Modelos de regresión lineal múltiple aplicados a la predicción de la deserción estudiantil en la educación superior
DOI:
https://doi.org/10.55204/trc.v6i2.e753Palabras clave:
deserción estudiantil, regresión lineal múltiple, educación superior, predicción, retención académicaResumen
La deserción estudiantil en la educación superior representa una problemática multifactorial con impactos académicos, sociales y económicos significativos. Esta investigación analiza la aplicación de modelos de regresión lineal múltiple para predecir el abandono universitario mediante una revisión sistemática basada en la metodología PRISMA, seleccionando 40 estudios científicos recientes. Los resultados evidencian que la regresión lineal es una herramienta eficaz por su capacidad predictiva e interpretabilidad, permitiendo cuantificar el impacto de variables críticas como el rendimiento académico y la situación económica. Se propuso un modelo utilizando un dataset de 4,424 registros, obteniendo un coeficiente de determinación R^2= 0.4715 y un RMSE de 0.3284. Aunque el modelo explica el 47.15% de la variabilidad, este valor es significativo en las ciencias sociales dada la complejidad del comportamiento humano y la naturaleza multifactorial del fenómeno. Estos hallazgos permiten desarrollar sistemas de alerta temprana, diseñar políticas de retención efectivas y optimizar recursos institucionales basándose en variables de alta influencia como el estado de pago de matrícula y materias aprobadas. Futuras investigaciones deberían incorporar variables emocionales y factores post-pandemia. La presente investigación ha determinado que la regresión lineal múltiple constituye una herramienta accesible, confiable y estratégica para prevenir la deserción mediante evidencia científica sólida.Descargas
Referencias
Aguilar-Reyes, J. E., Mejía-Peñafiel, E. F., Morocho-Barrionuevo, T. P., Velasco Castelo, G.-M., Aguilar-Reyes, J. E., Mejía-Peñafiel, E. F., Morocho-Barrionuevo, T. P., & Velasco Castelo, G.-M. (2025). ESTUDIO DEL RENDIMIENTO ACADÉMICO MEDIANTE LA COMPARACIÓN DE MODELOS DE REGRESIÓN Y ÁRBOLES DE CLASIFICACIÓN. Telos, 27(1), 94-115. https://doi.org/10.36390/telos271.08
Andrade-Girón, D., Sandivar-Rosas, J., Marín-Rodriguez, W., Susanibar-Ramirez, E., Toro-Dextre, E., Ausejo-Sanchez, J., Villarreal-Torres, H., & Angeles-Morales, J. (2023). Predicting Student Dropout based on Machine Learning and Deep Learning: A Systematic Review. EAI Endorsed Transactions on Scalable Information Systems, 10(5). https://doi.org/10.4108/eetsis.3586
Avilés-González, J., Córdova-León, F., Duque-Espinoza, G., & Mosquera-Gutierres, J. (2025). Key Determinants of University Student Dropout: Insights from a Private Institution in Ecuador. Journal of Latinos and Education, 0(0), 1-16. https://doi.org/10.1080/15348431.2025.2566917
Barragán Moreno, S. P., & Guzmán Rincón, A. (2025). Digital divide as an explanatory variable for dropout in higher education. International Journal of Educational Technology in Higher Education, 22(1), 60. https://doi.org/10.1186/s41239-025-00550-0
Bernal Troya, A. S. (2025). Análisis predictivo de la permanencia y deserción estudiantil: Implementación del modelo de Churn en el Instituto Superior Tecnológico Wissen (2021-2024) [Tesis de Maestría en Inteligencia de Negocios y Ciencia de Datos, Universidad de las Américas]. https://dspace.udla.edu.ec/bitstream/33000/17599/1/UDLA-EC-TMINCD-2025-20.pdf
Bettahi, A., Belouadha, F.-Z., & Harroud, H. (2025). A Modular and Explainable Machine Learning Pipeline for Student Dropout Prediction in Higher Education. Algorithms, 18(10), 662. https://doi.org/10.3390/a18100662
Bouihi, B., Bousselham, A., Aoula, E., Ennibras, F., & Deraoui, A. (2024). Prediction of Higher Education Student Dropout based on Regularized Regression Models. Engineering, Technology & Applied Science Research, 14(6), 17811-17815. https://doi.org/10.48084/etasr.8644
Chacha, B. R. C., López, W. L. G., & Constante, M. B. P. (2023). Predictive Model of Student Dropout Based on Logistic Regression. ESPOCH Congresses: The Ecuadorian Journal of S.T.E.A.M., 630-656. https://doi.org/10.18502/espoch.v3i1.14477
