en términos abstractos, la ciudadanía
generalmente respalda el reparto de recom-
Quizás como consecuencia de la creciente pensas según el talento y el esfuerzo. Muchos,
desigualdad e inseguridad económica que ha sin embargo, se encuentran desencantados
tenido lugar a lo largo de la década de 2010, con la incapacidad de las políticas públicas
la concepción de la meritocracia se enfrenta para promover la igualdad de oportunidades, lo
actualmente a un renovado escrutinio y crítica que deslegitimaría a la meritocracia desde un
social, como se aprecia en la popularidad de punto de vista moral. Esta tensión (la ausencia
varios ensayos recientes destinados a desmi- de una “verdadera meritocracia”, pero la creen-
tificarla (Markovits, 2019; Sandel, 2020; Barra- cia en la misma) sería además peligrosa desde
gué et al., 2022). Este creciente escepticismo un punto de vista ideológico. Si las desigual-
sobre la meritocracia podría suponer una dades materiales se atribuyen exclusivamente
pérdida de su popularidad como ideal desea- al mérito, un aumento de las brechas econó-
ble, y nos plantea varias preguntas: ¿Hasta qué micas generará menor preocupación, ya que
punto la meritocracia se sigue percibiendo, a se entenderá como una señal de que los más
día de hoy, como un sistema de selección y desaventajados deben simplemente esforzar-
reparto positivo? se más o aceptar sin rechistar su situación
personal (Arrow et al., 2000).
1. Por ejemplo, Cappelen et al. (2010) estudian las preferencias distributivas del alumnado universitario. Para ello, los autores consideran cuatro visiones
distributivas: i) el “igualitarianismo” (i.e., reparto puramente equitativo de la tarta), ii) la “meritocracia” (i.e., reparto según el esfuerzo y el talento), iii) la “visión
de control-responsabilidad” (i.e., reparto según el esfuerzo) y (iv) la visión “libertaria” (i.e., reparto de la tarta según tanto la suerte como el esfuerzo y el talento).
Los resultados del experimento indican que la visión meritocrática es la más popular entre los estudiantes.
10
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
13
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
fuente
de
datos
pisa 2018
14
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Nuestro análisis se basa en microdatos de las importancia pública y política que se les atribu-
pruebas PISA 2018 (“Programme for Inter- ye a las pruebas, lo que limita en cierta manera
national Student Assessment”). PISA es una las comparaciones entre sistemas educativos.
evaluación estandarizada a nivel internacional
destinada a medir las competencias en mate-
máticas, lectura y ciencia entre estudiantes de
15 años. Impulsada por la OCDE desde el año
2000, la prueba se realiza cada tres años. En
2018 contó con alrededor de 600.000 estu-
diantes de 79 países y “economías regionales”.
16
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
17
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Movilidad
social
¿Hasta qué punto el
rendimiento educativo
en la adolescencia está
determinado por el nivel
socioeconómico familiar?
I.
18
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
llo económico general de una nación, dado que A continuación, describimos brevemente el
permite mejorar la mano de obra cualificada enfoque empírico que hemos tomado en este
y competitiva que impulsa la productividad, la estudio para medir tanto la movilidad educa-
innovación y el crecimiento sostenible (Chetty tiva absoluta como la relativa junto con otros
et al., 2014; Hertz, 2008). indicadores de movilidad social, para después
mostrar los resultados obtenidos para los dife-
Siguiendo la línea de la literatura reciente en rentes países y comunidades autónomas.
el ámbito de la movilidad social (Chetty et al.
2014; Hilger, 2015; Dodin et al., 2022), defini- Movilidad social: Técni-
mos dos conjuntos de indicadores de movili- cas e indicadores
dad social con el objetivo de distinguir entre
dos conceptos: movilidad absoluta y relativa. El elemento central de los indicadores de mo-
Mientras que las medidas de movilidad abso- vilidad social educativa que utilizamos en este
luta dan información sobre el nivel (absoluto) estudio son las estimaciones de la probabili-
de oportunidades de los niños con circunstan- dad de que los niños obtengan un Proficiency
cias desfavorables, las medidas de movilidad Level 3 (PL3) en PISA condicionada al nivel
relativa reflejan las diferencias de oportunida- socioeconómico de los padres. Por tanto, se
des (relativas) entre los niños que provienen trata de estadísticos descriptivos que relacio-
de circunstancias más desfavorables y los que nan la probabilidad de que un niño obtenga el
provienen de circunstancias más favorables: nivel educativo determinado como PL3 (“basic
proficiency”) en PISA, con el ranking socioeco-
Movilidad educativa absoluta. Este indica- nómico (ESCS) de sus padres.
dor mide la probabilidad de que una per-
sona de entorno desfavorecido alcance un En PISA 2018, la OCDE define seis niveles de
nivel de educativo determinado (por ejem- competencia matemáticas. En función del
plo, GED o equivalente en Estados Unidos, resultado obtenido por el alumnado en la prue-
A-level en Alemania, Bachiller o equivalente ba, se determina qué nivel de competencia ha
en España, o Proficiency Level 3 en datos alcanzado. En concreto, alcanzar el PL3 o “ba-
PISA), esto es, entre los niños que consi- sic proficiency” indica que “… pueden ejecutar
deramos como “desfavorecidos” socioeco- procedimientos claramente descritos, incluidos
nómicamente, la proporción que consigue los que requieren decisiones secuenciales.
alcanzar un nivel educativo predeterminado. Pueden interpretar y utilizar representaciones
basadas en distintas fuentes de información y
Movilidad educativa relativa. Mide la pro- razonar directamente a partir de ellas. (…) Sus
babilidad de que un individuo de entorno soluciones reflejan que han realizado interpre-
favorecido alcance un nivel de estudios taciones y razonamientos básicos.”2
determinado en relación a otro individuo de
entorno desfavorecido. Un valor alto de este Por otra parte, la variable ESCS (“Economic, So-
indicador implica que la movilidad educativa cial and Cultural Status”) es un índice calculado
relativa es baja, ya que una mayor proporción por la OCDE que se deriva, como en ediciones
de niños que provienen de circunstancias anteriores de la prueba, de otras tres variables
aventajadas conseguirá el nivel educativo de- relacionadas con el entorno familiar: el nivel
terminado, frente a los niños que provienen educativo máximo de los padres, el estatus ocu-
de circunstancias desaventajadas. pacional máximo de los padres, y las posesiones
del hogar, incluido el número de libros en casa.
2. La elección de este nivel es arbitraria, pero lo consideramos razonable dada su propia denominación de “competencia básica” y el hecho de que supone
alcanzar el tercer nivel de los seis que hay.
20
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
3. En el cómputo de estos indicadores descriptivos se tienen en cuenta los diez valores plausibles que cada estudiante obtiene en la prueba PISA.
21
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
4. Desafortunadamente, se excluyen del análisis la presentación de estadísticas para Ceuta y Melilla debido al limitado número de observaciones que presentan
en la prueba PISA.
22
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
resul
tados
23
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
2,3X
Veces más probable obtener el nivel básico de
competencia matemática en PISA 2018 para un
alumno proveniente de familia socioeconómicamente
aventajada frente a uno de entorno desaventajado.
32%
Sólo el 32% de los alumnos socioeconómicamente
desaventajados lo obtienen.
