La demanda de los servicios educativos que ofrecen las instituciones de educación superior es una medida de calidad. Determinar los factores y la magnitud de sus efectos sobre los alumnos egresados del bachillerato al elegir una carrera y dónde cursarla es una herramienta útil en el proceso de gestión de la calidad para este tipo de instituciones. El objetivo de este trabajo es identificar y cuantificar los efectos de los factores que impactan en la selección de la carrera universitaria y de la universidad. Para lograr dicho objetivo se construye un modelo predictivo lineal de segundo orden, con el factor elección de carrera como variable endógena y los factores: prestigio de la institución, economía, ubicación de la institución, servicios, infraestructura y factores emocionales como variables exógenas. El modelo se estima con una muestra de 237 alumnos que se analiza mediante el método de modelos de ecuaciones estructurales con el enfoque de mínimos cuadrados parciales. Los valores estimados de los seis parámetros considerados en el modelo lineal son estadísticamente significativos. Cinco de estos valores, que tienen mayor efecto sobre la variable endógena, no presentan diferencia significativa entre sí. El menor valor con diferencia significativa respecto al resto corresponde al de la variable exógena ubicación.
Palabras clave: elección de carrera universitaria, calidad de la educación superior, modelos de ecuaciones estructurales con mínimos cuadrados parciales, deserción escolar, México.
A demanda por serviços educacionais oferecidos por instituições de ensino superior é uma medida de qualidade. Determinar os fatores e a magnitude de seus efeitos sobre os egressos do ensino médio na escolha de uma carreira e onde segui-la é uma ferramenta útil no processo de gestão da qualidade para esse tipo de instituição. O objetivo deste trabalho é identificar e quantificar os efeitos dos fatores que impactam a seleção de universidades e carreiras universitárias. Para atingir esse objetivo, é construído um modelo preditivo linear de segunda ordem, tendo como variável endógena o fator escolha de carreira e os fatores: prestígio da instituição, economia, localização da instituição, serviços, infraestrutura e fatores emocionais como variáveis exógenas. O modelo é estimado com uma amostra de 237 alunos que é analisada usando o método de modelos de equações estruturais com a abordagem de mínimos quadrados parciais. Os valores estimados dos seis parâmetros considerados no modelo linear são estatisticamente significativos. Cinco desses valores, que têm maior efeito sobre a variável endógena, não apresentam diferenças significativas entre si. O valor mais baixo com diferença significativa em relação ao resto corresponde ao da variável exógena localização.
Palavras chave: escolha da carreira universitária, qualidade do ensino superior, modelos de equações estruturais com mínimos quadrados parciais, evasão escolar, México.
Demand for educational services offered by higher education institutions is a key indicator of quality. Determining the factors and the magnitude of their effects on baccalaureate graduates when choosing a career and where to study it is a useful tool in the quality management process for this type of institution. This work aims to identify and quantify how these factors impact the choice of college and university. To achieve this objective, a second-order linear predictive model is developed, with the career choice factor as the endogenous variable and factors such as the institution’s prestige, economy, location, services, infrastructure, and emotional factors as exogenous variables. The model is estimated on a sample of 237 students which is analyzed using the method of structural equation modeling with a partial least squares approach. The expected values of the six parameters considered in the linear model are statistically significant. Five of these values, which have the greatest effect on the endogenous variable, are not significantly dissimilar. The lowest value with a consequential difference from the rest corresponds to that of the exogenous location variable.
Keywords: university career choice, quality of higher education, partial least squares structural equation modeling, school dropout, Mexico.
Mejorar la calidad de las instituciones de educación superior (IES) debe ser considerado como uno de los objetivos de la administración de estas instituciones, dado que el evaluar y mejorar la calidad de sus procesos, productos, organización y mercadotecnia constituye un elemento necesario para incrementar su capacidad de innovación (Sánchez et al., 2020). Las actividades que se desarrollan para lograr dicho objetivo se fortalecen en Europa y Estados Unidos a partir de la década de los años ochenta del siglo pasado (Tiana, 2018), mientras que en la mayoría de los países Latinoamericanos este fenómeno inicia en 1990 (Fernández et al., 2019), situación que se presenta como consecuencia de la necesidad de homogeneizar o estandarizar la calidad de los programas educativos, condición necesaria para la libre movilidad estudiantil y profesional entre los países que establezcan acuerdos para el efecto. Lo anterior da pie a la creación de instituciones u organismos, tanto locales como internacionales, que evalúan la calidad de los sistemas educativos o de alguno de sus subsistemas, y con ello acreditar la estandarización o asignar un nivel en el ranking a los planes o programas de estudio entre los países participantes (Álvarez y Matarranz, 2020).
La evaluación de la calidad de los sistemas educativos obedece a los siguientes objetivos:
Ante la creciente oferta en la matrícula de las IES, para los alumnos egresados del bachillerato se presenta una amplia gama de opciones de acceso a programas de educación superior, por lo que la administración de las IES debe adoptar nuevos modelos gerenciales que les permitan adaptarse a las condiciones de competencia por absorber la mayor cantidad y calidad de matrícula, lo que implica la necesidad de establecer estrategias, políticas y acciones tendientes a identificar y satisfacer las necesidades de los demandantes de este servicio educativo (Sanz-Del Vechio et al., 2018). Con lo que se reafirma la necesidad de que los sistemas educativos de este nivel evalúen su calidad y establezcan estrategias para mejorarla, y con ello garantizar una educación pertinente en la que sus egresados adquieran las habilidades y capacidades para un buen desempeño profesional. Una opción para lograrlo es a través de acreditar la calidad de las IES (Khairuddin et al., 2023; Al-Kassem et al., 2022; Almuiñas et al., 2021; Bernasconi y Rodríguez, 2018; Delahoz et al., 2020; Banos y Fernández, 2021; González et al., 2021).
La calidad de las IES puede acreditarse ante un organismo acreditador en dos maneras: la primera consiste en evaluar la calidad de sus procesos ante una empresa que pertenezca al sistema ISO 9000 o algún otro ente que cumpla con estas funciones; la segunda, acreditar sus programas académicos mediante una evaluación de su desempeño. A nivel nacional, los Comités Interinstitucionales de Evaluación de la Educación Superior (CIEES) y el Consejo de Acreditación de la Educación Superior (COPAES), son los encargados —reconocidos por la Secretaría de Educación Pública (SEP)— de evaluar y acreditar la calidad de los programas de las IES, quienes, para llevar a cabo los procesos de evaluación con fines de acreditación, realizan un análisis de un conjunto de atributos o indicadores relacionados con las instituciones y/o programas académicos.
