A partir del total de observaciones válidas para la variable dependiente (Post_Oblig_con_19), se genera una sub-base de datos con 783 observaciones de individuos de 19 años en 2006 que contiene valores perdidos para algunas de las variables independientes, básicamente localizadas en aquellas que hacen referencia a los progenitores. En el apartado siguiente se describe la técnica de imputación aplicada, con el objeto de realizar las futuras estimaciones con el mayor grado de ajuste posible y aprovechando toda la información existente en la base de datos.

5.1. Método de imputación de los valores no observados

Mediante el análisis de la base de datos se llega a la conclusión de que existe una distribución arbitraria de los datos perdidos {5}. A partir de aquí, se aplica una estimación múltiple a partir del algoritmo MICE, sistematizado para el programa STATA (versión 11) mediante el comando mi. La imputación aquí aplicada genera valores posibles a partir de una serie de modelos univariantes en los cuales una variable única es imputada en base a un grupo de variables.

En este caso, y siguiendo las últimas recomendaciones de la literatura, se han empleado todas las variables disponibles para estimar los datos no observados y se han generado 20 bases de datos imputadas (m=20), empleando tres aproximaciones empíricas diferentes para las diferentes variables a imputar: logit, logit ordenado y logit multinomial (STATA, 2009). Por lo tanto, para cada observación perdida se generan 20 observaciones imputadas a partir de la estimación escogida. En el anexo I se expone un análisis descriptivo de las variables existentes en la base de datos y, en los casos en que la variable posea valores no observados, se presentan sus valores originales e imputados. Para las variables imputadas el valor refleja el promedio de las 20 bases generadas mediante la imputación múltiple.

6. RESULTADOS EMPÍRICOS

6.1. Efecto medio de las becas en el nivel educativo

En esta primera aproximación empírica se intenta demostrar que existe un impacto global de la política educativa en los resultados obtenidos por los alumnos. Ésta se realiza mediante una estimación de máxima verosimilitud (logit), donde la variable dependiente hace referencia al nivel educativo que posee la persona a los 19 años. Como variables independientes se consideran las becas recibidas por el individuo y otras variables relacionadas con el individuo y su entorno, que tienen una finalidad de control, para ajustar mejor la estimación del impacto (véase tabla 3).

Los resultados indican que, efectivamente, las becas afectan positivamente y con un alto grado de significación el nivel educativo alcanzado por el individuo a los 19 años, lo que permite seguir adelante con el análisis de impacto. Asimismo, la estimación encuentra que otras variables también resultan determinantes, como el nivel educativo de la madre y aquellas que permiten conocer el estatus económico del hogar, como es el quintil de renta disponible y la tenencia en propiedad de la vivienda. Finalmente, el éxito educativo se ve afectado negativamente en caso de que el hogar habite en áreas poco urbanizadas.

Tabla 3. Determinantes del nivel educativo alcanzado a los 19 años (logit)

Notas: a Significativo al 99% b Significativo al 95% c Significativo al 90%.
La estimación logit tiene en cuenta los valores de las 20 bases de datos imputadas. El valor de los coeficientes citados es la media aritmética de los 20 resultados obtenidos. Estadístico LR: si LR supera a 5,99 se rechaza la Ho y entonces con una probabilidad del 95% los regresores influyen en el regresando, siendo éste el caso aquí planteado.
Fuente: Elaboración propia en base a EUSILC LONGITUDINAL UDB 2006 – versión 2 – de Marzo 2009.

Para realizar la estimación se consideran todas aquellas variables explicitadas mencionadas en el apartado 5 a excepción de aquellas referida al número de hermanos (Nro_hermanos), debido a que la misma está contenida en la variable referida al quintil de ingresos (que tiene en cuenta la estructura del hogar). Asimismo, se ha excluido de la estimación la variable referida a la educación del padre (Educ_padre) por su alta correlación con la educación de la madre (Educ_madre). Se ha optado por escoger ésta última debido a que presenta menos observaciones faltantes.

Los resultados indican que no se generan diferencias destacables en la media al incorporar los valores imputados y, además, las desviaciones estándar continúan en el mismo nivel. Esto último, permite asegurar que el proceso de imputación no disminuye el rango de variabilidad existente en las observaciones originales, elemento que la literatura valora como positivo de esta técnica.