24
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que han alcanzan un resultado en matemáticas superior al PL3. Los percentiles
se obtienen utilizando la distribución de ESCS en España. Gradiente obtenido mediante OLS. Los datos provienen de microdatos PISA 2018.
25
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que alcanzan un resultado en matemáticas superior al PL3 en cada país/
economía regional. Los percentiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Gradiente obtenido mediante OLS. Los
datos provienen de microdatos PISA 2018.
5. En la Tabla A1 del Anexo A se muestran los resultados de los cinco indicadores para cada uno de los 35 países.
26
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Dicho esto, observamos que España pre- educativa absoluta. Estos países han realizado
senta una la movilidad educativa absoluta importantes avances a la hora de ofrecer opor-
relativamente moderada (31% del alumnado tunidades educativas a los niños procedentes
proveniente de circunstancias desaventajadas de entornos desfavorecidos, lo que se traduce
obtiene el nivel PL3). Se sitúa muy por detrás en una mayor proporción de ellos que alcanzan
de países (regiones) como China B-S-J-Z el nivel educativo predeterminado. Estos re-
(84%)6, Macao (76%), Hong Kong (66%) y Sin- sultados sobre el indicador Q1 se ven también
gapur (64%) en términos de Q1; en el caso de reflejados en la FIGURA 4 a continuación.
los dos primeros doblan el indicador español.
Estos países presentan niveles más altos de
movilidad educativa absoluta, lo que sugiere un
mayor éxito a la hora de ofrecer oportunidades
educativas a los alumnos desfavorecidos. En
relación con países europeos, España se sitúa
también por debajo, pero a una distancia más
cercana, de países como Finlandia (46%), Di-
namarca (45%), Irlanda (41%) e Islandia (39%),
que demuestran mayores niveles de movilidad
Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticas superior al PL3 en cada
país/economía regional. Los quintiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Los datos provienen de microdatos PISA
2018.
3.B-S-J-Z es un acrónimo que abarca las cuatro provincias chinas de Beijing, Shanghai, Jiangsu y Zhejiang. Estas cuatro regiones se tratan como un sistema
educativo único en PISA 2018.
27
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada país. Los percentiles se
obtienen utilizando la distribución de ESCS en cada país/economía regional. El gradiente se calcula a través del coeficiente en la regresión relacionando ambas
variables para cada país. Los datos provienen de microdatos PISA 2018.
28
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
29
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
26,09 41,99
31,15 37,91
33,31
41,99
36,19
40,84
41,59 32,67
35,07
26,69
32,31 33,92
37,27
30,77
30,87
29,18
26,09
Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticas superior al PL3 en cada
comunidad autónoma. Los quintiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. Los datos provienen de microdatos PISA
2018.
7.En la Tabla A2 del Anexo A se muestran los resultados de los cinco indicadores para cada una de las comunidades autónomas.
30
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
0,58 0,41
0,58 0,51
0,52
0,41
0,56
0,49
0,47 0,5
0,52
0,58
0,43 0,47
0,43
0,5
0,58
0,51
0,54
Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada comunidad autónoma.
Los percentiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. El gradiente se calcula a través del coeficiente en la regresión
relacionando ambas variables para cada país. Los datos provienen de microdatos PISA 2018.
31
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
desigual
dad de
oportu
nidades
¿Cómo se distribuyen
las oportunidades
según circunstancias
individuales que no se
relacionan con el mérito
personal?
II.
32
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
8.Esta noción de justicia no va, por tanto, en contra de la existencia de jerarquías sociales ya que reconoce y acepta implícitamente la presencia de posiciones
de distinta valía en la sociedad (Arneson, 2015). Sin embargo, a diferencia de los sistemas de castas o aristocráticos, el principio de IOp promueve que la
asignación a estas posiciones no dependa del estatus social al nacer o de las circunstancias que escapan del control individual de las personas.
9. Un ejemplo de la IOp formal sería combatir la discriminación por sexo o raza, ya que estos atributos son inconsecuentes para el desempeño en un puesto de
responsabilidad. Por su parte, un ejemplo de la IOp sustantiva sería garantizar más recursos educativos a niños de familias trabajadoras para compensar las
desventajas sociales que limitan sus habilidades para competir con aquellos más pudientes en la etapa adulta.
33
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
DOp) debemos realizar el análisis en dos fases: del control del alumnado, como su composi-
primero, una fase de estimación para aislar el ción genética (que tendrá un impacto en su
papel de circunstancias en las oportunidades inteligencia) o el número de hermanos. En la
educativas y, segundo, una fase medición de la medida que estos factores ausentes sean im-
desigualdad. A continuación, pasamos a des- portantes para el desempeño académico, el
cribir estas dos fases de manera detallada. proceso de estimación no considerará todas
las circunstancias, lo que resultará en una
F1- Fase de estimación: Aislar el infraestimación de la DOp (Ferreira & Gignoux,
rol de las circunstancias 2011; 2014). Por tanto, nuestros resultados
deben interpretarse con cautela, ya que repre-
Definición de circunstancias. – En esta prime- sentan un límite inferior (“lower-bound”) de la
ra fase del análisis empírico, el objetivo será verdadera DOp.
aislar el impacto de las circunstancias sobre el
rendimiento educativo. Cuando hablamos de Además de esta limitación insalvable, quere-
circunstancias, nos referimos a aquellas carac- mos recalcar que existen otros factores ob-
terísticas que los estudiantes heredan y sobre servables que no consideramos en el estudio,
las que no tienen control alguno, como su sexo como la titularidad de centro o el desempeño
o el nivel socioeconómico de los progenitores. educativo de los compañeros de clase (Ma-
La importancia de estas circunstancias so- rrero et al., 2022). Somos conscientes de que
bre el desempeño académico determinará la estas características son importantes para el
intensidad de la desigualdad de oportunidades aprendizaje (Sacerdote, 2011) y que pueden
en cada sistema educativo. Por ejemplo, si considerarse como circunstancias. Pese a
en un país la renta familiar es un factor más compartir esta interpretación (¿es un niño al
determinante que en otros, podremos concluir fin y al cabo responsable de las preferencias
que el nivel de DOp será mayor en ese país, de sus padres y la elección que hayan hecho
ya que las diferencias heredadas generan una por él?), hemos decidido no incorporarlas en el
mayor desigualdad en el rendimiento educati- análisis. El motivo es que la elección de cen-
vo. En nuestro análisis nos centraremos en las tro puede estar influenciada por las propias
siguientes características individuales: sexo y preferencias de las familias y, por lo tanto, no
mes de nacimiento del estudiante, su país de ser universalmente aceptada como un factor a
nacimiento y el de sus progenitores, el idioma compensar. Por esta razón, hemos optado por
hablado en el hogar, ocupación, nivel educativo centrar nuestro análisis en características que
y estatus ocupacional de padre/madre, núme- pueden ser más globalmente consideradas
ro de libros en el hogar y varios índices sobre el como circunstancias.
nivel social, económico y cultural de las fami-
lias10. El CUADRO 1 muestra el listado de cir-
cunstancias que consideramos en el análisis.
10.Como hemos comentado anteriormente, el índice ESCS incorpora el nivel educativo máximo de los padres, el estatus ocupacional máximo de los padres, y
las posesiones del hogar, incluido el número de libros en casa. Hemos decidido incorporar tanto el índice ESCS como estos elementos en los modelos ya que
los algoritmos de ML seleccionan las variables predictivas más importantes en el proceso de optimización. Por este motivo, hemos apostado por adoptar una
aproximación más agnóstica y que la selección final del modelo se realice a través de los algoritmos.
