Pontificia Universidad Católica de Chile Instituto de Economía Economía de la Educación EAE-396E 1° Semestre de 2011

Efecto Fijo del Profesor en la Educación Básica
Caso chileno: Escuelas de la Sociedad de Instrucción Primaria Parte II

Profesor: Claudio Sapelli Natalia Jáuregui R. 06 mayo 2011

Introducción
Un debate amplio en la historia política y económica de cada país ha sido siempre el tema del proceso educativo y todo lo relacionado con elevar la calidad de la educación, es decir, las técnicas de enseñanza, los recursos disponibles y su distribución, la pedagogía, las actitudes de los profesores, la distribución de los alumnos, situación familiar, gastos e inversión en educación, etc. Diversas disciplinas han intentado discutir y dar solución a problemas relativos a la eficiencia y eficacia del sistema educacional. El debate concluye enfocándose principalmente en saber cuáles son los factores que realmente influyen en el aprendizaje y que contribuyen en la formación de los alumnos, y en consecuencia cuáles son las políticas públicas que pueden incidir directamente en favorecer la existencia de estos factores. Diversos estudios han investigado el acervo de factores que pueden contribuir de forma significativa en el rendimiento y por ende en la educación del niño, durante las últimas décadas éstos han documentado el hecho de que estudiantes en algunas salas de clases aprenden más que en otras salas de 1 clases del mismo grado . Si bien típicamente se han atribuido estas diferencias a diferencias en la calidad de los profesores, existe poca evidencia que apoye esta única interpretación sin considerar además otros factores complementarios como el tamaño de clases, el gasto por alumno, efecto compañero, etc. El problema está en poder identificar las características observables de los profesores o las características de las escuelas, y distinguirlas de las no observables, que estarían efectivamente relacionadas con la calidad de éstos y que por lo tanto, impactarían de forma significativa en el rendimiento de sus estudiantes (Erik A. Hanushek, 1986). Más allá de esto, los profesores han tomado gran relevancia y han resultado ser uno de los factores más estudiados en el consenso de la literatura, ya que son considerados parte importante del desarrollo del alumno, debido a que la mayor parte del proceso educativo que viven los niños y adolescentes al interior de los colegios pasa directamente por sus profesores. En este contexto, mi trabajo presentará una descripción de la literatura internacional que estudia el rol que tienen los profesores en el aprendizaje estudiantil, y posteriormente mostrará algunos trabajos chilenos que analizan estos aspectos. Posteriormente, introduciré mi análisis enfocado en el caso chileno, enfocándome en el caso particular de las escuelas pertenecientes a la red más renovada del sistema privado subsidiado (de vouchers) en Chile, la Sociedad de Instrucción Primaria (SIP). Dado que los colegios SIP han tenido durante décadas un exitoso rendimiento debido a que poseen un sistema de medición y recolección de datos de buena calidad, es que he decidido utilizar ventajosamente su situación para analizar la influencia que tienen los profesores en el rendimiento de alumnos de primaria basado en los resultados de los exámenes de lenguaje y matemática que realizan periódicamente. Finalmente, realizaré una descripción de los datos utilizados e introduciré la metodología de efecto fijo que pretende tener esta investigación para analizar el impacto que tienen los profesores sobre el rendimiento de los alumnos, basados en los resultados de test de matemáticas y de lenguaje aplicados en los colegios SIP a los alumnos, y principalmente en el hecho de poder hacer coincidir en nuestra base los datos de alumnos por profesor.

1

Ver Hanushek, 1971, 1992, 1995, 2002; Murnane and Phillips, 1981, Harbison and Hanushek, 1992; Mullens, Murnane and Willett, 1996; Rockoff, 2003.