6.2. Estimación cuasi-experimental

Para conocer el efecto “neto” de las becas en el logro educativo de los alumnos en el nivel secundario post obligatorio, se aplica una aproximación cuasi-experimental: el Propensity Score Matching, siguiendo la metodología expuesta anteriormente. El método de emparejamiento para estimar el efecto medio de una política mediante el PSM se efectúa en dos etapas. En la primera etapa se estima el Propensity Score (PS) que indica la probabilidad de participar en el programa, mediante un modelo de elección binaria (logit). En la segundo etapa, se realiza el análisis de emparejamiento que permitirá conocer el efecto “neto” de la política, mediante el cálculo del efecto medio del tratamiento en los tratados (Average Treatment effect on the Treated o ATT).

a) Determinantes de recibir una beca

En esta primera aproximación empírica se intenta identificar cuáles son los principales determinantes de recibir una beca. La misma se realiza mediante una estimación de máxima verosimilitud, donde la variable dependiente indica si el individuo ha recibido una beca durante el período analizado. Su característica de variable dicotómica aconseja la aplicación del modelo logit -que emplea una función de distribución logística- debido a su pertenencia al grupo de modelo de elección discreta o cualitativa.

Esta estimación es necesaria por dos motivos. En primer lugar, para conocer en que medida los resultados obtenidos van en la línea de los requisitos formales necesarios para ser beneficiario de una beca. En segundo lugar, porque a partir de la misma se calcula la probabilidad que tiene cada individuo de recibir una beca y que se empleará como elemento de comparación para conocer el efecto “neto” de las becas en el resultado educativo en la segunda etapa.

La aproximación multivariante (véase anexo II) se lleva a cabo teniendo en cuenta las 20 bases imputadas y, por tanto, los coeficientes obtenidos reflejan la media de las 20 estimaciones realizadas. Sus resultados revelan que cuatro elementos estarían determinando la posibilidad de recibir una beca en la secundaria post obligatoria: la posición entre los hermanos, la renta, la tenencia en propiedad de la vivienda y, por último, el lugar de residencia.

Esto significa que un alumno con una renta del hogar baja y que habite fuera de las grandes urbes, tiene una mayor probabilidad de obtener una beca. Si se analizan estos dos elementos aisladamente, se podría afirmar que los resultados siguen los requisitos básicos para el otorgamiento de una beca, en relación con la renta familiar y el desplazamiento y van en la línea de los resultados publicados para España por la Agencia de Evaluación y Calidad (AEVAL, 2009). La relación negativa entre el ingreso y la concesión de las becas, que podría ser interpretada como favorecedora de la equidad, debería ser matizada por el hecho de que los alumnos de familias con menores niveles de renta representan un porcentaje muy inferior al de las familias en decilas superiores en el nivel educativo analizado (Aldás y Uriel, 1999). Tal relación coincide con los resultados para España presentados por Mora (1996).

b) Evaluación del efecto “neto” de las becas en el éxito educativo

Para el análisis de emparejamiento se emplean 150 individuos que han recibido becas en el período analizado y un grupo de control conformado por entre 527 y 621 individuos sin beca, según sea la técnica de comparación empleada. El parámetro de impacto medio buscado (ATT) es la media aritmética de las diferencias existentes en la variable resultados (nivel educativo alcanzado), a partir de los múltiples emparejamientos realizados entre los individuos tratados y de control, bajo la imposición del soporte común (véase tabla 4) {6}.

Tabla 4. Impacto “neto” de recibir una beca en el éxito educativo

El análisis de emparejamiento realizado confirma la efectividad de las becas otorgadas en el logro educativo. Las diferentes técnicas de emparejamiento calculadas indican la existencia de un efecto medio del tratamiento que es positivo y significativamente diferente de cero, con lo que se puede confirmar la existencia de un efecto “neto” positivo de las becas en las personas beneficiarias. Cabe destacar que en el caso del emparejamiento mediante el Vecino más Próximo no se calcula el estadístico t por el procedimiento de bootstrapping siguiendo a Abadie e Imbens (2008). Los autores demuestran que esta técnica, empleada para calcular los errores estándar, podría fallar en su objetivo de proveer intervalos de confianza válidos en el caso de éste tipo de emparejamientos. Por lo tanto, en este caso sólo se emplea la vía analítica para establecer la significatividad del parámetro estimado.

7. CONCLUSIONES

El objetivo principal de este trabajo ha sido poder determinar y cuantificar la existencia de un impacto de las políticas de becas llevadas a cabo en España durante los años 2004 y 2005 en las tasas de éxito escolar observadas en 2006. Para ello se emplea una metodología cuasi experimental a partir de los microdatos provenientes de la ECV-2006.