35
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
36
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
una muestra y evaluar su rendimiento en otra Tree, Random Forest y Boosting). Para evaluar
independiente (i.e., la combinación de “sample las posibles ventajas del ML sobre el enfoque
splitting” y “out-of-sample prediction”) permite tradicional, también consideramos el análisis
la posibilidad de comparar varios modelos mediante regresión (OLS). Para describir la
y seleccionar aquel que ofrecen una mayor desigualdad de oportunidades, seleccionamos
fiabilidad, reduciendo así el riesgo de “overfit- el modelo que ofrece el mejor rendimiento pre-
ting” o “underfitting”. En el Anexo B se puede dictivo (medido a través del R2) en cada país.
encontrar una explicación más técnica sobre el Entre los algoritmos considerados, el algoritmo
tema. Si el lector se encuentra especialmente Boosting supera al resto de modelos en la gran
interesado, recomendamos además el artículo mayoría de los casos (29/35 países). Pese
escrito por Mullainathan & Spiess (2017) que a esta aparente superioridad del Boosting,
ofrece una introducción relativamente accesi- preferimos seleccionar el algoritmo que me-
ble. jores predicciones ofrece para cada país a la
hora de presentar y discutir los resultados. En
Las técnicas de ML son particularmente el Anexo B se puede encontrar una explicación
adecuadas para estimar la desigualdad de detallada de los distintos algoritmos, así como
oportunidades. Esto se debe a que construir del procedimiento de “sample splitting” y de
la distribución contrafactual del rendimiento optimización de “hiperparámetros”.
educativo es fundamentalmente “un problema
de predicción”, que es exactamente lo que las F2-Fase de medición de la des-
técnicas de ML tratan de resolver. En este sen- igualdad: Construir un índice de
tido, nuestra aproximación de ML se basa en DOp
obtener una predicción ŷidel resultado de mate-
máticas (nuestra variable objetivo) a través de Una vez realizada la fase de estimación, se
las circunstancias Ci de los estudiantes (nues- procede a computar un índice que resuma la
tras variables explicativas). Aunque el enfoque DOp en cada país. Para ello, nos centramos en
tradicional también realiza una predicción un índice ampliamente utilizado en la literatura
similar, las técnicas de ML nos permiten anali- de desigualdad de oportunidades educativas
zar interacciones de manera automática para (Ferreira & Gignoux, 2014; Marrero et al., 2022):
considerar las circunstancias e interrelaciones
más importantes y así ofrecer una predicción (DOP) ̂=var ŷ/var(y) × 100,
más precisa y fiable.
donde y representa el resultado observado en
En este ejercicio, construimos varios modelos matemáticas de los estudiantes e ŷ la predic-
de predicción que explican la relación entre el ción del rendimiento según las circunstancias
resultado en matemáticas y las circunstancias del alumnado (i.e. la puntuación que se estima
de los estudiantes de manera independiente que obtendría el estudiante si “solo importaran
para cada país. Posteriormente, utilizamos sus circunstancias”). El índice en cuestión tiene
estos modelos para predecir el rendimiento una interpretación intuitiva al capturar el por-
educativo de cada estudiante en función de centaje de la desigualdad total, capturada por
sus circunstancias. Para evaluar el desempe- la varianza del denominador, que se encuentra
ño de distintas técnicas de ML, consideramos explicada por las circunstancias, capturada por
varios tipos de algoritmos basados en la re- la varianza en el numerador.11
gularización (i.e., Ridge, Lasso y Elastic Net) y
en la construcción de árboles (i.e., Regression
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de
ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
38
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
resul
tados
39
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
40
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
España muestra unos niveles relativamente La FIGURA 9 compara las estimaciones obte-
moderados de DOp, donde aproximadamente nidas por el algoritmo más preciso de ML con
el 26% de la desigualdad en matemáticas se la regresión (OLS). La diagonal negra represen-
atribuye al impacto de las circunstancias. Esto ta la línea de 45 grados, donde todos los pun-
coloca a España en una posición intermedia tos deberían estar si ambos métodos produje-
en el ranking (puesto 17 de 35), junto a países ran las mismas estimaciones. Los resultados
como Singapur, Portugal y Estados Unidos. indican que las técnicas de ML proporcionan
Entre los países con mayores niveles de des- estimaciones más altas de la DOp en 25 de los
igualdad de oportunidades se encuentran los 35 países analizados. Solo en 9 países se ob-
Emiratos Árabes Unidos (41%), Luxemburgo tiene una menor estimación de la desigualdad
(40%), Israel (40%) y Perú (38%). Por otro lado, de oportunidades tras utilizar el mejor algorit-
destacan como los países/economías regio- mo de predicción. En conjunto, estos resulta-
nales más igualitarias Macao (9%), Hong Kong dos sugieren que el enfoque tradicional suele
(12%), México (16%) y Corea del Sur (17%). infraestimar la DOp en la mayoría de los casos,
Estos resultados indican una heterogeneidad aunque también puede hacer lo contrario. En
significativa en cuanto a la equidad de los promedio, la discrepancia entre OLS y el mejor
sistemas educativos analizados, ya que en algoritmo es relativamente modesta, alrededor
los países peor situados las circunstancias de 2,5 puntos. Sin embargo, existen diferencias
tienen más del doble de peso en la desigual- importantes entre países. Por ejemplo, el indi-
dad. En conjunto, se apunta hacia unos niveles cador de DOp aumenta 9,9 puntos en Emiratos
limitados (aunque mejorables) de la inequi- Árabes Unidos y 8 puntos en Israel. Estos cam-
dad en España. Desde una perspectiva euro- bios representan un cambio significativo de la
pea, España muestra una mayor igualdad de desigualdad de oportunidades e indican que
oportunidades educativas en comparación con las técnicas de regresión pueden infraestimar
otros países vecinos como Francia, Alemania o sustancialmente el impacto de las circunstan-
Bélgica. cias en contextos educativos específicos. En el
caso de España, el uso de ML apenas altera los
Regresión vs ML: ¿Cómo varían niveles de DOp, ya que la discrepancia observa-
las estimaciones de la desigual- da entre Boosting y OLS es de tan solo 1 punto.
dad de oportunidades?
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de
ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
41
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Este gráfico compara los resultados del indicador DOp entre OLS y el mejor algoritmo de M L. Estimaciones del indicador de Desigualdad de Oportunidades
(DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre la varianza de predicciones y la varianza de resultados observados.
Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción y OLS. El proceso de optimización y estimación de predicciones, así como
los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.
42
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Este gráfico compara el ranking nacional del indicador DOp entre OLS y el mejor algoritmo de ML. Estimaciones del indicador de Desigualdad
de Oportunidades (DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre la varianza de predicciones y la varianza de
resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción y OLS. El proceso de optimización y estimación de
predicciones, así como los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.
43
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Estimaciones del indicador de Desigualdad de Oportunidades (DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre
la varianza de predicciones y la varianza de resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción. El
proceso de optimización y estimación de predicciones, así como los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.
Notas: Estimaciones del indicador de Desigualdad de Oportunidades (DOp) en matemáticas para cada comunidad autónoma. DOp se calcula como la ratio
entre la varianza de predicciones y la varianza de resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción.
