PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

ESCUELA DE POSGRADO

Incentivos monetarios para el logro de resultados en el sector

educativo: evaluación de impacto de “Bono Escuela” en el
rendimiento estudiantil

TESIS PARA OPTAR EL GRADO ACADÉMICO DE MAGISTER EN

ECONOMÍA

AUTOR

Graciela Rocío Muñiz Cahuana

ASESOR:

Viviana Natali Cruzado de la Vega

Febrero, 2018
 RESUMEN

La aplicación de incentivos monetarios en la educación básica es aún poco extendida a

nivel regional. Por otro lado, la experiencia internacional, con varios años de estudio en la
implementación de este tipo de incentivos, no es concluyente sobre su impacto en
resultados educativos o el mecanismo interno más efectivo. En esta investigación se plantea
una evaluación de impacto sobre la primera experiencia en el Perú de incentivo monetario a
docentes asociado al desempeño estudiantil en colegios públicos: “Bono Escuela”.

Se busca evaluar si un incentivo monetario condicionado a los resultados del estudiante

genera un cambio como producto de que los docentes compitan por el premio (efecto ex
ante) o como producto de haberlo recibido (efecto ex post). Para ello se analiza el nivel
primario, en las áreas de Comprensión Lectora y Matemática, y se aplica un modelo de
emparejamiento y de triple diferencia para medir el efecto ex ante, y una regresión
discontinua para medir el efecto ex post. También se analiza el efecto ex ante en el nivel
secundaria, aunque con mayores limitaciones en la información. Además, se mide la
heterogeneidad de los resultados en función a los años de implementación, área de
procedencia y tipo de escuela.

Para el caso de primaria los resultados señalan que hay un efecto ex ante positivo que se
consolida a partir del tercer año de implementación del incentivo, y que se concentra en la
zona urbana y en los colegios polidocentes completos. Por otro lado, no habría efectos del
incentivo de manera ex post, como producto de haber ganado el premio. Para el caso de
secundaria, se empiezan a ver resultados positivos aunque pequeños en el segundo año de
implementación, y también se concentran en la zona urbana.

2
Contenido

RESUMEN ................................................................................................................................ 2
1. Introducción ..................................................................................................................... 4
2. Marco Teórico................................................................................................................... 7
2.1 Teoría del principal-agente y contratos óptimos........................................................... 7
2.2 Evidencia empírica sobre los mecanismos internos para el logro de resultados a
través de incentivos ....................................................................................................... 13
3. El Bono de Incentivo al Desempeño Escolar, “Bono Escuela”.................................. 19
4. Estrategia de identificación y evaluación ..................................................................... 21
4.1 Metodología para la evaluación del efecto competencia en los niveles de primaria y
secundaria ...................................................................................................................... 24
4.1.1 Identificación de grupo de tratamiento y zonas de desempeño ...................... 24
4.1.2 Identificación del grupo de control y estimación del modelo de
emparejamiento ........................................................................................................... 27
4.1.3 Estimación por triple diferencia para el caso del nivel primaria ...................... 29
4.2 Metodología para la evaluación del efecto reciprocidad en el nivel de primaria ...... 31
4.3 Efectos diferenciados (característica de la escuela, ámbito y periodo de
maduración) ................................................................................................................... 33
5. Resultados...................................................................................................................... 34
5.1 Resultados en el nivel de primaria ................................................................................. 34
5.1.1 Efecto competencia ................................................................................................. 35
5.1.2 Efecto reciprocidad .................................................................................................. 37
5.2 Resultados en el nivel de secundaria ........................................................................... 38
5.2.1 Efecto competencia ................................................................................................. 38
6. Conclusiones, limitaciones e implicancias de política ................................................ 40
7. Bibliografía y referencias ............................................................................................... 44
8. Anexos .............................................................................................................................. 49

3
 1. Introducción

El mecanismo de incentivos monetarios es un tema de estudio abordado, en primera

instancia, por la economía laboral, y está estrechamente relacionado a la teoría de
contratos y del principal- agente. Busca identificar los esquemas de pago óptimos que
permitan fomentar el mayor nivel de esfuerzo del agente (ente contratado), y así
maximizar los intereses del principal (ente contratista), bajo el supuesto de que son los
objetivos de este último los de mayor relevancia. Por ello, es de particular interés en
contextos donde existe un problema de asimetría de información, riesgo moral y altos
costos asociados a la supervisión permanente del agente por parte del principal.
Adicionalmente, la economía del comportamiento y la sicología han brindado
perspectivas complementarias al proceso bajo el cual funcionan los incentivos, tanto
monetarios como no monetarios. Diversos estudios han abordado cómo el mecanismo
de incentivos funciona en diferentes ámbitos, que van desde motivar a los individuos a
comer más saludable (Angelucci et al., 2015), bajar de peso (Cawley y Price, 2009;
Babcock et al., 2011), hasta cómo motivar que ciudadanos mejor capacitados y con mayor
ética asuman cargos políticos en los municipios (Ferraz y Finan, 2009), cómo motivar un
mayor esfuerzo laboral (DellaVigna y Pope, 2016), o cómo propiciar que estudiantes o
profesores realicen un mayor esfuerzo para lograr mejores resultados académicos (Levitt et
al., 2012; Babcock et al., 2011; Glewwe, Ilias y Kremer, 2010; Goodman y Turner, 2010;
Muralidharan y Sundararaman, 2010; Rau y Contreras, 2012; Vigdor, 2008).
En este trabajo de investigación, el ámbito de interés es la aplicación de los
mecanismos de incentivos monetarios la educación básica. Algunas investigaciones
consideran que este sector puede ser un terreno particularmente fértil para que los
mecanismos de incentivos impulsen una mayor efectividad, sobre todo teniendo en cuenta
que este sector se caracteriza por tener retornos a largo plazo y, por tanto, puede
presentar problemas de miopía (dificultad para anticipar los resultados) que pueden
corregirse con recompensas en el corto plazo (Angelucci et al., 2015; Levitt et al., 2012).
Otros estudios, por su parte, alegan que las características de los agentes (refiriéndose a
los profesores), que serían principalmente del tipo “altruistas”, podrían generar que los
mecanismos de incentivos monetarios sean contraproducentes (Dixit, 2002; Le Grand,
2003).
Lo cierto es que los diversos trabajos producidos a la fecha aún no pueden establecer
conclusiones determinantes sobre los incentivos monetarios en lo que respecta al sector
educativo, pues existen aquellos que han demostrado efectos positivos (Glewwe, Ilias, y
Kremer, 2010; Vigdor, 2008; Lavy, 1999; Muralidharan y Sundararaman, 2010; Rau y
Contreras, 2012), como aquellos que han identificado un impacto nulo o poco
significativo (Atkinson et al., 2004; Goodman y Turner, 2010; Martins, 2009). La literatura
señala diversos factores que pueden marcar una diferencia en los efectos obtenidos: si
el incentivo es individual o grupal, por ejemplo, puede implicar un efecto adicional de
spillovers, pudiendo ello expandir o reducir el efecto neto (Babcock et. al.; 2011). Por su
parte, el esquema de incentivos puede ser planteado como una recompensa o, más bien,
como una penalización (Tversky y Kahneman, 1991; en Levitt et. al., 2012). También
puede darse el caso de plantear un esquema de recompensas monetarias o no-
monetarias (Kosfeld y Neckermann, 2011; en Levitt et. al., 2012). Los estudios señalan
que la inmediatez o, por el contrario, rezago de los beneficios obtenidos a través del
4
incentivo, puede afectar los resultados esperados (Levitt et. al., ibíd.). Asimismo, es posible
una heterogeneidad del efecto según el sexo del individuo incentivado, la edad, o según el
área que se esté proponiendo mejorar (por ejemplo, Matemáticas o Lectura).
El principal canal a través del cual se espera que un incentivo monetario promueva un
resultado es a través del llamado “efecto competencia”; es decir, el cambio que el bono
genera en la conducta de los aspirantes, por el hecho de estar aptos para competir, con la
finalidad de ganar el incentivo. No obstante, la definición de cuál será la acción o resultado
que desea promoverse también puede resultar clave en la efectividad del incentivo. Por
ejemplo, algunos autores sugieren que el incentivo es más efectivo si se plantea
promover un insumo en lugar de un resultado, pues de otra manera los individuos
pueden no tener claridad sobre los factores de la función de producción que deben seguir
para alcanzar el objetivo final (Babcock et al., 2011; Fryer, 2010). Por su parte, algunos
sostienen que podría haber un efecto de reciprocidad por parte de los individuos que
hayan logrado exitosamente el objetivo, a manera de retribución por el hecho de haber
recibido una recompensa por su esfuerzo (DellaVigna y Pope, 2016; Rau y Contreras,
2012; Akerlof, 1984 y 1982).
En el contexto de América Latina, aunque el planteamiento de incentivos monetarios no es
un tema de estudio nuevo, aún no ha sido extendido ampliamente como política
pública. El caso más consolidado es el Sistema Nacional de Evaluación del Desempeño
(SNED), implementado por Chile en el año 1996, y que aplica para los colegios
municipales, particulares subvencionados y liceos técnico-profesionales (92% del total de
colegios de Chile). Para la definición de los ganadores, los colegios son agrupados
según características que reflejen un contexto o características similares, con la idea de
hacer más comparable los resultados escolares (por ejemplo, variables como región, área
de procedencia, nivel socioeconómico de los estudiantes, etc.). El incentivo es del tipo
colectivo, en tanto el 90% del premio otorgado se reparte a los docentes y auxiliares de la
escuela, para su uso individual, en función al número de horas trabajadas por semana. El
10% restante se reparte bajo criterio del director, dirigido a los docentes que considere de
mejor rendimiento. Diversos estudios han demostrado la efectividad de esta política en
el caso chileno (Mizala y Romaguera, 2004; Contreras et. al., 2005; Gallego, 2008; Rau y
Contreras, 2012; Casavilca, 2014).
En el Perú, a partir del 2014 se implementó el Bono de Incentivo el Desempeño Escolar
(BDE), “Bono Escuela”, el cual es un esquema de incentivos que tiene como objetivo
otorgar un reconocimiento económico anual a los docentes de instituciones educativas
públicas que hayan obtenido los mejores resultados en indicadores educativos
predefinidos. Tales indicadores se encuentran asociados a la superación (mejora en los
resultados de la Evaluación Censal de Estudiantes – ECE- con respecto al año anterior),
efectividad (promedio destacable en la última ECE), retención (estudiantes permanecen
en la educación formal hasta el cierre del año escolar), registro y gestión de asistencia
(estudiantes figuran en los sistemas de información oficiales del sector), entre otros.
Al igual que en el caso chileno, para el BDE los colegios públicos son agrupados en
estratos más homogéneos, con el objetivo de aumentar su comparabilidad. Así, en un
primer nivel, los colegios son divididos en grupos, según el tipo de ECE a la que hayan
aplicado (segundo grado de primaria, cuarto grado EIB, o segundo grado de secundaria)
y, en un grupo diferenciado, los colegios que por razones externas a ellos no hayan
rendido la prueba. A su vez, dentro de cada grupo se plantean estratos. Tales estratos
5
han sido definidos bajo los criterios de característica de la escuela (polidocente
completo, multigrado/unidocente) y de dependencia de una misma gestión (local o
regional, en función del tamaño de la jurisdicción), entre otros. Habiendo definido los
estratos, se premia a las instituciones educativas públicas que se encuentren en el
percentil 35 superior. El monto asignado representa en promedio un 10% del ingreso
anual de un docente. Debe precisarse que el BDE es un incentivo del tipo colectivo, pues
los beneficiarios son toda la plana docente del nivel educativo premiado, si bien se hace
una diferenciación en el monto asignado al docente del grado evaluado y al director de la
escuela.
Siendo una intervención relativamente nueva en el Perú, no hay a la fecha
publicaciones que realicen una evaluación de impacto de este incentivo. Esta
investigación plantea realizar un estudio de Bono Escuela y su impacto en el rendimiento
estudiantil, teniendo en cuenta que este indicador representa hasta el 65% de los
criterios tomados en cuenta para el otorgamiento del bono. Para ello, se evaluará si
existe un impacto del bono como producto de la competencia para la obtención del premio
(efecto ex ante del otorgamiento). También será de interés analizar si existe un impacto
del bono posterior al otorgamiento del bono; es decir, entre aquellos que efectivamente
obtuvieron el premio (efecto ex post del otorgamiento). Cabe precisar que estos
efectos también fueron analizados para el caso chileno, donde se encontró una
significancia positiva del primer efecto, pero no se demostró evidencia significativa del
segundo (Rau y Contreras, 2012).
Adicionalmente, en esta investigación se diferenciará el impacto en los resultados para
aquellos colegios que se encuentran en una zona de estricta competencia -entendiendo
por ello aquellos colegios que no son ni “seguros ganadores” ni “seguros perdedores”
(demasiado distantes del punto de corte que determina el premio, para ambos
sentidos)- y que, por tanto, tienen mayores incentivos para esforzarse. Para el caso
chileno, esta distinción tuvo una alta significancia (Rau y Contreras, 2012; Casavilca,
2014).
De esta manera, este estudio plantea responder las siguientes preguntas:

 ¿Existe un efecto promedio ex ante, producto de la competencia entre

escuelas para obtener el premio de Bono Escuela, sobre el rendimiento
estudiantil de primaria y secundaria en el área de Comprensión Lectura? ¿Y para
el caso de Matemática?
 ¿Existe un efecto promedio ex post, producto de la obtención del bono, sobre
el rendimiento estudiantil de primaria para el área de Comprensión Lectura? ¿Y
para el caso de Matemática?
 ¿Cuál es el periodo de maduración que requiere este incentivo para encontrar
efectos relevantes?
 ¿Existe una diferencia en el efecto competencia cuando se analiza
únicamente a los colegios en zona de competencia?
 ¿Existe una diferencia en los efectos promedios encontrados según área de
procedencia (urbano o rural), y característica de la escuela (polidocente completo
o multigrado/unidocente)?
Para medir el primer efecto se realizará, en primera instancia, un modelo de
emparejamiento que permita identificar, entre las escuelas privadas, un grupo de control
6
que mejor pueda compararse al grupo de tratamiento (escuelas públicas), para luego
aplicar un modelo de triple diferencia que permita aislar en cierta medida la tendencia
previa al tratamiento. Por su parte, para el segundo efecto se aplicará un modelo de
regresión discontinua de diseño difuso, que evalúa a los colegios públicos premiados que
se encuentren más cercanos alrededor del punto de corte de la premiación, para así
evaluar si el hecho de haber recibido el bono en el periodo previo tiene un impacto en el
rendimiento. Debe acotarse que para el caso se secundaria, al contar con un periodo de
evaluación más corto (la primera evaluación censal se realizó en el 2015), solo se mide el
impacto producto de la competencia por el bono, con una variante en la metodología.
Por ello, este documento presenta la siguiente estructura: luego de la sección
introductoria, se presenta el marco teórico, donde se planteará el mecanismo causal que
justifica el planteamiento de incentivos monetarios en el sector educativo, a través de la
teoría del principal agente. Además, en esta sección también se hará una revisión de la
evidencia empírica que analiza los mecanismos internos bajo los cuales habrían operados
los diferentes incentivos planteados. Posteriormente, en la tercera sección se explica con
mayor detalle las características del incentivo de Bono Escuela. En la cuarta sección, se
plantea la estrategia de evaluación para responder las preguntas planteadas
anteriormente. Finalmente, en la quinta y sexta sección se presentarán los resultados y
conclusiones, respectivamente.

2. Marco Teórico

2.1 Teoría del principal-agente y contratos óptimos

Uno de los principales marcos conceptuales para entender la herramienta de incentivos

monetarios es la teoría del principal-agente. Como define Levacic (2009), se afirma que
existe una relación principal-agente cuando una persona u organización (el “principal”),
explícita o implícitamente, contrata a otra –el “agente”- para proporcionar un servicio o
proveer un bien. Bajo la premisa de que el objetivo es maximizar el objetivo (bienestar) del
principal, la teoría del principal-agente tiene como finalidad establecer el tipo de contrato
óptimo en términos del retorno para este principal (Douma y Schreuder, 2002; Levacic,
op. cit.:1). Esta teoría económica analiza tanto los servicios que se ofrecen a través del
mercado, como aquellos que no se rigen estrictamente bajo las leyes de oferta y
demanda, tanto en el sector privado como el público.
Principales factores por considerar en la definición de un contrato
Para ello, Levacic (op. cit.:2) plantea que existen algunas variables importantes de tener
en cuenta para la definición de un contrato que tenga el objetivo de maximizar el nivel de
esfuerzo del agente. En primer lugar, está la naturaleza de la motivación de los
agentes, sobre la cual Le Grand (2003) distingue dos tipos de agentes: los
“oportunistas” –es decir, agentes que priorizan su propio bienestar- y aquellos
“altruistas”, agentes con un interés afín a los objetivos del principal. Sobre esta
característica, Le Grand –que concentra su análisis en el sector público- señala que la
predominancia de cierta motivación u otra no está asociada a algún sector productivo en
particular, sino que puede cambiar en el tiempo. En consecuencia, él argumenta que el
salario y los mecanismos de incentivos que motivan a los empleados en el sector público
deben ser estructurados de tal manera que sean consistentes con ambos tipos de
7
comportamiento, y que no se debe asumir que un agente es del tipo altruista solo por el
hecho de trabajar en entidades sin fines de lucro, o similares a estas.
Otra variable que debe tenerse en cuenta es la posibilidad de riesgo moral; es decir, el
riesgo de que un agente no brinde su mayor esfuerzo ante la poca capacidad del
principal para inferir con exactitud tal nivel de esfuerzo a partir de los resultados obtenidos
(Dixit, 2002). De acuerdo a Dixit, el problema se complejiza cuando los resultados de una
acción, aunque son observables, pueden depender tanto de acciones del agente como
de factores aleatorios que escapan al control del agente responsable, y cuya
proporcionalidad en la causalidad para el resultado final es difícil de medir. En estos
casos, no sería viable asociar completamente el salario a los resultados obtenidos. En
casos de riesgo moral, asimetría de información y un agente averso al riesgo (es decir, un
agente al que le es más costoso asumir la incertidumbre del producto final), un contrato
óptimo distribuirá el riesgo entre el principal y el agente, de tal manera que el agente
reciba un monto fijo más un monto variable, sujeto al rendimiento.
Adicionalmente, otro factor relevante para la definición de un contrato es el nivel y
costos de la asimetría en la información; en otras palabras, qué tan costoso es para el
principal revelar el nivel de esfuerzo del agente. Altos costos a menudo están asociados
a sectores donde no hay una alta competencia entre agentes (Levacic, op. cit. 2009:4).
En general, se refiere a contextos donde los costos de supervisión o monitoreo del
accionar del agente son difíciles de escalar, sea por la poca disponibilidad de personal
con las calificaciones necesarias para cumplir esta función, o por los altos costos de
traslado, visitas frecuentes y personal. Finalmente, debe considerarse la complejidad del
sector productivo en análisis. A menudo, se evidencia que los agentes ejercen múltiples
tareas, o responden a múltiples principales, que a su vez tienen objetivos diversos
(Levacic, op. cit.; Dixit, op. cit.). En particular, señala Levacic, el sector público se
caracteriza por tener una estructura donde hay muchos principales y muchos agentes,
siendo que los principales finales son los ciudadanos que proporcionan sus impuestos a
cambio de que los trabajadores de una organización pública (el agente) proporcionen
los servicios que la comunidad requiere.
Factores por considerar en la definición de contratos en el sector Educación
Aplicando la teoría del principal-agente al sector Educación, Dixit (2002) identifica
algunas características que pueden ser de gran relevancia al momento de definir un
esquema de incentivos. En primer lugar, como ya se mencionó, está el factor de tener
múltiples objetivos. La educación pública tiene exigencias tales como: i) impartir
habilidades básicas de comunicación y lectura, matemáticas, razonamiento y cálculo,
etc.; ii) acompañar e influir en el desarrollo emocional y físico de los niños y adolescentes;
iii) preparar a los estudiantes para una vida laboral, fortaleciendo sus habilidades
vocacionales y aptitudes para una mayor empleabilidad; iv) fomentar en los estudiantes
una conciencia crítica y responsable, para el ejercicio de su ciudadanía; v) dotarlos de
conocimientos básicos para el cuidado de su salud y administración financiera; y vi)
proveer un ambiente libre de violencia y drogas. Como señala Dixit, si bien estos objetivos
no son mutuamente contradictorios en ningún caso, estos sí compiten por una priorización
dadas las restricciones de personal y de tiempo disponible, y en ese sentido sí tienen un
grado de sustitución.
En segundo lugar, como señaló Levacic, este sector se caracteriza por tener

8
múltiples partes interesadas, que representan principales externos que, a través de su
influencia en el plano político, participan en la relación principal-agente del sector. Así,
el primer principal serían las familias, padres (y contribuyentes a nivel nacional y local)
que esperan que el servicio público les brinde una educación de calidad, con la cual sus
hijos puedan alcanzar las competencias esperadas para su edad. No obstante, en esta
cadena jerárquica aparecen otros protagonistas, que alternan su condición de agentes y
principales dentro de la administración pública. Por ejemplo, en el Perú, el Ministerio de
Educación, como representante del Poder Ejecutivo sobre el sector, responde a las
expectativas de las familias y a una visión de país, de igual manera que el Gobierno
Regional a un nivel más local. Por su parte, las Direcciones Regionales de Educación
(DRE) y Unidades de Gestión Educativa Local (UGEL) rinden cuentas tanto a los
gobiernos regionales -de los cuales dependen directamente en términos administrativos y
presupuestales-, como al Ministerio de Educación, el cual ejerce una rectoría a nivel
nacional en lo que compete al sector.
Complementariamente, las DRE y las UGEL de cada región administran la selección,
la administración y las remuneraciones del personal directivo y docente de una institución
educativa. Finalmente, el director de la IE, en última instancia, representa la máxima
autoridad a nivel de la escuela, razón por la cual, aunque no intervenga en la definición
de su salario, ejerce también una rectoría sobre el docente. En el Esquema 1 se presenta
un esquema de lo descrito previamente:
Esquema 1: Esquema de relación principal-agente en el sector Educación: caso
peruano

PRINCIPAL AGENTE
Votantes (padres de Ministerio de
familia u otros) Educación

Gobiernos
Ministerio de Educación Regionales

Gobiernos Regionales DRE/UGEL

DRE/UGEL Directores de IIEE

Directores de IIEE Docentes de IIEE

Elaboración propia. Adaptado de Levacic (2009)

Dixit (op. cit.) señala algunos stakeholders adicionales, como los empleadores
potenciales de los graduados de la educación básica y superior, las escuelas privadas,
los grupos que favorecen o se muestran en contra de algún contenido particular del
currículo, los profesores y su sindicato, y la sociedad en su conjunto. Cada uno de estos
agentes, muestran preferencias y ponen énfasis en diversos objetivos, que en ocasiones
compiten entre sí por una priorización.
Una tercera característica del sector educativo sería la de contar con múltiples periodos.
Con esta definición, Dixit se refiere a la construcción de la carrera profesional del docente,
9
que es larga, pues es en el transcurso del tiempo que sus habilidades se consolidan y son
reveladas. En consecuencia, Dixit sostiene que para los docentes el desarrollo de su
carrera puede ser más importante que los incentivos basados en su desempeño de corto
plazo, incluso si este puede medirse con un alto grado de precisión.
En cuarto lugar, una característica importante del sector educativo es la falta de
competencia. Aun cuando se reconoce que los colegios privados –y, en particular, los
colegios parroquiales- tienen un grado de competencia con los colegios públicos, en
general se evidencia que para una proporción importante de la población, la escuela
pública representa un monopolio en la provisión del servicio educativo, que se sustenta
principalmente en contextos donde la demanda educativa es pequeña o muy débil, sea por
escasos recursos económicos o poco capital político. Finalmente, y altamente relevante, se
señala como característica del sector educativo la motivación de los agentes y su
dificultad para observarla o medirla. Al respecto, como señala Dixit, la docencia es
considerada como una profesión que está motivada por la satisfacción de facilitar el
aprendizaje a los jóvenes, así como por un interés genuino en el desarrollo infantil. No
obstante, también es de esperar que los docentes, al igual que otras ocupaciones,
tengan una motivación por el nivel de ingreso, lo cual ha sido estudiando por algunas
investigaciones que evalúan la respuesta de los profesores ante variaciones en el salario
(Zymelman y DeStefano, 1993; Eide et. al. 2004; Chevalier y Dolton, 2005; Glewwe y
Kremer, 2006). En ese sentido, este concepto está alineado a lo sostenido por Le Grand
(op. cit.) y mencionado anteriormente, acerca de no asumir un tipo de motivación en los
docentes (“oportunista” o “altruista”), pues este puede variar en el tiempo o de acuerdo a
las circunstancias. Asimismo, también se reconoce que la labor docente está caracterizada
por el riesgo moral. Ello debido a la dificultad de observar y medir el aspecto motivacional
del docente, así como en la dificultad para revelar su nivel de esfuerzo a partir de los
productos medibles.
Tipo de contratos tradicionalmente considerados en el sector Educación
Todos estos factores descritos influyen en la eficacia del diseño contractual para lograr los
objetivos esperados en el sector; sin embargo, la evidencia muestra que la forma en que
tradicionalmente se han diseñado los contratos del sector educativo dista de tener en
cuenta tales criterios. En la Tabla 1 se definen los criterios que potencialmente pueden
ser considerados en una estructura salarial basada en incentivos. De acuerdo a lo
señalado por Mizala y Romaguera (2004), estos indicadores pueden ser clasificados, en
primera instancia, bajo un criterio de insumo, proceso o producto. El primer grupo tiene
indicadores que señalan las condiciones iniciales del docente o de la escuela, que
pueden ir cambiando en el tiempo, como el nivel de experiencia o las horas trabajadas.
El criterio de procesos agrupa a los indicadores que se enfocan en las acciones del
docente o de la escuela como colectivo, mientras que el grupo de productos se refiere a
los indicadores que reflejan los resultados finales que se evalúan en el sector. A su vez,
cada uno de estos indicadores puede plantearse a nivel individual o a nivel colectivo en la
escuela. En la Tabla 1 se resume la posibilidad de plantear los indicadores en uno u otro
nivel. Por ejemplo, criterios como el de las calificaciones y experiencia se caracterizan por
evaluarse a nivel individual. Por su parte, el trabajo en alguna área geográfica socialmente
desventajosa es una característica de la escuela, por lo que su inclusión como criterio
dentro la estructura salarial afectaría a toda la plana docente de la escuela. Los
indicadores de proceso o producto se caracterizan porque pueden ser planteados tanto
a nivel individual como colectivo.
10
Como señalan Mizala y Romaguera (2004), el tipo de contrato que ha predominado en
el sector educativo en América Latina es el salario fijo, y se ha basado principalmente en
criterios de insumo, en función a variables individuales como las calificaciones
personales, el nivel de experiencia o el nivel de responsabilidad. Este tipo de criterio
suele estar basado en la individualidad de cada docente, a diferencia de otros
esquemas donde se combina esta estructura fija con un factor variable, en función de
indicadores de procesos o productos obtenidos en el aula del docente (plano individual) o
como promedio en la escuela (plano colectivo).
Tabla 1: Criterios para la diferenciación de salarios de docentes

Criterios para la diferenciación de pago a Incentivos basados en

Incentivos individuales
docentes la escuela

Criterios de insumo
Calificaciones Sí
Experiencia Sí
Horas trabajadas Sí
Grado que se le imparte al estudiante Sí
Trabajo en áreas socialmente
desventajosas Sí

Criterios de proceso
emprender actividades de desarrollo
profesional Sí Sí
compreterse con actividades
extracurriculares Sí Sí
trabajo con padres de familia Sí Sí

Criterios de producto
tasa de deserción Sí Sí
tasa de conclusión Sí Sí
logro estudiantil Sí Sí
reportes de satisfacción del estudiante o
los padres Sí Sí
evaluación a cargo de inspectores o
directores Sí Sí
Mizala y Romaguera (2004).