La evaluación que realizan los organismos pertenecientes al COPAES (el proceso que aquí se describe es similar para los CIESS o cualquier otro organismo acreditador) para efectos de acreditación se realiza a través del análisis de aspectos, que se clasifican en diez categorías a las que se les asigna un total de 49 criterios y, a su vez, a cada uno de ellos se le establece un conjunto de indicadores de naturaleza cualitativa y cuantitativa, con un valor numérico que es tomado como referencia del valor deseado, cantidad que es llamada estándar y se utiliza para comparar el desempeño de la IES a evaluar. Cuando se pretende acreditar un programa educativo de alguna IES ante cualquier organismo acreditador, ya sea los CIEES, COPAES u otro de carácter internacional, como la Accreditation Board for Engineering and Technology (ABET), es necesario que lleve a cabo una autoevaluación, en la que se han de comparar los valores de los parámetros que corresponden a los indicadores de estos programas y contrastarlos con los estándares establecidos por cada órgano acreditador y, en caso de no alcanzar la puntuación necesaria para lograr la acreditación, la IES debe establecer estrategias con el objetivo de superar los valores mínimos establecidos para estos estándares.
En particular, la tasa de deserción (TD) de las IES es considerada por los órganos acreditadores un indicador de la eficiencia o de la calidad de estas instituciones, por lo que reducir el valor de este indicador es una tarea para mejorar su calidad. Una estrategia para lograr esta meta es construir un modelo en el que se establezca la relación causal entre la TD, considerada como variable endógena, y otra(s) variable(s) que fungen como variables exógenas del modelo. De tal forma que este modelo permita a la IES identificar y ponderar el efecto que dichas variables exógenas tienen sobre la variable TD. La variable elección del programa de estudio (E) y la universidad o instituto donde se ha de cursar este programa es un factor que influye en el indicador tasa de deserción de los estudiantes universitarios (Nieves et al., 2008; Bravo et al., 2017; Henao et al., 2018; Smulders, 2018; Castillo et al., 2020; Medina y Gaytán, 2020; Yalvac-Ikde, 2022; Feifei et al., 2023; Portillo, 2023).
Conocer los factores o variables que tienen efecto sobre la variable E es una información que las IES pueden utilizar para minimizar el valor de la TD, y/o considerar dicha información como un elemento de mercadotecnia que le permita tomar las acciones necesarias para incrementar la demanda y seleccionar a los aspirantes que mejor cumplan con el perfil de ingreso. En encuestas aplicadas a más de 100 000 estudiantes graduados de diversas escuelas secundarias de EE. UU. se determinaron siete razones clave que llevan a los alumnos a elegir una IES: “asequibilidad, disponibilidad de un programa deseado, reputación de la universidad, calidad académica, oportunidades de trabajo al graduarse, valor de la educación por el costo, presión social (sensación de pertenencia) y proximidad a casa” (Guijosa, 2018). Los autores Gorjón et al. (2021), Caldera et al. (2021) y Ruiz-Gutiérrez y Santana-Vega (2018) presentan estudios de los motivos, desde el punto de vista de género, que llevan a los egresados del nivel bachillerato a elegir una carrera universitaria, en donde ponen de manifiesto que los estudiantes de género masculino tienden a elegir una carrera que les proporcione estatus social, mientras que las estudiantes de género femenino optan por una carrera afín a sus intereses y gustos personales.
Para las IES, el contar con un modelo con una adecuada capacidad explicativa y predictiva en el que se establezca la relación causal entre la variable E, considerada como la variable endógena, y el conjunto de factores o variables exógenas que definen su valor, es una herramienta útil para mejorar su economía y su mercadotecnia, dado que les permite establecer estrategias para incrementar la demanda de ingreso de los alumnos egresados del bachillerato (León, 2010). En la literatura se observan trabajos de investigación tendientes a la construcción de modelos estadísticos para representar dicha relación causal, mismos que pueden ser de naturaleza descriptiva o inferencial.
En los modelos de naturaleza descriptiva no se cuantifica ni se valida estadísticamente el efecto que cada una de las variables exógenas tiene sobre la variable E, por lo que las decisiones, basándose en la información que se genera con este tipo de modelos, deben tomarse con precaución, dada la ausencia de control estadístico sobre el riesgo de sesgo en las decisiones cuya base sean este tipo de modelos. Uno de los argumentos para construir estos modelos descriptivos es que la naturaleza cualitativa o categórica de las variables consideradas complica su construcción (Hori, 2018; Contreras, 2019; Palacios-Fuentealba et al., 2020). En los modelos de naturaleza inferencial es posible tener control sobre la probabilidad de riesgo de equivocarse en la toma de decisiones; además de evaluar la capacidad explicativa y predictiva del modelo, dichas capacidades determinan la confiabilidad en esos modelos inferenciales. En el cuadro 1 se presentan los factores que influyen o tienen efecto sobre la variable, en trabajos de investigación en los que se consideran los dos tipos de modelos estadísticos.
Disponer de un modelo que cuantifique los efectos que las variables exógenas tienen sobre la variable elección de carrera e institución de educación superior, desde el punto de vista práctico, resulta una herramienta útil para la administración de las IES que tengan como objetivo reducir la tasa de deserción o mejorar su proceso de mercadotecnia para incrementar la demanda de ingreso. El modelo con estas características permite establecer estrategias de asignación óptima de recursos para fortalecer cada una de estas variables exógenas o factores, de acuerdo al efecto o impacto que tengan sobre la variable endógena. Desde el punto de vista teórico, este trabajo contribuye a identificar los factores o variables exógenas que influyen sobre la variable elección de carrera y validar estadísticamente los efectos que estos factores tienen sobre la variable endógena E.
El objetivo en este trabajo de investigación es obtener y validar estadísticamente el modelo de regresión lineal multivariado en el que se establece la relación causal entre el conjunto de factores o motivos extrínsecos que influyen en el alumno, egresado del nivel medio superior, a optar por una carrera universitaria y la institución donde ha de cursarla.
Este modelo se construye con el método establecido en los Modelos de Ecuaciones Estructurales con el Método de Mínimos Cuadrados Parciales (PLS-SEM), y en este trabajo se tiene como objetivo secundario presentar al PLS-SEM como una herramienta útil para modelar relaciones complejas entre los indicadores tangibles o intangibles contemplados en las evaluaciones que aplican los organismos acreditadores y con ello contribuir al mejoramiento de la calidad de las IES, dado que el PLS-SEM es especialmente útil para construir modelos estadísticos con variables medibles y variables no medibles o latentes. Además, con dicho método se estiman, se validan estadísticamente los parámetros y se cuantifica la capacidad explicativa y predictiva, cualidades que lo convierten en una herramienta útil para las IES (Ghasemy et al., 2020).
La metodología de esta investigación es de enfoque cuantitativo, su alcance es correlacional, el diseño es de tipo observacional y es transeccional o transversal de tipo correlacional-causal. Los datos a analizar corresponden a una muestra de 237 alumnos de nuevo ingreso del Instituto Tecnológico del Valle del Yaqui (ITVY) en el periodo 2021-2022.