El valor de este indicador oscila entre 0 (Igualdad de oportunidades perfecta) y 100 (Desigualdad de oportunidades máxima). Por lo tanto, cuanto mayor sea el
índice, mayor desigualdad. Los datos provienen de microdatos PISA 2018.
Notas: Esta figura muestra el resultado medio en matemáticas de estudiantes situados en 50 “cuantiles de circunstancias”. Estos cuantiles de circunstancias
se generan ordenando las predicciones del modelo más fiable de ML en cada país y asignando los estudiantes a 50 grupos según su posición relativa en esta
distribución. Un menor cuantil implica unas circunstancias menos favorables. Estimaciones de los autores utilizando microdatos PISA 2018.
47
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
La relación entre las circunstancias y el rendi- pero no caracterizan las circunstancias de los
miento educativo es positiva y relativamente estudiantes más perjudicados. Para abordar este
lineal para todos los países. Sin embargo, existen análisis, la TABLA 1 perfila las características
diferencias significativas entre los gradientes de los estudiantes españoles en función de sus
nacionales, que miden el aumento esperado del oportunidades. Para este ejercicio, asignamos
rendimiento educativo por pasar de un cuantil a cada estudiante a uno de cinco “quintiles de
de circunstancias al siguiente. En el extremo circunstancias”. Al igual que antes, ordenamos
más desigual se sitúa Emiratos Árabes Unidos. los estudiantes de acuerdo a las predicciones de
El análisis de regresión indica que su gradiente ML para después asignarlos a 5 grupos según su
es de 4,1 puntos PISA. En el lado contrario, se posición relativa en la distribución. Un estudiante
sitúan países como México y Macao que pre- ubicado en el quintil 1 (Q1) se encuentra en el
sentan pendientes relativamente planas (1,6 y 20% inferior de las predicciones, lo que indica que
2,3, respectivamente). España se sitúa en una po- tiene una posición desfavorecida en términos de
sición intermedia (2,6), con una pendiente similar circunstancias. Por otro lado, un estudiante en
a Singapur (2,5) y por debajo de países vecinos el quintil 5 (Q5) presenta una predicción ubicada
como Alemania (3,1) o Portugal (3,2). en el 20% superior, lo que indica circunstancias
favorables. Después de asignar a los estudiantes
El gráfico resalta la importancia de considerar a estos quintiles, procedemos a describir sus
tanto el rendimiento educativo de los estudiantes circunstancias de manera descriptiva.
como el nivel de desigualdad para extraer con-
clusiones acerca del desempeño de un sistema Los resultados revelan patrones interesantes.
educativo. Aunque países como España y Singa- Por un lado, existen discrepancias importantes
pur presentan niveles similares de desigualdad en cuanto al género, el origen del estudiante y
(i.e., tienen una pendiente parecida), los resulta- el idioma en el hogar. En el Q1, se observa una
dos educativos pueden variar considerablemente sobrerrepresentación significativa de mujeres
para un cuantil determinado. Por ejemplo, para (57%), estudiantes nacidos en el extranjero (25%)
cada nivel de circunstancias, los estudiantes de y aquellos con progenitores extranjeros (40%). Al
Singapur superan en aproximadamente 100 pun- igual que ocurre con el idioma en el hogar, vemos
tos el rendimiento en matemáticas observados cómo estas proporciones disminuyen a medida
en España. Lo mismo sucede entre México y Ma- que avanzamos de un quintil a otro, lo que sugiere
cao que, aunque muestran gradientes e índices que constituyen circunstancias relevantes. Por
de DOp similares, presentan una diferencia de otro lado, se evidencia la importancia del capital
alrededor de 150 puntos en el rendimiento entre socioeconómico y cultural de las familias. En el
los estudiantes un cuantil determinado. Estos extremo inferior de la distribución se encuentran
resultados subrayan la necesidad de evaluar la estudiantes con menos libros en el hogar y con
adecuación de los sistemas educativos tanto progenitores con niveles educativos y ocupacio-
desde la equidad como desde la calidad educati- nes menos cualificadas. Por ejemplo, la propor-
va y que una evaluación parcial, utilizando una u ción de estudiantes con más de 200 libros en el
otra dimensión, ofrece una visión incompleta del hogar va desde el 0% en el Q1 hasta el 66% en el
desempeño de los países. Q5. También se observa un aumento similar en la
proporción de estudiantes con padres y madres
¿Qué estudiantes son los más con estudios universitarios. Comparando el Q5
y menos favorecidos? y el Q1, se observa una brecha educativa de 52
puntos porcentuales (87% frente a 35%) en el caso
Una extensión natural del análisis consiste en in- de las madres y 47 puntos porcentuales (82%
dagar qué circunstancias están relacionadas con frente a 35%) en el de los padres. Similarmente, se
un bajo rendimiento educativo. Los resultados documentan brechas importantes en cuanto a las
nacionales describen el nivel de DOp agregado, ocupaciones cualificadas de los padres y madres
48
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Mes nacimiento Mes nacimiento (1 = Enero, 0 = Diciembre) 0,46 0,47 0,48 0,50 0,56
Ocupación madre ISCO (madre): 4-8 39% 42% 42% 30% 14%
Ocupación padre ISCO (padre): 4-8 69% 69% 63% 47% 23%
Notas: Esta tabla muestra la composición de circunstancias de alumnado situado en distintos “quintiles de circunstancias”. Estos quintiles de circunstancias se generan
ordenando las predicciones del modelo más fiable de ML en ESP (boosting) y asignando los estudiantes a 5 grupos según su posición relativa en esta distribución. Un
menor quintil implica unas circunstancias menos favorables. Estimaciones de los autores utilizando microdatos PISA 2018.
49
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Estimación de la contribución de las circunstancias a la predicción de ML utilizando el método de “Break Down” (BD) de Dalex. Elaboración propia a
partir de datos PISA 2018
50
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Los resultados indican que el capital cultural, ción de políticas educativas, ya que se busca
el lugar de nacimiento y el nivel socioeconó- encontrar el equilibrio óptimo entre la eficiencia
mico son las circunstancias más importantes y la equidad en la educación para promover un
para la DOp. Según el BD, la cantidad de libros sistema educativo justo y de alta calidad.
en el hogar constituye la circunstancia más
determinante para ambos perfiles de estu- Para evaluar este posible trueque entre la eficien-
diantes. Disponer entre 0-10 libros en casa cia y la equidad educativa, la FIGURA 15 des-
disminuye el resultado esperado en matemá- cribe la asociación entre el resultado medio en
ticas en 51 puntos PISA, mientras que tener matemáticas y la desigualdad de oportunidades.
más de 200 libros lo aumenta en 22,7 puntos. Ambos indicadores muestran una correlación
Es importante recalcar que el número de libros fuerte y negativa (–0,48), lo que sugiere que los
disponible en casa captura una serie de carac- países más eficientes también muestran una
terísticas inobservables de la familia (cierto menor desigualdad de oportunidades. Pese a
“capital cultural”) y que este resultado no debe que no puede interpretarse en clave causal, esta
interpretarse en clave causal. Por otro lado, asociación sugiere un “círculo virtuoso” entre
no haber nacido en España se asocia con una la equidad y la eficiencia educativa (Freeman
desventaja de 15,5 puntos para el estudian- et al., 2010). Desde una perspectiva de política
te desfavorecido. El índice socioeconómico educativa, este resultado sugiere que las re-
aparece como la tercera circunstancia más formas destinadas a favorecer la equidad del
relevante: tener un ESCS bajo (-1,04) reduce el sistema (por ejemplo, para reducir la segregación
rendimiento esperado en 14,6 puntos mientras socioeconómica o retrasar la edad de división
que tener uno alto (1,03) lo aumenta en 15,9 educativa) no necesariamente perjudican la
puntos PISA. eficiencia del sistema educativo. Por lo tanto, es
posible promover simultáneamente un sistema
Calidad vs Equidad: ¿es la educativo menos desigual que la vez sea de
eficiencia contraria a la alta calidad.
equidad educativa?