El esquema de incentivos basados en el desenvolvimiento dentro de la escuela como

una nueva propuesta de contrato en el sector Educación, y principales factores por
considerar en su diseño
Bajo el tipo de contrato actualmente predominante (de pagos fijos y basado en criterios de
insumo), el salario del docente no depende del nivel de esfuerzo o resultado que obtenga
en el estudiante, y en consecuencia, no se alcanza un contrato óptimo, pues el riesgo de
que el docente no brinde su mayor esfuerzo es asumido únicamente por el principal. La
literatura empírica aún no es concluyente sobre el esquema ideal en el diseño contractual
del sector, aunque sí advierte diversas consideraciones que deben tenerse en cuenta al
plantear una nueva estructura salarial. Por ejemplo, debe tenerse en cuenta que, de
acuerdo a lo descrito anteriormente, en casos de riesgo moral, asimetría de
información y un agente averso al riesgo (es decir, un agente al que le es más costoso
asumir la incertidumbre del producto final, p.e. el rendimiento estudiantil), un contrato
óptimo debe distribuir el riesgo entre el principal (el que plantea el esquema salarial; en
11
el caso peruano, el Ministerio de Educación) y el agente (docente), de tal manera que el
agente reciba un monto fijo más un monto variable, este último sujeto a criterios basados
en procesos o productos (ver Tabla 1).
Asimismo, dada la complejidad del sector, para la efectividad del contrato es igualmente
importante considerar los otros factores ya mencionados que pueden afectar los resultados
esperados con este nuevo esquema salarial. Como señala Levacic (2009), en relación a
la naturaleza de la motivación de los agentes, si los docentes son del tipo de agente
puramente altruista (comparte los mismos intereses del principal), el logro estudiantil
alcanzará el mayor nivel posible de acuerdo al conocimiento y habilidades de su docente,
independientemente de la estructura y nivel salarial; por el contrario, si el docente es del
tipo de agente oportunista, la calidad de la enseñanza impartida al estudiante será baja,
de no tener los incentivos adecuados. Por ello, sostiene Levacic, una consideración
adicional sobre la mejor forma de establecer el contrato del docente, sería una
combinación de incentivos monetarios (pagos asociados al rendimiento), y no
monetarios, entendido este último como un reforzamiento de la satisfacción personal del
docente por el buen ejercicio de su labor. Ello con el objetivo de atraer a la carrera
profesionales que serán efectivos y, sobre todo, permanecerán así a lo largo de su vida
laboral. Dichos pagos asociados al rendimiento pueden plantearse bajo diferentes
esquemas; por ejemplo, de manera lineal o proporcional a los logros obtenidos en el
estudiante, o estableciendo un monto fijo luego de superar un umbral deseado.
Asimismo, cuando múltiples principales tienen múltiples objetivos pero plantean
especificaciones en el contrato a partir de productos más fáciles de medir, el riesgo es
que aquellos indicadores no evaluados sean descuidados por el agente. Por ejemplo, si
se plantea un indicador de producto (como los logros de aprendizajes en el área de
comprensión lectora), otros productos adicionales - como el desarrollo personal, cultural o
la actividad física del estudiante-, en tanto no sean evaluados, pueden quedar relegados
desde el punto de vista del docente. En otras palabras, de tener un perfil de agente
prioritariamente oportunista, el docente solo se enfocará en aquellas variables
directamente asociadas a las especificaciones del incentivo.
Otro aspecto que debe tenerse en cuenta en el diseño de los pagos asociados al
rendimiento es si se definen de manera individual o colectiva; es decir, si los
beneficios afectan únicamente a los docentes directamente relacionados con el producto
o a un grupo de docentes de la escuela. Por un lado, los incentivos individuales pueden
desincentivar el esfuerzo colectivo de la plana docente, mientras que, por el contrario,
incentivos grupales pueden generar docentes free-riders; es decir, docentes que sin
ningún esfuerzo pueden obtener el premio a costa del esfuerzo de otros docentes.
No obstante, como señala Babcock et al. (2011:19), existen varios mecanismos por los
cuales un incentivo planteado de manera colectiva puede ser beneficioso. Un primer
factor social sería la motivación social. Valores como el altruismo, sentimiento de
culpabilidad por decepcionar las expectativas de otros, sentimiento de vergüenza por
fallar, o el miedo al castigo social de sus pares, han sido considerados por una amplia
literatura empírica (Charness y Kuhn, 2011; citado en Babcock et al., 2011). Un segundo
factor que explicaría los beneficios de un incentivo colectivo sería las
complementariedades potenciales de un trabajo en equipo. Al respecto, Lazear (2000)
sostiene que este factor es imprescindible para que un incentivo colectivo sea efectivo, y
que no debe utilizarse este tipo de mecanismo en caso no exista dicha
12
complementariedad. Acotado al sector Educación, la propuesta de un incentivo colectivo
reforzaría la necesidad de un liderazgo pedagógico (asumido por el director de escuela
o docente de mayores aptitudes), capaz de dar retroalimentación apropiada sobre las
prácticas de enseñanza de los docentes, por un objetivo común.
Por último, otra consideración importante que Levacic resalta es la importancia de
evaluar las limitaciones que puede tener el indicador escogido como criterio de incentivo,
refiriéndose a si el indicador recoge exactamente lo que el principal desea obtener, y si el
sistema vigente asegura la calidad en el recojo de tal información. En consecuencia,
es importante establecer un sistema nacional de mediciones con un alto grado de
confiabilidad y comparabilidad a lo largo del tiempo, que además recoja información del
contexto del estudiante, de tal manera que periódicamente se pueda evaluar el
desempeño del docente y su aporte marginal al rendimiento del estudiante.
En las siguientes secciones se hará un recuento de los mecanismos internos que se han
planteado y evaluado en diversas investigaciones al momento de diseñar un esquema
de incentivos, y las conclusiones obtenidas en ellas. Asimismo, se revisará la
evidencia de incentivos monetarios planteados en el sector educativo, y las evaluaciones
de impacto alrededor de estos, tanto a nivel internacional como regional.

2.2 Evidencia empírica sobre los mecanismos internos para el logro de

resultados a través de incentivos

Varios estudios han planteado diversas hipótesis sobre cómo el mecanismo de incentivos
funciona en diferentes ámbitos, público y privado. En esta subsección se mencionan los
principales mecanismos que operarían detrás de un esquema de incentivos:
Efecto de la competencia por alcanzar el bono: “efecto com pet enci a”
Se considera un efecto ex ante, pues comienza a operar una vez se anuncia las
condiciones para el otorgamiento del incentivo. Bajo la premisa de que el incentivo opera
a modo de un “torneo” por alcanzar el incentivo monetario, este factor competitivo
contribuiría a tener agentes más motivados y dispuestos a ofrecer su mayor esfuerzo por
alcanzar la meta. En ese sentido, todas las evaluaciones de impacto de este tipo de
incentivo monetario analizarían implícita o explícitamente este efecto.
Sobre los incentivos monetarios en el sector educativo a nivel regional, existe el Sistema
Nacional de Evaluación por Desempeño (SNED) que funciona en Chile desde el año
1996. Esta evaluación se aplica cada dos años a los colegios municipales y
subvencionados. Se agrupan escuelas bajo un criterio de comparabilidad y se mide el
logro estudiantil por cada subgrupo. Para medir el logro estudiantil se construye un
índice de indicadores ponderados relacionados a los resultados en la prueba
estandarizada y aplicada a nivel nacional, así como otros indicadores de menor peso,
como la tasa de aprobación y retención de matrícula. Una vez asignado el bono (aprox
6% del salario anual), el 90% se reparte entre los profesores en función al número de
horas trabajado, y el 10% restante se distribuye de acuerdo al criterio del director de la IE.
Los estudios de impacto para este incentivo se han centrado en evaluar el efecto de
recibir el incentivo sobre los resultados en el rendimiento. Por ejemplo, Mizala y
Romaguera (2004) encuentran un impacto positivo al analizar las primeras tres rondas
13
del SNED, identificando que el periodo de maduración sería a partir de la tercera ronda
(sexto año de implementación). Por su parte, Contreras et al. (2005) y Gallego (2008)
utilizan datos de la primera aplicación del SNED e identifican un impacto positivo aunque
poco robusto, en el primer caso, y positivo pero menor, en el segundo caso. Asimismo,
Rau y Contreras (2012), plantean explícitamente este mecanismo por el cual operaría el
incentivo monetario a docentes en el caso de Chile. Al enfatizar la existencia de este
efecto, Rau y Contreras proponen la necesidad de aislar a aquellos agentes que denominan
“seguros ganadores y seguros perdedores”; es decir, a aquellos individuos que, en el
caso de los “seguros perdedores” podrían percibirse muy lejos de la probabilidad de
alcanzar la meta, o, en el caso de los “seguros ganadores”, estarían muy confiados en
que con el mismo o un mínimo esfuerzo mayor (incluso menor) mantendrán su
posicionamiento en el ranking. Al acotar el análisis bajo este criterio, encuentran un efecto
positivo del bono (0.3 desviaciones estándar).
Casavilca (2014), por su parte, realiza un estudio longitudinal utilizando información
desde 1996 para evaluar si el cambio en el umbral de desempeño para clasificar al bono
en el 2006 –pasó de premiar al 25% de docentes, a premiar al 35%- tuvo un efecto
en el rendimiento estudiantil. Encontró que esta medida favoreció el logro estudiantil, y
afectó en un 75% la efectividad en las áreas evaluadas de Comprensión Lectora y
Matemática. Asimismo, encuentra indicios de que la teoría alrededor de los “seguros
ganadores y perdedores” de Rau y Contreras (op. cit.) es consistente en su análisis,
pues se observó que el grupo de escuelas que estaban ligeramente por el encima del
umbral inicial (25%) tuvieron menor efectividad sobre el rendimiento en relación al resto de
colegios, sugiriendo así que existiría un efecto de “seguros ganadores”.
De igual manera, en Estados Unidos también se han implementado diversos programas
de salario basado en el desempeño docente. Por ejemplo, en Carolina del Norte, desde el
año 1996 se aplica para todos los colegios públicos un esquema de pago asociado al
desempeño. Se otorga un bono a los profesores si el puntaje de la escuela alcanza un
umbral definido, o el porcentaje de mejora es significativo. Cada docente recibe $ 1,500
adicional como máximo. Además, este sistema es parte del sistema de rendición de
cuentas del Estado. Vigdor (2008) mostró un impacto importante en los resultados de la
prueba estatal para todas las áreas, sobre todo en el área de Matemática.
Asimismo, Hudson (2010) evalúa un esquema de salario por desempeño en 17 estados.
En este estudio se observó un incremento en el desempeño en matemática, en 0.15
desviaciones estándar más con respecto al grupo de control. En Comprensión Lectora
se evidenció un impacto positivo aunque menor. Por su parte, Winters et al. (2008)
analizó un programa en Arkansas implementado desde el 2004 al 2007, en el cual los
profesores fueron premiados individualmente sobre la base del rendimiento de sus
estudiantes. El bono se otorgó en función al nivel de mejora y el número de estudiantes
a cargo del profesor. El estudio evidenció una alta significancia estadística en el impacto
del programa, en Matemática (0.16 d.e.); Lectura (0.15 d.e.) y Lenguaje (0.22 d.e.). Se
observó además que la mejora fue mayor en el caso de los profesores menos efectivos
inicialmente. De igual forma, Springer et. al (2010) evalúa el programa implementado en
Nashville entre el 2006 y el 2009, donde los profesores de quinto a octavo grado
participaron voluntariamente en un experimento de bono por desempeño. En el estudio se
observó un efecto positivo en el área de Matemática para quinto grado, en el segundo y
tercer año del programa, pero esta mejora no perduró en el siguiente año. En los demás
grados participantes no se observó algún efecto.
14
Por su parte, Angelucci et al. (2015), aunque enfocan su análisis de incentivos
monetarios en el sector de consumo de comida saludable y fomento de la lectura,
también hacen referencia a un efecto competencia dentro de un incentivo monetario,
planteado como un efecto de señalización. Al respecto, los autores señalan que la
señalización, en algunos casos, puede dar información sobre la dificultad de la tarea o la
calidad del bien incentivado, o en otros casos, puede hacer sentir al individuo bajo una
situación de control. Como ejemplo del efecto ambiguo de la señalización, plantean
que, al fomentar la lectura, los efectos de señalización pueden operar a través de dos
opciones: i) observando el comportamiento de los pares (“quizá mis pares leen
porque es divertido”), u ii) observando los incentivos detrás de la nueva conducta de los
pares (“a mis pares los motivan para leer porque leer es difícil”). A partir de los resultados
de su investigación, Angelucci et al. (op. cit.) concluyen que cuando los incentivos de
los pares son evidenciados (todos los participantes saben a qué se debe el mayor
esfuerzo del agente incentivado), los efectos del incentivo son positivos, y que, de
acuerdo a su observación, estos se deben a un sentimiento de anticonformismo y de
envidia hacia los incentivos ganados por los pares que fueron expuestos al incentivo
monetario; es decir, lo que podría asociarse también a un efecto competencia.
Efecto de plantear el incentivo de manera individual o colectiva
Como se señaló anteriormente, los incentivos monetarios pueden plantearse de tal
manera que cada agente es premiado por su esfuerzo individual, o de manera que la
obtención del bono esté sujeta a los resultados de un grupo de agentes; por ejemplo,
todos los docentes de una escuela. Babcock et al. (2011), señalan que en círculos como la
empresa privada, el militar, salud o programas de bienestar, es común ver incentivos
basados en el premio colectivo. En su investigación, se aplica el incentivo colectivo en
dos experimentos: pago por estudiar (asistir a la biblioteca) y pago por hacer ejercicio
(asistir al gimnasio). Los hallazgos de Babcock et al. sostienen que los efectos sociales de
un incentivo monetario son relevantes y pueden inducir a un mayor esfuerzo por costos
menores que un incentivo individual directo. Por ejemplo, se evidenció que los resultados
de asistencia a la biblioteca fueron mejores en los casos donde hubo un incentivo
colectivo, y además, donde los individuos eran conscientes de su grupo, sugiriendo que al
fomentar el sentido de equipo se obtiene un impacto mayor.
Por su parte, en relación el sector educativo, Goodman y Turner (2010) hicieron una
evaluación de impacto sobre un programa de Nueva York en 181 escuelas públicas con
alto nivel de pobreza, escogidas aleatoriamente, sobre un esquema de incentivo
grupal de bonos asociados al rendimiento, en dos periodos académicos (2007 y 2008).
Los productos medidos fueron el esfuerzo docente (ausentismo en aula), rendimiento
estudiantil en Matemática y Lectura, y actividades en clase (encuestas a estudiantes y
docentes sobre el clima en aula). Se trabajó una metodología para controlar el efecto de
posible free-riding (la posibilidad de que algunos o todos los docentes confiaran en el
esfuerzo del otro para obtener el bono), y luego de ello se concluyó que no hay
evidencia clara de que el programa tuviera impacto en el rendimiento estudiantil. Sin
embargo, sí se observó una reducción significativa en el nivel de ausentismo docente,
sobre todo en aquellas escuelas menos afectadas por un factor de free-riding.
Por otro lado, Glewwe, Ilias, y Kremer (2010) realizaron un estudio de un programa piloto
implementado en dos distritos de Kenia, en 1998 y 1999. Esta intervención consistía en
otorgar premios a los docentes de una escuela que en promedio obtuviera mejores
15
resultados o mayores avances en ciertas áreas evaluadas. Al ganar, se dividía el bono
equitativamente entre los profesores de la escuela que trabajaron con grados del 4° al
8° de primaria. El programa incrementó la participación en el examen. No incrementó
puntajes en el primer año, pero en el segundo año los resultados del grupo de tratamiento
crecieron en 0.14 desviaciones estándar con respecto al grupo de control. No obstante, el
efecto no se mantuvo luego de finalizar el programa.
En otro estudio, Lavy (2004) evalúa un piloto implementado en el año 2000, en 49
escuelas de preparatoria. El incentivo era individual y evaluaba el porcentaje de
estudiantes que aprobaban el examen de salida de preparatoria, así como el puntaje
promedio obtenido por los alumnos en las áreas de Inglés, Hebreo y Matemáticas. El
estudio mostró que hubo un impacto positivo significativo en las áreas evaluadas, lo cual
se debió a los cambios realizados en los métodos pedagógicos, a un incremento de horas
después de clase y a una mejora en la capacidad de respuesta a las necesidades de los
estudiantes. Asimismo, la investigación realizó un análisis de costo eficiencia de otros
tres programas piloto con el mismo objetivo de lograr un incremento en el rendimiento
estudiantil: un programa de pago asociado al desempeño pero diseñado como un incentivo
colectivo; un programa que dirigía el bono al estudiante; y un programa dirigido a dar
refuerzo escolar a los alumnos con menor rendimiento. De acuerdo a los hallazgos de
Lavy, el programa original mostró resultados más costo-efectivos que las intervenciones
alternativas.
Por su parte, Muralidharan y Sundararaman (2010) evaluaron un programa piloto en la
India que inició en el año 2005, donde 100 escuelas recibieron un bono basado en su
rendimiento estudiantil bajo el esquema de un incentivo individual, y otras 100 escuelas lo
recibieron basado en un esquema de incentivo colectivo. Bajo ambos esquemas se premió
a las escuelas que excedieran el promedio de logro estudiantil en más del 5%. Después de
2 años, el estudio evidenció que, si bien en el primer año ambos esquemas mostraron un
impacto positivo en el rendimiento, durante el segundo año el esquema de incentivo
individual superó los resultados bajo el bono colectivo. Así, los estudiantes de las IIEE
con un incentivo monetario individual mejoraron su rendimiento en 0.28 desviaciones
estándar (d.e.) más en Matemática y 0.17 d.e. más en Lenguaje, con respecto al grupo de
control. Los estudiantes de estas IIEE también respondían mejor las preguntas de
diferentes niveles de dificultad, y mostraron mejores resultados en cursos no evaluados,
sugiriendo así la presencia de spillovers.
Efecto de plantear incentivos monetarios (como premio o penalidad) o no monetarios
La necesidad de evaluar los efectos de una intervención que plantea incentivos
monetarios o no monetarios está muy vinculado a la naturaleza de la motivación del
agente, de acuerdo a lo que se planteó en la subsección anterior. Así, según sostiene Le
Grand, un incentivo monetario podría ser contraproducente en los casos donde el
agente es del tipo altruista, al distorsionar la intención inicial y premiar a aquellos que
“solo” estarían motivados por fines económicos. Sin embargo, Le Grand también
sostiene que la naturaleza motivacional de los agentes no debe asumirse en función del
sector en el que se desenvuelva el agente. Por ejemplo, aunque se pensaría que los
agentes de sectores con fines sociales podrían ser automáticamente considerados del
tipo altruista, dicha generalización es precipitada, pues la motivación de los agentes
es cambiante en el tiempo y responde a circunstancias particulares.

