“Educación en México”
La educación siempre ha sido importante para el desarrollo, pero ha adquirido mayor relevancia en el mundo de hoy que vive profundas transformaciones, motivadas en parte por el vertiginoso avance de la ciencia y sus aplicaciones, así como por el no menos acelerado desarrollo de los medios y las tecnologías de la información. En México, más 4 millones de niños, niñas y adolescentes no asisten a la escuela, mientras que 600 mil más están en riesgo de dejarla por diversos factores como la falta de recursos, la lejanía de las escuelas y la violencia. Además, los niños y niñas que sí van a la escuela tienen un aprovechamiento bajo de los contenidos impartidos en la educación básica obligatoria.
Deserción escolar por COVID-19
La pandemia del COVID-19 (coronavirus) representa una amenaza para el avance de la educación en todo el mundo debido a que produce dos impactos significativos:
El cierre de los centros escolares en casi todo el mundo.
La recesión económica que se produce a partir de las medidas tendientes a controlar la pandemia.
Si no se realizan esfuerzos importantes para contrarrestar sus efectos, el cierre de escuelas provocará una pérdida de aprendizajes, un aumento en la deserción escolar (también conocida como abandono escolar) y una mayor inequidad. La crisis económica que afecta a los hogares, agravará el daño, pues vendrá acompañada de menor oferta y demanda educativa. Estos dos impactos tendrán, en conjunto, un costo a largo plazo sobre el capital humano y el bienestar.
Fuente: http://pubdocs.worldbank.org/en/143771590756983343/Covid-19-Education-Summary-esp.pdf
Acerca de este documento
Datos obtenidos de: https://inegi.org.mx/temas/educacion/
Importación de datos
setwd("~/estadistica")
library(readxl)
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.3 v purrr 0.3.4
## v tibble 3.0.5 v dplyr 1.0.4
## v tidyr 1.1.2 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(prettydoc)
library(readr)
library(DT)
library(pacman)
p_load("base64enc","htmltools","mime","xfun","prettydoc","readr","knitr","DT","dplyr","ggplot2","plotly","gganimate","gifski","scales", "MASS", "class")Descarga de datos
tasa <- read.csv("EducacionTasa.csv") #Datos que se usaran como antecedentes (1990-2017)
xfun::embed_file("EducacionTasa.csv") #Descarga de datosmex.ab <- read_excel("aband.mex.xlsx") #Abandono escolar en México (2019-2020)
xfun::embed_file("aband.mex.xlsx") #Descarga de datosson.ab <- read_excel("abandono.xlsx") #Abandono escolar en Sonora (2019-2020)
xfun::embed_file("abandono.xlsx") #Descarga de datosTabla de datos: Antecedentes de educación (1990-2017)
datatable(tasa)Hipótesis
Se comenzara tomando como antecedentes los datos sobre la tasa de educación en México durante el periodo 1990-2017, para asi determinar si en ese periodo la tasa de alumnos inscritos en los diferentes niveles escolares aumento año con año, ya que, se podria suponer que conforme pasan los años, hay más acceso a la educación.
A continuación se presentara una hipótesis en donde se determinara en base a los datos otorgados un analisis de correlacion, significancia, normalidad y regresion lineal, determinaremos si la hipótesis realizada es correcta.
Análisis de correlación
pairs(x = tasa, lower.panel = NULL)
cor(x = tasa, method = "pearson")## periodo preescolar primaria secundaria
## periodo 1.0000000 0.9692545 0.4297579 0.9786243
## preescolar 0.9692545 1.0000000 0.3423277 0.9575203
## primaria 0.4297579 0.3423277 1.0000000 0.3965081
## secundaria 0.9786243 0.9575203 0.3965081 1.0000000Interpretación: Como se puede observar, los datos tienen una correlación alta, a excepción de la primeria, que es la que más varía.
Diagrama de dispersión para preescolar
data("tasa")## Warning in data("tasa"): data set 'tasa' not found#Se emplea el log del precio porque mejora la linealidad
ggplot(data = tasa, aes(x = periodo, y = preescolar)) +
geom_point(colour = "red4") +
ggtitle("Diagrama de dispersión") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))
Interpretación: En este gráfico podemos observar que la tasa de preescolar, mayormente aumenta conforme aumenta el período
Diagrama de dispersión para primaria
data("tasa")## Warning in data("tasa"): data set 'tasa' not found#Se emplea el log del precio porque mejora la linealidad
ggplot(data = tasa, aes(x = periodo, y = primaria)) +
geom_point(colour = "red4") +
ggtitle("Diagrama de dispersión") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))
Interpretación: En este caso, la tasa de educación en primaria, es muy cambiante conforme pasan los años, y los datos se encuentran más dispersos
Diagrama de dispersión para secundaria
data("tasa")## Warning in data("tasa"): data set 'tasa' not found#Se emplea el log del precio porque mejora la linealidad
ggplot(data = tasa, aes(x = periodo, y = secundaria)) +
geom_point(colour = "red4") +
ggtitle("Diagrama de dispersión") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))
Interpretación: Hablando de secundaria, los datos están un poco más uniformes, y van aumentando conforme pasan los años
Regresión lineal simple
El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una variable dependiente y un conjunto de variables independientes. En un modelo de regresión lineal simple tratamos de explicar la relación que existe entre la variable respuesta Y y una única variable explicativa X.