Notas: El gráfico muestra la relación entre el resultado medio en matemáticas en PISA 2018 (eje abscisas) y las estimaciones de DOp (eje ordenadas). La línea
refleja la tendencia lineal entre las dos variables. Los datos provienen de microdatos PISA 2018.
52
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: El gráfico muestra la relación entre la ratio (“odds ratio”) en la probabilidad de repetir curso entre alumnos con bajo frente a alto SES (eje abscisas) y las
estimaciones de DOp (eje ordenadas). La línea refleja la tendencia lineal entre las dos variables. Los datos provienen de microdatos PISA 2018 y 2015.
Notas: El gráfico muestra la relación entre la ratio (“odds ratio”) en la probabilidad de repetir curso entre alumnos con bajo frente a alto SES (eje abscisas) Los
datos provienen de microdatos PISA 2015.
EL ROL DE
LAS
POLÍTICAS
PÚBLICAS
¿Qué políticas públicas
pueden ayudar a mitigar
las desigualdades
educativas?
III. 55
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Nuestro análisis revela una variación significativa La FIGURA 18 presenta un resumen de las corre-
de la desigualdad de oportunidades y la movi- laciones estadísticamente significativas (p-value
lidad social entre países. ¿Podrían las políticas < 0,1). Para comparar la intensidad de las asocia-
públicas de los países explicar estas diferencias? ciones entre distintas variables, estos resultados
En esta sección, investigamos esta hipótesis se obtuvieron mediante regresiones independien-
mediante el análisis de las correlaciones entre tes después de estandarizar las características
diferentes características de los países y el nacionales. A continuación, describimos los
indicador DOp. Para ello, construimos una base resultados más interesantes.
de datos que incorpora más de 150 indicadores
económicos y educativos nacionales utilizando
algunos registros del Banco Mundial y la OCDE,
como TALIS y PISA 2018-2015. Posteriormente,
correlacionamos cada una de estas variables
con nuestro indicador de DOp para caracterizar
los países con mayor igualdad de oportunidades.
Es importante tener en cuenta que este ejercicio
describe las asociaciones entre las caracterís-
ticas y la desigualdad de oportunidades de los
países, sin establecer relaciones causales entre
dichas variables. El análisis se centra exclusiva-
mente en el indicador DOp y omite las medidas
de movilidad social por motivos de brevedad.
Con todo, ambas medidas se encuentran alta-
mente correlacionadas (FIGURA A1 en el anexo),
por lo que cabe esperar que los resultados sean
similares.
56
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Beta POS
Beta NEG
Notas: Correlaciones (a nivel país) entre el indicador de DOp y otras características económicas y educativas de los países obtenidas en bases de datos
externas de la OCDE y el Banco Mundial. El listado de variables se ha limitado, por motivos de brevedad, a aquellas características que muestran correlaciones
significativas a menos del 10% (p<0.1). Los resultados provienen de regresiones “univariable” donde la variable explicativa (i.e., las características de los países
y sistemas educativas) se han estandarizado para tener media 0 y desviación típica 1. Los puntos/rombos describen el coeficiente de la regresión, mientras
que las barras reflejan el intervalo de confianza al 95%.
57
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
En primer lugar, se observan correlaciones ciones fuertes con el indicador de DOp. A esto,
fuertes y positivas entre el indicador DOp y otras se suma una asociación positiva con la matri-
medidas externas de falta de equidad educativa, culación en escuelas privadas, mientras que la
como el indicador de inequidad lectura y, en me- matriculación en las “escuelas concertadas” se
nor medida, la movilidad intergeneracional. Estas correlaciona negativamente12. En conjunto, estos
correlaciones respaldan nuestros resultados resultados sugieren que las políticas públicas
anteriores, algo que consideramos alentador. que fomentan la separación del alumnado
según sus habilidades o el nivel socioeconómico
En segundo lugar, encontramos que los sistemas familiar resultan desfavorables para la equidad
educativos con mayor segregación entre estu- educativa.
diantes presentan una desigualdad de oportu-
nidades más pronunciada. Tanto los niveles de
aislamiento (véase FIGURA 19) como la edad de
división educativa (“tracking”) muestran correla-
índice de aislamiento
Notas: El gráfico muestra la relación entre el índice de aislamiento (eje abscisas) y las estimaciones de DOp (eje ordenadas). La línea refleja la tendencia lineal
entre las dos variables. Los datos provienen de microdatos PISA 2018.
12.El resultado que concierne a las “escuelas concertadas” puede verse afectado por el hecho de que la definición de lo que es una escuela concertada varía
en función del país o incluso de la región. Aquí se usa la definición de “escuela privada con financiación pública”, que es la que se utiliza en la base de datos
PISA 2018.
58
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
59
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
60
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
LIMITA
CIONES Y
OTRAS
CONSIDE-
RACIONES
FINALES
61
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
El análisis de este estudio está sujeto a un nú- Pese a que la mayoría de estudios adoptan una
mero de aclaraciones. En primer lugar, nuestros perspectiva ex ante, esta concepción de la DOp
resultados se circunscriben a la desigualdad de es menos exigente (Brunori & Neidhöfer, 2021).
oportunidades medida a través de datos PISA. El motivo es que el enfoque ex ante permite
Si nos hubiéramos centrado en analizar otras cierta desigualdad entre estudiantes que ejercen
métricas de evaluación interna (p.ej.: notas de el mismo esfuerzo y se centra en exigir que el
clase o repetición de curso) o de logro educativo rendimiento educativo medio sea el mismo entre
(p.ej.: abandono educativo temprano o años de personas con distintas circunstancias (Ferreira &
educación), las conclusiones podrían diferir signi- Gignoux, 2011).