16
Un caso que podría mencionarse como un ejemplo de intervención fallida de aplicar
incentivos monetarios en el sector Educación es el plan de reformas de escala de pagos en
Portugal, impulsada en el 2007. Esta reforma implicó un cambio en la estructura salarial de
los docentes de instituciones educativas públicas, que pasó de ser fija a tener un
componente asociado al desempeño. El desempeño implicaba no solo el progreso en el
rendimiento estudiantil, sino variables adicionales como la retroalimentación de los padres
sobre el profesor, el nivel de asistencia a clases por parte del profesor, asistencia a
capacitaciones, involucramiento en investigación y cumplimiento de obligaciones
administrativas y pedagógicas. El ascenso a escalas más altas estaba sujeto no solo al
cumplimiento de estos criterios sino a la disponibilidad de vacantes, definida por el
Ministerio de Educación. De acuerdo a Martins (2009), se utilizó a las escuelas privadas
y a las escuelas de dos provincias (que implementaron la reforma de manera más
“suavizada”) como grupo de control, y no se mostró evidencias de un impacto sobre el
rendimiento estudiantil; por el contrario, el efecto fue negativo y hubo un incremento en
la carga administrativa de la escuela, además de una insatisfacción laboral por parte
de los docentes.
De igual manera, existen estudios con resultados mixtos. En Inglaterra, a partir del año
2000 se efectivizó una reforma educativa que consistió en cambiar el esquema de
salario fijo a uno que implicaba un incremento en el monto fijo más un componente
variable en función al desempeño (demostrar haber logrado una mejora en el rendimiento
de sus estudiantes). En Lenguaje y Ciencia se evidenció una mejora importante, pero no
mostró resultados en el área de Matemática, de acuerdo a la evaluación realizada por
Atkinson et. al. (2004).
Por otro lado, DellaVigna y Pope (2016) analizan el efecto de aplicar incentivos
monetarios y no monetarios con el objetivo de obtener un mayor esfuerzo laboral. En
primer lugar, los autores encuentran que los incentivos monetarios tienen un efecto
fuerte y monotónico en la motivación (si es mayor el incentivo, hay un mayor esfuerzo,
de manera proporcional). Sin embargo, este no sería el caso de los incentivos no
monetarios, pues aunque sí se observó un efecto positivo en el esfuerzo a cambio de
donaciones para más necesitados, dicho esfuerzo no se incrementó al proponer
donaciones más altas dirigidas a terceros. Asimismo, evidenciaron que los incentivos no
monetarios tienen un efecto moderado sobre los trabajadores, y que, al compararlo con los
efectos de un incentivo monetario, este último tiene un mayor efecto, incluso con un pago
mínimo.
Asimismo, Lavy analiza los esquemas de pago asociados al desempeño en Israel. En
Lavy (1999) se analiza el periodo de dos años de un piloto iniciado en 1995 en 62 escuelas
de educación secundaria. Las instituciones educativas se ordenaban en función de la
mejora en el desempeño, ajustado por el contexto particular de los estudiantes, y se
premiaba al tercio superior. El 75% del bono se destinaba como incentivo monetario
directo a los profesores, y el monto restante iba a las instalaciones de la escuela. Los
criterios de desempeño fueron la tasa de deserción estudiantil, el tiempo de estudio de
los estudiantes, y la tasa de aprobación en el examen de apertura. El estudio mostró
clara evidencia de resultados positivos en los indicadores medidos. Adicionalmente, se
compararon los efectos con un programa similar que en lugar de otorgar un bono al
maestro, destinaba el 100% del incentivo a mayores recursos educativos para la escuela.
Lavy encontró que, si bien el último programa también resultó efectivo, fue más costo
efectivo el incentivo monetario destinado al profesor, dando indicios con ello que los
17
docentes podrían tener una motivación económica que supera los principios altruistas
(esforzarse por más recursos para la escuela).
Por su parte, otras investigaciones realizan estudios bajo un diseño experimental con el
objetivo de concluir si un incentivo monetario es más efectivo cuando es planteado de
manera positiva (a manera de premio tras conseguir un objetivo) o de manera negativa
(como un castigo o pago de penalidad en caso de no lograr la meta). Cawley y Price
(2009) analizaron los mecanismos detrás de un incentivo monetario para la reducción
de peso. En este caso, se probó un mecanismo de premiación con metas
trimestrales y de penalización en caso de incumplimiento del objetivo transcurrido un
año. Sus resultados muestran que hubo mejor respuesta en el grupo que tuvo la
combinación de los dos incentivos: la penalización de perder su bono anual y el sorteo por
el bono trimestral.
Efecto de condicionar el incentivo según criterios a nivel de procesos o de productos

Por otro lado, es importante resaltar que la decisión de qué criterio utilizar (basado en
características del agente, de los procesos o los productos alcanzados) es sumamente
importante. Los estudios señalados previamente se caracterizan en general por
condicionar el incentivo a nivel de producto (por ejemplo, el rendimiento estudiantil), y
en muchos casos se ha demostrado su efectividad. No obstante, en el estudio
mencionado de Babcock et al. (2011), por ejemplo, los incentivos van hacia un criterio
de proceso (asistir a la biblioteca, asistir al gimnasio) en lugar de un producto, pues se
postula que incentivar un proceso puede llegar a ser más efectivo que incentivar el
resultado final, dado que en el último caso los individuos incentivados pueden tener poco
claro cuáles son los canales de la función de producción para lograr el objetivo final.
Los hallazgos del estudio de Goodman y Turner (2010) mencionado previamente
también irían en línea con este planteamiento, pues aunque en el estudio no se
evidenció un efecto del incentivo monetario sobre el rendimiento estudiantil, sí se
observó una reducción significativa en el nivel de ausentismo docente, un indicador
que podría considerarse a nivel de proceso en lugar de resultado.
De igual manera, Fryer (2010) plantea una evaluación experimental sobre la base de
doscientos cincuenta escuelas urbanas, para analizar el efecto de incentivos monetarios
dirigidos al estudiante sobre el rendimiento escolar. En su estudio, se encontró que los
estudiantes lograron mejoras cuando el premio se definía en función a criterios de
procesos, como leer una lista proporcionada de libros acordes a su edad, asistir a la
escuela, cumplir normas de conducta, cumplir las tareas, aprobar exámenes
intermedios, etc. Por el contrario, en los casos en los que el incentivo se condicionó
a criterios de productos, este no obtuvo ningún efecto sobre el rendimiento estudiantil.
Efecto de haber recibido el bono: “ef ecto r eci proci dad”
El segundo efecto operaría de una manera ex post y solo entre aquellos que obtuvieron
el bono. Este efecto es explorado inicialmente por Akerlof (1982, 1984, en Rau y
Contreras, op. cit.), y desarrollado por Rau y Contreras en su evaluación del incentivo
monetario a docentes en el caso chileno. A lo que se refiere es al sentimiento de
retribución que surgiría en un agente de perfil principalmente “altruista”, como producto
de haber recibido un premio. Rau y Contreras no encontraron significancia estadística
de este mecanismo. Por su parte, en la investigación de DellaVigna y Pope (2016)
los autores también analizaron la posibilidad de encontrar un efecto reciprocidad; es
18
decir, un esfuerzo mayor como retribución u agradecimiento por obtener el premio. Al
respecto, lo que hallaron fue que hubo un efecto positivo, aunque reducido.

3. El Bono de Incentivo al Desempeño Escolar, “Bono

Escuela”
Habiendo revisado el marco teórico sobre el cual se postula la efectividad de los
incentivos monetarios como mecanismo para obtener mejores resultados en el sector
educativo, se explica a continuación el incentivo monetario implementado en el Perú,
denominado “Bono Escuela”. En este incentivo, el principal es el Ministerio de Educación,
y el agente del contrato es el docente. Además, este bono se caracteriza por haber sido
definido como monetario y positivo (premio económico), de tipo colectivo (se premia a
todos los docentes de las escuelas ganadoras), y condicionado según un criterio a nivel
de producto (sujeto principalmente al logro de aprendizajes y retención escolar).

Entrando a detallar, el Bono de Incentivo al Desempeño Escolar (BDE, “Bono

Escuela”) es un incentivo monetario a cargo del Ministerio de Educación (MINEDU),
anunciado y ejecutado por primera vez en el Perú desde finales del 2014, de manera
retroactiva, sobre la base de los resultados en la ECE 2012 y 2013. Está dirigido a los
directores, personal jerárquico1 y docentes de las instituciones educativas públicas del
nivel Primaria. Adicionalmente, a partir del 2016, se ha ejecutado este mecanismo de
incentivos para el nivel Secundaria, sobre la base de los resultados en la ECE 2015.
Tiene el objetivo de incentivar un mayor esfuerzo por parte de los docentes y directivos
para la mejora de resultados y procesos específicos, a nivel de la institución educativa. Así,
la asignación del bono se realiza en función a un índice de desempeño escolar (IDE),
construido a partir de la ponderación de cada uno de estos objetivos2: i) superación,
asociado al logro estudiantil de aprendizajes en las áreas evaluadas, busca premiar la
mejora (incremento con respecto al año anterior) en el puntaje promedio de la
escuela; ii) efectividad, asociado al logro estudiantil de aprendizajes en las áreas
evaluadas, busca premiar los mejores puntajes alcanzados como promedio de la escuela;
iii) gestión de estudiantes, busca evitar la deserción escolar (mide la tasa de retención de
estudiantes para todos los grados del colegio), así como asegurar un buen nivel de
asistencia de los estudiantes; iv) registro, asociado al registro oportuno de los estudiantes y
sus calificaciones, por grado impartido, en las fuentes oficiales de información del
MINEDU; v) gestión administrativa, asociado al cumplimiento de ciertos procesos, como
la conformación del consejo educativo institucional, rendición de cuentas del presupuesto
asignado a la escuela, y aparatos sanitarios en buen estado; y vi) acciones pedagógicas,
relacionado a la percepción promedio de los estudiantes en el aula acerca de las
prácticas de enseñanza que realizan sus docentes, así como de la calidad del clima

1
Se considera personal jerárquico a docentes que se desempeñan como asesor de área, jefe de taller, de laboratorio, de
campo o de áreas funcionales equivalentes.
2
Criterios definidos para el 2016 mediante DS 203-2015-EF “Decreto Supremo que modifica el Decreto Supremo N°
287-2014-EF y modificatoria que aprueba el monto del Bono de Incentivo al Desempeño Escolar, así como los criterios,
requisitos y condiciones para su otorgamiento, y dicta otras disposiciones”. Se describe la información con respecto a la
normativa del año 2016, aunque se identifican ligeras variaciones en la construcción del índice para años anteriores.
19
 escolar.
Con respecto a la elegibilidad, los criterios para aplicar al bono tienen una lógica de
incentivar la participación de las IIEE en la Evaluación Censal de Estudiantes, sin dejar
de considerar a aquellas IIEE que por factores externos no rinden la evaluación3. En ese
sentido, se han definido tres grupos para el nivel de primaria y dos grupos para el nivel
secundaria. En el caso de primaria, en primer lugar se define el Grupo A, conformado
por las escuelas que fueron programadas para aplicar la Evaluación Censal de
Estudiantes (ECE) en segundo grado de primaria, bajo la modalidad de Educación
Básica Regular. Todas las escuelas pertenecientes a este grupo son evaluadas en Bono
Escuela a partir un IDE conformado por los indicadores de superación (45%),
efectividad (20%), gestión de estudiantes (30%) y registro (5%), descritos en el párrafo
precedente.
Asimismo, se define el Grupo B, como el conjunto de escuelas que implementan la
Educación Intercultural Bilingüe (EIB) y que, por tanto, fueron programadas para rendir la
ECE en cuarto grado de primaria, bajo la modalidad de castellano como segunda lengua.
Los indicadores y las ponderaciones utilizadas para las escuelas de este grupo son las
mismas que las del Grupo A. El tercer caso es el Grupo C, conformado por todas las
instituciones educativas que no fueron programadas para rendir la ECE en los dos años
previos al otorgamiento del bono. Por esta razón, no pueden ser evaluadas en los
indicadores de superación y efectividad; sin embargo, este grupo es medido a través de
sus resultados en los indicadores de gestión de estudiantes (50%), registro (10%) y gestión
administrativa (40%).
Para el caso del nivel Secundaria, las escuelas han sido definidas en dos grandes grupos.
El primero de ellos, denominado Grupo D, está conformado por las escuelas que fueron
programadas para rendir la ECE de segundo grado. En este caso, las escuelas son
evaluadas en los indicadores relacionados a la superación (35%), efectividad (15%),
gestión de estudiantes (25%), registro (5%) y acciones pedagógicas (20%). Finalmente,
se define el Grupo E, como el conjunto de aquellas escuelas que no fueron
programadas para rendir la ECE. Por ello, no son evaluadas en los indicadores de
superación, efectividad y prácticas pedagógicas4; sin embargo, el IDE se construye a
partir de los indicadores de gestión de estudiantes (50%), registro (10%) y gestión
administrativa (40%).
Complementariamente, para el otorgamiento del bono se definen estratos que tienen por
finalidad definir subgrupos más homogéneos entre sí, y de esta manera poder
establecer un ranking de escuelas en función del IDE alcanzado dentro de un
subgrupo de mayor comparabilidad. Por ejemplo, para el caso del Grupo A, las
escuelas son agrupadas, en primer lugar, bajo una lógica territorial, por la Unidad de

3
Al respecto es importante mencionar que, de acuerdo al “Reporte Técnico de la Evaluación Censal de Estudiantes
(ECE 2015)” del Ministerio de Educación (2015:14), se excluye a los estudiantes que asisten a una IE con menos de cinco
estudiantes matriculados en el grado evaluado. En primaria, esta exclusión representa alrededor del 5 % de los estudiantes
a nivel nacional, y aproximadamente el 37 % de escuelas a nivel nacional. En cambio, en secundaria, la exclusión
representa el 0,4 % de los estudiantes a nivel nacional, y el 7% de escuelas a nivel nacional.
4
Cabe precisar que el indicador de acciones pedagógicas se construye a partir de un cuestionario incluido en la ECE de
segundo grado de secundaria, en el cual los estudiantes describen la frecuencia con la que observan determinadas prácticas en
sus docentes, así como una percepción del clima escolar. Dado que los estudiantes del Grupo E no rinden la ECE, tampoco
completan el cuestionario.
20
 Gestión Educativa Local (UGEL) a la que pertenecen5 y, en segundo lugar, en función de
su característica (polidocente completo o multigrado/unidocente). De igual manera, en el
Grupo B también se clasifican a las escuelas bajo una lógica territorial y de característica
de la IE, con la diferencia de que dicha lógica territorial se define solo a nivel de
Dirección Regional de Educación6 (DRE) y ya no a nivel de UGEL. Para el caso de las
escuelas del Grupo C, las escuelas son sub-agrupadas únicamente bajo una lógica
territorial, a nivel de UGEL.
Por su parte, para el caso del Grupo D, del nivel Secundaria, el primer criterio que se ha
considerado para agrupar a las escuelas es en función de si estas fueron parte del nuevo
modelo de secundaria que está siendo impulsado por el gobierno central, o son parte del
modelo regular7. En el caso en que la escuela sea parte del nuevo modelo, las
escuelas son sub-agrupadas adicionalmente en función de la DRE a la que pertenecen;
mientras que, si son parte del modelo regular, las escuelas son sub-agrupadas en
función de la UGEL a la que pertenecen, y también en función de si pertenecen al
área urbana o rural. Por último, las escuelas del Grupo E son definidas únicamente en
función de la DRE a la que están adscritas.
Habiendo definido los estratos de escuelas comparables entre sí y la forma en que se
construirá el indicador de desempeño escolar, se establece un ranking a partir del cual se
premia a las escuelas que se encuentran en el percentil 35 superior de su estrato, en
el caso de primaria, o que se encuentran en el percentil 20 superior, en el caso de
secundaria. Es importante precisar que tanto para primaria como para secundaria, se
hace una distinción en términos del monto asignado para el caso de las escuelas que
se encuentren en el percentil 25 o percentil 10, respectivamente. Adicionalmente, es
importante considerar que Bono Escuela es un incentivo del tipo colectivo; es decir, que
premia el esfuerzo grupal de los docentes y director de una escuela, y no solo al docente
del grado evaluado. El monto asignado oscila entre los S/ 1,000 y los S/ 3,000, dependiendo
del nivel de responsabilidad directa sobre los resultados y el grupo elegible8.

4. Estrategia de identificación y evaluación

En esta sección se explica la metodología que se usó para la evaluación de impacto de
Bono Escuela. En primer lugar es importante apreciar que, siendo una intervención
universal (aplicada de la misma manera a todas las escuelas públicas a nivel nacional), no
es posible evaluar su efectividad en términos de los siguientes mecanismos: ser un

5
Las UGEL son unidades descentralizadas de administración, incluida la administración financiera en la mayoría de los casos.
En general se puede afirmar que las UGEL se definen a nivel provincial, salvo para el caso de Lima Metropolitana donde, al
concentrar una cantidad importante de escuelas, las UGEL se definen también bajo una lógica territorial, pero agrupando cierto
número de distritos aledaños.
6
Las DRE también representan una unidad descentralizada de administración, salvo que su jurisdicción no se define a nivel
provincial como las UGEL, sino a un nivel superior (nivel regional). Las UGEL tienen una dependencia con respecto a la DRE
en el plano normativo, aunque no en el plano administrativo.
7
El nuevo modelo de educación secundaria, denominado Jornada Escolar Completa, es una nueva definición de educación
secundaria que inició en el 2015 con 1,000 escuelas a nivel nacional y que, a diferencia del modelo regular, incluye mayores
horas pedagógicas, más horas destinadas al idioma inglés, mayor número de profesionales de enseñanza, etc.
8
Aunque el incentivo es del tipo colectivo, para el caso de primaria se establece una diferencia en la asignación
correspondiente al docente directamente responsable del grado evaluado, así como para el director de la IE. Por su parte,
los docentes responsables del grado previo al evaluado también reciben un monto diferenciado, aunque ligeramente menor.
Finalmente, los docentes de los demás grados, así como los docente del nivel sin grado asignado, también reciben un
incentivo, aunque ligeramente menor. Se muestra el detalle de la asignación por grado y según grupo elegible, en la Tabla 4,
en la sección Anexos.
21
incentivo colectivo en lugar de individual; y monetario positivo (premio) en lugar de
negativo (penalidad) o no monetario. Por otro lado, aunque Bono Escuela plantea
diversos indicadores sobre los cuales se condiciona el incentivo (revisar capítulo 3 del
presente documento), puede considerarse que es un incentivo basado en indicadores a
nivel de producto, en tanto el mayor peso para el otorgamiento del bono responde a los
resultados en el rendimiento estudiantil y la retención escolar.
De los indicadores mencionados, la evaluación de impacto que se planteará en esta
investigación se acota únicamente a los efectos sobre el rendimiento estudiantil. Ello
debido a que este indicador (dividido en los objetivos de superación y efectividad)
concentra hasta el 65% del peso en el índice elaborado para el otorgamiento del bono en
el caso de primaria, y hasta el 50% para el caso del nivel secundario. Además, en términos
metodológicos, es el indicador con mejor información longitudinal (la Evaluación Censal
de Estudiantes se aplica desde el 2007 en el caso de primaria, y a partir del 2015 para
el caso de secundaria), lo cual será importante para el aislamiento de una probable
tendencia previa al tratamiento. Por otro lado, se precisa que en esta evaluación se
analizarán solo los grupos A (segundo grado de primaria) y D (segundo grado de
secundaria). Se excluye a los grupos C y E, al no contar con resultados de la ECE por
razones externas a ellos, y tampoco se incluye al grupo B, por la dificultad de definir un
grupo de control9.

En consecuencia, sobre la base del marco teórico señalado en el segundo capítulo, se

analizarán dos de los mecanismos bajo los cuales puede operar el incentivo Bono
Escuela: el primero es aquel definido como “efecto competencia”; es decir, el efecto
producido por el anuncio del bono, que propiciaría un mayor esfuerzo entre los aspirantes
al incentivo. Por otro lado, el segundo mecanismo analizado es el “efecto reciprocidad”,
referido al efecto ex post al bono, que se produciría entre los docentes que obtuvieron
efectivamente el premio, por el hecho de haberlo recibido. Para ambos casos, se medirá
el efecto promedio del tratamiento sobre los tratados (ATT, por sus siglas en inglés).
En particular, sobre la metodología utilizada para la evaluación del efecto competencia, se
plantea como grupo de tratamiento a aquellas instituciones educativas públicas que se
encuentren en zona de estricta competencia; es decir, aquellas entre las que
posiblemente haya un mayor efecto del incentivo, como consecuencia de estar más
cerca al punto de corte en el índice que define el otorgamiento del bono (y excluyendo
así a los “seguros ganadores” y “seguros perdedores” descritos en el marco teórico).
Para determinar ello se compararán los resultados excluyendo e incluyendo al grupo de
escuelas que encuentran en el extremo del puntaje en el índice.
Acerca del grupo de control establecido para esta evaluación, las escuelas consideradas
son las de gestión privada. Sobre ello, es necesario reconocer las diferencias entre el
grupo de tratamiento y de control como una primera fuente de variación para la medición
del impacto del incentivo (ver Tabla 7 en el Anexo) y un factor limitante importante para
obtener un efecto neto de la intervención. Sin embargo, siendo que es un incentivo cuya

9
A nivel nacional, todas las escuelas de Educación Intercultural Bilingüe (EIB), que constituyen el grupo B, son parte del grupo
tratamiento de la intervención, no habiendo escuelas privadas para este tipo de oferta educativa. La comparación con otro
tipo de escuela pública no sería adecuado, por tener una propuesta pedagógica diferente (bajo la EIB, los estudiantes
tienen clases en su propia lengua y en castellano). Al 2016, a nivel nacional solo hubo dos escuelas privadas que
ofrecieron el mismo tipo de servicio.

22
participación se propone de manera universal (para todas las escuelas públicas), se
plantea esta opción como la mejor alternativa para evaluar su impacto, siguiendo el
planteamiento de estudios previos, como Martins (2009), Rau y Contreras (2012), y
Casavilca (2014). Para reducir este sesgo, se planteará un modelo de emparejamiento
que tiene el objetivo de mejorar el balance entre ambos grupos. Posteriormente, se aplicará
una estimación bajo el modelo de diferencias en diferencias, con la finalidad de reducir el
sesgo por la tendencia previa al tratamiento.
Complementariamente, es importante mencionar que las diferencias en la información
disponible para el caso del nivel primario y secundaria han sido aprovechadas de tal
manera que se puedan reducir los sesgos de la metodología aplicada. Así, por ejemplo,
de la información disponible para el nivel primario no ha sido posible contar con variables
complementarias sobre el estudiante que permitan trabajar la información a este nivel.
Por tanto, el nivel de análisis utilizado para este caso ha sido la escuela. Sin embargo,
siendo que la Evaluación Censal de Estudiantes (ECE) se aplica para este nivel desde el
2007, se ha utilizado información desde este periodo para aplicar una estimación
paramétrica por triple diferencia, que permita reducir el sesgo encontrado por el no
cumplimiento de tendencias paralelas en el periodo previo a la intervención. Siendo que
para este nivel Bono Escuela se implementó desde finales del año 2014, se considera
que el efecto de la intervención sobre dicho año es nulo, razón por la cual será
considerado el año de línea de base. Por tanto, se cuenta con dos periodos consecutivos
del incentivo (2015-2016), que permitirá evaluar si existe un efecto diferenciado debido a
un periodo de maduración de la intervención.
Por su parte, para el caso del nivel secundaria, debe tenerse en cuenta que la primera
evaluación censal se aplicó en el año 2015, razón por la cual Bono Escuela se anunció
dicho año y empezó a ejecutarse a partir del 2016 para este nivel. Considerando el
antecedente de Bono Escuela para el caso de primaria (desde el 2014) sería difícil
afirmar que existe una línea de base para este nivel, considerando las expectativas de
los docentes de ser evaluados para la obtención de un bono. Asimismo, dado que no
se cuenta con información sobre el rendimiento estudiantil en periodos previos al
anuncio del tratamiento (año 2015), no es posible reducir la tendencia previa. En cambio, a
diferencia del caso de primaria, existe información valiosa recogida a nivel de
estudiante, que permite tener mejores covariables para un modelo de emparejamiento que
logre un mejor balance en factores exógenos a la evaluación. Por ello, para este nivel, la
estimación se trabajará a nivel de estudiante, y se utilizará el modelo de emparejamiento
como la mejor alternativa disponible para medir el impacto de la intervención,
reconociendo las limitaciones de esta metodología para eliminar el sesgo de factores
no observables. Complementariamente, para el segundo año de aplicación de la ECE
en este nivel (periodo 2016), se estima además un modelo de diferencias en diferencias,
con el objetivo de reducir las tendencias del año previo y obtener un resultado más
limpio del sesgo mencionado inicialmente.
Finalmente, para la medición del efecto reciprocidad, conceptualmente se esperaría que
el otorgamiento del bono tenga un efecto en los resultados del año posterior al
otorgamiento del incentivo. Por ello -habiendo precisado que el otorgamiento del primer
bono se ejecutó en el año 2014 para el caso de primaria, y en el año 2016 para el caso de
secundaria-, se analizará la evidencia del efecto de los bonos 2014 y 2015 sobre el
rendimiento estudiantil en los años 2015 y 2016, respectivamente, para el caso de
primaria, mientras que para el caso de secundaria no será posible la evaluación del efecto
23
 reciprocidad. Para ello se empleará la metodología de regresión discontinua bajo el diseño
difuso, bajo una estimación no paramétrica, donde se comparará a las escuelas
premiadas con respecto a aquellas que estuvieron muy cerca de alcanzar el bono, en
función de su proximidad al punto de corte del índice de desempeño escolar (IDE). Sobre
este punto cabe precisar que, a fin de reducir algún problema de identificación en las
escuelas ganadoras y no ganadoras del bono, se ha acotado el análisis a aquellas
escuelas públicas que mantuvieron al menos el 80% de su plana docente. Ello con el
objetivo de no adjudicar como efecto del bono el cambio en el rendimiento en escuelas
que, habiendo ganado en un periodo –y, por tanto, habiéndose premiado a sus docentes-
no puedan considerarse “las mismas” el año siguiente, debido a la rotación de los
docentes que participaron directamente en el éxito de la escuela. Se identificó que,
entre las escuelas públicas, aproximadamente el 40% de escuelas tienen una rotación
mayor al 20% de sus docentes.
Las bases de datos empleadas para la presente estimación fueron principalmente: la
Evaluación Censal de Estudiantes (que recoge información sobre el rendimiento
estudiantil y variables del contexto del estudiante para el caso de secundaria), el Censo
Escolar (que recoge información de las características del docente del nivel educativo y
la infraestructura escolar), Bono Escuela (que recoge el puntaje obtenido por cada
escuela en el IDE sobre el cual se otorga el incentivo, y grupo al que pertenece), así
como información complementaria que permite identificar las escuelas públicas que se
encuentran sujetas a intervenciones pedagógicas, a manera de control.