El modelo de regresión lineal multivariado que se construye considera a la variable E como la variable endógena del modelo y al conjunto de motivaciones extrínsecas: imagen o prestigio de la IES (ImI), infraestructura de la IES (In), servicios que presta la IES (Se), ubicación de la IES (Ub), factores económicos (Ec) y factores emocionales (Em), como las variables exógenas del modelo. Este conjunto de variables no es posible medirlo de manera directa, pues no se puede cuantificarlas a través de algún instrumento de medición, por lo cual son referidas como variables latentes o constructos, y son medidas mediante indicadores, ítems o variables manifiestas, por lo que se requiere contar con un instrumento de medición (IM) para obtener sus valores.
El IM, con el que se recopila la información necesaria para el análisis estadístico en este trabajo se muestra en el cuadro 2, en el que se presenta una lista con la codificación correspondiente para cada uno de los indicadores o ítems de cada variable latente. Para determinar la validez de contenido del IM, dicho instrumento es evaluado por un grupo de cinco experto en el área en cuatro rubros: suficiencia, relevancia, claridad y coherencia; posteriormente estos se analizan y, para determinar el grado de acuerdo entre estos expertos, se utiliza el coeficiente de concordancia W de Kendall como prueba de hipótesis no paramétrica para determinar la homogeneidad entre los expertos para cada uno de estos rubros, los cuales resultan ser diferentes del cero con un nivel de significancia estadística α = 0.05 (Escobar et al., 2008).
La relación causal entre las variables exógenas ImI, In, Se, Ub, Ec y Em con la variable endógena E, está representada con el modelo de regresión lineal multivariado siguiente:
Donde los parámetros β1, β2, β3, β4, β5 y β6 representan los valores de números reales, a estimar y validar estadísticamente con el método de Modelos de Ecuaciones Estructurales con Mínimos Cuadrados Parciales (PLS-SEM, por sus siglas en inglés), para lo cual se utiliza la función plspm, del software de libre acceso RStudio.
Las pruebas de hipótesis realizadas para determinar la significancia estadística para cada parámetro βi (ι=1,2,3,4,5,6) estimados en la ecuación 1, se presentan en la ecuación 2.
Dichas pruebas de hipótesis se desarrollan con un nivel de significancia α = 0.05. La validez de cada una de la hipótesis alternativas es Η1:βi ≠ 0,(ι=1,2,3,4,5,6). El análisis estadístico del modelo representado en la ecuación 1 se realiza considerando a dicho modelo con variables latentes de orden dos, del tipo molar, con el procedimiento de indicadores repetidos del PLS-SEM (Sánchez, 2013).
Con el PLS-SEM, el análisis que se ejecuta para construir y validar el modelo consta de tres etapas: primera etapa, se verifica que el instrumento de medición sea válido; la segunda etapa consiste en estimar y validar los valores de los parámetros del modelo; en la tercera etapa se evalúa la bondad de ajuste del modelo.
En la primera etapa se verifica que el IM es válido, esto es, que cumple con los cuatro criterios: es confiable, tiene validez convergente, validez discriminante y no presenta colinealidad entre los constructos. El cumplimiento de dichos criterios es equivalente a garantizar que el modelo de medida outer es de calidad y cumple con los requerimientos necesarios para pasar a la etapa dos. Dicha verificación se realiza de acuerdo a los siguientes puntos.
Para la segunda etapa, se estiman y validan los valores numéricos de los parámetros correspondiente al modelo lineal representado en la ecuación 1, equivalente a evaluar la calidad del modelo de medida inner o modelo estructural. Una vez estimados los valores de los parámetros β1, β2, β3, β4, β5 y β6 de la ecuación 1, se procede a evaluar las hipótesis nulas correspondientes a la ecuación 2, rechazando estas hipótesis nulas si: se verifica que los intervalos del 95 % de confianza para cada uno de estos parámetros no contienen al cero, es decir, los limites superior o inferior del intervalo de constructo o variable latente tienen ambos un valor positivo o un valor negativo. Dado que los PLS-SEM no requieren asumir distribución de probabilidad alguna sobre las variables consideradas en el modelo, la variabilidad de estos parámetros, necesarios para esta validación, se estima empleando el método de re muestreo o bootstrapping con el procedimiento establecido por default en la función plspm en R-Studio.
Finalmente, en la tercera etapa se evalúa o cuantifica la bondad de ajuste del modelo estructural, en este trabajo se mide la capacidad de explicación y de predicción del modelo a través, respectivamente, de los valores de los indicadores coeficiente de correlación R2 y bondad de ajuste GoF.
El considerar y analizar la presencia de heterogeneidad no observada en los modelos desarrollados con el método PLS-SEM permite determinar la existencia de segmentos o estratos dentro de las variables latentes o las variables del IM, y llevar a cabo el análisis correspondiente para evitar resultados que puedan estar seriamente sesgados y producir una gestión imprecisa (Mukid et al., 2022).
Los valores correspondientes a rho de Dillar-Goldstein (ρ), alfa de Cronbach (α) y del primer y segundo eigenvalor (ϵ1 y ϵ2) observados en el cuadro 3 presentan evidencia suficiente para afirmar el cumplimiento de la confiabilidad del modelo de medida outer o del instrumento de medición, dado que el valor numérico de la carga factorial de cada ítem en el IM excede a 0.70; por otro lado, para cada variable latente se cumple que los valores de ρ exceden el valor crítico igual a 0.70, y que los valores de ϵ1 y ϵ2, respectivamente, son mayores que uno y menores que uno, mientras que los valores numéricos del α de Cronbach para cada variable latente o constructo también excede a 0.70, con excepción del constructo Ub, que no excede el valor crítico 0.70. Los valores del del Valor-Promedio-Extraído (AVE, por sus siglas en inglés) son mayores que 0.50, lo que garantiza que el IM posee validez convergente.
Los valores de las inter correlaciones entre los factores o constructos mostrados en el cuadro 4, son menores que el valor de √AVE correspondiente a cada uno de dichos factores; mientras que en el cuadro 5 se muestran las cargas cruzadas para cada ítem o indicador del instrumento de medida con cada uno de los constructos considerados, donde se observa que las cargas de estos ítems tienen un valor mayor en su correspondiente factor que el resto de los valores de estas cargas en relación con los demás constructos; por otro lado, en el cuadro 6 se muestran los valores numéricos de las proporciones de Heterotrait-Heteromethod/Monotrait-Heteromethod (HTMT), y ninguna de estas magnitudes rebasa el valor crítico 0.90. De acuerdo con los valores observados en el IM para estos tres criterios se determina que el instrumento de medición tiene validez discriminante.
En el cuadro 7, se presentan los valores del Factor de Inflación de la Varianza (VIF, por sus siglas en inglés) para cada una de las variables exógenas considerada en el modelo representado por la ecuación 1, donde se observa que la colinealidad no está presente en la base de datos utilizada para la estimación y validación de este modelo lineal.