sin embargo. Estos son: Ehrenberg y Brewer (1994) que usa el estudio longitudinal High School and Beyond para identificar cuáles características del colegio y del profesor influyen en la probabilidad de que el alumno de una escuela pública abandone la secundaria y ver además si influye en aumentar los resultados de los test durante un período de 2 años. Schools and Academic Achievement”. (The Coleman Report). con la publicación del reporte de Coleman et al. “Teachers. 73. indicaron que los colegios sí tienen un rol importante en el aprendizaje y consiguientemente en el rendimiento de los alumnos. tiene una limitación por cuanto es difícil identificar los componentes del profesor que reflejen mayor calidad (o los inputs de las escuelas que indican mayor calidad de ésta). que era más alto para los profesores que recibían pagos por méritos. y esto se ha debido principalmente a la dificultad que presentan los datos con los que se trabajan. debido especialmente a la endogeneidad de las variables explicativas (dado que profesores y alumnos no son asignados siempre a los colegios o a las salas de clases aleatoriamente. Erik A. esta discusión parte en 1966. Vol. provocando formulaciones imprecisas del problema y por lo tanto. este link entre los inputs y el logro estudiantil ha tenido críticas tanto en la metodología como en la interpretación (ver por ejemplo Hanushek and Kain (1972)). Econometrica. La literatura corrige esto basada en el efecto fijo del profesor (o de forma más general. afectando negativamente las decisiones de política . Rivkin. no son datos adecuados ni se usan supuestos ni metodologías correctas. sin utilizar ningún control por efectos fijos. Su principal conclusión fue que el mayor determinante del resultado académico de un estudiante es su nivel socioeconómico. el debate educacional se ha enfocado en encontrar razones a favor y en contra del rol que tienen los colegios en producir mayores logros de rendimientos en sus alumnos. Hanushek and John F. encontrando que existe un efecto positivo en ganancias medida a través de sus resultados de test de matemática y lectura. basada en los recursos de los colegios). Tenemos dos estudios que usan el método de estimación MICO para evaluar los efectos del profesor sobre el rendimiento. pero que en la práctica esta relación es muy difícil de identificar estadísticamente. Kain. March 2005. 417–458. y por lo tanto. siendo menos significativos los aportes que realizan tanto los profesores como el colegio. por clase. en USA y en otros países. . Y Cooper y Cohn (1997) que estiman una frontera de producción a partir de analizar la regresión de datos de nivel-clase en South Carolina.Revisión de la Literatura Marco Internacional Como ya mencionamos antes. La investigación al respecto ha terminado siendo muchas veces confusa y contradictoria. existirá correlación entre las características no observables de los alumnos y de los profesores que afectarán el desempeño del estudiante). no les permite realizar propuestas claras de política educacional que les favorezca 2 2 Steven G. 2. Los estudios que siguieron a éste. No. resultando en estimaciones vulnerables al sesgo de variables omitidas. Sin embargo.

utilizando una submuestra de establecimientos. Si bien estudiantes enseñados por profesores de mayor calidad tienen logros significativamente mayores también. Utilizan datos para tres cohortes de estudiantes del estado de Texas y en sus resultados encuentran que una desviación estándar de la calidad de los profesores aumenta los resultados del examen de matemáticas en 0. las características que resumen el pago a los profesores como su nivel de educación. a través de efectos fijos como ya mencioné. específicamente su experiencia y su desempeño en el examen de licenciatura. Rockoff (2004). (2005) y Rivkin et al. alguno de los cuales analizaremos más tarde. El sistema está en identificar al alumno mediante la materia emparejándolo con el profesor que enseñó esa materia. Ladd y Vigdor (2006a) que utiliza datos de corte transversal. Hanushek (1997) realiza una revisión de esos trabajos. explican poco de la variación en la calidad de éstos. incorporando efectos fijos por colegio y analizando características observables de los alumnos a través de las distintas salas. Ellos encuentran que la calidad de los profesores medida de esta forma es razonablemente estable en el tiempo. y que el efecto de la calidad de los profesores es más fuerte que el efecto del tamaño de los cursos.promover mejor desempeño. Hay literatura que busca medir el efecto de la calidad del profesor y luego relacionar determinadas características del profesor con la calidad. su formación. existe otro estudio realizado por Clotfelter. Un estudio realizado en India (G. La literatura relacionada con datos de corte transversal es la que ha encontrado más dificultades para enfrentar estos problemas y solucionarlos. Hanushek et al. Hanushek y Kain (2005) utiliza datos de corte transversal para identificar diferencias entre los rendimientos de los alumnos a través de los colegios. 2006) utiliza datos de corte transversal sobre resultados de test de estudiantes en cinco distintas materias. Realizan un estudio within-pupil across-subject más que uno within-pupil acrosstime. permitiéndole controlar por todos los inobservables de la familia y del alumno. Además concluye que los rendimientos de los alumnos son predichos robustamente por características del profesor. De esta forma revela que es elemental la existencia de asignación no aleatoria de los profesores al interior de los colegios más que a través de ellos. y soluciona el problema de sesgos tanto al interior de los colegios como entre ellos. Distinguiremos trabajos que se han enfocado en distintos tipos de bases de datos y en diferentes metodologías utilizadas. G. usando datos de niños de quinto básico en el estado de Carolina del Norte. para mostrar a través de un modelo de efecto fijo por alumno.11 desviaciones estándar y 0. que según los autores presenta ventajas metodológicas y de costos sobre los enfoques de datos de panel (de los cuales hablaré después). Estudios de Aaronson. Su muestra corresponde a 186escuelas afiliadas al Council for Indian Secondary Certificate Examinations (CISCE). Estos trabajos difieren en el enfoque que toman para evitar el sesgo de selección e identificación de la correlación de los no observables con el rendimiento de los alumnos. encuentran que diferencias en la calidad de los profesores (asociada al efecto fijo del profesor) más que las características de los establecimientos explican fundamentalmente estas diferencias en los resultados de los exámenes. en determinado grado en un año o en el cohorte en que le enseñó a lo largo de varios años. El trabajo realizado por Rivkin. . Sin embargo. ya que dado un año examinan las características del profesor de tal materia relacionado al resultado del test del alumno a través de las materias dentro del mismo colegio. su experiencia. (2005) siguen esta estrategia. la cual usa datos que pueden efectivamente emparejar a los profesores con los alumnos en diferentes clases.095 en lectura. Kingdon. Barrow and Sander (2003). teniendo siempre presente los problemas de identificación.