4.1 Metodología para la evaluación del efecto competencia en los niveles

de primaria y secundaria

4.1.1 Identificación de grupo de tratamiento y zonas de desempeño

Precisiones sobre la información trabajada

Para efectos del presente estudio, en lo que corresponde al nivel de primaria, la unidad de
análisis será la escuela. Ello principalmente debido a que el bono se asigna a este nivel, y
los indicadores son definidos como un promedio para cada institución educativa.
Adicionalmente, no se cuenta con variables de control a nivel de estudiante, de manera
censal. No obstante, para la definición del impacto del bono se considerará el uso de
factores de expansión, donde el peso de cada colegio será el número de estudiantes
evaluados. Por otro lado, para el caso de secundaria se presentarán los resultados a nivel
de alumno, debido a que para este nivel se cuenta con un cuestionario a nivel de
estudiante que recoge información valiosa sobre el contexto particular de cada estudiante,
así como algunas variables sobre la participación de sus padres en su desarrollo
académico, y algunas prácticas pedagógicas de sus profesores. Asimismo, para el caso
de segundo grado de primaria, se cuenta con un panel data para el periodo 2007-2016,
que recoge los resultados promedio de las instituciones educativas públicas y privadas10,
para el área de Comprensión Lectora y Matemáticas. Por su parte, para el caso de

10
Como se observa en la Tabla 5, los colegios públicos representan aproximadamente el 73% del total de colegios de segundo
grado de primaria que rinden la prueba (es decir, sin considerar los colegios con menos de cinco estudiantes, que no entran en
el marco de la ECE). Para el caso de EIB, los colegios públicos representan el 99.9%; y para el caso de secundaria, el 66%.
24
 secundaria, el panel data se construye con los periodos 2015 y 2016.
Es importante mencionar que, aunque el panel no se encuentra balanceado, se ha
optado por mantener todas las observaciones disponibles. Se ha analizado los posibles
sesgos que se podrían presentar y, si bien en las primeras evaluaciones no se alcanzó
la cobertura suficiente para ser declarada información censal a nivel de estudiante (en
el 2008 se evaluó al 90% de instituciones educativas y al 71% de estudiantes
programados11), a partir del 2009 se alcanzó cobertura censal tanto a nivel de institución
educativa como de estudiante, al 90% y 81%, respectivamente. Además, en los años
siguientes la cobertura fue en aumento, llegando a evaluar el 95.6% de estudiantes y
99.7% de colegios programados a nivel nacional en el año 2016.
Al analizar la cobertura por estratos, se puede observar cierto sesgo hacia la zona rural y
los colegios unidocentes/multigrado. Aunque este sesgo no es significativo a nivel
nacional, sí se observa en algunas regiones (UMC 2015, 2016). Por ello, se concluye i)
que la evolución de la mejora en el rendimiento estudiantil puede estar subestimada en
alguna medida para los primeros años, siendo que en los años iniciales de la prueba hubo
un sesgo hacia regiones donde predominaba un mayor nivel de pobreza12, y ii) que la
subestimación de los resultados y las mejoras interanuales se ha reducido
progresivamente al ampliarse anualmente la cobertura de la prueba, para todos los
estratos. Por su parte, para el caso de secundaria, habiendo alcanzado una cobertura
estudiantil superior al 90% en los dos periodos evaluados, solo cabría considerar ligeros
sesgos en la zona rural de algunas regiones (aunque no representativos a nivel nacional).
Sobre la información de Bono Escuela, para las escuelas de segundo de primaria se
acumulan tres rondas ininterrumpidas desde su creación en el 2014. Puede observarse
que, en promedio, el 49% de escuelas nunca ha recibido el bono, un 40% lo recibió una
vez, un 11% lo recibió dos veces y solo un 1% recibió el bono en las tres rondas.
Finalmente, para el caso de segundo grado de secundaria, solo existe una ronda de
Bono Escuela publicada, habiendo ganado un 17% del total de colegios públicos del
nivel secundario (8,321 IIEE como total en el 2015).

Tabla 2: Nro. de bonos recibidos por escuelas públicas de primaria durante el periodo
2014-2016
Promedio de
Nro de
Frecuencia veces que
bonos % del total
de IIEE participó en el
recibidos
bono
0 9,349 49% 2.1
1 7,666 40% 2.7
2 2,106 11% 2.9
3 141 1% 3.0
Total 19,262 100% 2.4
Fuente: Bono Escuela 2014-2015. Elaboración propia.

11
De acuerdo a los estándares de la Unidad de la Medición de la Calidad (UMC), se puede afirmar cobertura censal cuando se
ha cubierto a, por lo menos, el 90% de instituciones educativas o más del 80% de estudiantes, con respecto a lo programado.
12
Siendo Cajamarca, Apurímac, Puno y Ayacucho las regiones que se retrasaron en alcanzar cobertura regional considerada
censal.
25
 Identificación de las escuelas en estricta zona de competencia
El alto porcentaje de instituciones educativas que se concentra en la categoría de
nunca haber recibido un bono nos da indicios de la existencia de un grupo de colegios
que posiblemente se encuentre lejos de mejorar sus resultados en el corto plazo, y en
ese sentido tendría muy poca motivación para cambiar su nivel de esfuerzo. Por otro
lado, habría un grupo de instituciones educativas que, teniendo resultados muy altos,
tiene seguridad de su posición ventajosa sobre el promedio y por ello el umbral para
acceder al bono (percentil 35) le es indiferente. Este es el concepto detrás de lo que
Rau y Contreras (2012) definen como “seguros perdedores” y “seguros ganadores”.
Aun cuando el número de rondas acumuladas es menor al caso chileno, se puede
observar una tendencia similar a los hallazgos de Rau y Contreras (ibid.:14) y
Casavilca (2014), que también evidencian una concentración mayor de “seguros
perdedores”, pero un porcentaje muy pequeño de “seguros ganadores”. Dado lo
anterior, en este estudio se define como grupo de interés a aquellas escuelas que se
encuentran en una posición expectante del bono. Para su identificación, se utilizará la
metodología empleada por Casavilca (ibid.:17), en la cual se clasifican las escuelas en 5
zonas diferentes, en función del puntaje alcanzado en el índice que determina la
asignación del bono, de acuerdo al siguiente esquema:
Esquema 2: Grupos de desempeño y zona de competencia
(menor índice BDE) (mayor índice BDE)
seguros perdedores zona de competencia seguros ganadores
zona 4 zona 3 zona 2 zona 1 zona 0

distancia en d.e. Umbral de percentil 25

sobre la cual se
delimita la zona 1 y
zona 3
Umbral de percentil 35
Adaptado de Casavilca (2014).

Así, en primer lugar, para cada estrato de los grupos definidos por Bono Escuela13, se
estandariza el puntaje del índice BDE con respecto al valor mínimo del percentil 25.
Habiendo clasificado de esta manera a todos los colegios -en función de su distancia con
dicho valor en términos de desviaciones estándar- se procede a calcular la distancia
promedio del valor mínimo del percentil 25 con respecto al valor mínimo del percentil 35,
que viene a ser la delimitación de la zona 2. Cabe precisar que este promedio se calculó
para cada año, y se observó que en promedio fue de 0.3 desviaciones estándar para el
caso de primaria y de 0.5 desviaciones estándar para el caso de secundaria14. Una
vez calculada esta diferencia promedio, se aplica dicho valor a la delimitación de la zona 1,
zona 3 y, por defecto, las zonas 0 y 4.

Así, formalizando la metodología señalada, en cada año y para cada grado evaluado se
define el índice BDE estandarizado (x*) como:

13
Cabe precisar que en el 2016, el número de estratos para el caso del grupo A fue de 368; y para el grupo D, de 274. El
detalle por año se puede encontrar en la Tabla 6.
14
En el caso de la investigación de Casavilca (2014), este promedio también fue de 0.3 desviaciones estándar.
26
 xij  x min 25

x 
* j
…(1)
j
ij

*
Donde xij es el valor estandarizado del colegio i en el estrato j, x es el valor inicial del índice BDE,
x min es el valor mínimo del percentil 25 del estrato j, y  j es la desviación estándar del índice BDE
25
j
en el estrato j. Por su parte, se define la variable y como el promedio del valor estandarizado mínimo
en el percentil 35 (donde n es el número de estratos) 15, en valor absoluto:
n

x
j 1
*,min 35
j

y …(2)
n

Con estas definiciones, se clasifican las escuelas en las siguientes zonas, teniendo en
cuenta que la población considerada “en zona de competencia” será aquella que se
encuentra en la zona expectante al bono; es decir, entre las zonas 1 y 3:
*
Zona 0 Si y <= xij
*
Zona 1 Si 0 =< xij < y
*
Zona 2 Si - y =< xij <0
*
Zona 3 Si - 2 y =< xij <- y
*
Zona 4 Si xij <- 2 y

4.1.2 Identificación del grupo de control y estimación del modelo de emparejamiento

Para evaluar el impacto de este programa sobre el rendimiento de los estudiantes, una
de las primeras dificultades es la definición de un grupo de control adecuado. Al ser una
intervención cuyo objetivo es fomentar la competencia en todas las escuelas públicas,
el grupo de control necesariamente deberá identificarse entre los colegios privados.
Sin embargo, antes de poder considerar este tipo de escuelas como grupo de control,
es importante reconocer intuitivamente que existen factores observables y no
observables que pueden afectar la comparabilidad de los grupos. La información de la
Tabla 7 (ver Anexo) nos presenta indicios importantes de una situación de partida diferente
entre el grupo de control y de tratamiento. En consecuencia, es de esperar que existan
además factores no observables que diferencien ambos tipos de gestión, en cuanto a
contexto particular de los estudiantes y variables asociadas al funcionamiento de la IE.
En ese sentido, se reconoce la limitación que puede tener la presenta investigación
originada por este sesgo. Sin embargo, siendo que es un incentivo aplicado de
manera universal (para todas las escuelas públicas), se plantea esta opción como la

15
Para el periodo 2007-2013, considerando que no existía el BDE, la definición de las zonas de competencia se construyó a
partir de un índice “ficticio”, basado únicamente en la ECE (se ponderaron con nuevos pesos los indicadores de superación y
efectividad). Además, se tomó un promedio de y para todo el periodo, de 0.33 desviaciones estándar. El detalle por año se
puede encontrar en la Tabla 6.
27
mejor alternativa para evaluar su impacto, siguiendo el planteamiento de estudios
previos, como Martins (2009), Rau y Contreras (2012), y Casavilca (2014).
Para reducir esta probabilidad de sesgo, se aprovechará la información disponible para
cada uno de los niveles evaluados, primaria y secundaria, que difiere en cada caso. Por
ejemplo, para el caso de primaria, aunque no se cuenta con información complementaria a
nivel de estudiante que permita plantear un nivel de emparejamiento a este nivel, sí
existe información de periodos previos al tratamiento, desde el año 2007. Por ello, en
este caso, el modelo de emparejamiento se definirá con variables promedio a nivel de
escuela, como una manera de reducir el desbalance en las condiciones iniciales de las
variables observables. Sin embargo, como se detallará más adelante, la disponibilidad de
información previa al tratamiento permitirá utilizar complementariamente un modelo de
triple diferencia, con el objetivo de reducir el sesgo de factores no observables.
Para ello, se implementa un primer filtro de variables para una coincidencia exacta,
utilizando las variables de año, área de procedencia (urbano/rural), característica de la
IE (polidocente completo/multigrado o unidocente) y zona de competencia en la que se
encuentra la IE, esta última variable de acuerdo a lo descrito en la subsección 4.1.1. Con
ello se busca asegurar un primer nivel de comparabilidad y soporte común, según la
pertenencia de la IE. A partir de ahí, se aplica la metodología de emparejamiento por
vecindario más cercano, de uno a uno con posibilidad de reemplazo, por regresión
logística. Según lo propuesto por Abadie e Imbens (2006; en Rau y Contreras,
2012), el emparejamiento con reemplazo produciría un match de mejor calidad, al
incrementar el set de opciones para encontrar la mejor pareja para los individuos
tratados. Las covariables que se utilizarán para la estimación del propensity score son:
el tamaño de la escuela (aproximado con el número de alumnos), proporción de hombres
en la IE, zona de competencia a la que pertenece la IE y tamaño de la jurisdicción a la
que pertenece la IE (número de IE por provincia). El detalle de la distribución del
puntaje de propensión para los tratados y no tratados se detalla en el Gráfico 1 de la
sección de Anexos.
Para el caso del nivel de secundaria las limitaciones de análisis son mayores, por la
dificultad de no contar con información previa al tratamiento. Por ello, la evaluación del
efecto competencia no podrá plantearse de la misma manera que para el caso de
primaria. No obstante, se aprovechará la información más extensa con la que se cuenta
para el nivel de secundaria a nivel de estudiante, con el objetivo de aumentar la precisión
de la comparabilidad de los grupos de tratamiento y de control y así usar el modelo de
emparejamiento como método de evaluación del efecto competencia.
Para ello, se utilizará la información de la encuesta realizada a los estudiantes de segundo
grado de secundaria. A diferencia del nivel primaria, para este caso se cuenta con
información adicional sobre el contexto socioeconómico del estudiante, interés de sus
padres por su vida académica, aspiraciones y percepciones personales sobre la escuela,
y calificación sobre la frecuencia de algunas acciones pedagógicas de sus profesores. Se
espera que con esta información se pueda reducir el efecto producido por factores no
observables que pudieran sesgar los resultados. Siendo que hay una encuesta para
cada periodo disponible de la ECE, se analizará tanto el año 2015 como 2016.
Para ello, al igual que para el nivel primario, se aplicará un primer filtro de variables de
coincidencia exacta, basado en las siguientes variables: área de procedencia, zona de
28
competencia, variable dicotómica de la lengua materna del estudiante, nivel educativo de
la madre del estudiante, acceso al alumbrado eléctrico en el hogar, acceso a Internet
dentro del hogar, acceso a la red pública de desagüe dentro del hogar, condición de
repitente del estudiante y percepción sobre las acciones pedagógicas de sus docentes.
Finalmente, para la identificación del efecto competencia en el nivel secundario se
estimará un propensity score, bajo el modelo de vecindario más cercano de uno a uno,
con posibilidad de reemplazo, mediante una regresión logística. Las variables utilizadas en
este modelamiento son: condición de repitente del estudiante, percepción sobre la
atención de los padres por su vida personal y académica, percepción sobre el clima
escolar, percepción sobre las prácticas pedagógicas del docente, número de
instituciones educativas en la UGEL a la que está adscrita la escuela, y zona de
competencia de la IE.

4.1.3 Estimación por triple diferencia para el caso del nivel primaria

Como se mencionó en la sección anterior, en primer lugar se reconoce la condición de

tratado como una primera fuente de variación en los resultados del estudiante16. En
segundo lugar, en la medida que las diferencias entre colegios también evolucionan en el
tiempo, este factor temporal también constituye una fuente adicional de variación
(Casavilca, 2014:36). Por ello, siendo que para el caso del nivel primaria se cuenta con
información para periodos previos al tratamiento, se considera que la estimación por
diferencias en diferencias (DD) es la mejor alternativa para reducir la probabilidad de
sesgo. Este modelo permitiría aislar la tendencia temporal del grupo de tratamiento que
puede haberse presentado por efectos ajenos al incentivo. Asimismo, permitiría aislar el
sesgo producto de diferencias permanentes y no observables (efectos fijos) entre el
grupo de tratamiento y de control (Imbens y Wooldridge, 2008:64, en Mesinas, 2010)17.
No obstante, un supuesto clave para validar el uso de esta metodología es el de tendencias
paralelas entre el grupo de control y tratamiento, en ausencia del programa. Sin
embargo, como sostiene Ravallion (2005:47, en Mesinas, 2010), este supuesto es poco
realista para programas dirigidos a áreas donde la infraestructura y las condiciones
previas (incluyendo el nivel de ingresos) poseen una desventaja frente al grupo no
focalizado (en este caso, el grupo de control). Aunque el autor se refiere en particular a
programas de lucha contra la pobreza, se considera una justificación aplicable a este caso.
En el Gráfico 2 de la sección Anexos se puede visualizar un primer análisis de tendencia
bajo esta metodología. Gráficamente, habría indicios de que el supuesto de tendencias
paralelas en la etapa previa al tratamiento no se sostiene en este caso. Por ejemplo, al
analizar la evolución promedio de los resultados de Comprensión Lectora en la etapa
previa a la intervención, se observa, en primer lugar, que el promedio de las IIEE
públicas siempre se ha mantenido por debajo del promedio de escuelas privadas, para
todos los años evaluados. Por otro lado, las tendencias de ambos tipo de IE no han ido a
la par; por el contrario, se puede apreciar que la tendencia ha sido más fluctuante en el
caso de las escuelas públicas. Una conclusión similar se observa al analizar la evolución
de los resultados en el área de Matemáticas, aunque en este caso, tanto las IIEE

16
En la Tabla 7 se podrá revisar la caracterización promedio de las escuelas, diferenciando por tipo de gestión (público o
privada).
17
Para una breve explicación de la intuición detrás del modelo de DD, y ver el análisis incondicional previo a la estimación
del efecto, revisar la Tabla 24 en la sección Anexos.
29
 públicas como privadas han fluctuado considerablemente, aunque no en el mismo sentido
para cada año. Ello aplica tanto a la figura que considera todos los colegios (posterior al
emparejamiento), como a la figura que acota la muestra a la zona estricta de
competencia (zona 1, 2 y 3, según lo descrito en la sección 4.1). Adicionalmente, para
verificar el análisis gráfico, se estimó un modelo de diferencias en diferencias en un
escenario placebo; es decir, sin considerar los años de intervención y considerando el año
2014 como el año de línea de base. Los resultados de esta estimación confirman
una tendencia fluctuante en el tiempo en la etapa previa al programa. Estos resultados se
detallan en la Tabla 8, donde el estimador de la variable “txI” confirma la tendencia no-
paralela.
Por tanto, dados los resultados obtenidos en la estimación placebo, es un reto adicional
para la evaluación de este programa tener en cuenta esta fuente adicional de variación.
En tal sentido, el modelo de triple diferencia explota la disponibilidad de información pre
línea de base (en este caso, antes del 2014) para aislar el efecto previo al programa.
Bajo esta estimación se busca reducir el sesgo al introducir controles que identifiquen la
diferencia entre la tendencia previa a la línea de base y la tendencia de la línea de base.
Por ello, en esta investigación se usará una metodología de triple diferencia similar a la
utilizada por Mesinas (2010), que implica la diferencia entre el grupo de tratamiento y un
grupo de control en tres periodos diferentes (pre línea de base, línea de base y después
de la implementación).

De acuerdo a lo señalado por Chaudhury y Parajuli (2006, citado en Mesinas, 2010), el

supuesto de identificación no testeable detrás de esta metodología es que la tendencia
observada previamente a la implementación del programa continúa en la etapa ex post. En
ese sentido, aun cuando es difícil de asumir que la triple diferencia removerá todo el
sesgo, esta metodología sí provee una manera más limpia de separar parte del sesgo,
que surge por una brecha en las condiciones iniciales del rendimiento estudiantil.
Adicionalmente, otra ventaja de esta metodología sería controlar la presencia de
programas que operaron en la etapa previa al programa y que podrían haber afectado la
tendencia previa de los resultados de aprendizaje.
Bajo esta metodología, el impacto neto del programa es dado por:

(ytr ,1  yc,1 )  (ytr ,0  yc,0 ) …(3)

donde el subíndice tr y c se refieren al grupo de tratamiento y de control, respectivamente.

Por su parte, y1 se refiere a la diferencia en el resultado entre el periodo ex post y el
periodo de línea de base del programa. Por su parte, y 0 se refiere a la diferencia en el
resultado entre el periodo de línea de base del programa y el periodo previo pre línea de
base. En términos paramétricos, el modelo se planteará de la siguiente forma:

Yi ,t  X i ,t   1 Intervencioni ,t   2 Post 2014 i ,t   3 Post 2015i ,t

…(4)
  4 Post 2014 * Intervencion   5 Post 2015i ,t * Intervencioni ,t   i ,t

Donde Yi ,t es el resultado promedio de la ECE para el colegio i en el periodo t, tanto en

30
Comprensión Lectora como en Matemática. Por su parte, la variable Intervencioni ,t es una
dicotómica que toma el valor de 1 en caso el colegio haya recibido el tratamiento (escuela
estatal) o el valor de 0 en caso el caso pertenezca al grupo de control (escuela privada).
Asimismo, Post 2014 i ,t es una variable dicotómica que toma el valor de 1 si el periodo es
igual o posterior al 2014 (año línea de base) o valor de 0 en caso el periodo observado sea
previo al 2014 (pre línea de base). Adicionalmente, Post 2015i ,t es una variable dicotómica
que toma el valor de 1 si el periodo observado es igual o posterior al año 2015 (ex post al
programa) o valor de 0 para periodos previos al año 2015 (línea de base). Por otro lado, las
variables Post 2014 * Intervencion y Post 2015i ,t * Intervencioni ,t son variables dicotómicas
interactivas de la condición de tratamiento y el periodo observado. La matriz X i ,t se refiere a
las covariables que recogen las características promedio de la escuela, estudiantes y
docentes, que servirán de control. Finalmente, el término  i,t es el término de error que
adopta la siguiente estructura  i ,t   i   i ,t para reflejar los efectos fijos por escuela en la
ecuación (4). El efecto neto del programa producto de la triple diferencia se reflejaría en el
coeficiente  5 , explicado intuitivamente mediante la ecuación (3) y en la Tabla 3.

Acerca de las variables de control utilizadas ( X i ,t ), se utilizaron variables promedio de la

institución educativa, como: área de procedencia, característica de la IE (polidocente
completo o multigrado/unidocente), número de alumnos de segundo de primaria, proporción
de estudiantes de sexo masculino en el grado, proporción de estudiantes en edad normativa
para el grado, proporción de estudiantes del grado (entre 6 y 8 años de edad) que han
cursado Educación Inicial, total de docentes para el nivel primaria, proporción de docentes
hombres para el nivel, proporción de docentes con estudios superiores concluidos, y número
de computadoras con acceso a Internet que se usan para fines pedagógicos. Se incluye
además un rezago del rendimiento alcanzando en Comprensión Lectora y Matemática.
Asimismo, se considera información a nivel agregado, como el porcentaje de pobreza
distrital, la pertenencia a un distrito JUNTOS, la pertenencia a un distrito del VRAEM, y la
pertenencia a un centro poblado donde predomina el castellano. Finalmente, se incluye
como control la intervención de algunos programas a cargo del Ministerio de Educación, que
tienen el objetivo de mejorar los resultados estudiantiles, como Acompañamiento
Pedagógico y Fortalecimiento de la Educación Física, y se incluyen variables dicotómicas
regionales y temporales.

4.2 Metodología para la evaluación del efecto reciprocidad en el nivel de

primaria

Como se mencionó anteriormente, en la presente investigación también se busca identificar

si existe algún efecto del bono entre los que ganaron el incentivo. Esto es lo que está
detrás del denominado efecto reciprocidad, que postula que los profesores podrían tener
un estímulo adicional para un esfuerzo mayor una vez recibido el bono. Al respecto, es
importante precisar que, si bien este efecto no representa el mecanismo principal a través
del cual operaría el diseño de la intervención, se considera un efecto indirecto
importante de analizar, de acuerdo a los hallazgos de la literatura empírica.