ficativamente (Gortazar, 2019). A esta reflexión,
se añaden además un par de consideraciones Finalmente, nuestro indicador DOp considera
importantes. Por un lado, y como ya se ha men- los impactos totales de las circunstancias en el
cionado anteriormente, los datos PISA tienen una rendimiento educativo, incluyendo aquellos que
naturaleza “low-stakes”, ya que no tienen ninguna operan tanto directamente como indirectamente
consecuencia para el alumnado. Esto puede a través del esfuerzo (Ferreira & Gignoux, 2011;
influir en la forma en que los estudiantes se des- 2013). Las técnicas de ML capturan la asocia-
empeñan en la evaluación y, por lo tanto, afectar ción total de las circunstancias con el resultado
la estimación de DOp. Por otro lado, al centrarse en matemáticas, sin distinguir entre su impacto
en estudiantes de 15 años, los datos PISA ex- directo y su impacto indirecto a través del esfuer-
cluyen a estudiantes que abandonan temprana- zo. Por tanto, nuestra aproximación no puede
mente la educación, lo que puede alterar la DOp aislar el impacto directo de las circunstancias so-
en países con altas tasas de abandono escolar, bre el rendimiento educativo de su efecto sobre
como España. Finalmente, es importante tener el esfuerzo, que a su vez es un determinante del
en cuenta que la importancia política otorgada a rendimiento educativo. En la medida en la que es-
las pruebas PISA varía significativamente entre tamos interesados en el “efecto” conjunto de las
diferentes países. Esto puede tener un impacto circunstancias, este enfoque ofrece una buena
en la medición de la desigualdad de oportuni- estimación de la DOp (Bourguignon et al., 2007;
dades para aquellos países que, como China, Trannoy et al., 2010). Aunque esta aproximación
otorgan mayor relevancia a las pruebas PISA. ofrece una estimación de la DOp en términos
de impacto conjunto de las circunstancias, el
En segundo lugar, nuestro análisis adopta una análisis presupone un enfoque normativo que
concepción ex ante de la desigualdad de oportu- considera que los estudiantes no son responsa-
nidades (Fleurbaey & Peragine, 2013). Esta pers- bles de su esfuerzo si está influenciado por las
pectiva presupone que la igualdad de oportuni- circunstancias (Cohen, 1989). Esta aproximación,
dades se consigue cuando todos los estudiantes por tanto, plantea cuestiones acerca de la res-
obtienen un mismo resultado esperado (es decir, ponsabilidad individual, ya que algunos pueden
una misma predicción), independientemente de considerar que el esfuerzo debe ser considerado
sus circunstancias personales. Sin embargo, responsabilidad total del alumno.
existe otra alternativa ex post que se enfoca en la
desigualdad de resultados entre estudiantes que
realizan “el mismo grado de esfuerzo” (Roemer,
1998). Esta perspectiva exige que los estudiantes
con diferentes circunstancias, pero que realizan
el mismo grado de esfuerzo, obtengan un mis-
mo resultado académico. Aunque ambas pers-
pectivas están estrechamente relacionadas, se
enfocan en distintos aspectos de la desigualdad
de oportunidades (Ferreira & Gignoux, 2014).
62
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
CONCLU
SIONES
63
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
• España ocupa una posición intermedia en Cómo las políticas públicas pueden mitigar
términos de equidad, mostrando niveles de las desigualdades educativas. Pese a que los
desigualdad de oportunidades más bajos resultados no pueden interpretarse en clave
que la mayoría de países en Europa Central, causal, encontramos que la desigualdad de
Oriente Medio y Latinoamérica. Sin embar- oportunidades está positivamente relacionada
go, esta moderada desigualdad contrasta con los niveles de segregación entre estudiantes,
con los altos niveles de equidad en algu- la desigualdad de ingresos en la infancia y con
nos países nórdicos y asiáticos, los cuales algunos indicadores relacionados con la organi-
obtienen además mejores resultados en las zación docente, como el tiempo destinado a la
evaluaciones PISA, indicando que existen gestión o la temporalidad laboral de los profeso-
márgenes de mejora sustantivos en el siste- res. Adicionalmente, encontramos correlaciones
ma educativo español. significativas entre la desigualdad de oportuni-
dades y la implantación de políticas docentes
• La presencia de una correlación negativa enfocadas al aprendizaje colaborativo, la parti-
entre la DOp y el rendimiento educativo cipación activa, las observaciones grupales o el
medio de los países apunta además a que desarrollo profesional. Estos resultados sugieren
mejorar la equidad educativa no necesa- que políticas públicas destinadas a corregir estos
riamente requiere renunciar al objetivo de mecanismos, tales como intervenciones destina-
lograr la excelencia educativa. Las políticas das a reducir la segregación y la desigualdad de
públicas deben, por tanto, perseguir este ingresos en la infancia, como a aumentar la cola-
doble objetivo de mejorar tanto la eficiencia boración y participación activa de los docentes,
como la equidad en la educación. podrían ser instrumentos eficaces para romper
el vínculo entre las circunstancias en la infancia y
• Existen diferencias significativas en la algunas desigualdades injustas en el desempeño
equidad educativa entre las comunidades educativo.
autónomas. En particular, encontramos que
la desigualdad de oportunidades es aproxi- En definitiva, estos resultados indican que el
madamente el doble en la Región de Murcia sistema educativo español presenta limitacio-
que en Castilla y León. Las comunidades nes para promover el principio de “igualar el
autónomas juegan un rol muy importante campo de juego” en la carrera meritocrática.
dado que presentan amplios márgenes Pese a que España no muestra niveles compa-
competenciales para promover una mayor rativamente alarmantes en materia de movilidad
igualdad de oportunidades, la cual difiere social educativa o desigualdad de oportunida-
muy significativamente entre regiones. Para des en el aprendizaje, creemos que eliminar las
ello, el diseño de las políticas públicas debe brechas económicas y sociales causadas por las
ofrecer mejores oportunidades educativas dispares circunstancias vividas en la infancia es
para el alumnado extranjero y aquellos con una aspiración fundamental para una sociedad
menor capital cultural y nivel socioeconómi- más deseable. Es indiscutible que los sistemas
co familiar, ya que constituyen las circuns- capitalistas meritocráticos contemporáneos han
tancias más importantes para la DOp. generado un progreso evidente para eliminar
algunas ventajas arbitrarias presentes en las
• El análisis detallado de la importancia de sociedades feudales y mercantilistas. Sin embar-
las características de los estudiantes revela go, estos avances han supuesto más un cambio
que el capital cultural, el lugar de nacimiento de paradigma de la desigualdad de oportuni-
y el nivel socioeconómico de las familias dades que una eliminación de la misma. Este
son las circunstancias que más contribu- hecho plantea una tensión fundamental entre
yen a la desigualdad de oportunidades en la meritocracia y la igualdad de oportunidades.
España. La idea de que es necesario recompensar a las
65
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
personas de acuerdo a sus méritos choca con el docencia directa, integren la tecnología en
hecho de que estos logros dependen en buena la gestión, coordinación y monitorización
medida del talento innato y de una socialización del aula, el centro y el propio sistema edu-
temprana favorable. Cómo diseñar mecanismos cativo.
que resuelvan esta tensión de manera efectiva es
una de las preguntas fundamentales de nuestro • Planificar espacios y tiempos de colabora-
tiempo. Empezar por combatir las desigualdades ción y trabajo cooperativo entre docentes,
educativas es quizás una solución incompleta, favoreciendo el intercambio de buenas
pero también probablemente el mejor punto de prácticas, la programación didáctica coordi-
partida por su capacidad para generar consen- nada e interdisciplinar, y el impulso de redes
sos relativamente amplios. y comunidades de aprendizaje profesional.
REFEREN
CIAS
67
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Arneson, R. (2015). Equality of opportunity. Brunori, P., Davillas, A., Jones, A. M., & Scarchilli,
Stanford Encyclopedia of Philosophy. G. (2022). Model-based recursive partitioning
to estimate unfair health inequalities in the
Arrow, K., Bowles, S., & Durlauf, S. N. (Eds.). United Kingdom Household Longitudinal Study.
(2000). Meritocracy and economic inequality. Journal of Economic Behavior & Organization,
Princeton University Press. 204, 543-565.
Barragué, B., Carbonell, J., Kreiman, G., León, Cappelen, A. W., Sørensen, E. Ø., & Tungodden,
B., Romaguera, M., & Soria-Espín, J. (2022). B. (2010). Responsibility for what? Fairness
Derribando el dique de la meritocracia. Future and individual responsibility. European Econo-
policy Lab. mic Review, 54(3), 429-441.