En cuanto a los determinantes de recibir una beca, los resultados obtenidos indican que un alumno con una renta del hogar baja y que habita fuera de las grandes urbes tiene más probabilidad de resultar beneficiado; los cuales siguen, en cierta forma, los requisitos básicos para el otorgamiento de una beca, en relación con la renta familiar y el desplazamiento. Asimismo, se demuestra la importancia de las becas como favorecedoras de la continuidad escolar en la escolaridad secundaria post obligatoria y, además, otras variables también se revelan como significativas. Entre ellas, el nivel educativo de su madre y la situación financiera y ubicación geográfica del hogar.

En cuanto al efecto “neto” de la política pública analizada, la interpretación de los resultados indica que las becas incrementan en más de un 40% las posibilidades de finalizar con éxito el nivel secundario post-obligatorio con la edad teórica adecuada, a partir de una comparación entre dos grupos de individuos similares. Este resultado es relevante teniendo en cuenta que el valor medio recibido por cada beneficiario de una beca o ayuda al estudio, durante este período fue de, aproximadamente, 1.000€ por año. En este sentido, si bien está claro que existen muchos elementos que acaban determinando el nivel educativo alcanzado por el individuo, se comprueba que el Estado mediante sus políticas públicas puede incorporar un elemento favorecedor del éxito escolar en un contexto de alto abandono escolar prematuro.

REFERENCIAS

Abadie, A. e Imbens, G. (2008). On The Failure of the Bootstrap for Matching Estimators. Econometrica, 76(6), 1537-1557.

AEVAL (Agencia Estatal de Evaluación de las Políticas Públicas y la Calidad de los Servicios) (2009). Evaluación del sistema general de becas educativas. Primera evaluación: Diagnóstico de la situación actual y principales alternativas para mejorar su eficacia. Madrid: Ministerio de Hacienda y Administraciones Públicas.

Aldás, J. y Uriel, E. (1999). Equidad y eficacia del sistema español de becas y ayudas al estudio. Documentos de trabajo del IVIE, WP-EC 99-11.

Alon, S. (2007). The influence of financial aid in levelling group differences in graduating from elite institutions. Economics of Education Review, 26, 296-311.

Amarante, V., Arim, R. y Vigorito, A. (2011). Cash transfer programmes, income inequality and regional disparities. The case of the Uruguayan Asignaciones Familiares. Cambridge Journal of Regions, Economy and Society, 4, 139-154.

Attanasio, O., Meghir, C. y Santiago, A. (2012). Education Choices in Mexico: Using a Structural Model and a Randomized Experiment to Evaluate PROGRESA. The Review of Economic Studies, 79(1), 37-66.

Becker, S. e Ichino, A. (2002). Estimation of average treatment effects based on propensity scores. The Stata Journal, 2, 358-377.

Blundell, R. y Costa Dias, M. (2000). Evaluation methods for non-experimental data. Fiscal Studies, 21(4), 427-468.

Blundell, R. y Costa Dias, M. (2002). Alternative approaches to evaluation in empirical Microeconomics. Portuguese Economic Journal, 1, 91-115.

Caliendo, M. y Kopeinig, S. (2008). Some Practical Guidance for the Implementation of Propensity Score Matching. Journal of Economic Surveys, 22, 31-72.

Cameron, L. (2009). Can a public scholarship program successfully reduce school drop-outs in a time of economic crisis? Evidence from Indonesia. Economics of Education Review, 29, 308-317.

Cardoso, E. y Portela Souza, A. (2004). The impact of cash transfers on child labor and school attendance in Brazil. Working Papers Nº04-W07. Vanderbilt University.

De Pablos Escobar, L. y Gil Izquierdo, M. (2008). Análisis de la incidencia de reformas en el sistema de financiación de la educación universitaria en España a partir de un modelo de comportamiento. Hacienda Pública Española, 184(1), 117-152.

Dearden, L., Emmerson, C., Frayre, C. y Meghir, C. (2009). Conditional Cash Transfers and School Dropout Rates. Journal of Human Resources, 44(4), 827-857.

DesJardins, S., Ahlburg, D. y McCall, B. (2002). Simulating the longitudinal effects of changes in financial aid on student departure from college. The Journal of Human Resources, 37(3), 653-679.

Dronkers, J. (2008). Education as the backbone of inequality - European education policy: constraints and possibilities. En F. Becker, K. Duffek y T. Mörschel (Ed.), Social Democracy and Education. The European Experience. Amsterdam: Mets y Schilt.

Dubois, P., De Janvry, A. y Sadoulet, E. (2003). Effects on school enrollment and performance of a conditional cash transfers program in Mexico. CUDARE, Working Paper, 981. Los Ángeles, CA: University of California, Berkeley.