31
Así pues, existe una diferencia en el grupo de tratamiento para la medición de este efecto,
pues solo se acota al grupo de escuelas ganadoras del incentivo. Por su parte, el grupo
de control serían las escuelas públicas que se encontraron muy cerca de obtener el bono.
Tal como se explicó, debido a la limitación en el número de periodos disponibles de la
intervención para el caso de secundaria, este efecto solo se medirá en el caso del nivel
primario.
Por otro lado, es importante tener en cuenta que la rotación de docentes entre escuelas, de
ser alta, puede representar un problema de identificación. Por ejemplo, en caso de que una
escuela resultara ganadora y, por tanto, se premiara a su plana docente, sería difícil
evaluar un efecto reciprocidad del bono en el año siguiente sobre el rendimiento
promedio de dicha escuela si para entonces los docentes ganadores migraron a otra IE.
Por tal motivo, el análisis se centrará en aquellas escuelas públicas (ganadoras y no
ganadoras) que hayan mantenido igual por lo menos el 80% de su plana docente durante
el año siguiente al otorgamiento del bono. Se identificó que en promedio este grupo de
escuelas representa el 60% del total de escuelas públicas.
Se plantea que este efecto puede ser medido a través de una regresión discontinua. La idea
principal detrás de un diseño de regresión discontinua es que la asignación del tratamiento
está determinada, ya sea completa o parcialmente, por el valor de una variable particular,
en función del lado donde se encuentre el individuo tratado en la función de
distribución, estableciendo como punto de referencia el valor determinado de dicha
variable. De esta manera, este valor límite generaría una discontinuidad en la
probabilidad de recibir el tratamiento, en función de esta variable particular. En
consecuencia, como señala Van Der Klaauw (2008, citado en Mesinas, 2010), la
discontinuidad de la distribución condicional del resultado evaluado, como una función
de esta variable de delimitación, es interpretada como una efecto causal del tratamiento.
Para el caso de la intervención evaluada, la condición de tratamiento se define en este
caso como el grupo de escuelas que ganó el bono, y está en función del índice de
cumplimiento de los indicadores evaluados y descritos en la sección 3, referidos a la
efectividad y superación en el rendimiento estudiantil, retención de estudiantes y registro
de información, entre otros. Sobre la base de estos indicadores estandarizados y
ponderados en un solo índice, se establece un ordenamiento de los puntajes por estrato
y se define el top de escuelas que se declararán ganadoras. En consecuencia, el
puntaje mínimo definido en cada estrato para hacerse acreedor al bono es el límite que
determina el grupo de tratamiento y de control.
Para efectos de esta evaluación, dicho puntaje ha sido estandarizado con respecto al valor
mínimo del percentil 35 de cada estrato, de tal manera que el punto de corte se
centraliza en cero para todos los estratos, facilitando así su comparabilidad. Teniendo
como referencia este valor, se procedió a analizar los datos de Bono Escuela para el
caso de primaria, y se encontró que, aunque este es el indicador determinístico, existen
algunos casos de escuelas que no cumplen con este criterio. El detalle por año se
puede observar en la Tabla 9 de la sección de Anexos. Por ejemplo, en lo que respecta al
año 2016, se observa 40 escuelas que, habiendo obtenido un puntaje positivo (mayor a
cero), no fueron consideradas en la lista de escuelas ganadoras. Dichos colegios
representaron el 1% del total de escuelas con un puntaje superior al punto de corte. Por
su parte, también en el 2016 hubo 44 escuelas que, habiendo obtenido un puntaje
negativo (menor al valor límite del percentil 35, centralizado en cero), sí fueron incluidas
32
 dentro del bono. Estas escuelas representaron el 0.58% del total de escuelas por debajo
del umbral.
En consecuencia, se considerará un caso de estimación no paramétrica de regresión
discontinua bajo un diseño difuso, donde la asignación de tratamiento no está 100%
determinada por el punto de corte del índice, y en consecuencia, la probabilidad de ser
tratado no varía de cero a uno en el punto de corte. En su defecto, bajo este diseño solo
se requiere una discontinuidad de la probabilidad de asignación en el puntaje límite de la
variable establecida como delimitante (Imbens y Wooldrige, 2008:60). En el caso de Bono
Escuela, la probabilidad de ser tratado entre el grupo con un puntaje menor a cero, es de
0.58%, mientras que en el grupo con puntaje mayor a cero, esta probabilidad pasa a ser
99%, sobre la base de los resultados 2016.

4.3 Efectos diferenciados (característica de la escuela, ámbito y periodo de

maduración)

Sobre la implementación de Bono Escuela, es importante tener en consideración el

periodo de maduración de la intervención como posible primer factor de heterogeneidad
en los resultados. Como muestra la evidencia internacional (sección 2.2), los
resultados pueden variar según el periodo de la intervención que se evalúe (Glewwe,
Ilias y Kremer, 2010; Muralidharan y Sundararaman, 2010; Springer et. al, 2010). Para
el caso del bono en el Perú, habiendo iniciado a finales del año 2014 para el caso de
primaria, la construcción del IDE para el otorgamiento del primer bono se construyó sobre la
base de los indicadores obtenidos en el 2013, e incluso sobre la base del año 2012 para la
medición del indicador de superación en la ECE. Siendo de carácter retroactivo, la
intervención no puede haber tenido impacto en las evaluaciones previas al año 2014.
Incluso durante dicho año, al haber formalizado la intervención en el segundo semestre
del año, el tiempo disponible para que una escuela haya podido plantear una estrategia
de competencia por el bono es muy limitado, razón por la cual se considera el año de
línea de base para la intervención y, en consecuencia, se cuenta con dos periodos
consecutivos del incentivo.

Debido a ello, al analizar el efecto competencia de la intervención, también se realizará un

análisis sobre el periodo de maduración, identificando si un año adicional de intervención
tiene un efecto diferenciado en el efecto del incentivo, y teniendo en cuenta que en el caso
de primaria se tienen disponibles dos años consecutivos de intervención. Un caso diferente
puede ser el del nivel secundaria, pues, al haber antecedentes de Bono Escuela antes del
primer año de implementación de la ECE para este nivel, es probable que los resultados
del primer año de evaluación (2015) se vean afectados por la expectativa de una
competencia, aun cuando la formalización de ella se haya dado recién en el segundo
semestre del año 2015. Por ello, en el caso de secundaria se habla de dos periodos
consecutivos para la intervención. En consecuencia, para el nivel primario se analizará el
efecto de la intervención en cada periodo, bajo el modelo de triple diferencia descrito en la
sección 4.1.3. Así, para la identificación de heterogeneidad la especificación del modelo
será replanteada de la siguiente manera:

33
 Yi ,t  X i ,t    1 Intervencioni ,t   2 Post 2014 i ,t   3 Post 2015 i ,t
  4 Post 2016 i ,t   5 Post 2014 i ,t * Intervencioni ,t   6 Post 2015 i ,t * Intervencioni ,t …(5)
  7 Post 2016 i ,t * Intervencioni ,t   i ,t

De esta manera, a la ecuación (5) se añaden las variables tendenciales y las variables
interactivas de la condición de tratamiento y el periodo observado, para los periodos 2015 y
2016. Los estimadores  6 y  7 representan el efecto marginal de cada año de la
intervención, neto de la tendencia previa a la línea de base y la tendencia anual de cada año
de la intervención.

Un modelo similar se planteará para el caso de secundaria, a nivel de estudiante, con los dos
únicos años con información de rendimiento disponible para el nivel, que son a su vez
los años de la intervención. Como se mencionó anteriormente, a diferencia del caso de
primaria, para Secundaria no se cuenta con información de la línea y pre-línea de base,
por lo cual debe considerarse una limitación importante en el impacto de la intervención
sobre el primer año de evaluación. Sin embargo, haciendo una distinción en el efecto
marginal de la intervención por año evaluado, se plantea evaluar si hay un efecto de
maduración de la intervención en el segundo año del incentivo.

Asimismo, una de las preguntas importantes que se plantea en esta investigación es la

diferenciación de los resultados para aquel grupo de escuelas que se encuentra en zona de
estricta competencia, excluyendo a aquellos colegios denominados “seguros ganadores” o
“seguros perdedores”, de acuerdo a lo planteado en la sección 4.1. Finalmente,
también se hará una distinción según área de procedencia (urbano/rural) y característica
de la IE18 (polidocente completo/multigrado o unidocente), con la finalidad de analizar si los
resultados del impacto de la intervención varían para el caso de las escuelas urbanas (o
polidocentes completas) en estricta competencia, en relación a sus pares en zona rural (o
multigrado/unidocente).

5. Resultados
En esta sección se presentan los resultados producto de las preguntas planteadas sobre
los canales a través de los cuales un incentivo monetario como Bono Escuela tendría
efecto sobre el rendimiento estudiantil, a partir de la metodología detallada en la sección
anterior. Así, para el caso de primaria, se presentan los resultados de la triple
diferencia para la evaluación del efecto competencia, y los resultados de la estimación
por regresión discontinua para la evaluación del efecto reciprocidad. Por su parte, para
el caso de secundaria se presentan los resultados obtenidos a partir del modelo de
emparejamiento, para la medición del efecto competencia. Asimismo, para ambos niveles
se analizan los resultados de la consideración de una posible heterogeneidad,
relacionada al periodo de maduración de la intervención, el área de procedencia y
característica de la IE.

5.1 Resultados en el nivel de primaria

18
Cabe mencionar que la definición de IE polidocente completo, multigrado o unidocente solo se utiliza para el nivel primaria,
pues para el nivel Secundario todas las escuelas son polidocentes completas. En ese sentido, esta posible heterogeneidad
solo se analizará para el primer caso
34
5.1.1 Efecto competencia

Como se mencionó en la sección 4, para la medición del efecto competencia fue

importante, en primer lugar, la clasificación de las escuelas en función de los resultados
obtenidos en el índice de desempeño (construido por el Ministerio de Educación a partir
de los parámetros y ponderaciones definidos por Bono Escuela, descritos en la sección
3), y su distanciamiento con respecto al umbral de calificación al otorgamiento del bono.
La idea principal detrás de esta categorización es considerar que las escuelas pueden
tener distintos grados de motivación en la competencia por el bono, en función de su
posición con respecto a sus pares y sus posibilidades de ganar. De esta manera, la
variable zona de competencia está compuesta de cinco categorías, donde 0 es la mejor
posición y 4 es la peor, y las categorías del medio son las consideradas las zonas
en estricta competencia. Para aquellos periodos o colegios (privados) donde no se aplicó
el bono, se hizo una simulación de la construcción del índice, basado únicamente en los
resultados de la ECE.
Sobre el grupo de tratamiento, para el caso de primaria se consideró únicamente al grupo
A como el objeto de estudio; es decir, las escuelas públicas de la Educación Básica
Regular, evaluadas en segundo grado de primaria. Por su parte, se construyó un grupo
de control a partir de las instituciones educativas no participantes del Bono Escuela; es
decir, las escuelas privadas. Para ello, se planteó en primer lugar un filtro de variables
con coincidencia exacta y un modelo de emparejamiento que permitiera delimitar una
región de soporte común –es decir, escuelas del grupo de tratamiento y de control con
un mejor balance entre sí- a partir de los factores observables. Las variables utilizadas
para este modelo de emparejamiento fueron el tamaño de la escuela (aproximado
con el número de alumnos), proporción de hombres en la IE, zona de competencia a la
que pertenece la IE y tamaño de la jurisdicción a la que pertenece la IE (número de
IE por provincia), mediante la estimación de un propensity score y un modelo de
emparejamiento de vecindario más cercano, uno a uno, con posibilidad de reemplazo.
En el Gráfico 1 de la sección Anexos, puede apreciarse la distribución del grupo de
tratamiento y grupo de control.

A partir de ello, se propuso el modelo de diferencias en diferencias para reducir el

potencial sesgo por las diferencias de los factores no observables entre el grupo de
tratamiento y de control. No obstante, al observar que el supuesto de tendencias
paralelas en la etapa previa al tratamiento no era aplicable en este caso (el Gráfico 2
permite realizar un análisis visual de la tendencia, y la Tabla 8 muestra los resultados
de la prueba placebo), se consideró que una estimación por triple diferencia podía
contribuir a reducir este sesgo, al diferenciar además por la tendencia previa a la línea de
base. Las variables de control utilizadas fueron: área de procedencia, característica de la IE
(polidocente completo o multigrado/unidocente), número de alumnos de segundo de
primaria, proporción de estudiantes de sexo masculino en el grado, proporción de
estudiantes en edad normativa para el grado, proporción de estudiantes del grado (entre
6 y 8 años de edad) que han cursado Educación Inicial, total de docentes para el nivel
primaria, proporción de docentes hombres para el nivel, proporción de docentes con
estudios superiores concluidos, y número de computadoras con acceso a Internet que
se usan para fines pedagógicos. Se incluye además un rezago del rendimiento
35
alcanzando en Comprensión Lectora y Matemática. Asimismo, se considera información a
nivel agregado, como el porcentaje de pobreza distrital, la pertenencia a un distrito
JUNTOS, la pertenencia a un distrito del VRAEM, y la pertenencia a un centro
poblado donde predomina el castellano. Finalmente, se incluye como control la
intervención de algunos programas a cargo del Ministerio de Educación, que tienen el
objetivo de mejorar los resultados estudiantiles, como Acompañamiento Pedagógico y
Fortalecimiento de la Educación Física, y se incluyen variables dicotómicas regionales y
temporales.
Como resultado, las Tablas 10 y 11 muestran los resultados de la estimación por triple
diferencia y el efecto sobre los tratados (ATT), tanto para el rendimiento en Comprensión
Lectora, como para el rendimiento en Matemática. Nótese que este primer análisis incluye
a todas las escuelas, sin excluir a aquellos colegios considerados “seguros ganadores” y
“seguros perdedores” (ver sección 4.1.1. para más detalle). En el primer caso (Tabla
10), se analiza el efecto competencia de manera agregada, considerando todo los
periodos intervenidos como un pool de información. Por su parte, en el segundo caso
(Tabla 11), el efecto competencia es desagregado por periodo intervenido, con la finalidad
de analizar si existe alguna heterogeneidad en los resultados explicada por un periodo de
maduración de la intervención, que pueda complementar el análisis del primer caso. Para
ambas variaciones en el modelo, se consideran tres opciones: i) un modelo de efectos
fijos a nivel de IE básico sin covariables, ii) un modelo de efectos fijos a nivel de IE que
incluye variables de control, y iii) un modelo de efecto fijos a nivel de IE que además
de incluir covariables incorpora una ponderación por IE, utilizando para ello el número de
alumnos por escuela.
La evidencia de la Tabla 10 sustenta que hay un efecto competencia importante y
significativo sobre los resultados en el área de Matemática. En el escenario más
conservador (el caso del segundo modelo), el efecto competencia tendría un impacto
positivo de 0.11 desviaciones estándar sobre los resultados de Matemática. Este efecto
podría alcanzar 0.22 desviaciones estándar en el escenario más optimista. Por otro
lado, los resultados parecen ser de menor impacto aunque significativos al analizar el
efecto sobre el área de Comprensión Lectora, pues indican un efecto de 0.08 desviaciones
estándar más sobre el puntaje promedio como producto del efecto competencia.

Los resultados de la Tabla 11, por otro lado, incluyen el análisis sobre el periodo de
maduración de la intervención como factor que debe considerarse al momento de
establecer su impacto sobre el rendimiento. Es importante precisar que el indicador
del R-cuadrado muestra que este caso representa una mejor especificación. Los
resultados consolidan la evidencia de un impacto mayor y con alta significancia del efecto
competencia sobre el rendimiento estudiantil, para el caso del área de Matemáticas. Se
observa además una diferencia en el efecto marginal sobre los resultados para cada uno
de los años de la intervención, siendo que el año 2015 presenta un impacto menor en
magnitud (0.11 desviaciones estándar), aunque en todos los periodos el área de
Matemática se ve influenciada positivamente y de manera significativa por el efecto del
bono. En el 2016, el efecto del bono fue de 0.21 desviaciones estándar, de acuerdo al
modelo de efectos fijos con ponderación.
Asimismo, bajo este escenario resulta particularmente interesante el impacto de la
competencia por el bono sobre el rendimiento en el área de Comprensión Lectora. Los
resultados muestran una ambigüedad durante el primer año de la intervención, con un
36
efecto positivo aunque no significativo. Sin embargo, a partir del año 2016, el efecto
del bono sobre el rendimiento se consolida en términos de significancia estadística,
con un impacto de 0.09 desviaciones estándar bajo el modelo de efectos fijos con
ponderación.
Por otro lado, uno de los objetivos del presente estudio es analizar si el efecto del bono es
afectado al acotar el análisis a un grupo particular del tratamiento, aquel que se encuentra
estrictamente en la zona de competencia. Por esta razón, en la Tabla 12 se muestran los
resultados de la estimación por triple diferencia, excluyendo a los seguros ganadores
(grupo 0) y seguros perdedores (grupo 4). Por implicar una mejor especificación, la
comparación se realiza en relación al modelo que analiza los periodos de maduración.
Como puede observarse, las estimaciones realizadas evidencian que el impacto del
efecto competencia se agudiza al acotar el análisis a la zona estrictamente en competencia.
Sobre el efecto en el área de Matemática, en el 2016, el impacto fue de 0.27
desviaciones estándar, y de 0.16 desviaciones estándar para el caso de Comprensión
Lectora. No obstante, en este grupo de análisis también es importante observar que en el
año 2015 el impacto del bono muestra un efecto negativo para ambas áreas de
evaluación, siendo que a partir del segundo año de intervención se revierte esta
situación.
De lo mencionado anteriormente, se concluye que hay evidencia importante para
considerar que el periodo de maduración del bono se consolidó a partir de su segundo año
de implementación. El año 2015 presenta resultados ambiguos e incluso en varios
escenarios significativamente negativos. Sin embargo, los resultados durante el año
2016 son sistemáticamente positivos y significativos en todos los casos analizados, para
ambas áreas evaluadas, con una acentuación del efecto positivo al acotar el análisis a la
zona de estricta competencia.
Por último, también se analizó la heterogeneidad de los resultados al desagregar la
información por área de procedencia y característica de la IE. Nuevamente, estos análisis
se realizaron sobre la base del modelo de triple diferencia con periodos de maduración,
para la zona en estricta competencia. Con respecto al área de procedencia, los resultados
indican que el efecto competencia del bono no es estadísticamente significativo en el área
rural, en ninguna de las áreas evaluadas (Tabla 13). En ese sentido, la relevancia del
bono se concentra en el área urbana, donde también se corrobora la consolidación del
periodo de maduración del bono en el año 2016. En este periodo, el impacto del bono
sobre el rendimiento estudiantil en el área de Matemática fue de 0.29 desviaciones
estándar, mientras que en el área de Comprensión Lectora, fue de 0.17 desviaciones
estándar (Tabla 14). Por su lado, en lo que se refiere a la característica de la IE, los
resultados evidencian que el impacto del incentivo se concentra en las escuelas
polidocentes completas, con una maduración a partir del segundo periodo. Así, en el año
2016 se puede observar un efecto sobre el rendimiento estudiantil de 0.28 desviaciones
estándar para el caso de Matemática, mientras que para el caso de Comprensión
Lectora, el impacto es de 0.17 desviaciones estándar (Tabla 16). Sin embargo, para el
caso de las escuelas unidocentes o multigrado, los efectos no resultan significativos en
ninguna de las áreas evaluadas o periodo de intervención (Tabla 15).

5.1.2 Efecto reciprocidad

37
Acerca de este segundo efecto, el objetivo es analizar si los profesores ganadores del
bono en el periodo t-1 obtienen mejores resultados en el periodo t. Para ello, el grupo de
control considerado son aquellos colegios públicos que se encontraron muy cerca del
punto de corte en el índice de desempeño escolar estimado para alcanzar el bono; sin
embargo, al no superar dicho límite, no ganaron. En ese sentido, se considera que
estos colegios son muy similares en términos de desempeño con el grupo de
tratamiento (escuelas ganadoras), y por tanto, la diferencia en los resultados obtenidos
en el periodo siguiente al otorgamiento del bono puede entenderse como el efecto ex post
al bono.
Para ello se utilizó un modelo de regresión discontinua, sobre la base de una regresión no
paramétrica. El diseño utilizado fue el de regresión discontinua de diseño difuso, al haber
evidencia de que, aunque sí existe un cambio en la probabilidad de tratamiento alrededor
del punto de corte, esta probabilidad no pasa de cero a uno. En otras palabras, existen
algunos casos de escuelas que, habiendo tenido un puntaje mejor al umbral, se hicieron
acreedores del Bono, y de igual manera a la inversa. De la información disponible se
observa que esta probabilidad de tratamiento pasa de 0.58% a 99% en el umbral. En el
Gráfico 3 se puede visualizar este cambio en la probabilidad alrededor del punto de
corte, centralizado en cero, para cada año.
Teniendo en cuenta que Bono Escuela tiene tres periodos de otorgamiento del bono, es
posible analizar el efecto reciprocidad en dos periodos, 2015 y 2016, tanto para el área
de Comprensión Lectora como de Matemática. Asimismo, es sabido que bajo el método de
regresión discontinua, los resultados son altamente sensibles al ancho de banda que se
defina alrededor del punto de corte. Por tal razón, se presentan los resultados sobre el
ancho de banda óptimo estimado, así como de los resultados al considerar el 50% y el
200% de esta banda. De igual manera, con el fin de una mejor identificación, los resultados
se acotaron al total de colegios públicos que mantuvieron igual al menos el 80% de su
plana docente, que representan aproximadamente el 60% de escuelas públicas.
Así, tanto para el año 2015 como para el año 2016, y para ambas áreas de evaluación, la
evidencia sugiere que el efecto reciprocidad sería positivo, relativamente pequeño y con
muy poca significancia estadística (ver Tabla 17). Ello se observa tanto para el cálculo
bajo el ancho de banda óptimo, como para un grupo más reducido alrededor del punto de
corte (50% del ancho de banda original). Por su parte, al analizar los resultados bajo un
ancho de banda más extenso (200% del ancho de banda original), los resultados
aumentan en magnitud y significancia estadística. Sin embargo, al representar un
grupo de escuelas más extenso, dicho resultado debe observarse con mayor cuidado,
pues puede incluir un grupo de escuelas de menor comparabilidad. En consecuencia,
en términos generales se puede afirmar que la evidencia no respalda la hipótesis de un
efecto reciprocidad.

5.2 Resultados en el nivel de secundaria

5.2.1 Efecto competencia

De manera similar al nivel primaria, “Bono Escuela” también aplica a todas las escuelas
38
públicas para el caso de secundaria. Por consiguiente, el grupo de control también
debe ser hallado entre las escuelas privadas. Sin embargo, a diferencia de primaria, en
el caso de secundaria los logros de aprendizaje empezaron a evaluarse al cierre del
año 2015. En ese sentido, surge una dificultad particular de no contar con una línea de
base que permita estimar los efectos fijos de los factores no observables, recoger la
tendencia previa y de esa manera reducir el riesgo de sesgo de los estimadores. No
obstante, una característica adicional del proceso de evaluación en el nivel secundaria fue
la posibilidad de incluir un cuestionario dirigido al estudiante. En este cuestionario se
incluyeron variables relevantes relacionadas al entorno particular del estudiante, así
como del entorno escolar. Se considera que esta información puede reducir parcialmente
el sesgo producido por los efectos fijos de los factores no observables que diferencian al
grupo de tratamiento del grupo de control. Además, contar con información relevante a
nivel de estudiante permitirá plantear el emparejamiento a este nivel, lo cual podría
contribuir a una mejor comparabilidad.
Dadas las limitaciones señaladas, se estima un propensity score, a partir de las siguientes
variables: condición de repitente del estudiante, percepción sobre la atención de los
padres por su vida personal y académica, percepción sobre el clima escolar, percepción
sobre las prácticas pedagógicas del docente, número de instituciones educativas en la
UGEL a la que está adscrita la escuela, y zona de competencia de la IE. El método
utilizado fue de vecindario más cercano, de uno a uno, con posibilidad de reemplazo. El
Gráfico 4 permite visualizar la distribución de la medida de propensión entre el grupo de
tratamiento y el tratado. Asimismo, en las Tablas 18 y 19 de la sección de Anexos se
brindan mayores detalles de la estimación del ATT bajo la estimación por propensity score.
Los resultados para el año 2015 (Tabla 18) no parecen evidenciar un efecto competencia
favorable en este nivel. Por el contrario, el grupo de tratamiento sufre un efecto adverso,
tanto en el área de Comprensión Lectora como en Matemática. Esta situación no es
diferente al acotar la población a la zona de colegios en estricta competencia, ni tampoco
al desagregarla según área de procedencia. Para el caso del año 2016, los resultados no
son diferentes, evidenciando un efecto negativo de la intervención cuando se analiza el
total de escuelas, así como cuando se acota el análisis a la zona en estricta competencia
y según área de procedencia. Desde el punto de vista metodológico, los resultados
adversos pueden deberse a las limitaciones de la información y un posible sesgo de los
factores no observables. Otra explicación podría estar asociada al periodo de
maduración de la intervención, la cual, si se comporta de manera similar al caso de
primaria, podría no evidenciar resultados positivos sino hasta un tercer año.
Complementariamente, con la finalidad de analizar la heterogeneidad según el periodo
de maduración y reducir las limitaciones que se enfrentan para este nivel al no contar con
una línea de base que permita corregir el riesgo de factores no observables, se plantea un
modelo de diferencia en diferencia, que permitirá retirar en alguna medida el factor
tendencial de los resultados en el segundo año, y así evaluar el efecto marginal de la
intervención para este año, con respecto al año 2015. Al aplicar esta metodología los
resultados muestran evidencia de que en el año 2016 se empieza a ver un impacto
positivo y significativo de la intervención, aunque pequeño. Tanto en Comprensión
Lectora como en Matemática, la intervención tendría un impacto positivo de 0.03
desviaciones estándar en el segundo año de la intervención (Tabla 20). Al acotar el análisis
a la zona en estricta competencia, los resultados son similares para el caso de
Comprensión Lectora (0.011 desviaciones estándar, no significativo), dando indicios de
39
que no se da la presencia de heterogeneidad para esta área. Sin embargo, para el caso
de Matemática, el impacto es ligeramente mayor, de 0.044 desviaciones estándar (Tabla
21). Finalmente, al desagregar el análisis según área de procedencia, nuevamente los
resultados se inclinan a no mostrar ningún impacto de la intervención en la zona rural –
igual que en el caso de primaria- y, sin embargo, concentrar los efectos de la
intervención en la zona urbana. Estos últimos resultados pueden revisarse con mayor
detalle en la Tabla 22 y 23 de la sección Anexos.