Preescolar
modelo_lineal <- lm(periodo ~ preescolar, tasa)
summary(modelo_lineal)##
## Call:
## lm(formula = periodo ~ preescolar, data = tasa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.6066 -0.8491 -0.1697 1.6563 3.3913
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1966.4766 1.8841 1043.75 <2e-16 ***
## preescolar 0.6408 0.0319 20.09 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.063 on 26 degrees of freedom
## Multiple R-squared: 0.9395, Adjusted R-squared: 0.9371
## F-statistic: 403.4 on 1 and 26 DF, p-value: < 2.2e-16ggplot(data = tasa, mapping = aes(x = periodo, y = preescolar)) +
geom_point(color = "firebrick", size = 2) +
labs(title = 'Periodo ~ Preescolar', x = 'Periodo') +
geom_smooth(method = "lm", se = FALSE, color = "black") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))## `geom_smooth()` using formula 'y ~ x'
Primaria
modelo_lineal <- lm(periodo ~ primaria, tasa)
summary(modelo_lineal)##
## Call:
## lm(formula = periodo ~ primaria, data = tasa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.5512 -6.1197 -0.6804 6.5138 14.1202
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1622.952 156.811 10.350 1.03e-10 ***
## primaria 3.854 1.588 2.427 0.0225 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.569 on 26 degrees of freedom
## Multiple R-squared: 0.1847, Adjusted R-squared: 0.1533
## F-statistic: 5.89 on 1 and 26 DF, p-value: 0.02246ggplot(data = tasa, mapping = aes(x = periodo, y = primaria)) +
geom_point(color = "firebrick", size = 2) +
labs(title = 'Periodo ~ Primaria', x = 'Periodo') +
geom_smooth(method = "lm", se = FALSE, color = "black") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))## `geom_smooth()` using formula 'y ~ x'
Secundaria
modelo_lineal <- lm(periodo ~ secundaria, tasa)
summary(modelo_lineal)##
## Call:
## lm(formula = periodo ~ secundaria, data = tasa)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.586 -1.415 0.039 1.036 4.669
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.958e+03 1.899e+00 1031.21 <2e-16 ***
## secundaria 6.422e-01 2.647e-02 24.26 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.724 on 26 degrees of freedom
## Multiple R-squared: 0.9577, Adjusted R-squared: 0.9561
## F-statistic: 588.7 on 1 and 26 DF, p-value: < 2.2e-16ggplot(data = tasa, mapping = aes(x = periodo, y = secundaria)) +
geom_point(color = "firebrick", size = 2) +
labs(title = 'Periodo ~ Secundaria', x = 'Periodo') +
geom_smooth(method = "lm", se = FALSE, color = "black") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5))## `geom_smooth()` using formula 'y ~ x'
Normalidad
Las pruebas de normalidad más formales son las pruebas de Shapiro-Wilk y de Kolmogorov-Smirnov (Dalgaard 2008; Zar 2010). En las pruebas de normalidad se busca aceptar la H0 dado que la mayoría de los métodos estadísticos es necesaria la suposición de la distribución normal de la variable de interés. Púes siendo así es posible conocer los parámetros que describen por completo (la media, su desviación estándar). Un valor de P≥ 0.05 en los tests de normalidad indican que no hay prueba suficiente para rechazar la normalidad de la variable.
par(mfrow = c(1, 2))
hist(tasa$preescolar, breaks = 10, main = "", xlab = "Preescolar", border = "darkred")
hist(tasa$primaria, breaks = 10, main = "", xlab = "Primaria",
border = "blue")
qqnorm(tasa$preescolar, main = "Preescolar", col = "darkred")
qqline(tasa$preescolar)
qqnorm(tasa$primaria, main = "Primaria", col = "darkred")
qqline(tasa$primaria)
qqnorm(tasa$secundaria, main = "Secundaria", col = "darkred")
qqline(tasa$secundaria)
Conclusión
Se determino mediante las gráficas obtenidas anteriormente que el nivel educativo donde hubo mayo deserción escolar en México durante el ciclo escolar 2019-2020 fue el nivel Superior, y en segundo lugar el nivel educativo Media Superior. Uno de los principales factores es el impacto de la COVID-19 en el índice de educación, en donde esulta necesario identificar las consecuencias que tendrá la pandemia en el sector educativo, con el fin de reformular acciones que puedan contribuir a enfrentar de mejor manera otras emergencias.
Uno de los impactos que puede causar la deserción escolar en México son las consecuencias sociales por deserción escolar,por ejemplo, se pueden suscitar: menor probabilidad de participar en actividades cívicas, vivir en gran medida de la beneficencia y asistencia pública, ganar menor sueldo y contribuir menos a la economía del país, baja productividad laboral y vulnerabilidad social (desempleo, delincuencia, consumo de sustancias tóxicas, problemas de salud como depresión y ansiedad). Una de las acciones propuestas a tomar es que cada institución cree proyectos de apoyo para que los estudiantes concluyan exitosamente su carrera; y ponerle la atención necesaria la comunidad estudiantil, con programas como becas, tutorías, material didáctico, recursos dentro de la escuela como biblioteca, salón de informática o laboratorios especializados, así como también atender la salud mental.