PREDICTIVE MODEL OF ACADEMIC PERFORMANCE BASED ON MULTIVARIATE TECHNIQUES
DOI:
https://doi.org/10.55204/pcc.v5i1.e96Keywords:
Academic performance, multivariate techniques, multiple linear regression.Abstract
Academic performance is associated with various social, pedagogical, economic, and institutional factors. The objective of this research is to design a predictive model of students' academic performance for the subject of mathematics. To evaluate the impact of this work, multivariate techniques such as multiple linear regression are applied. It is concluded that the variables, Autonomous Learning Component, Experimental Practical Learning, Learning in Contact with the Teacher, and age, significantly affect academic performance. It is necessary to include more variables to have a robust model that allows improving the performance and permanence of students in a higher education institution.
Downloads
References
Amín, A., & Amezcua, L. (2021). Construcción de un modelo predictivo para determinar el rendimiento académico de los estudiantes del colegio de estudios científicos y tecnológicos del estado de Michoacán. Ciencia Latina Revista Científica Multidisciplinar, 5(5), 7709–7749. https://doi.org/10.37811/cl_rcm.v5i5.872
Cabrera, F., Verdugo, M. E., Cabrera, H., Escudero, M., & Franco, M. (n.d.). Rendimiento académico universitario, según el modelo de bachillerato por especialidades y el Bachillerato General Unificado del Ecuador, Estudio de caso de la Universidad de Cuenc 2012-2018.
Campo, N. M. S. del, & Matamoros, L. Z. (2020). Técnicas estadísticas multivariadas para el estudio de la causalidad en Medicina. Revista de Ciencias Médicas de Pinar Del Río, 24. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1561-31942020000200287
Castelazo, I. Y. L., Mercado, A. G., Juárez, N. Y. L., Pérez, N. G. G., & Juárez, M. I. S. (2022). Modelo Predictivo del Rendimiento Académico de Estudiantes de Ingeniería Química en el Área de Matemáticas. Journal of Engineering Research, 2(1), 2–10. https://doi.org/10.22533/at.ed.317212210018
Clifford, B., & Taylor, R. (2014). Bioestadística. In PEARSON (Ed.), Bioestadística (Primera Ed). https://doi.org/10.22201/fesz.9786070261015p.2014
Collazos, A. C., Quintero Medina, M. V., & Trujillo Caicedo, K. N. (2021). Determinantes del Rendimiento Academico de la prueba Saber 11 Durante el periodo 2014-2019 en Colombia. Panorama, 15(29), 103–126. https://doi.org/10.15765/pnrm.v15i29.1723
Dorta Guerra, R., Marrero, I., Abdul-Jalbar, B., Trujillo González, R., & Torres Darias, N. (2019). Un modelo predictivo del rendimiento académico a partir de las calificaciones de Bachillerato y PAU. De Los Procesos de Cambio Al Cambio Con Sentido, 119–136. https://doi.org/10.25145/b.innovaull.2019.009
Fernández, Y. O. (2021). Variables académicas que influyen en el rendimiento académico de los estudiantes universitarios. Investigación Educativa, 15, 165–179. http://revistasinvestigacion.unmsm.edu.pe/index.php/educa/article/viewFile/6473/5692
Granados, R. M. (2016). Modelos de regresión lineal múltiple. https://www.ugr.es/~montero/matematicas/regresion_lineal.pdf
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (2019). Análisis multivariante. In Prentice Hall (Quinta Edi, Vol. 53, Issue 9). https://doi.org/10.1017/CBO9781107415324.004
Herreras, E. (2019). Estudio Predictivo del Rendimiento Matemático en PISA 2012: Enfoque de Aprendizaje Frente a la Atribución del Fracaso. Revista Iberoamericana de Diagnóstico y Evaluación – e Avaliação Psicológica, 52(3), 156–171. https://doi.org/10.21865/ridep52.3.12
Lamas, H. A. (2014). Sobre el rendimiento escolar School. Propósitos y Representaciones, 3(1), 141–160. https://doi.org/10.4135/9781483328416.n9
Naal, J. E., Pacheco, A. del Á., & López, C. D. J. (2022). Relacion entre el rendimiento académico y los resultados del rendimiento académico de alumnos de gastronomía. Ciencia Latina Revista Científica Multidisciplinar, 6(4), 83–98. https://doi.org/10.37811/cl_rcm.v6i4.2517
Ortega, E., Solís, J. F., & Martínez, D. (2022). Deserción de los alumnos de Ingeniería en Computación: Un Modelo Predictivo. Journal of Engineering Research, 2(5), 2–8. https://doi.org/10.22533/at.ed.317252208046
Rico Páez, A., Gaytán Ramírez, N. D., & Sánchez Guzmán, D. (2019). Construcción e implementación de un modelo para predecir el rendimiento académico de estudiantes universitarios mediante el algoritmo Naïve Bayes. Diálogos Sobre Educación, 19, 1–18. https://doi.org/10.32870/dse.v0i19.509
Tortolero Portugal, R., Figueroa González, E. G., & Villareal Solís, F. M. (2020). Modelo de Regresión Lineal Múltiple de la Gestión del Conocimiento, con la Cultura Organizacional, el Liderazgo y las Tecnologías de la Información y la Comunicación, en Trabajadores de una Empresa de la Cd. de Durango, Durango, México. Hitos de Ciencias Económico Administrativas, 26(76), 266–284. https://doi.org/10.19136/hitos.a26n76.4089
Vázquez, S. R., Enrique, J., & Vázquez, R. (2022). Factores psicológicos predominantes y rendimiento académico de alumnos de estadística, universidad nacional de Piura, 2019. Revista Cuántica, 1, 14–25. https://doi.org/10.56747/rcq.v1i1.21
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Blanca Rocio Cuji Chacha, Wilma Lorena Gavilánes López
This work is licensed under a Creative Commons Attribution 4.0 International License.
The authors retain the moral and patrimonial rights of their works. Since Prometeo Journal is an open access publication, readers can fully or partially reproduce its content as long as they properly credit the corresponding authors and the journal itself.
Our journal is governed by the international policies SHERPA/RoMEO: Green journal: They allow the self-archiving of both the pre-print (draft of a paper) and the post-print (the version corrected and reviewed by peers) and even the final version ( layout as it will be published in the journal).
See also "Copyright and licences".