El trabajo que realizan los autores Hanushek. Los investigadores utilizan el valor agregado de los resultados de test de los estudiantes para estimar el valor agregado de los profesores. indicando que ésta afecta en la calidad de los profesores e interactúa con características de los niños. la literatura basada en datos de panel es un poco más reciente. Eso les permite identificar por separado el efecto del profesor del efecto del colegio. sociales y ciencias) para tres grados (3ero. Concluye que en ausencia de un sistema de asignación sería posible obtener estimadores insesgados del efecto causal del profesor. lectura. que es el parámetro con el cual miden la calidad de éstos. Sandra Horn and William Sanders (1997) en su investigación analizaron datos de resultados del test TCAP para cinco materias (matemática.22 desviaciones estándar el resultado que hubiese obtenido con el profesor de calidad mediana. el tamaño de clases y otros. el efecto de un profesor de 5to grado sobre un alumno es casi tan grande como el efecto que tiene en el aprendizaje sobre el 4to grado. tenemos un enfoque basado en el método de Valor agregado del aprendizaje de los alumnos. El trabajo de Jesse Rothstein (2008) utiliza también éste modelo haciendo una falsificación del modelo de valor agregado para testearlo. pero que esta condición de asignación aleatoria no puede ser garantizada al menos en el caso de los profesores. 2004). (2006) en su trabajo. más allá de sus habilidades personales. Paul Wright. para el profesor. b). y el simposio en el Journal of Educational and Behavioral Statistics (Wainer. Encuentran que los buenos profesores tienen efecto positivo en el rendimiento del alumno. aluden a la . encontrando resultados similares a los autores anteriores. dentro de las investigaciones que tienen metodologías sobre bases de datos de panel. Los autores S. Ellos muestran que el desempeño del alumno puede ser explicado por la intensidad de con que los profesores fueron desarrollándose en su carrera. Harris y Saas (2006). de las características de los alumnos y de sus habilidades. Sus conclusiones son que el efecto del profesor tiene un factor dominante relativo a las ganancias en rendimientos. lenguaje. también. También tocan el tema de la experiencia. Kain. por sobre los efectos del tamaño de clases y los efectos de la heterogeneidad dentro de las salas. considerando además la influencia de la heterogeneidad dentro de clases. estimando efectos para el colegio. McCaffrey et al. entendiendo esto como una evidencia directa de que hay asignación no aleatoria. En este mismo tipo de métodos encontramos el trabajo de Kukla-Acevedo (2009) en el cual usan datos para el estado de Kentucky. es decir. Braun (2005a. O’Brien y Rivkin (2005). muchas veces permiten identificar fácilmente al profesor que estuvo a cargo de la enseñanza de determinado alumno en cada una de sus etapas educativas. y encuentran que existen diferencias significativas entre los colegios en términos de la efectividad de sus profesores. más que al interior del colegio mismo. y que el alumno que tiene un profesor con calidad en el percentil 85 supera en 0. Así. que usa modelos semiparamétricos. para estudiantes de Tennessee. si dedicaron mayores horas a instruirse en su disciplina o si tuvieron mejor desempeño en sus estudios universitarios impactará positivamente en los rendimientos de sus futuros alumnos. Los investigadores a través del TVAAS (Tennessee Value-Added Assessment System) utilizaron metodologías estadísticas mixed-model para hacer análisis multivariados y longitudinales de los rendimientos de los alumnos. 4to y 5to) en los años 1994 y 1995. del logro por nivel de los alumnos y del tamaño de clases sobre el logro académico de los estudiantes. (2003). También los autores Clotfelter et al. demostrando que existen grandes efectos de los maestros actuales en los rendimientos pasados de los alumnos. utiliza esta metodología para datos de un distrito grande de Texas. Distintos artículos que estudian también modelos de valor agregado son Ballou (2002).Por otro lado. por ejemplo con su raza o su nivel socioeconómico. Estas bases de datos son mejores en el sentido que permiten seguir al alumno en el tiempo y.