Erikson, R., Goldthorpe, J. y Portocarero, L. (1979). Intergenerational class mobility in three Western European Societes: England, France and Sweden. British Journal of Sociology, 30(4), 415-441.

European Commission (2010). Europe 2020. A European strategy for smart, sustainable and inclusive growth. Bruselas: Communication from the Commission.

Frías del Val, A. (2007). El currículo escolar y la descentralización educativa en España. Revista de Educación, 343, 199-221.

García Pérez, J. (2009). Metodología y diseño de estudios para la evaluación de políticas públicas. Barcelona: Antoni Bosch.

Heckman, J., Ichimura, H. y Todd, P. (1997). Matching as an econometric evaluation estimator: Evidence from evaluating a job training programme. The Review of Economic Studies, 64, 605-654.

Heckman, J., LaLonde, R. y Smith, J. (1999). The Economics and Econometrics of Active Labor Market Programs. En O. Ashenfelter y D. Card (Eds.), Handbook of Labor Economics (pp. 1865-1886). Amsterdam: Elsevier Science.

Herzog, S. (2005). Measuring determinants of student return vs. dropout/stopout vs. transfer: A first-to-second year analysis of New Freshmen. Research in Higher Education, 46(8), 883-928.

Imbens, G. (2004). Nonparametric estimation of average treatment effects under exogeneity: a Review. Review of Economics and Statistics, 86(1), 4-29.

Kane, T. (2003). A quasi-experimental estimate of the impact of financial aid on college-Going. NBER Working Paper, 9703.

Kane, T. (2007). Evaluating the impact of the D.C. Tuition Assistance Grant Program. Journal of Human Resources, 42(3), 555-582.

Katz, L. y Murphy, K. (1992). Changes in Relative Wages, 1963-1987: Supply and Demand Factors. Quarterly Journal of Economics, 107(1), 35-78.

Kim, D. (2007). The effect of loans on students' degree attainment: Differences by student and institutional characteristics. Harvard Educational Review, 77(1), 64-100.

Marcenario Gutierrez, O. y Navarro Gómez, L. (2001). Un análisis microeconómico de la demanda de educación superior en España. Estudios de Economía Aplicada, 19, 69-86.

Marchesi, Á. (2003). El fracaso escolar en España. Documento de Trabajo 11/2003. Madrid: Fundación Alternativas.

Monks, J. (2009). The impact of merit-based financial aid on college enrollment: A field Experiment. Economics of Education Review, 28, 99-106.

Mora, J.-G. (1996). Equidad en el acceso a la educación superior, ¿para quién son las becas? Revista de Educación, 309, 239-259.

Rosenbaum, P. y Rubin, D. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70, 41–55.

Rosenbaum, P. y Rubin, D. (1984). Reducing bias in observational studies using subclassification on the propensity score. Journal of the American Statistical Association, 79, 516-524.

Rubin, D. (1974). Estimating causal effects of treatment in randomized and nonrandomized Studies. Journal of Educational Psychology, 66, 685-701.

Rumberger, R. (1987). High School Dropouts: A Review of Issues and Evidence. Review of Educational Research, 57(2), 101-121.

Schady, N. y Araujo, M. (2006). Cash transfers, conditions, school enrollment, and child work: Evidence from a randomized experiment in Ecuador. Working Paper 3930.Washignton, DC: World Bank Policy Research.

Smith, J. y Todd, P. (2005). Does matching overcome LaLonde’s critique of nonexperimental estimators? Journal of Econometrics, 125(1-2), 305-353.

Skoufias, E. (2001). PROGRESA and its impacts on the human capital and welfare of households in rural Mexico: A synthesis of the results of an evaluation by IFPRI. Research Report. Washington, DC: International Food Policy Research Institute.

StataCorp (2009). Stata: Release 11. Multiple Imputation. College Station, TX: Stata Press.

ANEXOS

Anexo I. Análisis descriptivo. Valores con y sin imputar (N=783)

Anexo III. Comprobación de la conveniencia de la imposición del soporte común

Para comprobar que la aplicación del soporte común es una pre condición válida para realizar las estimaciones, se realiza un análisis visual a través de un gráfico que muestra las funciones de densidad Kernel del Propensity Score para el caso de las observaciones tratadas y de control (véase figura 1). Se observa que para casi la totalidad de los Propensity Scores estimados existe una observación tratada y una de control. Esto sugiere que el supuesto de soporte común permite mejorar la calidad de los emparejamientos sin perder observaciones relevantes, ya que el 98,47% de la base original queda incluida dentro del área empleada para la estimación.

Figura 1. Densidad de Kernel para las observaciones tratadas y de control