Published January 11, 2019 | Version v1
Book chapter Open

Una caracterización de la satisfacción estudiantil mediante análisis de clases latentes.

  • 1. Universidad de la República

Description

En este trabajo se estudian las principales caracterı́sticas de la construcción de la Satisfacción Estudiantil en los cursos de grado de la Facultad de Ciencias Económicas y de Administración, Universidad de la República, Uruguay, mediante Análisis de Clases Latentes (ACL). Los datos utilizados para la aplicación presentada en este trabajo provienen de una encuesta aplicada sobre una muestra de estudiantes de grado de la Facultad, en el año 2009. Dicho cuestionario presenta una estructura de bloques: por un lado (primer bloque) se encuentran las variables que permitirán realizar una caracterización sociodemográfica de los estudiantes y por
otro se presentan las variables del modelo ECSI (European Customer Satisfaction Index) que serán las utilizadas para la caracterización de la Satisfacción Estudiantil. Las variables manifiestas consideradas como insumo para la construcción y caracterización de la Satisfacción Estudiantil son las siguientes 6: expectativas (E) de los estudiantes al ingresar al centro de estudios, la imagen (I) que tienen de éste,la calidad de la enseñanza recibida (CSA) y de los servicios brindados (CSF), las
necesidades y deseos personales con respecto a la facultad (ND) y el valor percibido (VP). Los resultados presentados surgen de considerar que efectivamente existe una variable que refiere a la Satisfacción Estudiantil y que ésta queda definida, a partir
de la interacción de las 6 variables manifiestas, por 4 clases latentes.

 

 

This paper studies the main characteristics of the construction of Student Satisfaction in undergraduate courses atFacultad de Ciencias Económicas y de Administración, Universidad de la República, Uruguay, through Latent Class Analysis (ACL). The data used for the application presented in this work come from a survey applied to a sample of undergraduate students of the Faculty, in the year 2009. This questionnaire has a block structure: on the one hand (first block) are the variables that will allow a sociodemographic characterization of the students and another presents the variables of the ECSI model (European Customer Satisfaction Index) that will be used to characterize Student Satisfaction. The manifest variables considered as input for the construction and characterization of Student Satisfaction are the following 6: expectations (E) of the students when entering the study center, the image (I) they have of it, the quality of the education received (CSA) and the services provided (CSF), the personal needs and desires regarding faculty (ND) and perceived value (PV). The results presented arise from considering that there is indeed a variable that refers to Student Satisfaction and that it is defined, from of the interaction of the 6 manifest variables, by 4 latent classes.

Files

capitulo_3_libro_puebla_Latentes_2018.pdf

Files (362.3 kB)

Name Size Download all
md5:b835f1b6d95b6e56934ff0d367c1f0db
362.3 kB Preview Download

Additional details

Additional titles

Translated title (En)
A characterization of student satisfaction through latent class analysis.

Related works

Is part of
Book chapter: 10.17605/OSF.IO/H74TP (DOI)

References

  • Agresti, A. Categorical data analysis. Wiley-Interscience, Hoboken, N.J., 2013.
  • Álvarez-Vaz, R. y Vernazza, E. Aplicación de los modelos de ecuaciones estructurales para el estudio de la satisfacción estudiantil en en los cursos su- periores de FCCEEyA. Documentos de Trabajo - IESTA. Serie DT (13 / 02), 2013.
  • Álvarez-Vaz, R. y Vernazza, E. Aplicación de modelos de ecuaciones estructurales en la medición del nivel de satisfacción estudiantil: comparación de tres métodos de estimación. Documentos de Trabajo - IESTA. Serie DT (14 / 03), 2014.
  • Álvarez-Vaz, R. y Vernazza, E. Evaluación de un instrumento de medición del nivel de satisfacción estudiantil a través de la aplicación de modelos de ecuaciones estructurales. Cuadernos del CIMBAGE, (19):1–25, 2017.
  • Álvarez-Vaz, R., Freira, D., Vernazza, E., y Alves, H. Can students' satisfaction indexes be applied the same way in different countries? Int Rev Public Nonprofit Marketing, 13(101), 2016.
  • Alves, H. y Raposo, M. La medición de la satisfacción en la enseñanza universitaria: El ejemplo de la universidade da beira interior. Int Rev Public Nonprofit Marketing, 1(1):73–88, 2014.
  • Bandeen-Roche, K., Miglioretti, D. L., Zeger, S. L., y Rathouz, P. J. Latent variable regression for multiple discrete outcomes. Journal of the American Statistical Association, 92(440):1375–1386, 1997.
  • Carlomagno, A. A. y Sepúlveda, R. Análisis de clases latentes en tablas poco ocupadas: consumo de alcohol, tabaco y otras drogas en adolescentes. Revista de Matemática: Teorı́a y Aplicaciones, 17(1):25–40, 2010.
  • Castro López, C. R., Montano Rivas, A., y Oliva Zarate, L. Modelos de clases latentes para definir perfiles conductuales en niños de 4 y 5 años. Revista Electrónica de Psicologı́a Iztacala., 14(1), 2011.
  • Dempster, A. P., Laird, N. M., y Rubin, D. B. Maximum likelihood from incomplete data via the em algorithm. Journal of the Royal Statistical Society, 39:1–38, 1977.
  • Everitt, B. S. An Introduction to Latent Variable Models. Springer Nether- lands, Dordrecht, 1984.
  • Hagenaars, J. Applied latent class analysis. Cambridge University Press, Cambridge New York, 2002.
  • Højsgaard, S. Graphical models with R. Springer, New York, 2012.
  • Lazarsfeld, P. The logical and mathematical foundations of latent structure analysis. ISA Stouffer (ed.), Measurement and Prediction, pp. 362-412., 1950
  • Linzer, D. A. y Lewis, J. B. poLCA: An R package for polytomous variable latent class analysis. Journal of Statistical Software, 42(10):1–29, 2011.
  • McLachlan, G. Finite mixture models. Wiley, New York, 2000.
  • R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, 2017.
  • Robertson, J. Modern statistical methods for HCI. Springer, Switzerland., 2016
  • Sánchez Rivero, M. Segmentación de la población española según su grado de concienciación ecológica mediante modelos de variables latentes l. Investiga- ciones Europeas de Dirección y Economı́a de la Empresa, 7(3):173–196, 2001.
  • Scrucca, L. y Raftery, A. E. Improved initialisation of model-based clus- tering using Gaussian hierarchical partitions. ArXiv e-prints, 2015.
  • Vernazza, E. Evaluación de un instrumento de medición del nivel de satis- facción estudiantil en los cursos de formación superior de la FCCEEyA de la UDELAR a través de la aplicación de Structural Equation Modelling (SEM). Informe de pasantı́a, Fac. de CCEEyA - UdelaR, 2013.