y que las habilidades de los profesores pueden ser explicadas por los test de licenciatura.importancia de los sistemas de asignación no aleatoria para el análisis de valor agregado. Sus resultados muestran que hay grandes diferencias en la calidad de los profesores al interior de los colegios y que aumentos en una desviación estándar en la calidad de los profesores aumenta en promedio 0. como por ejemplo si la mayor experiencia afecta el rendimiento debido a que los peores profesores se retiran más tempranamente o porque se están volviendo mejores con el tiempo. Los autores Clotfelter. Greenwald and L. Un siguiente enfoque desarrollado en la literatura es el basado en datos longitudinales. encontrando que un gran rango de recursos estaba positivamente relacionado con los resultados de los alumnos. este tipo de estudios basados en datos de panel. donde su base le permite comparar el rendimiento del mismo estudiante con diferentes profesores y distinguir el efecto de la variación en la calidad de los profesores de la variación en las habilidades de los alumnos. aunque su beneficio es menor). Usaron este método para estimar la dirección y la magnitud de los recursos en el logro estudiantil. cuyo efecto sugiere que un incremento moderado del gasto puede estar asociado a mejoras en el rendimiento. empleando métodos de experimentos aleatorios para proveer de una buena . pero concluye que es un tema relativamente de menos importancia en Carolina del Norte. donde usaron datos de colegios a nivel de distritos. el cual mide la varianza de los efectos fijos de los profesores considerando el error de estimación. Otro enfoque posible es el basado en el método de random-effects meta-analysis. R. para ellos los certificados de licenciatura y el tipo de licenciatura tienen efectos positivos sobre los test de los alumnos. Wilson. También controla por las certificaciones obtenidas de los profesores. Folden and J. es el realizado por R. Hedges (1996).1 desviaciones estándar los resultados de test estandarizados de lenguaje y matemáticas. examinando tres bases de datos electrónicas desde 1975 a 2002 (la base ERIC que posee índices de revistas y recursos técnicos en educación. en el contexto de funciones de producción de la educación. Otro tipo de estudios examina la relación entre las características de los profesores y el logro de los alumnos directamente. Rockoff (2004) utiliza esta metodología y para esto analiza datos de estudiantes de dos distritos de Nueva Jersey. la base PsychLit y la base EconLit ). También puede diferenciar el efecto de la variación en la calidad de los profesores de otras características como su experiencia y el tamaño del curso (mayor experiencia aumenta significativamente los resultados del alumno y un menor tamaño de clases también. Estos estudios son presentados en un resumen comparativo que hacen los autores S. para un período de 10 años. con el fin de obtener áreas en las cuáles debe enfocarse la política para obtener mejoras en el sistema educativo a través de la preparación de los profesores. Sus conclusiones son que la experiencia de los primeros años son los que dan mayores beneficios. para aislar el efecto de que profesores con mejores calificaciones eduquen niños con mayores habilidades. incluso si se ha controlado por el sesgo del error de medida. controlando por características socioeconómicas. Por otro lado. donde la información es un poco más completa permitiéndoles abordar temas adicionales. son a menudo inviables debido a la ausencia de datos longitudinales confiables y completos en la mayoría de los países. y que el efecto promedio no se debe a diferencias en atrición de los profesores de distintas habilidades. Ladd y Vigdor (2006b) usan esta metodología para datos de alumnos entre 3ero y 5to año de primaria. No obstante. Ferrini-Mundy (2001). Otro estudio de meta-analysis relacionado con los recursos de la escuela y su efecto sobre el rendimiento de los alumnos. Diferentes estudios de meta-analysis también han sido desarrollados desde hace tiempo.