Dado que el instrumento de validación es confiable, tiene validez convergente y discriminante y no presenta colinealidad, establecemos que el IM es válido, y se procede a llevar a cabo el análisis del modelo estructural.
Con el método PLS-SEM y mediante la función plspm de R-Studio en el cuadro 8 se muestran los valores estimados de los parámetros β1, β2 ... β6 que corresponden a los coeficientes de regresión de la ecuación 1, o valores path del modelo de ecuaciones estructurales, cuya significancia del 0.05 se pone de evidencia con los Valores Críticos de Rechazo (p-value, por sus siglas en inglés) y de los intervalos del 95 % de confianza para cada uno de estos parámetros, por lo que se establece la significancia estadística de los valores de estos seis parámetros, es decir, se rechaza cada una de las hipótesis nulas representadas en la ecuación 2.
El valor del coeficiente de correlación del modelo R2 es igual a 0.587, por lo que se asume que el modelo tiene una mediana capacidad explicativa. Por otro lado, el valor del índice GoF = √text-decoration-line: overline;AVE*R2 es igual a 0.7313 y se considera que el modelo estimado posee una buena capacidad de predicción.
El resultado que se obtiene al analizar la base de datos utilizada en esta investigación con la función Respuesta Basada en Unidades de Segmentación en SEM-PLS (REBUS, por sus siglas en inglés) sugiere que son dos las categorías o estratos que están presentes en esta base de datos, lo que permite estimar el modelo representado en la ecuación 1 para cada uno de estos estratos. El valor del Índice de Calidad Grupal (GQI, por sus siglas en inglés) que representa la bondad de ajuste conjunta de los modelos estimados para cada categoría es igual a 0.70, lo cual no excede al valor 0.731 que corresponde al indicador de la bondad de ajuste GoF del modelo estimado para la base de datos completa, que es igual a 0.731. Por lo que se afirma que no existe heterogeneidad no observada en la base de datos utilizada para el análisis estadístico realizado en este trabajo.
El modelo de regresión lineal multivariado estimado en el que se relaciona al conjunto de factores o motivos extrínsecos, y que llevan a un alumno egresado del nivel medio superior a optar por una carrera universitaria y la institución donde ha de cursarla, se presenta en la siguiente ecuación:
Donde el factor que aparece multiplicando, respectivamente, a cada una de estas variables exógenas en la ecuación 3, corresponde al efecto que cada variable exógena ejerce sobre la variable endógena E.
El modelo de regresión lineal múltiple, representado por la ecuación 3 posee las siguientes características: dispone del valor numérico estimado del efecto que cada una de las variables latentes, ImI, In, Se, Ub, Ec, Em, tiene sobre la variable E; el valor numérico estimado de cada efecto es significativo; finalmente este modelo de regresión lineal es altamente predictivo y permite a la IES considerarlo como una herramienta confiable en el proceso de gestión para mejorar el nivel de percepción en los alumnos egresados de bachillerato, y con ello incrementar la demanda de ingreso a esta IES por parte de dichos alumnos. Para lo anterior, la IES, de manera natural, debe plantear estrategias que lleven a incrementar los niveles o valores de estas seis variables latentes exógenas (González et al., 2023). Por otro lado, el conocer el nivel del valor E de cada alumno que ingresa a la IES permite que la variable latente E pueda ser considerada como una variable predictora de la variable tasa de deserción (Hori, 2018), y con ello estimar, dado el valor de la variable E, la probabilidad de deserción de los alumnos de nuevo ingreso, información que resulta útil para definir las acciones y políticas necesarias para reducir la posibilidad de que el alumno de nuevo ingreso deserte.
La ausencia de heterogeneidad no observada en las variables consideradas en este IM llevan a establecer que este modelo de regresión lineal multivariado, representado en la ecuación 3, no se ve afectado por ningún estrato o categorización, como por ejemplo: la religión que profesan los estudiantes, lugar de residencia rural o ciudad, género o sexo del estudiante, etcétera, que pudieran sesgar los resultados del análisis. Esta investigación contradice las evidencias presentadas por Pineda (2015), Xu et al. (2023) y Rodríguez-Esteban y Carretero-Serrano (2023), quienes establecen que la elección de carrera está asociada al género del estudiante que pretende ingresar a una IES.
El modelo de regresión lineal multivariado estimado y que representa la relación causal entre la variable E y las variables ImI, In, Se, Ub, Ec y Em, tiene validez estadística para modelar la intención de ingreso por parte de los egresados de bachillerato al ITVY, institución que posee dos características diferentes a la mayoría de las IES, su vocación agropecuaria y su ubicación fuera del casco urbano, por lo que se sugiere determinar si dichas características se constituyen como variables mediadoras entre los factores exógenos y el factor endógeno. Para lo anterior, se recomienda validar dicho modelo en otras IES para efectos de realizar un análisis comparativo en los resultados.
Como producto del análisis de la confiabilidad del IM se obtiene que el valor del alfa de Cronbach para la variable latente Ub no excede al valor crítico requerido, sin embargo, el IM en este trabajo, es calificado como confiable, en virtud de que se satisfacen los siguientes requisitos para así declararlo:
De acuerdo con los resultados que se obtienen en el análisis de los datos en este trabajo, la elección de carrera y la institución superior donde cursar el programa elegido (E), es una variable latente que presenta una relación causal estadísticamente significativa con las seis variables latentes correspondientes a las motivaciones extrínsecas: prestigio de la institución (ImI), infraestructura (In), servicios (Se), ubicación (Ub), costos-económicos (Ec), y otro-emocional (Em).
El modelo representado en la ecuación 3, dada su alta capacidad de predicción, representa una herramienta adecuada para cuantificar el nivel de decisión en la elección de carrera de una IES, además de conocer las causas y sus efectos de esta decisión. Información que resulta útil para aquellas IES que pretenden realizar gestiones de planeación estratégica para mejorar la demanda de ingreso y disminuir la tasa de deserción.
En la literatura revisada no se encontraron modelos explicativos ni predictivos en los que se muestre la relación causal de estos seis factores extrínsecos que llevan a los alumnos egresados de preparatoria a elegir su carrera y una IES en donde cursarla, en los que se cuantifique el efecto que tiene cada una de estas variables latentes sobre la variable E. Se sugiere validar los resultados de este trabajo en otras instituciones, con el fin de fortalecer la teoría cuantitativa sobre los factores y sus efectos, que influyen sobre la variable E.
Este trabajo presenta la evidencia de que el PLS-SEM es un método adecuado para construir modelos complejos, útil para explicar y predecir la relación causal entre las variables mencionadas en el párrafo anterior, por lo que se propone utilizar el PLS-SEM para construir los modelos correspondientes para los indicadores de la calidad de la educación con sus respectivos factores, a fin de establecer: primero, cuáles son los factores significativos relacionados con cada uno de estos indicadores, y segundo, cuantificar el valor del efecto de cada una de estas relaciones sobre el indicador.