Chui B., H., Pérez A., K., Yabar M., P., Chui B., H., Pérez A., K., & Yabar M., P. (2025). Factores que intervienen en la deserción estudiantil universitaria. Revista de Investigaciones Veterinarias del Perú, 36(3). https://doi.org/10.15381/rivep.v36i3.30906
Contreras, D., González, L., Láscar, S., & López, V. (2022). Negative teacher–student and student–student relationships are associated with school dropout: Evidence from a large-scale longitudinal study in Chile. International Journal of Educational Development, 91, 102576. https://doi.org/10.1016/j.ijedudev.2022.102576
Dang, T. K., & Nguyen, H. H. X. (2022). A Hybrid Approach Using Decision Tree and Multiple Linear Regression for Predicting Students’ Performance Based on Learning Progress and Behavior. SN Computer Science, 3(5), 393. https://doi.org/10.1007/s42979-022-01251-5
Daza Santacoloma, G., & Hoyos Osorio, J. K. (2023). Predictive Model to Identify College Students with High Dropout Rates. Revista Electrónica de Investigación Educativa, 25. https://doi.org/10.24320/redie.2023.25.e13.5398
Duro, B., Gomes, A., Correia, F. B., Borges, A. R., & Bernardino, J. (2026). Machine Learning and Deep Learning for Dropout Prediction in Higher Education: A Review. Computers, 15(3), 164. https://doi.org/10.3390/computers15030164
Forti, M., Bilancia, M., Cafarelli, B., del Gobbo, E., & Nigri, A. (2025). Predicting dropout from higher education with multinomial finite mixture models: Empirical evidence from Italy. Quality & Quantity. https://doi.org/10.1007/s11135-025-02135-5
Garrido Silva, C. A., Pajuelo Díaz, J., Garrido Silva, C. A., & Pajuelo Díaz, J. (2023). Deserción en estudiantes de educación superior: Un estudio de caso. Universidad, Ciencia y Tecnología, 27(119), 18-28. https://doi.org/10.47460/uct.v27i119.703
Gonzalez, B., Mendes, T. P., Pinto, R., Correia, S. V., Albuquerque, S., & Paulino, P. (2025). Predictors of higher education dropout intention in the post-pandemic era: The mediating role of academic exhaustion. PLOS ONE, 20(7), e0327643. https://doi.org/10.1371/journal.pone.0327643
Granda, L. E. Á., Yautibug, F. C., & Copa, R. A. (2024). Deserción en la Educación Superior en Ecuador, Causas y Consecuencias. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 11475-11490. https://doi.org/10.37811/cl_rcm.v8i3.12472
Huynh-Cam, T.-T., Chen, L.-S., & Lu, T.-C. (2025). Early Prediction Models and Crucial Factor Extraction for First-Year Undergraduate Student Dropouts. Journal of Applied Research in Higher Education, 17(2), 624-639. https://doi.org/10.1108/JARHE-10-2023-0461
Jiménez-Gutiérrez, A. L., Mota-Hernández, C. I., Mezura-Montes, E., & Alvarado-Corona, R. (2024). Application of the performance of machine learning techniques as support in the prediction of school dropout. Scientific Reports, 14(1), 3957. https://doi.org/10.1038/s41598-024-53576-1
Kocsis, Á., & Molnár, G. (2025). Factors influencing academic performance and dropout rates in higher education. Oxford Review of Education, 51(3), 414-432. https://doi.org/10.1080/03054985.2024.2316616
Lima, M. N. C. A., & Fagundes, R. A. de A. (2020). Educational DataMining: A Study of the Factors That Cause School Dropout in Higher Education Institutions in Brazil. RENOTE, 18(1). https://doi.org/10.22456/1679-1916.105950
Marca Maquera, H., Coyla Zela, M., & Paredes, R. P. (2025). Factors at the household and university level that influence student dropout at UNAM. Frontiers in Education, 10, 1598687. https://doi.org/10.3389/feduc.2025.1598687
Márquez, F., & Sánchez-Pozo, N. (2023). Modelo de predicción de deserción: Un estudio de caso de estudiantes de la Universidad Politécnica Estatal del Carchi. Prometeo Conocimiento Científico, 3, e34. https://doi.org/10.55204/pcc.v3i2.e34
Núñez-Naranjo, A. F. (2024a). Analysis of the determinant factors in university dropout: A case study of Ecuador. Frontiers in Education, 9, 1444534. https://doi.org/10.3389/feduc.2024.1444534