que han prometido también sacar el problema de la endogeneidad. Sprietsma and Waltenberg. y de su efectividad como educador. Estos sin embargo han sido muy criticados y siguen siendo poco frecuentes. a partir del cual genera una base para las estimaciones del valor económico que tiene mejorar la calidad del profesor. Su análisis pasa por estudiar el lado de la demanda del mercado laboral de los profesores en USA. 2006. La demanda de calidad del profesor es medida a través del impacto que tiene el profesor en los resultados de los alumnos. 2003. y se mencionan por su relevancia actual como medida de comparación y guía para posteriores investigaciones relacionadas. Las conclusiones al respecto son muchas veces contradictorias y débiles. Concluyendo que mayores salarios de los profesores estarían económicamente justificados si los salarios de verdad reflejaran la efectividad del profesor. Glewwe. y el impacto de una menor efectividad del profesor (menor calidad) sobre el crecimiento económico. Para todos estos estudios la evidencia no ha logrado ser indiscutible. sin embargo su mayor dificultad es encontrar instrumentos válidos como variables de estimación. Laura and Stickler. usando principalmente el efecto de los incentivos a los profesores (Duflo and Hanna. identifican algunas predicciones fuertes y consistentes sobre el logro del estudiante. 2005). quiero mencionar el actual e interesante trabajo de Hanushek (2010). que sintetiza decenas de investigaciones que relacionan. Los métodos de comparación son realizados a partir del impacto que tiene el mayor rendimiento del profesor (y por ende mayor demanda de calidad de éste) sobre los ingresos individuales. 2005. Se presenta a al final del documento (Ver Anexo) un breve resumen con el contenido de estos estudios. ya que incluso existiendo normas oficiales exógenas. existen pocos estudios que miden el efecto que tienen las características de los profesores y su variación en la calidad de éstos sobre el rendimiento de los alumnos. Chile: literatura Para el caso de Chile. sin embargo. Por otro lado. sugiero mirar un estudio realizado por el National Comprehensive Center for Teacher 3 Quality . medido a través de exámenes estandarizados. de igual forma que los trabajos vistos hasta ahora. los cuales analizan la calidad del profesor a partir de cuatro categorías distintas: indicador de calidad en términos de sus calificaciones. de sus prácticas de enseñanza. es decir. Otros estudios han usado enfoques estadísticos como los modelos de variables instrumentales (Hoxby. Por último. Del mismo modo otro tipo de estudios: discontinuity design studies. donde presenta comparaciones de diversos estudios y sus resultados.solución a la endogeneidad. Kingdon and Teal. “Teacher Quality and Student Achievement: Making the most of recent research”. como tamaño máximo de clases o la edad de ingreso mínima a la escuela. Muralidharan. Leslie. lo que los ha llevado a tener falta de acuerdo en los resultados y discusiones apasionadas sobre sus interpretaciones. Ilias and Kremer. 2002. National Comprehensive Center for Teacher Quality. 1996. Esto se debe principalmente a lo difícil que es medir adecuadamente el impacto de los recursos de las escuelas sobre el aprendizaje del estudiante. March 2008. 2006). en USA. Lavy. . a través del logro agregado. su mayor calidad. presentando información acerca de la efectividad del profesor y del correspondiente impacto económico que tiene éste sobre el rendimiento del alumno. ya que no existen datos de paneles amplios y reconocidos para todas las 3 Goe. determinadas características de calidad del profesor con el rendimiento del estudiante. son infactibles para llevar a cabo en muchos países desarrollados. son raramente agregadas a la práctica. de sus características propias.

