INFORME 2023 MERITOCRACIA Y EDUCACIÓN
España muestra unos niveles relativamente moderados de DOp, donde aproximadamente el 26% de la desigualdad en matemáticas se atribuye al impacto de las circunstancias. Esto coloca a España en una posición intermedia en el ranking (puesto 17 de 35), junto a países como Singapur, Portugal y Estados Unidos. Entre los países con mayores niveles de des- igualdad de oportunidades se encuentran los Emiratos Árabes Unidos (41%), Luxemburgo (40%), Israel (40%) y Perú (38%). Por otro lado, destacan como los países/economías regio- nales más igualitarias Macao (9%), Hong Kong (12%), México (16%) y Corea del Sur (17%). Estos resultados indican una heterogeneidad significativa en cuanto a la equidad de los sistemas educativos analizados, ya que en los países peor situados las circunstancias tienen más del doble de peso en la desigual- dad. En conjunto, se apunta hacia unos niveles limitados (aunque mejorables) de la inequi- dad en España. Desde una perspectiva euro- pea, España muestra una mayor igualdad de oportunidades educativas en comparación con otros países vecinos como Francia, Alemania o Bélgica. Regresión vs ML: ¿Cómo varían las estimaciones de la desigual- dad de oportunidades? Una pregunta natural es si nuestra aproxima- ción produce resultados diferentes frente al enfoque tradicional. Por lo general, los algorit- mos de ML son menos interpretables y compu- tacionalmente más exigentes que las técnicas de regresión. Dado que el uso de ML impone estos costes adicionales, consideramos útil comparar los resultados obtenidos mediante ambas aproximaciones para evaluar las ven- tajas del ML no sólo desde un punto de vista conceptual, sino también desde una perspecti- va empírica.
La FIGURA 9 compara las estimaciones obte- nidas por el algoritmo más preciso de ML con la regresión (OLS). La diagonal negra represen- ta la línea de 45 grados, donde todos los pun- tos deberían estar si ambos métodos produje- ran las mismas estimaciones. Los resultados indican que las técnicas de ML proporcionan estimaciones más altas de la DOp en 25 de los 35 países analizados. Solo en 9 países se ob- tiene una menor estimación de la desigualdad de oportunidades tras utilizar el mejor algorit- mo de predicción. En conjunto, estos resulta- dos sugieren que el enfoque tradicional suele infraestimar la DOp en la mayoría de los casos, aunque también puede hacer lo contrario. En promedio, la discrepancia entre OLS y el mejor algoritmo es relativamente modesta, alrededor de 2,5 puntos. Sin embargo, existen diferencias importantes entre países. Por ejemplo, el indi- cador de DOp aumenta 9,9 puntos en Emiratos Árabes Unidos y 8 puntos en Israel. Estos cam- bios representan un cambio significativo de la desigualdad de oportunidades e indican que las técnicas de regresión pueden infraestimar sustancialmente el impacto de las circunstan- cias en contextos educativos específicos. En el caso de España, el uso de ML apenas altera los niveles de DOp, ya que la discrepancia observa- da entre Boosting y OLS es de tan solo 1 punto.
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
41
Made with FlippingBook - Online Brochure Maker