*Rafael García-Martínez
Mexicano. Doctor en Ciencias en Ingeniería Industrial, Instituto Tecnológico de Ciudad Juárez, México. Profesor de Tiempo Completo, Tecnológico Nacional de México/ I T de Hermosillo, México. Temas de investigación: calidad en la educación universitaria, innovación, modelación estadística. ORCID: https://orcid.org/0000-0001-7175-5361. rafael.garciam@hermosillo.tecnm.mx Regresar
**Salvador A. Noriega-Morales
Mexicano. Doctor en Ciencias en Ingeniería Industrial, Instituto Tecnológico de Ciudad Juárez, México. Profesor -Investigador, Universidad Autónoma de Ciudad Juárez, México. Temas de investigación: estrategias de manufactura y tecnológica. ORCID: https://orcid.org/0000-0001-7813-5835. snoriega@uacj.mx Regresar
***Eduardo-Rafael Poblano-Ojinaga
Mexicano. Doctor en Tecnología, Universidad Autónoma de Ciudad Juárez, México. Profesor de Tiempo Completo, Tecnológico Nacional de México/ I T Ciudad Juárez, México. Temas de investigación: inteligencia competitiva, gestión del conocimiento, modelado de ecuaciones estructurales, seis sigma. ORCID: https://orcid.org/0000-0003-3482-7252. eduardopo@cdjuarez.tecnm.mx Regresar
Adha, Maulana Amirul, Agus Wibowo, Roni Faslah, Nova Syafira Ariyanti y Annisa Lutfia (2022), “Students' ideal career in the 4.0 Industrial”, Journal of Eastern European and Central Asian Research (JEECAR), vol. 9, núm. 4, pp. 651-664, DOI: http://dx.doi.org/10.15549/jeecar.v9i4.928.
Aldás, Joaqín y Ezequiel Uriel (2017), Análisis Multivariante Aplicado con R, Madrid, Editorial Alfacentauro.
Al-Kassem, Amer Hani, Benjamin B. Aguenza y Zainab Esmaeel Alghurabli (2022), “Accreditation of Academic Programs: Implications on Quality Governance and Administration of Taguig City University”, Journal of Positive School Psychology, pp. 3908-3923, <https://research.skylineuniversity.ac.ae/id/eprint/229/1/101.pdf> [Consulta: mayo de 2023].
Almuiñas, José Luis y Judith Galarza López (2021), “Acreditación universitaria y evaluación institucional: un estudio comparado desde la Red de Dirección Estratégica en la Educación Superior”, Revista San Gregorio, vol. 1, núm. 45, pp. 130-145, <http://scielo.senescyt.gob.ec/scielo.php?pid=S2528-79072021000100130&script=sci_arttext> [Consulta: febrero de 2023].
Álvarez, López Gabriel y María Matarranz (2020), “Calidad y evaluación como tendencias globales en política educativa: estudio comparado de agencias nacionales de evaluación en educación obligatoria en Europa”, Revista complutense de educación, vol. 31, núm. 1, pp. 85-95, DOI: http://dx.doi.org/10.5209/rced.61865.
Baños Martínez, Marco Antonio y Esther Michelena Fernández (2021), “El proceso de acreditación de carreras”, Revista Cubana de Educación Superior, vol. 40, núm. 1, <http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0257-43142021000100012&lng=es&tlng=es> [Consulta: enero de 2023]
Bernasconi, Andrés y Emilio Rodríguez (2018), “Importancia de la gestión institucional en los procesos de acreditación universitaria en Chile”, Opción: Revista de Ciencias Humanas y Sociales, núm. 86, pp. 20-48, <https://dialnet.unirioja.es/servlet/articulo?codigo=7338167> [Consulta: enero de 2023].
Bravo, Fabian, Lourdes Illescas, Silvana Larriva y Mario Peña (2017), “Causas de Deserción en el Ingreso a la Universidad: un Estudio de Caso”, Revista de la Facultad de Ciencias Químicas, núm. 18, pp. 48-59, <https://scholar.google.com.mx/scholar?hl=en&as_sdt=0%2C5&q=Causas+de+Deserci%C3%B3n+en+el+Ingreso+a+la+Universidad%3B+un++Estudio+de+Caso+&btnG=> [Consulta: febrero de 2023].
Caldera Montes, Juán Francisco, Ignacio Pérez Pulido y Gizelle Guadalupe Macías (2021), “Motivos de elección de carreras universitarias por parte de estudiantes de bachillerato en México. Un estudio comparativo desde una perspectiva de género”, Brazilian Journal of Education, Technology and Society (BRAJETS), pp. 87-98, DOI: http://dx.doi.org/10.14571/brajets.v14.se1.2021.87-98.
Castillo Sánchez, Mario, Ronny Gamboa Araya y Randall Hidalgo Mora (2020), “Factores que influyen en la deserción y reprobación de estudiantes de un curso universitario de matemáticas”, Uniciencia, vol. 34, núm. 1, pp. 210-245, DOI: http://dx.doi.org/10.15359/ru.34-1.13.
Cheisviyanny, Charoline, Sany Dwita, Dovi Septiari y Nayang Helmayunita (2022), “Career choice factors of Indonesian accounting students”, Revista Contabilidade & Finanças, vol. 33, núm. 90, e1475, DOI: https://doi.org/10.1590/1808-057x20221475.en.
Contreras Moreno, Blanca Patricia (2019), “El papel de la mercadotecnia y la comunicación corporativa dentro de la gestión de Instituciones de Educación Superior: Perspectiva de Análisis”, Daena: International Journal of Good Conscience, vol. 14, núm. 2, pp. 36-52, <http://www.spentamexico.org/v14-n2/A3.14(2)36-52.pdf> [Consulta: enero de 2023].
Corredor Gómez, Nora Astrid (2019), “Factores de la calidad educativa desde una perspectiva multidimensional: Análisis en siete regiones de Colombia”, Plumilla educativa, vol. 23, núm. 1, pp. 121-139, DOI: https://doi.org/10.30554/plumillaedu.1.3350.2019.
Delahoz Dominguez, Enrique, Sergio Guillen Ibarra y Tomás Fontalvo Herrera (2020), “Análisis de la acreditación de calidad en programas de ingeniería industrial y los resultados en las pruebas nacionales estandarizadas, en Colombia”, Formación universitaria, vol. 13, núm. 1, pp. 127-134, DOI: http://dx.doi.org/10.4067/S0718-50062020000100127.
Durán Sanhueza, Francisca (2018), “La Evaluación de la calidad educativa en Chile: instrumentos de control y rendición de cuentas”, Revista Educación, Política y Sociedad, vol. 3, núm. 1, pp. 85-99, DOI: https://doi.org/10.15366/reps2018.3.1.005.
Elumalai, Kesavan Vadakalu, Jayendira P. Sankar, Kalaichelvi R., Jeena Ann John, Nidhi Menon, Mufleh Salem M Alqahtani y May Abdulaziz Abumelha (2021), Factors affecting the quality of e-learning during the COVID-19 pandemic from the perspective of higher education students, California, Editorial Informing Science Press, DOI: https://doi.org/10.28945/4628.