y los resultados del programa AVDI para profesores destacados). Ellos estudian los resultados del SIMCE de alumnos de 4to de enseñanza básica. Repetto. y que además tienen un efecto no lineal y decreciente en la experiencia. encontrándose en ambos casos relaciones positivas entre los resultados. Además. el resultado de los alumnos dependerá o se verá influido por el desempeño de los profesores. Documentos de Trabajo Escuela de Gobierno. (2006a) es el de los autores B. Otro trabajo que utiliza datos de corte transversal del 2002 y sigue la metodología usada por Clotfelter et al. 4 B. A. como una función de las características de los niños y sus familias. Incluyen además el resultado del SIMCE del colegio de años anteriores como variable explicativa. (2008) el primero en considerar variables de calidad de desempeño docente para explicar los resultados de los alumnos a los que el docente evaluado les hizo clases.escuelas que nos permitan identificar a los alumnos con sus respectivos profesores y seguir a la vez su 4 desempeño a través de los años . Lara. ya que no podría extenderse el análisis al universo completo de estudiantes. los resultados de la evaluación docente en escuelas municipales. del 2005 y del 2006. en un país en desarrollo. Hasta ése momento. de los colegios donde son educados y de sus profesores. A. León. Concluye que las profesoras tienen un efecto positivo sobre el rendimiento de los alumnos. Repetto (2010). Mizala. Mizala. Dado que estos estudios poseen una limitación importante debido a que no corrigen por la no aleatoriedad en la asignación. A. para corregir el problema de la asignación no aleatoria al interior de los colegios (suponiendo siempre que esta asignación habría sido hecha mediante variables observables de los niños). Universidad Adolfo Ibáñez. 2010. (2008) utiliza los datos del SIMCE de niños de cuarto básico de varios años y los compara con tres tipos de evaluaciones que tienen los profesores (los resultados del programa voluntario AEP. A. en la medida que los colegios pequeños (con una sola sala) sean significativamente distintos a los demás colegios. Para ello utiliza los datos del SIMCE de cuarto básico. utilizando la metodología del modelo lineal jerárquico. para corregir pos sesgo de asignación no aleatoria al interior del colegio seleccionan una muestra de colegios en los que existe una sola clase por nivel. En el primer trabajo. Manzi y Paredes (2009) usan datos del SIMCE del 2006 a nivel promedio de los colegios y los compara con los resultados de las evaluaciones docentes de los años 2005 y 2006. Lara. haciendo uso de datos de corte transversal encontramos en dos estudios que se han correlacionado los resultados del SIMCE de los alumnos con los resultados de los profesores en sus evaluaciones docentes. y además presentan sesgo relacionado con las evaluaciones docentes por cuanto algunas son voluntarias.(2006a). . de un grupo de colegios que presenta características observables similares de los alumnos a través de las salas. Toledo (2010) introduce en su estudio efectos fijos por colegios y sigue el procedimiento de Clotfelter et al. “Una mirada a la efectividad de los profesores en Chile”. Siendo el trabajo de Bravo et al. En el segundo caso. los estudios de la función de producción de educación solo habían considerado variables demográficas de los profesores para poder identificarlos (como su género o su edad). para corregir por sesgos ocasionados en la asignación no aleatoria de alumnos y de profesores a través de los colegios. ya que hasta ese curso los niños tienen un sólo profesor. tanto de los alumnos como de los profesores. tendrán correlacionadas las variables de estudio mismas. A partir de esto. Sin embargo. Bravo et al. Aunque reconocen que esto les quita validez externa.

La primera escuela fue creada en 1889 y estuvo enfocada principalmente en la educación adulta. no poseen ningún otro proceso sistemático de selección de los alumnos basados en test de habilidades. El estudio de la OECD menciona que parte del éxito de esta red de escuelas se debe a la eficiente 5 administración que posee. Los directores son líderes educacionales. del colegio. medido a través de los resultados de los test de matemática y lenguaje que son aplicados cada año.    5 OECD Economic Surveys: Chile. y el porcentaje de alumnos en Educación Prebásica es 10. sin embargo.000 alumnos en calidad de asesorados y más de 700 profesores. o por presencia de problemas familiares (como violencia). el porcentaje de alumnos en Educación Básica es 72. Las escuelas pertenecientes a la sociedad corresponden a barrios de medianos y bajos ingresos en Santiago. y realizando observaciones en las salas para identificar fuerzas y debilidades y dirigirlas al desarrollo profesional. OECD 2010. 20.028). y no obstante obtener un desempeño en sus escuelas muy similar a las del sector privado. Apoyo pedagógico fuerte. por lo que requieren de un proceso de selección basado en entrevistas con los padres. De esta forma logran atender aproximadamente un tercio de los estudiantes en condición de vulnerabilidad. para poder así evaluar el impacto de la calidad de los profesores sobre el rendimiento de los alumnos. en 11 comunas de la región Metropolitana.82% (3.654 alumnos internos. con un involucramiento alto de los padres. Compromiso de los estudiantes y de sus familias. me he interesado en el caso de las escuelas pertenecientes a la red SIP debido a que poseen una rica base de datos. a través de metodologías de enseñanza y asignación de recursos eficientes. Ellos identifican cuatro puntos principales como conductores de sus resultados :  El foco está en el desempeño académico. La proporción de alumnos que se encuentran en Educación Media es 16. administra actualmente 17 colegios de tipo particular-subvencionado. que vienen construyendo desde hacer varios años atrás.73. gastando tiempo considerable en el desarrollo del campo educacional. .489). La sociedad fue fundada en 1856. para dar paso a la presentación de los datos que utilizaré y una pequeña ilustración de la metodología en la cual basaré mi investigación.87% (2.Sociedad de Instrucción Primaria En este contexto.137). especialmente cuando el departamento pedagógico recomienda apoyo al estudiante ya sea por el campo de sus resultados en las pruebas. y como ya mencioné al principio. La SIP es una red de colegios que fue descrita recientemente por el OECD como un exitoso ejemplo de entrega de educación a estudiantes en desventaja. Tiene más de 150 años entregando educación de excelencia a niños de escasos recursos. Comenzaré con un breve resumen de la estructura de estas escuelas. lo que les permite tomar decisiones basadas en los datos. del curso como del profesor. mediante visitas a las salas de clases del departamento pedagógico y asistencia para mejorar las habilidades de los profesores. y la cantidad de alumnos promedio por curso alcanza a 41. y en realizar pruebas sistemáticas de los resultados del aprendizaje de los alumnos. El porcentaje de hombres: 52% y el porcentaje de mujeres es 48%. Atienden por año 447 cursos.31% (13. que son las que sirven más a estudiantes provenientes de familias con mayores ingresos. con aproximadamente 18. la cual me permitirá controlar por efectos fijos tanto del alumno.