6. Conclusiones, limitaciones e implicancias de política

El sector educativo se ha caracterizado por plantear esquemas salariales que no se

ajustan a una lógica de remuneración condicionada a resultados. Por ejemplo, en la
región de Latinoamérica, el esquema de contratos en el sector está planteado
tradicionalmente como un monto fijo, diferenciado en función a criterios de insumo; es
decir, criterios basados principalmente en las características del docente (nivel de
experiencia, títulos pedagógicos), sin ninguna relación a su desempeño en el aula, sea
por el cumplimiento de procesos intermedios, o por los resultados obtenidos en sus
estudiantes. Como consecuencia, el riesgo de que un agente (en este sector, el docente)
no brinde su mayor esfuerzo ha sido asumido enteramente por el principal (en este caso,
la sociedad y padres de familia en su conjunto, representados por las autoridades
nacionales que contratan directamente al docente).
Debido a los problemas que implican estos esquemas de pago fijo, desde hace algunas
décadas que varias experiencias internacionales plantean la necesidad de migrar hacia
nuevos esquemas de pago en el sector educativo, que distribuyan la incertidumbre entre
el principal y el agente, incluyendo un factor variable en el salario sujeto a resultados
objetivos. Al respecto, hay un amplio espectro de variaciones en estos mecanismos de
incentivos, pues son diferentes componentes que deben considerarse, como la
proporción del incentivo en relación al salario fijo, su planteamiento de manera
individual o colectiva, la definición de qué metas evaluar –bajo criterios de proceso o
resultado- y cómo medirlas, con qué temporalidad definir la meta evaluada y el incentivo,
así como su planteamiento como recompensa o penalidad (monetarias o no
monetaria). El conjunto de decisiones que se tome en relación a estos factores afectará
los resultados obtenidos en diversos sentidos. Por esta razón, como ha mostrado la
evidencia internacional, las evidencias alrededor de la efectividad de un esquema de
incentivos son aún poco concluyentes sobre la combinación ideal para una mayor
efectividad.
A ello debe añadirse que, como señala Levacic (2009), la naturaleza de la motivación del
docente promedio influirá en el éxito de un esquema de incentivos monetarios, pudiendo
ser contraproducente en el caso de ser agentes del tipo “altruista” (con objetivos
personales alineados a los del principal), y favorecedor en el caso de ser agentes del
tipo “oportunista” (con objetivos personales particulares). No obstante, como plantea Le
Grand (2003), es importante no categorizar anticipadamente a un determinado tipo de
profesional como “altruista” u “oportunista”, pues la naturaleza de su motivación puede
variar en el tiempo y según el contexto. Diversos estudios han demostrado la efectividad
de incentivos monetarios en el sector educativo, mientras que otros han demostrado un
efecto nulo o intrascendente en el tiempo, razón por la cual no es posible anticipar una
40
caracterización de la motivación intrínseca del docente. Sin perjuicio de ello, la estrategia
de plantear un nuevo esquema salarial que incluya un factor variable sujeto a resultados
implica un reto importante en el proceso de transformación hacia una cultura de
rendición de cuentas, de definición de indicadores objetivos y medibles, de competitividad
y de meritocracia.
En el Perú, la introducción de un esquema de incentivos es aún muy reciente dentro del
sector. Implementado a finales del 2014, el Bono de Incentivos al Desempeño Escolar,
“Bono Escuela” es la primera propuesta que tiene el objetivo de otorgar una compensación
adicional a aquellas escuelas (director y docentes) que logran destacar en indicadores
asociados a procesos y resultados propios del servicio educativo, en relación a un grupo
de escuelas que pueden considerarse comparables entre sí. La apuesta económica por
esta inversión ha sido considerable, al premiar a 10,529 escuelas en el año 2016 (64,394
docentes), entre escuelas del nivel Primaria y Secundaria. Por ello, es altamente
relevante evaluar su impacto en los diferentes resultados que propone priorizar, como el
logro estudiantil, retención de estudiantes y asistencia a clases, así como algunos
indicadores de procesos, como ciertas prácticas docentes, clima escolar y gestión
administrativa. En esta investigación se centra el análisis en el impacto de la intervención
sobre el logro estudiantil, por ser el indicador que mejor recoge la evolución en la calidad
escolar, además de ser el componente que representa hasta el 65% en la ponderación del
indicador para la asignación del bono en el caso de primaria, y hasta el 50% para el caso
de secundaria.
En “Bono Escuela”, el principal es el Ministerio de Educación, y el agente del contrato es el
docente. Además, este bono se caracteriza por haber sido definido como monetario y
positivo (premio económico), de tipo colectivo (se premia a todos los docentes de las
escuelas ganadoras), y condicionado bajo un criterio a nivel de producto (sujeto
principalmente al logro de aprendizajes y retención escolar). Considerando que este
incentivo ha sido planteado como política universal (aplica a todas las escuelas
públicas de primaria y secundaria a nivel nacional), no es posible identificar el efecto
marginal de cada uno de estos factores considerados. No obstante, el propósito de esta
investigación fue evaluar dos potenciales mecanismos a través de los cuales operaría el
bono. Uno de ellos ha sido denominado “efecto competencia”, y alude al efecto del
incentivo como producto de aspirar a obtener la bonificación y, para ello, replantear la
estrategia y el nivel de esfuerzo que pone el docente para superar sus propios
resultados y el de otras escuelas. Por otro lado, se evalúa otro efecto, denominado
“efecto reciprocidad”, que postula la posibilidad de que el docente ganador del bono
alcance un resultado superior en el periodo siguiente a la compensación, como una suerte
de retribución social por el premio recibido. Al respecto, es importante precisar que
aunque el diseño del incentivo ha sido originalmente pensado para actuar bajo el
mecanismo de competencia, la literatura empírica sustenta como relevante evaluar el
efecto reciprocidad como un efecto indirecto sobre el rendimiento escolar que puede
producirse por la obtención del bono.
En el caso de Primaria, con respecto al efecto competencia, los resultados revelan que el
periodo de maduración es un factor importante por tener en cuenta al momento de
determinar un impacto de la intervención, pues se evidencia que la consolidación de este
incentivo monetario se concreta en el segundo año de implementación (en el 2016), tanto
para el área de Comprensión Lectora como de Matemática, siendo mayor el efecto en esta
última área. Los resultados también muestran que el efecto es mayor en aquellas
41
escuelas que se encuentran en una zona expectante del bono; es decir, que se perciben
como capaces de poder acceder al bono (no son “seguros perdedores”), pero sin llegar a
estar del todo confiadas en que lo recibirán (no son “seguros ganadores”). La evidencia
sugiere además que el impacto positivo y significativo del incentivo se ha concentrado en
el área urbana y entre los colegios polidocentes completos, y que no ha tenido un efecto
significativo en el área rural ni en las escuelas multigrado o unidocentes. Por su lado,
acerca del efecto reciprocidad, los resultados obtenidos sugieren que no hay un impacto
de la intervención a través de este canal.
En el caso de Secundaria, aunque se reconocen las mayores limitaciones para la
estimación del impacto de la intervención como producto de no poder controlar los
factores no observables con el modelo de emparejamiento, los resultados al aplicar una
doble diferenciación parecen ser consistentes con la importancia de considerar un
periodo de maduración, pues ha sido posible ver resultados positivos aunque pequeños
en el segundo año de implementación, y es incierta su evolución durante los
siguientes periodos. La evidencia en el caso de Secundaria también es consistente
con la idea de que es en la zona urbana donde se concentra el efecto positivo del bono,
aunque no parece respaldar la hipótesis de que haya una diferencia en los resultados
para el caso de las escuelas en la zona de estricta competencia. Acerca del efecto
reciprocidad, este canal no ha podido medirse, dado el corto tiempo de implementación
que tiene Bono Escuela en este nivel.
En relación a los resultados en zona rural o en escuelas multigrado o unidocentes, es
posible que ello nos de indicios de un docente que tiene una caracterización de agente
diferente. En línea con lo señalado con Le Grand, podría ser un agente con una
naturaleza de motivación tal, que un incentivo monetario puede ser contraproducente en
sus resultados. De ser así, es posible considerar que en estos contextos sea necesario
replantear el esquema de incentivos de manera más consistente con la teoría de la
naturaleza motivacional, reemplazándolo por otro tipo de incentivos, como aquellos no
monetarios, donde el reconocimiento se vuelve más importante. Por otro lado, a la luz de
estos resultados, también es posible considerar que en las escuelas de este tipo sea
particularmente importante rediseñar los incentivos en términos de qué indicadores
medir. Como han señalado algunas experiencias externas, es posible que cuando se
plantean indicadores de resultados, el impacto no sea el esperado, por el hecho de que el
agente no tenga una idea clara de qué factores se asocian más a una mejora en el
indicador (en este caso, el rendimiento estudiantil). Al no tener claridad de la función de
producción y de cuáles de sus acciones están estrechamente asociadas a ella, puede
fallar en su intento por obtener el premio. En ese sentido, algunas evidencias
internacionales señalan la posibilidad de que un incentivo basado en procesos
(acciones que dependen directamente de la decisión y capacidad del docente) puede
terminar siendo más beneficioso para el producto final que se desea impactar.
Acerca de las limitaciones del presente estudio, es importante resaltar que el uso de las
escuelas privadas como grupo de control puede representar un riesgo de sesgo importante
para la medición del efecto competencia. Como señalan algunos estudios (Ryan, 2014;
Epple, Figlio y Romano, 2000), existe evidencia de que el nivel de ingresos del hogar y
las habilidades académicas del estudiante, así como la valoración de la educación
formal por los padres, pueden ser predictores del tipo de gestión en el cual los
padres matriculan a sus hijos, sugiriendo así que las características no observables
asociadas al contexto particular del estudiante pueden contribuir sustancialmente en las
42
diferencias de los resultados académicos observables de los alumnos. A ello se suma
las diferencias en las características propias de la escuela pues, como sugieren Alcázar
y Valdivia (2009), que analizaron el caso de las escuelas de Fe y Alegría, la gestión
privada puede tener ventajas no observables, como un mayor grado autonomía con
respecto a su plan de estudios y sus decisiones administrativas, que conllevaría a una
mayor eficacia en el uso de los recursos disponibles.
En este estudio se han planteado medidas complementarias para la mitigación de dicho
riesgo, como la aplicación de un modelo de emparejamiento que mejore la comparabilidad
entre escuelas, sobre la base de variables consideradas en un estudio de Rau y Contreras
(2012) para el caso chileno, que incluye variables sobre las características de la escuela,
como el área de procedencia, tamaño de la escuela, proporción de hombres en la IE,
zona de competencia a la que pertenece la IE y número de IIEE por provincia.
Adicionalmente, para el caso del nivel secundario, la información disponible permitió
incluir variables de emparejamiento asociadas al contexto particular del estudiante y su
escuela, como la condición de repitente del estudiante, la percepción del estudiante sobre
la atención de sus padres por su vida personal y académica, su percepción sobre el
clima escolar, y su percepción sobre las prácticas pedagógicas del docente.
Complementariamente, se propuso una estimación bajo un modelo de triple
diferenciación y efectos fijos a nivel de IE que reduzca el sesgo por factores no
observables de la escuela y por las diferencias en la trayectoria previa a la intervención
entre escuelas públicas tratadas y escuelas privadas de control (incumplimiento del
supuesto de tendencias comunes del modelo de doble diferencia). Pese a ello, no es
posible asegurar que todo el potencial sesgo por no observables se haya eliminado. En el
momento previo al inicio del bono escuela, las escuelas públicas mostraron mejoras en
sus desempeño producto quizá de intervenciones previas que implementó el sector en
escuelas públicas para mejorar los logros de aprendizaje (acompañamiento pedagógico),
que no permitirían deducir la dirección del sesgo. A ello debe agregarse la dificultad de
controlar por las intervenciones complementarias que implementa el sector con la finalidad
de mejorar los productos y procesos en la gestión pública de las escuelas, como las
políticas universales de revalorización docente o de Compromisos por Desempeño (que
premia a todas las UGEL que cumplan determinadas metas del sector). Los niveles de
R cuadrado podrían dar indicios de que futuras investigaciones pueden explorar la
posibilidad de una mejor especificación para reducir el sesgo por variables omitidas.
Con respecto a los hallazgos sobre el efecto reciprocidad, aunque estos no resultaron
significativos, es posible que los resultados reflejen la necesidad de un mayor tiempo
de maduración de la intervención. En todo caso, se considera importante seguir
explorando este canal en futuras investigaciones. De igual manera, el incentivo
propuesto también tiene el objetivo de promover otros indicadores de resultado y de
proceso, si bien tienen un peso menor en el índice generado para el otorgamiento del
bono. En ese sentido, sería importante que futuras evaluaciones analicen el efecto de
“Bono Escuela” en estas otras variables, como retención escolar, o ciertas acciones
pedagógicas.
Finalmente, aunque no es posible aún saber si los efectos del bono perdurarán en el
tiempo, se considera que este nuevo planteamiento de esquema salarial debe ser
considerado como una herramienta de necesidad permanente, en la medida que
permite una mejor distribución de la incertidumbre de los resultados del sector, y un
cambio en la lógica de asignación. En ese sentido, se considera altamente relevante
43
seguir invirtiendo en este tipo de incentivos, y concentrar los esfuerzos a indicadores de
resultados como el rendimiento estudiantil, además de otros procesos claves para el
aprendizaje, como lo pueden ser las prácticas pedagógicas dentro del aula, u otras
acciones concretas y medibles que contribuyan a la mejora en el clima escolar.

44
 7. Bibliografía y referencias
Abadie, A.; Imbens, G. (2006): “Large Sample Properties of Matching Estimators for
Average Treatment Effects”. Econometrica, 74(1), 235–267.
Akerlof, G. (1982). “Labor Contracts as Partial Gift Exchange”. The Quarterly Journal of
Economics.
Akerlof, G. (1984). “Gift Exchange and Efficiency-Wage Theory: Four Views”. American
Economic Review N° 74(2), pp. 79–83.
Alcázar, L.; Valdivia, N. (2009). “Escuelas de Fe y Alegría en el Perú: Análisis del Modelo
de Gestión Institucional y Pedagógica y Lecciones para la Educación Pública”. Lima:
Banco Mundial.
Angelucci, M; Prina, S.; Heather, R.; y Samek, A. (2015). “When incentives backfire:
spillover effects in food choice”. NBER, documento de investigación N° 21481.
Atkinson, A.; Burgess, S.; Croxson,B.; Gregg,P.; Propper,C.; Slater,H.; Wilson,D. (2004).
“Evaluating the Impact of Performance-related Pay for Teachers in England”. Labour Econ
N°16(3), pp. 251–261.
Babcock, P.; Bedard, K.; Charness, G.; Hartman, J.; y Royer, H. (2011) “Letting down
the team? Evidence of social effects of team incentives”. NBER, documento de
investigación N° 16687.
Benhabib, J.; Spiegel, M. (1994). “The role of human capital in economic development
evidence from aggregate cross-country data”. Journal of Monetary Economics, 34, N°2,
pp. 143-173.
Blackwell, M.; Iacus, S.; King, G.; y Porro, G. (2010). “Coarsened exact matching in Stata”.
Casavilca, P. (2014). “Sobre sistemas de incentivos al desempeño docente: ¿más
ganadores induce mayor efectividad? El caso del SNED en Chile”. Tesis para el
grado de Magíster en Economía. Instituto de Economía. Pontifica Universidad Católica
de Chile.
Cawley, J.; Price, J. (2009). “Outcomes in a program that offers financial rewards for
weight loss”. NBER, documento de investigación N° 14987.
Charness, G.; Kuhn, P. (2011). “Lab Labor: What Can Labor Economists Learn from
the Lab?”. Handbook of Labor Economics, Volume 4. Ed. Orley Ashenfelter y David Card.
North Holland, primera edición.
Chaudhury, N.; Parajuli, D. (2006) “Conditional Cash Transfers and Female Schooling: The
Impact of the Female School Stipend Program on Public School Enrollments in Punjab,
Pakistan.” Documento de investigación N° 4102, Banco Mundial. Washington, DC.
Chevalier, A.; Dolton, P. (2005). “The labour market for teachers”. Disponible en: S.
Machin y A. Vignoles (Editores). “What’s the Good of Education?”. Princeton University
Press.
Contreras, D.; Larrañaga, O.; Flores, L.; Lobato, F; y Macias, V. (2005): Políticas
educacionales en Chile: vouchers, concentración, incentivos y rendimiento. En: Uso e
44
impacto de la información educativa en América Latina. Chile: PREAL, pp. 61-110.
DellaVigna, S.; Pope, D. (2016). “What motivates effort? Evidence and expert
forecasts”. NBER, documento de investigación N° 22193.Dixit, A. (2002). “Incentives and
organizations in the public sector: an interpretative review”. Journal of Human Resources,
37, pp. 696–728.
Douma, S.; Schreuder, H. (2002). “Economic Approaches to Organizations”. Pearson
Education. Londres.
Epple, D.; Figlio, D.; y Romano, R. (2000). “Competition between private and public
schools: testing stratification and pricing predictions”. NBER, documento de investigación
N° 7956.
Eide, E.; Goldhaber, D.; Brewer, D. (2004). “The teacher labour market and teacher quality”.
Oxford Review of Economic Policy, 20, pp. 230–243.
Ferraz, C.; Finan, F. (2009). “Motivating Politicians: The Impacts Of Monetary Incentives
On Quality And Performance”. NBER, documento de investigación N° 14906.
Fryer, R. (2010) “Financial Incentives and Student Achievement: Evidence From
Randomized Trials”. NBER. Documento de investigación N° 15898.
Gallego, F. (2008). “Efectos del SNED en resultados del proceso educativo.” Manuscrito.
Pontificia Universidad Católica de Chile.

Glewwe, P.; Kremer, M. (2006). “Schools, teachers and educational outcomes in

developing countries”. Disponible en: E. Hanushek y F. Welch (Editores). “Handbook
on the Economics of Education”. Amsterdam: North Holland.
Glewwe, P.: Ilias, N.; Kremer,M. (2010). “Teacher Incentives”. American Economic
Journal: Applied Economics 2(3), pp. 205–227.
Goodman, S.; Turner, L. (2010). “Teacher Incentive Pay and Educational Outcomes:
Evidence from the NYC Bonus Program”. Universidad de Columbia.
Hanushek, E.; Kain, J.; Rivkin, S. (1999). “Do higher salaries buy better teachers?”.
National Bureau of Economic Research. Working paper N° 7082.
Hudson, S. (2010). “The Effects of Performance-Based Teacher Pay on Student
Achievement”. SIEPR. Paper de discusión. N° 09-023.
Imbens, G.; Wooldridge, J. (2008). “Recent Developments in the Econometrics of
Program Evaluation.” NBER, document de investigación N° 14251. Cambridge, MA.
Imbens, G; Kalyanaraman, K. (2009). “Optimal Bandwidth Choice For The Regression
Discontinuity Estimator”. NBER, documento de investigación N° 14726.
Khander, S.; Koolwal, G.; y Samad, H. (2010). “Handbook on Impact Evaluation.
Quantitative Methods and Practices”. Banco Mundial.
Kosfeld, M.; Neckermann, S. (2011). “Getting More Work for Nothing? Symbolic Awards and
Worker Performance". American Economic Journal: Microeconomics, 3(3): 86-99.
Lavy, V. (1999). “Evaluating the Effect of Teachers’ Performance Incentives on Pupils’
45
Achievements”. Universidad Hebrea de Jerusalem.Lavy, V. (2004). “Performance Pay And
Teachers’ Effort, Productivity And Grading Ethics”. National Bureau Of Economic
Research. Working Paper N°10622.
Lazear, E. (2000) “Personnel Economics and Economic Approaches to Incentives,”
HKCER Letters, 61.
Le Grand, J. (2003). “Motivation, Agency and Public Policy”. Oxford University Press.
Universidad de Oxford.
León, J. (2016). “Evaluación de Impacto del Bono de Incentivo al Desempeño Escolar
o Bono Escuela”. Informe Preliminar. GRADE.
Levacic, R. (2009).”Teacher Incentives and Performance: An Application of Principal–Agent
Theory”. Estudios de Desarrollo de Oxford, Vol. 37, No. 1, Marzo 2009.
Levitt, S.; List, J.; Neckermann, S.; Sadoff, S. (2012). “The behavioralist goes to school:
leveraging behavioral economics to improve educational performance”. NBE. Documento
de investigación N° 18165.
Lucas, R. (1988). “On the Mechanics of Economic Development”, Journal of Monetary
Economics, No. 22, pp. 3-42.
Martins, S.P. (2009). “Individual Teacher Incentives, Student Achievement and Grade
Inflation”. IZA Documento de discusión N° 4051.
Mesinas, J. (2010). “Impact Evaluation of the Peruvian Conditional Cash Transfer
Programme “JUNTOS” on Educational Performance “. Katholieke Universiteit Leuven.
Mizala, A.; Romaguera, P. (2004). “School and teacher performance incentives: the Latin
American experience”. International Journal of Educational Development, 24, pp. 739–754.
Muralidharan, K.; Sundararaman,V. (2010). “Teacher Performance Pay: Experimental
Evidence from India”. Documento de trabajo N° 15323. National Bureau of Economic
Research.
Organización para la Cooperación y el Desarrollo Económico – OCDE (2013). “PISA 2012
results. Vol
I. Student Performance in Mathematics, Reading and Science”. Paris: OCDE.
Porter, J. (2003): “Estimation in the Regression Discontinuity Model”. Departamento de
Economía. Universidad de Harvard.
Rau, T.; Contreras, D. (2012). “Tournaments, gift exchanges, and the effect of monetary
incentives for teachers: the case of Chile”. Universidad de Chile.
Ravallion, M. (2005) “Evaluating Anti-Poverty Programs.” Handbook of Agricultural
Economics vol.
4. Robert E. Evenson y T. Paul Schultz. North-Holland.
Ryan, C. (2014). “Private school ‘effects’ on student achievement in Australian schools”.
Instituto de Economía Aplicada e Investigación Social. Universidad de Melbourne.
Springer, M.G.; Ballou,D.; Hamilton,L.; Le,V.; Lockwood,J.R.; McCafrey,D.; Pepper,M.;
Stecher,B. (2010). “Teacher Pay for Performance: Experimental Evidence from the
46
Project on Incentives in Teaching”. National Center on Performance Incentives.
Universidad de Vanderbilt, Nashville, TN.

47
Tversky, A.; Kahneman, D. (1991). “Loss Aversion in Riskless Choice: A Reference-
Dependent Model”. The Quarterly Journal of Economics, 106(4): 1039-1061.
Unidad de Medición de la Calidad Educativa – UMC (2013). “PISA 2012: Primeros
resultados. Informe Nacional del Perú”. Primera edición. Lima.
Unidad de Medición de la Calidad Educativa – UMC (2015). “Reporte Técnico de la
Evaluación Censal de Estudiantes (ECE 2015)”. Ministerio de Educación. Lima.
Van der Klaauw, W. (2008). “Regression Discontinuity Analysis: A Survey of Recent
Developments in Economics,” Labour, 22(2): 219-245.
Vegas, E. (2006). “Incentivos docentes y sus efectos en el aprendizaje del alumnado
en Latinoamérica”. Basado en el libro “Incentives to Improve Teaching: Lessons from
Latin America”. Banco Mundial, 2005.
Vigdor, J.L. (2008). “Teacher Salary Bonuses in North Carolina”. Disponible en Springer,
M. (Ed.), “Performance Incentives: Their Growing Impact on American K-12 Education”.
Brookings Institution.
Winters, M.; Greene,J.P.; Ritter,G.; Marsh,R. (2008). “The Effect of Performance-Pay in
Little Rock, Arkansas on Student Achievement”. National Center on Performance
Incentives. Peabody College of Vanderbilt University. Working Paper 2008-02.
Zymelman,M.; DeStefano, J. (1993). “Primary school teacher salaries in Sub-Saharan
Africa” Disponible en: J. B. Oliveira y J. P. Farrell (Editores) “Teachers in Developing
Countries”. Washington, DC: The World Bank.