Bénabou, R. (2000). Meritocracy, Redistribu- Castillo, J. C., Iturra, J., Rivas, F. J. M., Maldona-
tion and the Size of the Pie. In the Meritocracy do, L., & Atria, J. (2021). Measuring Perceptions
and economic inequality. Princeton University and Preferences for Meritocracy.
Press.
Chetty, R., Hendren, N., Kline, P., & Saez, E.
Blanchet, T., Chancel, L., & Gethin, A. (2022). (2014). Where is the land of opportunity? The
Why is Europe more equal than the United geography of intergenerational mobility in
States?. American Economic Journal: Applied the United States. The Quarterly Journal of
Economics, 14(4), 480-518. Economics, 129(4), 1553-1623. https://doi.
org/10.1093/qje/qju022
Blanden, J., Doepke, M., & Stuhler, J. (2022).
Educational inequality (No. w29979). National Cohen, G. A. (1989). On the currency of egalita-
Bureau of Economic Research. rian justice. Ethics, 99(4), 906-944.
Bourguignon, F., Ferreira, F. H., & Menéndez, Corak, M. (2013). Income inequality, equality
M. (2007). Inequality of opportunity in Brazil. of opportunity, and intergenerational mobility.
Review of income and Wealth, 53(4), 585-618. Journal of Economic Perspectives, 27(3), 79-
102. https://doi.org/10.1257/jep.27.3.79
Breen, R., & Goldthorpe, J. H. (1997). Exp-
laining educational differentials: Towards Dworkin, R. (1981). What is equality? Part 1:
a formal rational action theory. Rationali- Equality of welfare. Philosophy & public affairs,
ty and society, 9(3), 275-305. https://doi. 185-246.
org/10.1177/104346397009003002
Dodin, M., Findeisen, S., Henkel, L., Sachs, D., &
Brunori, P., Hufe, P., & Mahler, D. (2019). The Schüle, P. (2022). Social mobility in Germany.
roots of inequality: Estimating inequality of
opportunity from regression trees and forests. Epstein, R. A. (1992). Forbidden grounds: The
case against employment discrimination laws.
Brunori, P., & Neidhöfer, G. (2021). The evolu- Harvard University Press.
tion of inequality of opportunity in Germany: A
machine learning approach. Review of Income Erikson, R., & Goldthorpe, J. H. (1992). The
and Wealth, 67(4), 900-927. constant flux: A study of class mobility in in-
dustrial societies. Oxford University Press.
68
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Ferreira, F. H., & Gignoux, J. (2011). The mea- Hertz, T., Jayasundera, T., Piraino, P., Selcuk,
surement of inequality of opportunity: Theory S., Smith, N., & Verashchagina, A. (2008). The
and an application to Latin America. Review of inheritance of educational inequality: Interna-
income and wealth, 57(4), 622-657. tional comparisons and fifty-year trends. The
BE Journal of Economic Analysis & Policy, 7(2).
Ferreira, F. H., & Gignoux, J. (2014). The measu- https://doi.org/10.2202/1935-1682.1775
rement of educational inequality: Achievement
and opportunity. The World Bank Economic Hilger, N. G. (2015). The great escape: Interge-
Review, 28(2), 210-246. nerational mobility in the united states since
1940 (No. w21217). National Bureau of Econo-
Fleurbaey, M. (2008). Fairness, responsibility, mic Research.
and welfare. OUP Oxford.
Markovits, D. (2019). The meritocracy trap.
Fleurbaey, M., & Peragine, V. (2013). Ex ante Penguin UK.
versus ex post equality of opportunity. Econo-
mica, 80(317), 118-130. Marrero, G. A., Palomino, J. C., & Sicilia, G.
(2022). Inequality of Opportunity in Educational
Freeman, R. B., Machin, S., & Viarengo, M. Achievement in Western Europe: contributors
(2010). Variation in educational outcomes and and channels (No. 612). ECINEQ, Society for
policies across countries and of schools within the Study of Economic Inequality.
countries (No. w16293). National Bureau of
Economic Research. Mullainathan, S., & Spiess, J. (2017). Machine
Learning: An Applied Econometric Approach.
Gil, C. (2023). Hay que esforzarse por deba- Journal of Economic Perspectives, 31(2), 87-
tir más de políticas que de meritocracia en 106.
público. Entrada en blog Fundación Espacio
Público. Mijs, J. J. (2018). Visualizing belief in
meritocracy, 1930–2010. Socius, 4,
Gortazar, L. (2019). ¿Favorece el sistema edu- 2378023118811805.
cativo español la igualdad de oportunidades?
Información Comercial Española, ICE: Revista Nozick, R. (1974). Anarchy, state, and utopia
de economía, 910, 15-29. (Vol. 5038). New York: Basic Books.
Gunderson, M., & Oreopolous, P. (2020). Retur- Rawls, J. (1971). A theory of justice. Cambrid-
ns to education in developed countries. In The ge (Mass.).
economics of education (pp. 39-51). Academic
Press. Reardon, S. F. (2011). The widening academic
achievement gap between the rich and the
Hanushek, E. A., & Woessmann, L. (2012). Do poor: New evidence and possible explanations.
better schools lead to more growth? Cognitive Whither opportunity, 1(1), 91-116.
skills, economic outcomes, and causation.
Journal of economic growth, 17, 267-321. Rodrik, D. (2021). A primer on trade and in-
equality (No. w29507). National Bureau of
Economic Research.
69
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
70
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
RESULTA
DOS Y
FIGURAS
ADICIONA
LES
ANEXO A 71
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Esta tabla reporta estadísticas nacionales de movilidad social utilizando datos PISA 2018. Los indicadores se calculan utilizando la metodología
descrita en el apartado 4.1.
72
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Notas: Esta tabla reporta estadísticas autonómicas de movilidad social utilizando datos PISA 2018. Los indicadores se calculan utilizando la metodología
descrita en el apartado 4.1.
discusión
sobre
machine
learning
ANEXO B
74
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
alumnado en la muestra B. En segundo lugar, suma de los cuadrados entre los valores
realizamos el proceso inverso: entrenamos los reales y los valores predichos por el mode-
algoritmos en la muestra B siguiendo el mismo lo lineal. En términos globales, este es el
procedimiento para hacer predicciones en la método más comúnmente empleado para
muestra A. Dicha decisión viene motivada por la estimación de DOp. En nuestro estudio,
(1) la necesidad de realizar una división de la empleamos OLS como punto de referencia
muestra para evitar problemas de “underfitting” para evaluar el desempeño de los algorit-
u “overfitting” y (2) nuestra preferencia por ex- mos que describimos a continuación. Las
plotar todos los datos tanto para la estimación variables explicativas incorporadas en el
como para el análisis posterior. modelo son las descritas en el CUADRO 1.