Núñez-Naranjo, A. F. (2024b). Analysis of the determinant factors in university dropout: A case study of Ecuador. Frontiers in Education, 9. https://doi.org/10.3389/feduc.2024.1444534
Orozco-Rodríguez, C., Viegas, C., Costa, A. R., Lima, N., & Alves, G. R. (2025). Dropout Rate Model Analysis at an Engineering School. Education Sciences, 15(3), 287. https://doi.org/10.3390/educsci15030287
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021a). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. PLoS Medicine, 18(3), e1003583. https://doi.org/10.1371/journal.pmed.1003583
Paksi, B., Széll, K., & Fehérvári, A. (2023). Empirical Testing of a Multidimensional Model of School Dropout Risk. Social Sciences, 12(2), 50. https://doi.org/10.3390/socsci12020050
Pavón, M. A. L., & Paez, S. A. C. (2025). Modelado del índice de deserción estudiantil en Carreras de Ingeniería en una Institución de Educación Superior.: Modeling of the student dropout rate in Engineering Degrees in a Higher Education Institution. Revista Científica Multidisciplinar G-nerando, 6(2), ág. 228-242. https://doi.org/10.60100/rcmg.v6i2.733
Quimiz-Moreira, M., Delgadillo, R., Parraga-Alava, J., Maculan, N., & Mauricio, D. (2025). Factors, Prediction, Explainability, and Simulating University Dropout Through Machine Learning: A Systematic Review, 2012–2024. Computation, 13(8), 198. https://doi.org/10.3390/computation13080198
Rabelo, A. M., & Zárate, L. E. (2025). A model for predicting dropout of higher education students. Data Science and Management, 8(1), 72-85. https://doi.org/10.1016/j.dsm.2024.07.001
Rahmani, A. M., Groot, W., & Rahmani, H. (2024). Dropout in online higher education: A systematic literature review. International Journal of Educational Technology in Higher Education, 21(1), 19. https://doi.org/10.1186/s41239-024-00450-9
Realinho, V., Machado, J., Baptista, L., & Martins, M. V. (2022). Predicting Student Dropout and Academic Success. Data, 7(11), 146. https://doi.org/10.3390/data7110146
Rebelo Marcolino, M., Reis Porto, T., Thompsen Primo, T., Targino, R., Ramos, V., Marques Queiroga, E., Munoz, R., & Cechinel, C. (2025). Student dropout prediction through machine learning optimization: Insights from moodle log data. Scientific Reports, 15(1), 9840. https://doi.org/10.1038/s41598-025-93918-1
Romero, S., & Liao, X. (2025). Statistical and machine learning models for predicting university dropout and scholarship impact. PLOS ONE, 20(6), e0325047. https://doi.org/10.1371/journal.pone.0325047
Segura, M., Mello, J., & Hernández, A. (2022). Machine Learning Prediction of University Student Dropout: Does Preference Play a Key Role? Mathematics, 10(18), 3359. https://doi.org/10.3390/math10183359
Selim, K. S., & Rezk, S. S. (2023). On predicting school dropouts in Egypt: A machine learning approach. Education and Information Technologies, 28(7), 9235-9266. https://doi.org/10.1007/s10639-022-11571-x
Seo, E.-Y., Yang, J., Lee, J.-E., & So, G. (2024). Predictive modelling of student dropout risk: Practical insights from a South Korean distance university. Heliyon, 10(11). https://doi.org/10.1016/j.heliyon.2024.e30960
Song, Z., Sung, S.-H., Park, D.-M., & Park, B.-K. (2023). All-Year Dropout Prediction Modeling and Analysis for University Students. Applied Sciences, 13(2), 1143. https://doi.org/10.3390/app13021143
Tong, T., & Li, Z. (2025). Predicting learning achievement using ensemble learning with result explanation. PLOS ONE, 20(1), e0312124. https://doi.org/10.1371/journal.pone.0312124
Villar, A., & de Andrade, C. R. V. (2024). Supervised machine learning algorithms for predicting student dropout and academic success: A comparative study. Discover Artificial Intelligence, 4(1), 2. https://doi.org/10.1007/s44163-023-00079-z
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Gloria Viviana Paredes Barrigas, Washington Gonzalo Pomoboza Junez, Adrián Bladimir Andrade Carvajal, Katy Marisol Gaibor Naranjo, Maritza Geoconda Andrade Carvajal, Paulo Cesar Poma Villafuerte
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