R. Who will teach? Policies that matter. 1991. Esto se ha podido obtener sólo a partir del año 2009. evaluadas 2 veces al año. (1991). ya que en básica es solamente un profesor el que enseña todas las materias. D. Si bien el test de matemáticas es el que parece ser de mayor poder predictivo que el de matemáticas para la futura productividad del estudiante. Singer. 5:1184–1208. Schooling. Además posee datos personales del alumno. 2: 280–310. para los años 2009 y 2010. La ventaja de la base es que posee una gran cantidad de datos pertenecientes a 17 escuelas. Changes in college skills and the rise in the college wage premium. "Comprensión de la Naturaleza". Hanushek. no así como en los niveles mayores. red de escuelas particulares subvencionadas (Vouchers) existente en Chile. E. labor-force quality. ya que la base de datos diseñada para los años anteriores no posee el matching correspondiente entre el alumno y su resectivo profesor. en junio y en diciembre. Willett. & Olsen. y se realizó un análisis en paralelo con ellos para hacerlos comparables entre colegios y a través de los grados. desde primero hasta sexto. de forma absoluta e individual.Descripción de los Datos Antecedentes La información recolectada corresponde a datos administrativos generados por la Sociedad de Instrucción Primaria. & Kimko. Murnane et al. MA: Harvard University Press. con el fin de evaluar la etapa escolar que más fuertemente se ve influida por la enseñanza del profesor... Cambridge. Los establecimientos que componen la sociedad desde 1889. Grogger and Eide 1995. R. Grogger & Eide (1995). Los años considerados en esta oportunidad son solamente 2. del profesor y de la familia. Con el objetivo de medir el rendimiento del alumno. "Matemática". no. he decidido evaluar ambos casos en este estudio. De esta forma evaluar el cambio de un profesor puede tener consecuencias más claras sobre el impacto de éste sobre su rendimiento académico que lo que puede llegar a ser en otras etapas escolares (como en segundo medio por ejemplo). También he limitado los datos a los resultados obtenidos en los grados menores correspondientes a la enseñanza básica. corresponden a colegios urbanos que han servido a estudiantes de bajos y medianos recursos de Santiago. identificando si existen cambios relativamente importantes al respecto. "Biología". J. y a menudo es asumido como tal (ver por ejemplo. "Comprensión del Medio". . de tal forma que siempre han sido utilizados por ellos mismos con el objetivo de lograr un modelo exitoso de enseñanza. Los datos de las pruebas están basados en términos del logro obtenido en cada test. "Comprensión de la Sociedad". También existen datos del logro normalizado. Se limitó la muestra a los estudiantes que tuvieran resultados en ambas pruebas en años consecutivos. J. para cada alumno. no. American Economic Review 90. me enfoqué solamente en los resultados de las pruebas estandarizadas de Lenguaje y Matemáticas. con lo cual la cantidad de datos evaluados disminuye rápidamente. and the growth of nations. y Hanushek and Kimko 6 2000 ). y "Química". Las asignaturas evaluadas son: “Lenguaje y Comunicación". en que poseen un profesor para cada asignatura. La normalización está hecha en base 6 Murnane. los que poseen la particular característica de ser de alta calidad y amplio tamaño. Journal of Human Resources 30. La base de datos original contiene los puntajes logrados en pruebas de 8 materias distintas. "Historia y Ciencias Sociales". lo cuales serán descritos más adelante. Kemple. J. midiendo y recolectando datos para tomar decisiones en base a ellos. con la idea de asegurar que el logro en la prueba se asocie a la exposición del profesor en ése mismo año.. (2000).