La evaluación del rendimiento de los distin- · Regularización: Lasso, Ridge y Elastic Net.
tos algoritmos se realiza de manera conjunta Las técnicas de regularización son similares
utilizando las predicciones “out of sample” a la regresión lineal, salvo que “castigan”
de las muestras A y B. Esto garantiza que se la complejidad del modelo a través de
selecciona el algoritmo que mejor predice los un término de penalización adicional. La
resultados y no aquel que se ajusta mejor a la distinción entre Lasso, Ridge y Elastic Net
muestra de entrenamiento. La selección del se encuentra precisamente en este término
mejor modelo se realiza de manera indepen- de penalización. Por un lado, Lasso (“Least
diente para cada país utilizando el coeficiente Absolute Shrinkage and Selection Operator”)
de determinación (R2). introduce una penalización L1 que descarta
la influencia de algunas variables al per-
Algoritmos de predicción mitir que algunos coeficientes se vuelvan
exactamente cero. Por otro lado, el método
Para realizar las predicciones, consideramos Ridge introduce una penalización L2 que no
tanto algoritmos de regularización como anula completamente los coeficientes, sino
métodos basados en árboles (“tree-based que los reduce. Por su parte, Elastic Net
methods”). También consideramos la regresión combina linealmente las penalizaciones de
lineal OLS para contrastar los resultados y eva- Lasso y Ridge, tratando así de compensar
luar las mejoras que ofrece el ML. A continua- las limitaciones de cada método con las
ción, describimos la intuición técnica tras cada ventajas del otro. Al igual que ocurre con la
algoritmo. Para más detalles metodológicos regresión, los métodos de regularización re-
sobre los distintos algoritmos, recomendamos quieren especificar la forma funcional y las
al lector Tibshirani et al. (2017). interacciones de las variables explicativas.
Por ello, en nuestro análisis construimos un
· Mínimos Cuadrados Ordinarios (o regre- modelo relativamente complejo que incor-
sión lineal): La técnica de Mínimos Cua- pora todas las circunstancias, todas sus
drados Ordinarios (OLS, por su acrónimo posibles interacciones dobles y términos
en inglés “Ordinary Least Squares”) es un cuadrados y cúbicos de todas las variables
método de análisis estadístico utilizado continuas. La selección final del modelo
para modelar la relación entre una variable depende de la propia regularización que
dependiente y una o más variables explicati- evita el “overfitting”. Este proceso de regula-
vas. La idea básica tras la regresión lineal es rización se realiza a través de CV quíntuple
encontrar la línea recta que mejor se ajuste (“5-fold cross validation”) para optimizar los
a los datos, de modo que podamos predecir términos de penalización.
el valor de dicha variable dependiente en
función de las variables explicativas. Esta
línea recta se determina minimizando la
76
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
será precisa. Para mejorar esta predicción Desde una perspectiva metodológica, estos re-
inicial, el Boosting sigue construyendo árbo- sultados sugieren que las técnicas de ML ofre-
les sobre el error residual de las estimacio- cen mejoras comparativas frente al enfoque
nes con el objetivo de capturar los patrones tradicional. Con todo, las ventajas halladas son
y características que no se han capturado relativamente modestas para la mayoría de
hasta ese momento. Este proceso continúa países. Con la excepción de Emiratos Árabes
iterativamente, añadiendo nuevos árboles Unidos e Israel (donde los R2 aumentan 7,1 y
de regresión que se centran en corregir los 5,2 p.p. respectivamente), la mayoría de países
errores residuales del modelo anterior. Cada obtienen mejoras que podrían ser considera-
nuevo árbol se construye de manera que se das como modestas (promedio de 1,4 p.p.).
minimice el error residual restante. A medi- Con todo, conviene aclarar que esta conclusión
da que se añaden más árboles, el modelo se circunscribe a la medición de DOp utilizando
en conjunto mejora su capacidad de cap- datos PISA. La ausencia de mejoras drásti-
turar los patrones más complejos y sutiles cas en nuestra aplicación no necesariamente
en los datos. Para construir un Boosting implica que no existan ventajas más llamati-
fiable, utilizamos un proceso de optimiza- vas en otras dimensiones educativas u otros
ción secuencial basados en CV triple sobre dominios. Más allá de esta consideración,
el número de árboles, su profundidad y el pensamos además que el marco conceptual
parámetro de aprendizaje. y basado en datos que ofrece el ML ofrece un
enfoque más riguroso que el enfoque conven-
Comparación de algoritmos: cional. En última instancia, la aplicación de un
resultados criterio predictivo para seleccionar el mejor
modelo permite minimizar el riesgo de “overfi-
Para comparar el desempeño predictivo de tting” y “underfitting”, además de ofrecer a los
los modelos, utilizamos el “R2 fuera de la investigadores un enfoque menos arbitrario y
muestra” (“out-of-sample R2”). A diferencia del más transparente que la perspectiva conven-
R2 convencional, esta medida se utiliza para cional.
evaluar el rendimiento predictivo de un modelo
en datos que no han sido utilizados durante el Por su parte, la TABLA B2 presenta los mis-
entrenamiento de los algoritmos. Esto propor- mos resultados para cada comunidad autó-
ciona una medida más realista y confiable del noma. Cuando adquirimos una visión auto-
rendimiento de los distintos algoritmos, ya que nómica, observamos que la regresión lineal
evalúa sus capacidades para hacer prediccio- supera a los nuevos enfoques de Machine
nes precisas en datos no vistos previamente. Learning. En concreto, encontramos que OLS
ofrece mejores predicciones en 10 de las 17
La TABLA B1 muestra los R2 para cada país y comunidades autónomas. Boosting, por su
algoritmo. También reportamos los resultados parte, se sitúa en segunda posición, ofreciendo
de la regresión lineal para estudiar las venta- predicciones más fiables para 5 comunidades
jas del Machine Learning. La TABLA muestra autónomas. Esta discrepancia de las ventajas
que el Boosting supera al resto de modelos del ML entre regiones y países podría ser fruto
predictivos para la mayoría de países. De entre del menor tamaño muestral empleado para el
los 35 países analizados, el Boosting ofrece análisis. Si bien no lo podemos confirmar con
predicciones más fiables para 29 de ellos. exactitud, es plausible que el menor número de
En términos generales, encontramos que los observaciones disponible para el análisis por
algoritmos de ML resultan en precisiones más CCAA limite el potencial del ML para explorar la
fiables para todos los países, con la excepción importancia de las interacciones entre circuns-
de Islandia, donde el OLS ofrece los mejores tancias, generando así peores predicciones.
resultados.
78
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Random Random
Regression
OLS Ridge Lasso Elastic Net Forest ("out Forest Boosting
Tree
of the box") ("tuned")
EMIRATOS ÁRABES 32,40 37,25 37,38 37,36 28,02 37,74 36,74 39,52
PAÍSES BAJOS 26,40 26,46 26,60 26,62 20,62 28,60 28,29 30,57
ESTADOS UNIDOS 25,54 25,66 24,46 24,36 21,22 25,84 25,44 26,44
B-S-J-Z (CHINA) 21,19 22,09 22,07 22,10 16,40 21,89 22,06 22,59
NUEVA ZELANDA 21,47 21,38 21,09 21,03 11,60 19,17 19,84 22,16
REINO UNIDO 20,86 21,39 21,71 21,68 15,75 20,95 20,94 21,27
HONG KONG 9,81 9,96 9,82 9,86 6,73 10,30 10,76 11,53
79
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Random Random
Regression
OLS Ridge Lasso Elastic Net Forest ("out Forest Boosting
Tree
of the box") ("tuned")
CASTILLA- LA MANCHA 18,17 15,92 15,11 15,33 10,78 14,27 15,42 17,75
CASTILLA Y LEÓN 17,98 18,47 18,41 18,19 15,27 16,49 16,73 18,43
80
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
MERITOCRACIA Y EDUCACIÓN
Informe COTEC
81