Escobar Pérez, Jazmine y Ángela Cuervo Martínez (2008), “Validez de contenido y juicio de expertos: una aproximación a su utilización”, Avances en medición, vol. 6, núm. 1, pp. 27-36, <https://www.researchgate.net/publication/302438451_Validez_de_contenido_y_juicio_de_expertos_Una_aproximacion_a_su_utilizacion> [Consulta: mayo de 2023].
Feifei, Mao, Xu Jiawei y Yi Ming (2023), “A study on the Correlation between Professional Satisfaction and Career Choice Tendency of Police College Students”, Advances in Vocational and Technical Education, vol. 5, núm. 3, pp. 53-60 DOI: http://dx.doi.org/10.23977/avte.2023.050309.
Fernández, Alonso Rubén y José Muñiz (2019), “Calidad de los sistemas educativos: Modelos de evaluación”, Propósitos y Representaciones, vol. 7, núm. spe, p. e347-347, DOI: http://dx.doi.org/10.20511/pyr2019.v7nSPE.347.
García Alcaraz, Jorge y Carmina Sara Moreno Morales (2012), “Factores considerados al seleccionar una universidad: caso Ciudad Juárez”, Revista mexicana de investigación educativa, vol. 17, núm. 52, pp. 287-305, <https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-66662012000100012> [Consulta: enero de 2023].
Ghasemy, Majid, Viraiyan Teeroovengadum, Jan-Michelle Becker y Cristian M. Ringle (2020), “This fast car can move faster: A review of PLS-SEM application in higher education research”, Higher education, vol. 80, núm. 6, pp. 1121-1152, DOI: https://doi.org/10.1007/s10734-020-00534-1.
Grace, Anthony, Ishmael Mensah y Eunice Fay Amissah (2023), “Factors Influencing Undergraduate Hospitality Student’s Intentions to Choose Careers in the Hospitality Industry”, Journal of Hospitlity & Tourism education, vol. 35, núm. 4, pp. 317-332, DOI: http://dx.doi.org/10.80/10963758.2021.1963754.
González Campos, Carlos, Guillermo Murillo Vargas y Mónica García Solarte (2021), “Efecto de la acreditación institucional de alta calidad sobre la gestión del conocimiento”, Formación universitaria, vol. 14, núm. 2, pp. 155-164, DOI: http://dx.doi.org/10.4067/S0718-50062021000200155.
González Sanzana, Álvaro, Constanza Lobos Guerrero y Katherine Acosta García (2023), “Motivaciones y percepciones que inciden en la elección de la carrera pedagógica en estudiantes chilenos”, Revista complutense de educación, pp. 253-263, DOI: https://dx.doi.org/10.5209/rced.77342.
Gorjón, Lucía, Kristina Kallage y David Martínez de Lafuente (2021), “La elección de carrera universitaria y su impacto en las brechas de género en el mercado laboral”, Brazilian Journal of Education, Technology and Society (BRAJETS), pp. 270-295, <https://scholar.google.com.mx/scholar?hl=en&as_sdt=0%2C5&q=La+elecci%C3%B3n+de+carrera+universitaria+y+su+impacto+en+las+brechas+de+g%C3%A9nero+en+el+mercado+laboral&btnG=> [Consulta: febrero de 2023].
Guijosa, Christian (2018), “¿Qué motiva a los estudiantes a elegir su universidad?”, Edu News RSS, The National Research Center for College and University Admissions (NRCCUA), <https://observatorio.tec.mx/edu-news/que-motiva-a-estudiantes-a-elegir-universidad> [Consulta: enero de 2023].
Hair, Joseph Franklin y Abdullah Alamer (2022), “Partial Least Squares Structural Equation Modeling (PLS-SEM) in second language and education research: Guidelines using an applied example”, Research methods in Applied Linguistics, vol. 1, núm. 3,100027, DOI: https://doi.org/10.1016/j.rmal.2022.100027.
Hair, Joseph Franklin, Jeff Risher, Marko Sarstedt y Christian M. Ringle (2019), “When to use and how to report the results of PLS-SEM”, European business review, vol. 31, núm. 1, pp. 2-24, DOI: https://doi.org/10.1108/EBR-11-2018-0203.
Henao Salazar, José Ignacio y David Londoño Vázquez (2018), “Deserción, literacidad y elección de carrera: una revisión desde la mirada de los estudiantes y los profesores de la Facultad de Ciencias Empresariales de la IUE”, Aglala, vol. 9, núm. 1, pp. 232-262, DOI: https://doi.org/ 10.22519/22157360.1189.
Hidayah, Ainia y Syahrani Syahrani (2022), “Internal Quality Assurance System Of Education In Financing Standards and Assessment Standards”, Indonesian Journal of Education (INJOE), vol. 3, núm. 2, pp. 291-300, DOI: http://dx.doi.org/10.54443/injoe.v3i2.35.
Hori, Gen (2018), “Identifying factors contributing to university dropout with sparse logistic regression”, ponencia presentada en 7th International Congress on Advanced Applied Informatics (IIAI-AAI), pp. 430-433, DOI: https://doi.org/10.1109/IIAI-AAI.2018.00091.
Hota, Pritidhara, Bhagirathi Nayak y Pratima Sarangi (2020), “Integration of total quality management principles to enhance quality education in management institutions of odisha”, Materials Today: Proceedings, pp. 1-11, DOI: https://doi.org/10.1016/j.matpr.2020.10.129.
Irmayani, Herni, Dessy Wardiah y Muhammad Kristiawan (2018), “The strategy of SD Pusri in improving educational quality”, International Journal of Scientific & Technology Research, vol. 7, núm. 7, pp. 113-121, <https://www.ijstr.org/final-print/july2018/The-Strategy-Of-Sd-Pusri-In-Improving-Educational-Quality.pdf> [Consulta: febrero de 2023].
Khairuddin, Khairuddin y Yusuf Hadijaya (2023), “Institutional Quality Management Based on Strengthening Accreditation of Study Programs at Islamic State University of North Sumatera”, Edumaspul: Jurnal Pendidikan, vol. 7, núm. 1, pp. 1054-1067, <https://paperity.org/search/?as_c=Institutional+Quality+Management+Based+on+Strengthening+Accreditation+of+Study+Programs+at+Islamic+State+University+of+North+Sumatera&as_jpid=%22314868%22> [Consulta: agosto de 2023].
King-Domínguez, Andrea, Xavier Llinas-Audet y Luis Améstica-Rivas (2018), “Rankings universitarios como medida de calidad: análisis comparado en Latinomérica”, Revista venezolana de gerencia, vol. 23, núm. 1, pp. 218-237, <https://www.redalyc.org/articulo.oa?id=29062781013> [Consulta: marzo de 2023].