48
 8. Anexos
Tabla 4: Monto asignado a los ganadores de Bono Escuela, por grupo elegible y
percentil

Grupo A Grupo B Grupo C Grupo D Grupo E

Top 25 Top 25-35 Top 25 Top 25-35 Top 25 Top 25-35 Top 10 Top 10-20 Top 10 Top 10-20
Director 3,000 2,000 3,000 2000 1,500 1,000 2,500 2,000 2,000 1,500
1° 2,500 1,667 2,500 1,667 1,500 1,000 2,000 1,500 1,500 1,000
2° 3,000 2,000 2,500 1,667 1,500 1,000 2,000 1,500 1,500 1,000
3° 1,500 1,000 2,500 1,667 1,500 1,000 2,000 1,500 1,500 1,000
4° 1,500 1,000 3,000 2,000 1,500 1,000 2,000 1,500 1,500 1,000
5° 1,500 1,000 1,500 1,000 1,500 1,000 2,000 1,500 1,500 1,000
6° 1,500 1,000 1,500 1,000 1,500 1,000
Sin grado 1,500 1,000 1,500 1,000 1,500 1,000 2,000 1,500 1,500 1,000

49
Tabla 5: Distribución de escuelas que rindieron la ECE, por año evaluado

Segundo grado de primaria, Educación Básica Regular

Nro. IIEE % IIEE
Año Nro. IIEE Privadas Públicas Total públicas
2007 5,715 18,354 24,069 76%
2008 5,803 17,734 23,537 75%
2009 5,761 16,971 22,732 75%
2010 5,939 16,736 22,675 74%
2011 6,149 16,309 22,458 73%
2012 6,528 18,892 25,420 74%
2013 6,486 17,245 23,731 73%
2014 6,593 16,114 22,707 71%
2015 6,739 14,656 21,395 69%
2016 6,765 14,218 20,983 68%

Cuarto grado de primaria, Educación Intercultural Bilingüe

Nro. IIEE Nro. IIEE % IIEE
Año Privadas Públicas Total públicas
2012 2 1658 1660 99.9%
2013 0 1632 1632 100.0%
2014 5 1861 1866 99.7%
2015 3 1835 1838 99.8%
2016 2 2014 2016 99.9%

Segundo grado de secundaria, Educación Básica Regular

Nro. IIEE Nro. IIEE % IIEE
Año Privadas Públicas Total públicas
2015 4,365 8,321 12,686 66%
2016 4,300 8,575 12,875 67%

50
Tabla 6: Estratos considerados para los grupo A y D
(para los años previos a Bono Escuela , se incluye información de la simulación de la metodología planteada en
esta intervención)

Segundo grado de primaria

Distancia entre el umbral
Año del Bono Nro. Estratos del percentil 25 y 35, en
desviaciones estándar

2008 372 -0.361

2009 380 -0.331
2010 379 -0.345
2011 378 -0.339
2012 387 -0.328
2013 387 -0.312
2014 369 -0.348
2015 366 -0.313
2016 368 -0.263

Segundo grado de secundaria

Distancia entre el umbral
Año del Bono Nro. Estratos del percentil 25 y 35, en
desviaciones estándar

2015 282 -0.751

2016 274 -0.505

51
 Gráfico 1: Distribución del propensity score antes y después del modelo de
emparejamiento, para el caso de primaria
15
10
kdensity _pscore

5
0

0 .2 .4 .6 .8 1
propensity score ANTES de emparejamiento

tratado control
15
10
kdensity _pscore

5
0

0 .2 .4 .6 .8 1
propensity score DESPUES de emparejamiento

tratado control

52
Tabla 7: Características promedio de los colegios públicos y privados de segundo
grado de primaria, en la etapa previa y posterior a la intervención
(análisis sobre la zona de competencia)
Periodo 2008-2013 Periodo 2014-2016
Privado Público Privado Público
Medida ECE, en desviaciones estándar
Comprensión Lectora 8.27 7.23 9.39 8.72
(0.76) (1.02) (0.96) (1.25)
Matemática 6.95 6.48 6.24 6.32
(0.85) (1.13) (0.90) (1.19)
Características del entorno
Área (1=urbano) 0.96 0.34 0.98 0.44
(0.20) (0.47) (0.13) (0.50)
Característica de la IE (1: polidocente completo) 0.81 0.38 0.82 0.46
(0.40) (0.49) (0.39) (0.50)
Nro secciones de segundo de primaria 1.22 1.39 1.26 1.48
(0.59) (0.96) (0.63) (1.05)
Nro de alumnos de segundo de primaria 20.31 22.16 21.56 25.04
(20.61) (30.74) (20.78) (33.61)
Proporción de hombres en segundo de primaria 0.53 0.51 0.53 0.51
(0.18) (0.19) (0.17) (0.18)
Variación anual de puntaje en CL 0.01 0.03 0.01 0.04
(0.09) (0.17) (0.08) (0.13)
Variación anual de puntaje en Matemática 0.01 0.03 0.02 0.06
(0.11) (0.21) (0.12) (0.20)
% población pobre en el distrito 23.37 53.94 22.26 49.97
(15.83) (23.58) (16.03) (24.54)
Total de docentes en el nivel educativo 6.40 5.65 6.74 6.49
(4.55) (7.30) (5.12) (7.70)
Proporción de docentes hombres en el nivel educativo 0.24 0.44 0.24 0.42
(0.22) (0.33) (0.21) (0.31)
Total de docentes con estudios superiores concluidos 5.35 5.40 5.76 6.34
(4.51) (7.10) (5.08) (7.62)
Proporción de docentes con estudios superiores concluidos 0.81 0.94 0.83 0.96
(0.29) (0.19) (0.29) (0.15)
Nro de computadoras con acceso a Internet para uso pedagógico 12.07 5.36 13.38 7.93
(22.41) (15.41) (19.27) (17.81)
Proporción de estudiantes de segundo de primaria que han cursado Educación
Inicial 0.92 0.72 0.95 0.91
(0.21) (0.38) (0.21) (0.25)
Total de estudiantes de segundo de primaria 21.83 25.67 22.23 26.75
(21.54) (34.13) (21.20) (35.57)
Proporción de estudiantes de segundo de primaria en edad normativa 0.98 0.87 0.99 0.93
(0.08) (0.16) (0.06) (0.12)
Distrito JUNTOS (1=sí pertenece) 0.18 0.50 0.07 0.60
(0.38) (0.50) (0.26) (0.49)
Distrito VRAEM (1=sí pertenece) 0.01 0.03 0.00 0.04
(0.07) (0.18) (0.07) (0.19)
Centro poblado donde predomina una lengua distinta al castellano (1= sí
pertenece) 0.00 0.15 0.00 0.12
(0.07) (0.36) (0.04) (0.32)
N° observaciones 20,097 40,488 36,666 93,321
N° IIEE 7,867 16,364 8,085 19,704

53
 Gráfico 2: Análisis de tendencia en el rendimiento promedio de la IE, para el caso de
segundo grado de primaria, en las áreas de Comprensión Lectora y Matemática

(Incluyendo todas las escuelas)

580
600

560
Medida promedio en Mate
Medida promedio en CL

550

540
520
500

500
480
450

2008 2010 2012 2014 2016 2008 2010 2012 2014 2016
(first) anho (first) anho

IIEE privados IIEE públicos IIEE privados IIEE públicos

(Incluyendo solo las escuelas en zona de competencia)

650

600
580
600

Medida promedio en Mate

Medida promedio en CL

560
550

540
500

520
500
450

2008 2010 2012 2014 2016 2008 2010 2012 2014 2016
(first) anho (first) anho

IIEE privados IIEE públicos IIEE privados IIEE públicos

54
 Tabla 8: Estimación placebo en doble diferencia para el análisis de tendencia previa,
para las áreas de Comprensión Lectora y Matemáticas en el grado de segundo de
primaria
Modelo EF Modelo EF Modelo EF Modelo EF
Modelo EF con con con con
Modelo EF simple - covariables - covariables - covariables y covariables y
simple - CL Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Post 2014 (t) 0.455*** -1.184*** 0.855*** -1.968*** 0.940*** -1.789***
-(41.35) (-82.64) -(66.67) (-117.18) -(79.38) (-102.70)
[0.01] [0.01] [0.01] [0.02] [0.01] [0.02]
Tratamiento -0.004 -0.294*** -0.018 -0.068 0.029 0.002
(1=publico=tratado) (-0.05) (-3.08) (-0.19) (-0.57) -(0.34) -(0.01)
[0.08] [0.10] [0.09] [0.12] [0.09] [0.12]
Post 2014 x tratado 0.273*** 0.371*** 0.304*** 0.393*** 0.266*** 0.391***
-(20.79) -(22.42) -(22.54) -(22.94) -(20.83) -(22.02)
[0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Area 0.009 -0.003 0 0.005
(1=urbano) -(0.63) (-0.16) -(0.03) -(0.31)
[0.01] [0.02] [0.01] [0.02]
Caracteristica 0.019 0.02 -0.006 -0.024
de la IE -(1.39) -(1.18) (-0.43) (-1.34)
(1: polidocente completo) [0.01] [0.02] [0.01] [0.02]
Nro de 0 -0.000* 0 0
alumnos de (-0.26) (-1.71) (-1.15) (-1.59)
2do de primaria [0.00] [0.00] [0.00] [0.00]
% de -0.001*** 0 -0.001*** 0
hombres en (-5.84) (-0.12) (-8.34) (-0.47)
2do de primaria [0.00] [0.00] [0.00] [0.00]
% 0 0.001** 0 0
población -(1.13) -(2.36) (-0.04) -(1.22)
pobre en el distrito [0.00] [0.00] [0.00] [0.00]
Total de 0.006*** 0.005*** 0.003*** 0.001
docentes -(5.39) -(3.6) -(3.11) -(0.84)
en el nivel educativo [0.00] [0.00] [0.00] [0.00]
% de -0.001*** -0.001*** -0.001*** -0.001***
docentes (-5.51) (-4.69) (-6.27) (-5.03)
hombres en el nivel educativo [0.00] [0.00] [0.00] [0.00]
% de 0 0 0 0
docentes -(1.49) -(1.37) -(0.77) -(0.55)
con estudios superiores concluidos [0.00] [0.00] [0.00] [0.00]
Nro de 0 0.001*** 0 0.000**
computadoras -(1.22) -(2.87) -(0.49) -(2.24)
con acceso a Internet para uso pedagógico [0.00] [0.00] [0.00] [0.00]
% de 0 0 0 -0.000**
estudiantes (-0.06) (-0.76) (-1.06) (-2.28)
de 2do de primaria con Educ. Inicial [0.00] [0.00] [0.00] [0.00]
Proporción 0 0 0 -0.001**
de -(0.09) (-1.36) -(0.1) (-2.36)
estudiantes de 2do de primaria en edad normativa [0.00] [0.00] [0.00] [0.00]
Distrito -0.074*** 0.001 -0.061*** 0.003
JUNTOS (-6.88) -(0.11) (-5.59) -(0.22)
(1=sí pertenece) [0.01] [0.01] [0.01] [0.01]
Distrito 0.023 -0.095 -0.037 -0.123**
VRAEM -(0.45) (-1.58) (-0.77) (-1.97)
(1=sí pertenece) [0.05] [0.06] [0.05] [0.06]
CCPP donde -0.146 -0.051 -0.264** -0.068
predomina (-1.11) (-0.30) (-2.07) (-0.37)
una lengua distinta al castellano (1= sí pertenece) [0.13] [0.17] [0.13] [0.18]
Rezago de -0.001*** 0.000*** -0.001*** 0
un periodo (-15.29) -(2.8) (-15.12) (-0.92)
de puntaje ECE – CL [0.00] [0.00] [0.00] [0.00]
Rezago de 0.000*** -0.001*** 0.001*** -0.000***
un periodo -(6.88) (-12.12) -(9.51) (-5.07)
de puntaje ECE – Matematica [0.00] [0.00] [0.00] [0.00]
Constante 7.241*** 6.709*** 7.457*** 7.639*** 7.736*** 7.815***
55
 Modelo EF Modelo EF Modelo EF Modelo EF
Modelo EF con con con con
Modelo EF simple - covariables - covariables - covariables y covariables y
simple - CL Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
-(105.95) -(80.37) -(78.15) -(63.4) -(89.2) -(66.39)
[0.07] [0.08] [0.10] [0.12] [0.09] [0.12]
Tendencia No No Sí Sí Sí Sí
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.093 0.096 0.307 0.314 0.446 0.411
Nro. observaciones 128,423 128,423 107,381 107,381 2,744,921 2,744,921
t-score en parentesis; error estandar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

56
Tabla 9: Probabilidad de otorgamiento del bono para las escuelas públicas por debajo
y encima del umbral.

(Escuelas que NO superaron el puntaje mínimo de su estrato para el otorgamiento del bono)
2014 2015 2016
N° escuelas % N° escuelas % N° escuelas %
No recibieron el bono 8,424 100 7,674 99.75 7,601 99.42
Recibieron el bono 0 0 19 0.25 44 0.58

Total 8,424 100 7,693 100 7,645 100

(Escuelas que superaron el puntaje mínimo de su estrato para el otorgamiento del bono)
2014 2015 2016
N° escuelas % N° escuelas % N° escuelas %
No recibieron el bono 69 1.53 40 1.02 40 1.04
Recibieron el bono 4451 98.47 3864 98.98 3,814 98.96

Total 4,520 100 3,904 100 3,854 100

57
 Tabla 10: Estimación por triple diferencia, para todas las escuelas evaluadas en
segundo grado de primaria

Modelo EF Modelo EF Modelo EF Modelo EF

Modelo EF con con con con
Modelo EF simple - covariables - covariables - covariables y covariables y
simple - CL Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.912*** 0.833*** 0.885*** 0.857*** 0.850*** 0.801***
tratado -(71.34) -(58.21) -(67.42) -(57.3) -(67.37) -(53.38)
(1=2015 en adelante) [0.01] [0.01] [0.01] [0.01] [0.01] [0.02]
Periodo 0.449*** -1.193*** 0.447*** -1.204*** 0.480*** -1.168***
tratado -(41.35) (-86.49) -(39.57) (-83.50) -(44.09) (-77.45)
(1=2014 en adelante) [0.01] [0.01] [0.01] [0.01] [0.01] [0.02]
Tratamiento 0.086 -0.254*** 0.238*** -0.111 0.295*** -0.073
(1=publico=tratado) -(1.35) (-3.36) -(3.17) (-1.24) -(4.04) (-0.91)
[0.06] [0.08] [0.08] [0.09] [0.07] [0.08]
post2015 x 0.089*** 0.130*** 0.043*** 0.114*** 0.079*** 0.215***
tratado -(5.89) -(7.7) -(2.72) -(6.42) -(5.27) -(12.26)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
post2014 x 0.287*** 0.376*** 0.115*** 0.375*** 0.093*** 0.368***
tratado -(22.15) -(23.43) -(8.29) -(21.89) -(6.83) -(20.78)
[0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Area 0.023* -0.053*** -0.015 -0.074***
(1=urbano) -(1.86) (-3.53) (-1.30) (-4.77)
[0.01] [0.01] [0.01] [0.02]
Caracteristica 0.025** -0.066*** 0.060*** -0.104***
de la IE -(2) (-4.25) -(4.59) (-5.86)
(1: polidocente completo) [0.01] [0.02] [0.01] [0.02]
Nro de 0.002*** -0.003*** 0.002*** -0.002***
alumnos de -(7.39) (-10.97) -(8.4) (-8.18)
2do de primaria [0.00] [0.00] [0.00] [0.00]
% de -0.001*** 0 -0.001*** 0
hombres en (-6.55) (0) (-8.06) -(0.46)
2do de primaria [0.00] [0.00] [0.00] [0.00]
Soporte 0.285*** 0.240*** 0.207*** 0.138***
Pedagogico -(24.52) -(18.09) -(18.65) -(10.56)
(1=sí recibe) [0.01] [0.01] [0.01] [0.01]
Plan de 0.143*** 0.101*** 0.104*** 0.042***
Fortalecimiento -(10.75) -(6.6) -(7.56) -(2.78)
de Educación Física (1=sí recibe) [0.01] [0.02] [0.01] [0.02]
Acompañamiento 0.389*** 0.140*** 0.301*** 0.093***
Rural o -(24.07) -(8.09) -(18.54) -(5.43)
EIB (1=sí recibe) [0.02] [0.02] [0.02] [0.02]
% -0.003*** 0 -0.004*** -0.002***
población (-9.82) -(0.68) (-12.39) (-4.52)
pobre en el distrito [0.00] [0.00] [0.00] [0.00]
Total de 0.012*** 0.005*** 0.007*** 0.002
docentes -(10.18) -(4.19) -(6.29) -(1.49)
en el nivel educativo [0.00] [0.00] [0.00] [0.00]
% de -0.001*** -0.001*** -0.001*** -0.001***
docentes (-5.65) (-4.74) (-6.72) (-4.57)
hombres en el nivel educativo [0.00] [0.00] [0.00] [0.00]
% de 0 0 -0.000** 0
docentes (-0.93) (-0.23) (-2.33) (-0.16)
con estudios superiores concluidos [0.00] [0.00] [0.00] [0.00]
Nro de -0.000** -0.001*** -0.000** -0.000**
computadoras (-2.20) (-6.14) (-2.47) (-2.05)
con acceso a Internet para uso pedagógico [0.00] [0.00] [0.00] [0.00]
% de 0.000*** 0.001*** 0.000*** 0.001***
estudiantes -(3.82) -(12.36) -(4.57) -(5.49)
de 2do de primaria con Educ Inicial [0.00] [0.00] [0.00] [0.00]
Proporción 0.002*** -0.002*** 0.003*** -0.002***
de -(7.92) (-7.17) -(11.04) (-5.47)
estudiantes de 2do de primaria en edad normativa [0.00] [0.00] [0.00] [0.00]

58
 Modelo EF Modelo EF Modelo EF Modelo EF
Modelo EF con con con con
Modelo EF simple - covariables - covariables - covariables y covariables y
simple - CL Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Distrito 0.408*** -0.214*** 0.421*** -0.218***
JUNTOS -(64.76) (-29.08) -(70.77) (-30.61)
(1=sí pertenece) [0.01] [0.01] [0.01] [0.01]
Distrito 0.171*** 0.130** 0.144*** 0.183***
VRAEM -(3.67) -(2.17) -(3.28) -(3.12)
(1=sí pertenece) [0.05] [0.06] [0.04] [0.06]
CCPP donde -0.15 -0.166* -0.079 -0.114
predomina (-1.59) (-1.68) (-0.89) (-1.04)
una lengua distinta al castellano (1= sí pertenece) [0.09] [0.10] [0.09] [0.11]
Rezago de 0 -0.001*** 0.002*** 0.000***
un periodo -(1.54) (-7.05) -(20.95) -(3.94)
de puntaje ECE – CL [0.00] [0.00] [0.00] [0.00]
Rezago de 0.001*** 0 0.000*** -0.001***
un periodo -(10.34) (-0.32) -(4.56) (-7.99)
de puntaje ECE – Matematica [0.00] [0.00] [0.00] [0.00]
Constante 7.182*** 6.682*** 6.458*** 7.288*** 5.736*** 7.348***
-(130.35) -(102.01) -(80.33) -(76.27) -(68.23) -(77.46)
[0.06] [0.07] [0.08] [0.10] [0.08] [0.09]
Efecto Fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.441 0.093 0.490 0.118 0.630 0.170
Nro. observaciones 158,898 158,898 134,669 134,669 3,527,303 3,527,303
t-score en parentesis; error estandar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

59
 Tabla 11: Estimación por triple diferencia, para todas las escuelas evaluadas en
segundo grado de primaria, desagregado por año de intervención

Modelo EF con Modelo EF con Modelo EF con

Modelo EF Modelo EF Modelo EF con covariables - covariables y covariables y
simple - CL simple - Mate covariables - CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.451*** -1.193*** 0.454*** -1.203*** 0.497*** -1.165***
tratado -(42.01) (-86.47) -(40.62) (-83.37) -(46.71) (-77.06)
(1=2014 en adelante) [0.01] [0.01] [0.01] [0.01] [0.01] [0.02]
Periodo 0.363*** 0.830*** 0.362*** 0.851*** 0.335*** 0.799***
tratado -(27.47) -(51.49) -(26.81) -(50.79) -(26.7) -(47.91)
(1=2015 en adelante) [0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Periodo 1.121*** 0.006 1.118*** 0.018 1.115*** 0.016
tratado -(82.91) -(0.34) -(79.61) -(1.03) -(82.18) -(0.99)
(1=2016 en adelante) [0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Tratamiento -0.016 -0.265*** 0.081 -0.131 0.113* -0.106
(1=publico=tratado) (-0.26) (-3.51) -(1.08) (-1.45) -(1.7) (-1.31)
[0.06] [0.08] [0.07] [0.09] [0.07] [0.08]
post2014 x 0.275*** 0.374*** 0.163*** 0.381*** 0.137*** 0.376***
tratado -(21.34) -(23.33) -(11.93) -(22.23) -(10.43) -(21.18)
[0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
post2015 x 0.013 0.061*** -0.015 0.045** 0.012 0.106***
tratado -(0.84) -(3.2) (-0.89) -(2.28) -(0.8) -(5.44)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
post2016 x 0.042*** 0.128*** 0.029* 0.131*** 0.094*** 0.213***
tratado -(2.62) -(6.78) -(1.77) -(6.57) -(5.93) -(11.19)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Constante 7.270*** 6.692*** 6.933*** 7.298*** 6.754*** 7.550***
-(133.27) -(102.03) -(87.19) -(75.92) -(87.92) -(78.53)
[0.05] [0.07] [0.08] [0.10] [0.08] [0.10]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.509 0.094 0.557 0.119 0.713 0.175
Nro. observaciones 158,898 158,898 134,669 134,669 3,527,303 3,527,303
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

60
 Tabla 12: Estimación por triple diferencia, para las escuelas en zona de competencia
evaluadas en segundo grado de primaria, desagregado por año de intervención

Modelo EF con Modelo EF con Modelo EF con

Modelo simple Modelo simple Modelo EF con covariables - covariables y covariables y
- CL - Mate covariables - CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.443*** -1.178*** 0.437*** -1.218*** 0.442*** -1.234***
tratado -(32.72) (-65.67) -(34.64) (-75.93) -(37.12) (-70.29)
(1=2014 en adelante) [0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Periodo 0.374*** 0.826*** 0.310*** 0.784*** 0.314*** 0.771***
tratado -(20.91) -(38.07) -(19.04) -(39.36) -(20.3) -(36.72)
(1=2015 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Periodo 1.113*** 0.008 0.978*** -0.128*** 0.974*** -0.120***
tratado -(54.12) -(0.33) -(55.46) (-6.22) -(57.75) (-5.51)
(1=2016 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Tratamiento -0.12 -0.239* 0.043 -0.062 0.159*** 0.013
(1=publico=tratado) (-1.31) (-1.82) -(0.48) (-0.63) -(2.81) -(0.13)
[0.09] [0.13] [0.09] [0.10] [0.06] [0.09]
post2014 x 0.341*** 0.433*** 0.101*** 0.312*** 0.104*** 0.347***
tratado -(19.5) -(19.58) -(6.19) -(15.66) -(6.33) -(15.78)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
post2015 x -0.039* 0.002 -0.134*** -0.103*** -0.112*** -0.069**
tratado (-1.71) -(0.09) (-6.41) (-4.17) (-5.41) (-2.56)
[0.02] [0.03] [0.02] [0.02] [0.02] [0.03]
post2016 x 0.150*** 0.248*** 0.122*** 0.230*** 0.158*** 0.268***
tratado -(6.1) -(8.62) -(5.81) -(9.37) -(7.64) -(10.38)
[0.02] [0.03] [0.02] [0.02] [0.02] [0.03]
Constante 7.595*** 6.905*** 3.891*** 3.763*** 3.739*** 4.213***
-(98.27) -(62.51) -(40.01) -(32.69) -(42.84) -(29.77)
[0.08] [0.11] [0.10] [0.12] [0.09] [0.14]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.669 0.156 0.795 0.341 0.869 0.350
Nro. observaciones 53,167 53,167 47,762 47,762 1,426,581 1,426,581
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

61
Tabla 13: Estimación por triple diferencia, para las escuelas en zona de competencia y
en área rural evaluadas en segundo grado de primaria, desagregado por año de
intervención

Modelo EF Modelo EF Modelo EF Modelo EF

con con con con
Modelo EF Modelo EF covariables - covariables - covariables y covariables y
simple - CL simple - Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.515*** -0.918*** 0.424** -0.919*** 0.428** -0.943***
tratado -(2.59) (-3.72) -(2.07) (-4.64) -(2.2) (-5.65)
(1=2014 en adelante) [0.20] [0.25] [0.20] [0.20] [0.19] [0.17]
Periodo -0.517 0.12 -0.268 0.167 -0.308 0.153
tratado (-1.39) -(0.38) (-0.81) -(0.64) (-0.84) -(0.56)
(1=2015 en adelante) [0.37] [0.32] [0.33] [0.26] [0.37] [0.27]
Periodo 1.682*** 0.661* 1.354*** 0.419 1.475*** 0.523**
tratado -(5.52) -(1.9) -(4.64) -(1.45) -(4.98) -(2)
(1=2016 en adelante) [0.30] [0.35] [0.29] [0.29] [0.30] [0.26]
Tratamiento -0.499*** -0.796*** -1.042** -0.937** -0.833** -0.784
(1=publico=tratado) (-2.65) (-3.04) (-2.53) (-2.42) (-2.01) (-1.55)
[0.19] [0.26] [0.41] [0.39] [0.41] [0.50]
post2014 x 0.255 0.145 0.075 -0.004 0.072 0.047
tratado -(1.28) -(0.59) -(0.37) (-0.02) -(0.37) -(0.28)
[0.20] [0.25] [0.21] [0.20] [0.20] [0.17]
post2015 x 0.790** 0.634** 0.448 0.498* 0.498 0.524*
tratado -(2.12) -(1.99) -(1.36) -(1.91) -(1.36) -(1.92)
[0.37] [0.32] [0.33] [0.26] [0.37] [0.27]
post2016 x -0.477 -0.449 -0.275 -0.341 -0.417 -0.446*
tratado (-1.56) (-1.29) (-0.94) (-1.18) (-1.40) (-1.69)
[0.31] [0.35] [0.29] [0.29] [0.30] [0.26]
Constante 7.550*** 7.227*** 4.606*** 4.368*** 4.275*** 4.379***
-(40.54) -(27.92) -(11.02) -(10.94) -(10.24) -(8.58)
[0.19] [0.26] [0.42] [0.40] [0.42] [0.51]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.542 0.094 0.714 0.322 0.729 0.323
Nro. observaciones 27,609 27,609 22,822 22,822 251,348 251,348
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