León Núñez, Miguel Luis (2010), “Factores que condicionan la elección de una carrera universitaria por parte de los alumnos de último año de secundaria en Chile”, tesis para obtener el doctorado en Marketing, Operaciones y Finanzas, España, Universitat Ramon Llull, pp. 1-229, <https://www.tdx.cat/handle/10803/9183#page=1> [Consulta: marzo de 2023].
López Dórame, Diego y Adriana Hernández Arias (2018), “Influencia familiar y personas significativas en la elección de carrera universitaria”, Revista Electrónica de Psicología Iztacala, vol. 21, núm. 3, pp. 923-940, <https://www.revistas.unam.mx/index.php/repi/article/view/67306> [Consulta: febrero de 2023].
Lozano Santiago, Sara (2007), “Validación de un modelo de medida de las dificultades en los procesos de toma de decisiones sobre la carrera profesional”, Revista de educación, núm. 343, pp. 325-351, <https://www.academia.edu/105998340/Validaci%C3%B3n_de_un_modelo_de_medida_de_las_dificultades_en_los_procesos_de_toma_de_decisiones_sobre_la_carrera_profesional> [Consulta: marzo de 2023].
Lozano Medina, Ricardo Antonio y Daniela Silva Bustos (2014), “Criterios de los Estudiantes que determinan la elección de una carrera universitaria en el área de negocios. Un estudio descriptivo: Caso Chile”, ponencia presentada en la XIX Conferencia Internacional de Contaduría, Administración e Informática, pp. 1-11, Ciudad de México, UNAM, <https://investigacion.fca.unam.mx/docs/memorias/2014/8.04.pdf> [Consulta: enero de 2023].
Medina Soto, María Deniza y Claudia Celina Gaytán Díaz (2020), “Aspectos que inciden en la deserción universitaria, un análisis crítico”, Revista educarn@s, pp. 105-122, <https://revistaeducarnos.com/wp-content/uploads/2020/10/articulo-maria-deniza.pdf> [Consulta: abril de 2023].
Montazeri, Z., R. Aghamoosa, A. Naami y A. Fatemi (2021), “Design and validation of quality improvement model of education and job creation (case study at Tehran's technical and vocational institutes)”, Technology of Education Journal (TEJ), vol. 15, núm. 4, pp. 707-721, DOI: https://doi.org/10.22061/tej.2021.7180.2506.
Montesano, Jean Carlos y Estefanía Zambrano (2013), “Factores que influyen en la elección de una carrera universitaria en la Universidad Católica Andrés Bello”, tesis Escuela de Economía, Venezuela, Facultad de Ciencias Económicas y Sociales, Universidad Andrés Bello, <http://biblioteca2.ucab.edu.ve/anexos/biblioteca/marc/texto/AAS6028.pdf> [Consulta: mayo de 2023].
Morales Requenes, Casta Amada y Daniel Rueda Araya (2019), “Aproximaciones teóricas a la calidad de la docencia universitaria”, Revista Cubana de Educación Superior, vol. 38, núm. 2, <http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0257-43142019000200002> [Consulta: febrero de 2023].
Mukid Abdul, Moch, Bambang Widjanarko Otok y Agus Suharsono (2022), “Segmentation in Structural Equation Modeling Using a Combination of Partial Least Squares and Modified Fuzzy Clustering”, Symmetry, vol. 14, núm. 11, p. 2431, DOI: https://doi.org/10.3390/sym1411243.
Nguyen, Thi Ngan y Khoi Bui Huy (2021), “Using PLS-SEM algorithm for Choice of University in Vietnam”, Journal of Physics: Conference Series, vol. 1933, núm. 1, p. 012066, IOP Publishing, <https://iopscience.iop.org/article/10.1088/1742-6596/1933/1/012066/pdf> [Consulta: octubre de 2022].
Nieves Clavijo, María Elena y Luz Jenny Castro Vivas (2008), “Factores de deserción estudiantil en el programa de contaduría pública de la Universidad libre sede principal en el período comprendido entre el semestre I de 2004 al II de 2007”, Facultad de Ciencias Económicas, Admistrativas y Contables, Colombia: Universidad libre, pp. 1-97, <https://repository.unilibre.edu.co/handle/10901/10870> [Consulta: marzo de 2023].
O’Connell, Judith (2013), “Education Quality Improvement Partnership Programme: A whole school development framework”, The search for quality education in post-apartheid South Africa: Interventions to improve learning and teaching, pp. 121-146, <https://www.researchgate.net/profile/Anil-Kanjee/publication/281490556_The_search_for_quality_education_in_post-apartheid_South_Africa/links/55eaae1908ae21d099c459d8/The-search-for-quality-education-in-post-apartheid-South-Africa.pdf#page=139> [Consulta: febrero de 2023].
Organización para la Cooperación y el Desarrollo Económico (OCDE) (2005), Marcos teóricos de PISA 2003: Conocimientos y destrezas en Matemáticas, Lectura, Ciencias y Solución de problemas, Instituto Nacional de Evaluación y Calidad del Sistema Educativo, Madrid, DOI: https://doi.org/10.1787/9789264065963-es.
Öncü, Seisen (2024), “What affects the career choice of medical students?”, Research Square, pp. 1-16, DOI: https://doi.org/10.21203/rs.3.rs-3882568/v1.
Padhy, Budhinath, Emo Kenneth, Gemechis Djira y Amit Deokar (2015), “Analyzing Factors Influencing Teaching as a Career Choice Using Structural Equation Modeling”, Sage Open, vol. 5, núm. 1, DOI: https://doi.org/10.1177/2158244015570393.
Palacios-Fuentealba, Eduardo, Sergio Araya-Guzman, y Cristian Salazar-Concha (2020), “Modelamiento de Ecuaciones Estructurales Aplicado al Ámbito de la Gestión del Conocimiento y el Rendimiento Organizativo en Instituciones de Educación de Fuerzas Armadas”, Proceedings of the 36th International Business Information, pp. 6879-6881, <https://scholar.google.es/scholar?hl=es&as_sdt=0%2C5&q=Modelamiento+de+Ecuaciones+Estructurales+Aplicado+al+%C3%81mbito+de+la+Gesti%C3%B3n+del+Conocimiento+y+el+Rendimiento+Organizativo+en+Instituciones+de+Educaci%C3%B3n+de+Fuerzas+Armadas&btnG=> [Consulta: enero de 2023].
Pineda Barón, Luz Adriana (2015), “Factores que afectan la elección de carrera: caso Bogotá”, núm. 14295, Vniversitas Económica, núm. 14295, Universidad Javeriana, Bogotá, <https://econpapers.repec.org/paper/col000416/014295.htm> [Consulta: febrero de 2023].
Portillo Vera, Eliser (2023), “Factores asociados a la deserción universitaria en la Licenciatura en Administración de Empresas y Contaduría Pública, en el Paraguay”, LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, vol. 4, núm. 1, pp. 1312-1319, DOI: https://doi.org/10.56712/latam.v4i1.340.