62
Tabla 14: Estimación por triple diferencia, para las escuelas en zona de competencia y
en área urbana evaluadas en segundo grado de primaria, desagregado por año de
intervención

Modelo EF con Modelo EF con Modelo EF con Modelo EF con

Modelo EF Modelo EF covariables - covariables - covariables y covariables y
simple - CL simple - Mate CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.443*** -1.184*** 0.428*** -1.221*** 0.436*** -1.233***
tratado -(32.82) (-66.58) -(34.01) (-76.41) -(36.31) (-67.97)
(1=2014 en adelante) [0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Periodo 0.382*** 0.838*** 0.310*** 0.777*** 0.313*** 0.768***
tratado -(21.65) -(38.89) -(19.06) -(39.56) -(20.18) -(36.05)
(1=2015 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Periodo 1.117*** 0.002 0.978*** -0.139*** 0.967*** -0.134***
tratado -(55.08) -(0.07) -(55.84) (-6.72) -(56.79) (-5.91)
(1=2016 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Tratamiento 0.03 -0.022 0.143** 0.012 0.153*** 0.009
(1=publico=tratado) -(0.34) (-0.18) -(2.29) -(0.12) -(2.66) -(0.1)
[0.09] [0.13] [0.06] [0.09] [0.06] [0.09]
post2014 x 0.364*** 0.486*** 0.145*** 0.352*** 0.128*** 0.364***
tratado -(19.34) -(20.37) -(7.9) -(15.93) -(7.02) -(14.81)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
post2015 x 0.009 0.029 -0.096*** -0.074*** -0.084*** -0.046
tratado -(0.36) -(1) (-4.17) (-2.74) (-3.73) (-1.55)
[0.02] [0.03] [0.02] [0.03] [0.02] [0.03]
post2016 x 0.209*** 0.317*** 0.140*** 0.275*** 0.170*** 0.292***
tratado -(8.31) -(10.55) -(6.34) -(10.53) -(7.8) -(10.61)
[0.03] [0.03] [0.02] [0.03] [0.02] [0.03]
Constante 7.944*** 7.004*** 3.964*** 3.826*** 3.604*** 4.238***
-(132.63) -(81.08) -(36.53) -(25.28) -(30.18) -(23.27)
[0.06] [0.09] [0.11] [0.15] [0.12] [0.18]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.779 0.257 0.854 0.369 0.892 0.368
Nro. observaciones 25,558 25,558 24,940 24,940 1,175,319 1,175,319
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

63
Tabla 15: Estimación por triple diferencia, para las escuelas en zona de competencia y
de tipo multigrado o unidocente, evaluadas en segundo grado de primaria,
desagregado por año de intervención
Modelo EF con Modelo EF con Modelo EF con
Modelo EF Modelo EF Modelo EF con covariables - covariables y covariables y
simple - CL simple - Mate covariables - CL Mate peso - CL peso - Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.389*** -1.306*** 0.314*** -1.249*** 0.337*** -1.241***
tratado -(6.15) (-15.06) -(4.59) (-16.06) -(4.5) (-14.58)
(1=2014 en adelante) [0.06] [0.09] [0.07] [0.08] [0.07] [0.09]
Periodo 0.201 0.641*** 0.367*** 0.758*** 0.332*** 0.722***
tratado -(1.58) -(4.38) -(3.76) -(5.43) -(3.02) -(5.48)
(1=2015 en adelante) [0.13] [0.15] [0.10] [0.14] [0.11] [0.13]
Periodo 1.295*** 0.028 1.021*** -0.245 1.030*** -0.229
tratado -(8.16) -(0.16) -(8.39) (-1.48) -(7.99) (-1.53)
(1=2016 en adelante) [0.16] [0.18] [0.12] [0.17] [0.13] [0.15]
Tratamiento -0.406** -0.692*** -0.731** -0.676** -0.457 -0.461
(1=publico=tratado) (-2.40) (-2.96) (-2.19) (-2.09) (-1.39) (-1.29)
[0.17] [0.23] [0.33] [0.32] [0.33] [0.36]
post2014 x 0.372*** 0.531*** 0.177** 0.325*** 0.154** 0.339***
tratado -(5.64) -(5.96) -(2.52) -(4.05) -(2.01) -(3.88)
[0.07] [0.09] [0.07] [0.08] [0.08] [0.09]
post2015 x 0.058 0.107 -0.193* -0.091 -0.147 -0.055
tratado -(0.44) -(0.72) (-1.93) (-0.64) (-1.31) (-0.41)
[0.13] [0.15] [0.10] [0.14] [0.11] [0.13]
post2016 x -0.094 0.162 0.06 0.306* 0.03 0.295*
tratado (-0.59) -(0.9) -(0.49) -(1.84) -(0.23) -(1.95)
[0.16] [0.18] [0.12] [0.17] [0.13] [0.15]
Constante 7.468*** 7.102*** 4.424*** 4.116*** 4.138*** 4.089***
-(46.17) -(31.77) -(13.29) -(12.47) -(12.67) -(11.41)
[0.16] [0.22] [0.33] [0.33] [0.33] [0.36]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.543 0.093 0.714 0.318 0.727 0.324
Nro. observaciones 27,817 27,817 22,817 22,817 213,882 213,882
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

64
 Tabla 16: Estimación por triple diferencia, para las escuelas en zona de competencia y
de tipo polidocente completo, evaluadas en segundo grado de primaria, desagregado
por año de intervención
Modelo EF
Modelo EF Modelo EF Modelo EF con
Modelo EF con con con covariables
Modelo EF simple - covariables - covariables - covariables y peso -
simple - CL Mate CL Mate y peso - CL Mate
b/t/se b/t/se b/t/se b/t/se b/t/se b/t/se
Periodo 0.442*** -1.160*** 0.430*** -1.207*** 0.437*** -1.226***
tratado -(33.4) (-64.45) -(34.33) (-75.16) -(35.42) (-67.45)
(1=2014 en adelante) [0.01] [0.02] [0.01] [0.02] [0.01] [0.02]
Periodo 0.393*** 0.830*** 0.316*** 0.762*** 0.316*** 0.763***
tratado -(22.69) -(38.37) -(19.22) -(38.32) -(19.66) -(35.46)
(1=2015 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Periodo 1.106*** 0.024 0.971*** -0.112*** 0.967*** -0.123***
tratado -(54.7) -(1) -(54.6) (-5.37) -(55.2) (-5.31)
(1=2016 en adelante) [0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
Tratamiento 0.043 0.032 0.172*** 0.022 0.159*** -0.001
(1=publico=tratado) -(0.52) -(0.28) -(2.89) -(0.25) -(2.77) (-0.01)
[0.08] [0.12] [0.06] [0.09] [0.06] [0.10]
post2014 x 0.358*** 0.457*** 0.137*** 0.329*** 0.120*** 0.352***
tratado -(19.46) -(19.4) -(7.61) -(15.17) -(6.64) -(14.66)
[0.02] [0.02] [0.02] [0.02] [0.02] [0.02]
post2015 x 0.001 0.062** -0.114*** -0.032 -0.096*** -0.037
tratado -(0.04) -(2.17) (-5.00) (-1.21) (-4.22) (-1.29)
[0.02] [0.03] [0.02] [0.03] [0.02] [0.03]
post2016 x 0.225*** 0.296*** 0.148*** 0.248*** 0.168*** 0.277***
tratado -(8.95) -(9.86) -(6.7) -(9.63) -(7.63) -(10.02)
[0.03] [0.03] [0.02] [0.03] [0.02] [0.03]
Constante 7.924*** 6.974*** 3.990*** 3.904*** 3.783*** 4.252***
-(136.42) -(83.11) -(37.99) -(27.11) -(32.96) -(24)
[0.06] [0.08] [0.11] [0.14] [0.11] [0.18]
Efecto fijo IE Sí Sí Sí Sí Sí Sí
R-cuadrado ajustado 0.786 0.264 0.860 0.379 0.890 0.369
Nro. observaciones 25,350 25,350 24,945 24,945 1,212,571 1,212,571
t-score en parentesis; error estandar robusto en llaves
se omiten variables de control
* p<0.10, ** p<0.05, *** p<0.010

65
Gráfico 3: Distribución de la probabilidad de tratamiento alrededor del punto de corte
para el otorgamiento del bono

Bono otorgado en el 2014

1
.8
.6
.4
.2
0

-1 -.5 0 .5

Bono otorgado en el 2015

1
.8
.6
.4
.2
0

-1 -.5 0 .5

66
Tabla 17: Resultados de la estimación por regresión discontinua, diseño difuso, con
respecto a las áreas evaluadas de Comprensión Lectora y Matemáticas

Efecto del otorgamiento de Bono Escuela 2014 sobre los resultados en la ECE 2015
Para Comprensión Lectora
Estimador Coeficiente Error estándar Z-test P>|z|
lwald 0.068 0.075 0.900 0.366
lwald50 0.019 0.100 0.190 0.848
lwald200 0.106 0.058 1.830 0.067

Ancho de banda 0.111

Para Matemática
Estimador Coeficiente Error estándar Z-test P>|z|
lwald 0.063 0.082 0.770 0.440
lwald50 0.012 0.110 0.110 0.916
lwald200 0.107 0.063 1.700 0.089

Ancho de banda 0.100

Efecto del otorgamiento de Bono Escuela 2015 sobre los resultados en la ECE 2016
Para Comprensión Lectora
Estimador Coeficiente Error estándar Z-test P>|z|
lwald 0.012 0.070 -0.01 0.99
lwald50 -0.056 0.092 -0.28 0.783
lwald200 0.094 0.053 1.48 0.138

Ancho de banda 0.161

Para Matemática
Estimador Coeficiente Error estándar Z-test P>|z|
lwald 0.046 0.072 0.63 0.528
lwald50 0.035 0.094 0.38 0.706
lwald200 0.103 0.057 1.8 0.071

Ancho de banda 0.156

Gráfico 4: Distribución del propensity score antes y después del modelo de

67
 emparejamiento, para el caso de secundaria, años 2015 y 2016

Año 2015

8
6

6
kdensity _pscore

kdensity _pscore
4

4
2

2
0

0
.2 .4 .6 .8 1 .2 .4 .6 .8 1
propensity scores ANTES de emparejamiento propensity scores DESPUES de emparejamiento

tratado control tratado control

Año 2016
5

5
4

4
kdensity _pscore

kdensity _pscore
3

3
2

2
1

1
0

0 .2 .4 .6 .8 1 0 .2 .4 .6 .8 1
propensity scores ANTES de emparejamiento propensity scores DESPUES de emparejamiento

tratado control tratado control

Tabla 18: Resultado ATT de la estimación por propensity score para la evaluación del
68
efecto competencia en las áreas de Comprensión Lectora y Matemática, para el caso
de secundaria (2015)

Incluyendo a todas las escuelas

Grupo de Grupo de Nro.
tratamiento control Diferencia Error estándar t-test Observaciones
Matemática 7.325 7.603 -0.278 0.009 -31.1 360,944
Comprensión Lectora 7.494 7.912 -0.418 0.008 -50.8 360,944

Incluyendo solo a las escuelas en zona de competencia

Grupo de Grupo de Nro.
tratamiento control Diferencia Error estándar t-test Observaciones
Matemática 7.509 7.984 -0.475 0.011 -44.0 154,748
Comprensión Lectora 7.690 8.278 -0.588 0.009 -62.2 154,748

Incluyendo solo a las escuelas en zona de competencia y en área urbana

Grupo de Grupo de Nro.
tratamiento control Diferencia Error estándar t-test Observaciones
Matemática 7.545 8.014 -0.469 0.011 -41.8 142,728
Comprensión Lectora 7.744 8.314 -0.570 0.010 -58.6 142,728

Incluyendo solo a las escuelas en zona de competencia y en área rural

Grupo de Grupo de Nro.
tratamiento control Diferencia Error estándar t-test Observaciones
Matemática 7.124 7.309 -0.186 0.060 -3.1 11,628
Comprensión Lectora 7.111 7.322 -0.210 0.058 -3.6 11,628

69
Tabla 19: Resultado ATT de la estimación por propensity score para la evaluación del
efecto competencia en las áreas de Comprensión Lectora y Matemática, para el caso
de secundaria (2016)

Incluyendo a todas las escuelas

Grupo de Grupo de Error Nro.
tratamiento control Diferencia estándar t-test Observaciones
Matemática 6.911 6.999 -0.088 0.009 -10.1 418,041
Comprensión Lectora 7.978 8.141 -0.163 0.008 -19.2 418,041

Incluyendo solo a las escuelas en zona de competencia

Grupo de Grupo de Error Nro.
tratamiento control Diferencia estándar t-test Observaciones
Matemática 7.107 7.328 -0.220 0.012 -17.8 214,858
Comprensión Lectora 8.187 8.481 -0.293 0.012 -25.5 214,858

Incluyendo solo a las escuelas en zona de competencia y en área rural

Grupo de Grupo de Error Nro.
tratamiento control Diferencia estándar t-test Observaciones
Matemática 6.635 6.826 -0.192 0.113 -1.7 11,925
Comprensión Lectora 7.538 7.539 -0.001 0.123 0.0 11,925

Incluyendo solo a las escuelas en zona de competencia y en área urbana

Grupo de Grupo de Error Nro.
tratamiento control Diferencia estándar t-test Observaciones
Matemática 7.140 7.365 -0.225 0.012 -18.6 203,411
Comprensión Lectora 8.232 8.536 -0.305 0.011 -27.1 203,411

70
Tabla 20: Estimación por diferencia en diferencia, para todas las escuelas evaluadas
en segundo grado de secundaria
Modelo EF con
Modelo EF Modelo EF Modelo EF con covariables -
simple - CL simple - Mate covariables - CL Mate
b/t/se b/t/se b/t/se b/t/se
Periodo 0.436*** -0.455*** -0.594*** -1.594***
tratado -(66.95) (-56.81) (-13.33) (-30.12)
(1=2016 en adelante) [0.01] [0.01] [0.04] [0.05]
Tratamiento -0.089* -0.130** -0.062 -0.095*
(1=publico=tratado) (-1.93) (-2.16) (-1.43) (-1.68)
[0.05] [0.06] [0.04] [0.06]
post2016 x 0.068*** 0.070*** 0.019** 0.034***
tratado -(9.41) -(7.68) -(2.42) -(3.55)
[0.01] [0.01] [0.01] [0.01]
Área 0.006 0.012
(1=urbano) -(0.16) -(0.24)
[0.04] [0.05]
Sexo del estudiante -0.009*** 0.179***
(1=hombre) (-3.78) -(74.6)
[0.00] [0.00]
Internado 0.106** 0.05
(1=sí recibe) -(2.08) -(0.8)
[0.05] [0.06]
Tutorial -0.05 -0.286***
(1=sí recibe) (-0.63) (-3.18)
[0.08] [0.09]
Nivel educativo de la madre 0.031*** 0.026***
(1= Sin Educación; 10= Estudios de
posgrado) -(55.64) -(43.66)
[0.00] [0.00]
Acceso a red pública de desagüe en
hogar 0.164*** 0.126***
(1=sí accede) -(45.6) -(35.45)
[0.00] [0.00]
Tenencia de libros en el hogar 0.088*** 0.092***
(1: No hay libros; 7: 100 o más libros) -(106.1) -(101.08)
[0.00] [0.00]
Tenencia de horno microondas en
hogar -0.085*** -0.100***
(1=sí tiene) (-33.77) (-38.11)
[0.00] [0.00]
Tenencia de refrigeradora en hogar 0.016*** 0.013***
(1=sí tiene) -(5.59) -(4.31)
[0.00] [0.00]
Tenencia de lavadora en hogar -0.033*** -0.043***
(1=sí tiene) (-11.06) (-14.77)
[0.00] [0.00]
Conexión a Internet en hogar 0.021*** 0.004
(1=sí tiene) -(8.19) -(1.36)
[0.00] [0.00]
Percepción del aula sobre prácticas
pedagógicas 0.001 0.001
-(0.86) -(1.22)
[0.00] [0.00]
Percepción del aula sobre clima
escolar 0.013*** 0.014***
-(25.94) -(24.25)
[0.00] [0.00]
Total de docentes 0 0.001***
en el nivel educativo (-1.19) -(2.74)
[0.00] [0.00]
% de docentes 0 0
hombres en el nivel educativo (-0.05) -(0.67)
[0.00] [0.00]
Constante 7.640*** 7.485*** 6.843*** 6.556***
71
 Modelo EF con
Modelo EF Modelo EF Modelo EF con covariables -
simple - CL simple - Mate covariables - CL Mate
b/t/se b/t/se b/t/se b/t/se
-(192.3) -(145.05) -(129.49) -(94.11)
[0.04] [0.05] [0.05] [0.07]
R-cuadrado ajustado 0.083 0.051 0.125 0.092
Efecto Fijo IE Sí Sí Sí Sí
Nro. observaciones 778,985 778,985 723,687 723,687
t-score en paréntesis; error estándar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

72
Tabla 21: Estimación por diferencia en diferencia, para todas las escuelas en zona de
competencia, evaluadas en segundo grado de secundaria
Modelo EF Modelo EF
Modelo EF con con
Modelo EF simple - covariables - covariables -
simple - CL Mate CL Mate
b/t/se b/t/se b/t/se b/t/se
Periodo 0.435*** -0.465*** -0.611*** -1.647***
tratado -(46.84) (-38.64) (-8.28) (-18.47)
(1=2016 en adelante) [0.01] [0.01] [0.07] [0.09]
Tratamiento 0.079*** 0.064 0.065 0.073
(1=publico=tratado) -(2.92) -(0.63) -(1.55) -(0.6)
[0.03] [0.10] [0.04] [0.12]
post2016 x 0.073*** 0.090*** 0.011 0.044***
tratado -(6.47) -(6.03) -(0.93) -(2.75)
[0.01] [0.01] [0.01] [0.02]
Área 0.054 0.021
(1=urbano) -(0.66) -(0.25)
[0.08] [0.09]
Sexo del estudiante -0.020*** 0.187***
(1=hombre) (-5.64) -(49.98)
[0.00] [0.00]
Internado 0.08 -0.104
(1=sí recibe) -(1.48) (-0.42)
[0.05] [0.25]
Tutorial -1.121*** -1.219***
(1=sí recibe) (-109.71) (-95.46)
[0.01] [0.01]
Constante 7.721*** 7.529*** 6.776*** 6.465***
-(344.22) -(88.45) -(77) -(47.83)
[0.02] [0.09] [0.09] [0.14]
R-cuadrado ajustado 0.053 0.031 0.097 0.078
Efecto Fijo IE Sí Sí Sí Sí
Nro. observaciones 370,576 370,576 346,609 346,609
Se omiten variables adicionales de control.
t-score en paréntesis; error estándar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

73
Tabla 22: Estimación por diferencia en diferencia, para todas las escuelas en zona de
competencia de área rural, evaluadas en segundo grado de secundaria

Modelo EF Modelo EF
Modelo EF con con
Modelo EF simple - covariables - covariables -
simple - CL Mate CL Mate
b/t/se b/t/se b/t/se b/t/se
Periodo 0.483*** -0.400*** 0.088 -0.768***
tratado -(8.73) (-6.08) -(0.44) (-3.01)
(1=2016 en adelante) [0.06] [0.07] [0.20] [0.26]
Tratamiento 0.103 0.486*** 0.088 0.533***
(1=publico=tratado) -(0.78) -(3.46) -(0.45) -(3.02)
[0.13] [0.14] [0.19] [0.18]
post2016 x 0.004 -0.022 -0.035 -0.138
tratado -(0.08) (-0.31) (-0.47) (-1.42)
[0.06] [0.07] [0.07] [0.10]
Sexo del estudiante 0.01 0.170***
(1=hombre) -(0.97) -(16.37)
[0.01] [0.01]
Internado -0.037* -0.336***
(1=sí recibe) (-1.75) (-12.30)
[0.02] [0.03]
Tutorial -1.005*** -1.032***
(1=sí recibe) (-28.64) (-23.81)
[0.04] [0.04]
Constante 6.992*** 6.630*** 6.448*** 5.935***
-(55.07) -(49.54) -(30.19) -(27.73)
[0.13] [0.13] [0.21] [0.21]
R-cuadrado ajustado 0.059 0.044 0.099 0.08
Efecto Fijo IE Sí Sí Sí Sí
Nro. observaciones 23,425 23,425 22,031 22,031
Se omiten variables adicionales de control.
t-score en paréntesis; error estándar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

74
Tabla 23: Estimación por diferencia en diferencia, para todas las escuelas en zona de
competencia de área urbana, evaluadas en segundo grado de secundaria

Modelo EF Modelo EF
Modelo EF con con
Modelo EF simple - covariables - covariables -
simple - CL Mate CL Mate
b/t/se b/t/se b/t/se b/t/se
Periodo 0.433*** -0.465*** -0.637*** -1.679***
tratado -(46.64) (-38.43) (-8.31) (-18.08)
(1=2016 en adelante) [0.01] [0.01] [0.08] [0.09]
interv 0.078*** -0.012 0.058* -0.018
-(3.97) (-0.14) -(1.89) (-0.18)
[0.02] [0.08] [0.03] [0.10]
post2016 x 0.075*** 0.093*** 0.012 0.046***
tratado -(6.56) -(6.1) -(0.97) -(2.83)
[0.01] [0.02] [0.01] [0.02]
Sexo del estudiante -0.022*** 0.188***
(1=hombre) (-5.99) -(47.72)
[0.00] [0.00]
Internado 0.095 -0.068
(1=sí recibe) -(1.57) (-0.24)
[0.06] [0.29]
Constante 7.771*** 7.625*** 6.861*** 6.579***
-(491.96) -(112.62) -(167.45) -(73.92)
[0.02] [0.07] [0.04] [0.09]
R-cuadrado ajustado 0.053 0.031 0.098 0.078
Efecto Fijo IE Sí Sí Sí Sí
Nro. observaciones 347,151 347,151 324,578 324,578
Se omiten variables adicionales de control.
t-score en paréntesis; error estándar robusto en llaves
* p<0.10, ** p<0.05, *** p<0.010

75
Tabla 24: Análisis incondicional de diferencias en diferencias

El concepto principal detrás del modelo de diferencias en diferencias se detalla en la tabla

presentada a continuación. Acotando el tratamiento a la zona de competencia, aquí se
muestra que, al analizar los resultados de Comprensión Lectora, los resultados señalan que
aquellos que participaron en Bono Escuela mejoraron en 0.37 desviaciones estándar por
encima de aquellos que no participaron (escuelas privadas). Aun cuando ambos grupos
mejoraron en el tiempo (periodo 2014-2016) con respecto a ellos mismos, las escuelas
participantes habrían mejorado a una tasa mayor (cambio en la tendencia), lo que originó
que en neto mejoren en mayor medida que los no participantes. De igual manera, en el caso
de Matemática, las escuelas tratadas mejoraron su situación con respecto a las escuelas no
tratadas, en 0.56 desviaciones estándar. Incluso viendo una tendencia a la baja en ambos
grupos, las escuelas públicas redujeron en menor medida su promedio, lo que en términos
marginales mejoró su situación con respecto al periodo inicial, llegando a superar a los
colegios privados en promedio, durante el periodo 2014-2016.

Análisis incondicional de diferencias en diferencias

(puntaje de la ECE en desviaciones estándar)
2008-2013 2014-2016 Diferencias
(1) (2) (3)=(2)-(1)
Resultados en Comprensión Lectora
IIEE Públicos 7.23 8.72 1.49
(0.00) (0.01) (0.01)
IIEE Privados 8.27 9.39 1.12
(0.00) (0.01) (0.01)
Diferencia -1.04 -0.67 0.37
(0.01) (0.01) (0.01)
Resultados en Matemáticas
IIEE públicos 6.48 6.32 -0.16
(0.00) (0.01) (0.01)
IIEE Privados 6.95 6.24 -0.71
(0.00) (0.01) (0.01)
Diferencia -0.48 0.08 0.56
(0.01) (0.01) (0.01)

76