Pramono Suwito, Eko, Heri Yanto y Inaya Sari Melati (2021), “Quality Improvement Model of History Education at University”, Pegem Journal of Education and Instruction, vol. 11, núm. 4, pp. 320-328, DOI: https://doi.org/10.47750/pegegog.11.04.31.
Rodríguez Muñiz, Luis, Débora Areces, Marisol Cueli, Javier Suárez-Álvarez y José Muñiz (2019), “¿ Qué motivos tienen los estudiantes de Bachillerato para elegir una carrera universitaria”, Revista de Psicología y Educación, vol. 14, núm. 1, pp. 1-15,DOI: https://doi.org/10.23923/rpye2019.01.167.
Rodríguez-Esteban, Agustín e Isabel Carretero-Serrano (2023), "Expectativas y motivaciones en la elección de estudios universitarios desde una perspectiva de género", Revista de Investigación en Educación, vol. 21, núm. 2, pp. 139-115, DOI: https://doi.org/10.35869/reined.v21i2.4596
Rolo, Ana, Rui Alves, Margarita Saraiva y Leandro Gracieth (2023), “The SERVQUAL instrument to measure service quality in higher education–A case study”, SHS Web of Conferences, vol. 160, EDP Sciences, pp. 1-12, DOI: https://doi.org/10.1051/shsconf/202316001011.
Ruiz-Gutiérrez, Jairo M. y Lidia E. Santana-Vega (2018), “Elección de carrera y género”, Revista Electrónica de Investigación y Docencia (REID), núm. 19, DOI: https://doi.org/10.17561/reid.v0i19.3470.
Said-Hung, Elías, Gloria Gratacós y Jorge Valencia Cobos (2017), “Factores que influyen en la elección de las carreras de pedagogía en Colombia”, Educação e Pesquisa, vol. 43, pp. 31-48, DOI: https://doi.org/10.1590/S1517-9702201701160978.
Sallis, Edward (2014), Total quality management in education, Routledge, Taylor & Francis e-Library, pp. 1-163, <https://herearmenia.wordpress.com/wp-content/uploads/2011/09/ebooksclub-org__total_quality_management_in_education.pdf> [Consulta: febrero de 2023].
Sánchez, Gastón (2013), PLS Path Modeling Whit R, Berkeley, Trowchez Editions, <https://www.gastonsanchez.com/PLS_Path_Modeling_with_R.pdf> [Consulta: junio de 2022].
Sánchez Muñis, Juán Carlos y Eleticia Isabel Pinargote Macías (2020), “Modelos de gestión de la calidad para organizaciones educativas”, Revista Científica Multidisciplinaria Arbitrada Yachasun, vol. 4, núm. 7, pp. 177-191, DOI: https://doi.org/10.46296/yc.v4i7.0041.
Sanz-Del Vechio, Daniel, Jesús García-Guiliany, Ronald Prieto-Pulido y Héctor Medina-Carrascal (2018), “Plan de marketing educativa en universidades privadas; Marketing y Competitividad en las Organizaciones”, Ediciones Universidad Simón Bolívar, pp. 197-225, <https://bonga.unisimon.edu.co/server/api/core/bitstreams/a4fc027b-677a-4f30-96d2-adc20afbec15/content> [Consulta: marzo de 2023].
Sarstedt, Marko, Christian M. Ringle y Joseph Franklin Hair (2021),“Partial least squares structural equation Modeling”, Handbook of market research, Cham, Springer Nature, pp. 587-632, DOI: https://doi.org/10.1007/978-3-319-05542-8_15-2#DOI.
Sarstedt, Marko, Lăcrămioara Radomir, Ovidiu Ioan Moisescu y Christian M. Ringle (2022), “Latent class analysis in PLS-SEM: A review and recommendations for future applications”, Journal of Business Research, vol. 138, pp. 398-407, DOI: https://doi.org/10.1016/j.jbusres.2021.08.051.
Smulders Chaparo, Marta Elena (2018), “Factores que influyen en la deserción de los Estudiantes Universitarios”, Academo Revista de Investigación en Ciencias Sociales y Humanidades, pp. 129-130, DOI: http://dx.doi.org/10.30545/academo.2018.jul-dic.5.
Tiana Ferrer, Alejandro (2018) “Treinta años de evaluación de centros educativos en España”, Educación XX1, Revista de la Facultad de Educación, vol. 21, núm. 2, pp. 17-36, DOI: https://doi.org/10.5944/educxx1.21419.
Tsinidou, Maria, Vassilis Gerogiannis y Panos Fitsilis (2010), “Evaluation of the factors that determine quality in higher education: an empirical study”, Quality assurance in Education, pp. 227-244, DOI: https://doi.org/10.1108/09684881011058669.
Wijayanti, W., Hidayanto A. N., Wilantika N., Adawati I. R. y Yudhoatmojo S. B. (2018), “Data quality assessment on higher education: A case study of institute of statistics”, 2018 International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), pp. 231-236, DOI: https://doi.org/10.1109/ISRITI.2018.8864476.
Wong, Siew Chin, Jia Ying Lim, Chui Seong Lim y Kay Tze Hong (2019), “An empirical study on career choices among undergraduates: A PLS-SEM hierarchical component model (HCM) approach”, International Journal of Human Resource Studies, vol. 9, núm. 2, pp. 276-298, DOI: https://doi.org/10.5296/ijhrs.v9i2.14841.
Xu, Chang, Ruiqui Duan, Cristina Miralles-Cardona, Xinxin Huo y Junwei Xu (2023), “An Analysis of Factors Influencing Chinese University Students’ Major Choice from the Perspective of Gender Differences”, Sustainability, vol. 15, núm. 18, 14037, DOI: https://doi.org/10.3390/su151814037.
Yalvac-Ikde, Hatice (2022), “Dropout prevention programme: the effect of the Loopbaanklas on finding a matching career path by helping Graafschap College students switch educational programmes”, Master´s thesis, University of Twente, pp. 1-54, <https://essay.utwente.nl/93218/1/Yalvac-Ikde_MA_Behavioural%20Management%20and%20Social%20Sciences.pdf> [Consulta: marzo de 2023].
Zulfikarijah, Fien y Achmad Mohyi (2022), “Career Choice of the Students, What Is Important?”, Journal of Career and Entrepreneurship, vol. 1, núm. 2, pp. 44-58, DOI: https://doi.org/10.22219/jce.v1i2.22605.
García-Martínez, Rafael, Salvador A. Noriega-Morales y Eduardo-Rafael Poblano-Ojinaga (2025), “Efecto de la elección de carrera en la calidad en instituciones de educación superior”, Revista Iberoamericana de Educación Superior (RIES), vol. XVI, núm. 45, DOI:https://doi.org/10.22201/iisue.20072872e.2025.45.1978 [consulta: fecha de última consulta].