637 2. de forma que una vez más les sirva como herramienta para mejorar el rendimiento de sus escuelas y futuros proyectos educativos.533 1. este es el primer estudio realizado que se preocupa de evaluar el impacto que tienen los profesores en el rendimiento académico de los alumnos de básica de las escuelas SIP.040 1.301 . y para tratar de comparar entre años.250 datos de la prueba de Matemáticas.308 Obs Mat. que van desde la letra A. para todos los niveles escolares.500 datos de la prueba de Lenguaje. 1. por lo que un punto de incremento corresponde en la misma cantidad de aprendizaje en cada escuela dentro de la distribución del nivel. En general los colegios de la SIP poseen un 46% de alumnos becados y sus cursos mantienen en promedio 41 alumnos por sala. el menos vulnerable. En este contexto. lo que muestra los grupos de estudiantes a los que apunta en su mayoría cada escuela.046 1. en los años 2009 y 2010.338 % Hombres 0 0 0 2010 % Mujeres 100 100 100 Obs. Lenguaje y Matemáticas.1). A esta tabla también se le agregan datos del porcentaje de alumnos becados en promedio por colegios. Leng 1. entregándoles posteriormente los resultados y propuestas relacionadas con este estudio.7% son de sexo femenino. Es para comparar por colegios en el mismo año. Resumen Estadístico de los datos La base contiene 87.058 datos de alumnos de 17 colegios. y aprox.3% de los alumnos son hombres y el 51. De estos el 48. a partir del cual el SIP genera otro índice que asigna el grupo socioeconómico al que pertenece el alumno. a la letra E que indica los alumnos de menor gruo socioeconómico. en cada Colegio. La Tabla 1 resume las proporciones de alumnos por sexo en cada colegio.269 Obs Mat. 28. Tabla 1 2009 Colegio FA EH HM % Hombres 0 0 0 % Mujeres 100 100 100 Obs. Tenemos alrededor de 26.546 1.a una distribución (0.898 1.892 1. con respecto al logro de la misma prueba en los otros colegios y en el mismo curso. y también la cantidad de observaciones obtenidas para cada prueba. basados en la estructura del paper de Rockoff (2004). Dentro de los datos que posee la base se encuentran índices de vulnerabilidad asignados a los colegios por el Ministerio de Educación. Procederemos a identificar la base de datos con estadísticas descriptivas y previos análisis de éstas. Se observa que el índice en general es mantenido casi sin cambio para ambos años (el índice asignado a cada colegio corresponde al porcentaje mayor de alumnos que fueron asignados con ése índice). La Tabla 2 representa cada índice por colegio. 1.652 2. indicando finalmente las características de los datos seleccionados para la estimación del efecto fijo del profesor. Estos datos son de carácter privado y han sido facilitados sólo con la intención de que este estudio les retribuya el aporte realizado. Leng 1. y el número promedio de alumnos por curso que poseen. las pruebas pretenden usar una escala de intervalo común por niveles a través de los colegios.

59 41. Becados 59.57 45.761 26495 2.85 .152 3.AM JJP JAR REM ATA GM ICM RS JAA CM FO EMO LI PA Total 44.3 36.24 43.022 1.957 1.04 55.96 42.051 2.155 201 1.97 51.940 1.015 898 293 1.91 47.27 50.953 1.011 2.08 48.3 55.3 38.7 2010 Alumnos x Curso 43.50 47.43 54.35 47.363 3.25 42.947 1.31 0 0 0 51.5 35.09 52.8 44.22 50.082 2.90 48.40 45.65 52.06 42.68 48.69 100 100 100 48.146 3.673 1.96 44.83 47.871 28252 44.893 1.3 55.75 57.25 41.447 1.906 1.25 41.3 45.78 49.817 1.98 41.76 56.39 42.76 48.67 47.713 818 516 2.73 49.17 52.823 1.50 52.713 1.43 48.9 86 38.769 26495 2.417 1.057 1.155 166 1.08 100 100 100 48.869 2.57 51.6 43.7 1.021 1.048 1.607 703 609 1.602 752 521 1.8 45.370 3.60 54.088 2.98 43.32 51.04 57.92 0 0 0 51.42 40.10 51.03 48.69 52.882 28252 Tabla 2 2009 Colegio AM ATA CM EH EMO FA FO GM HM ICM JAA GSE C D C C C C C C C C C % Al.1 42.92 51.006 899 329 1.33 52.7 1.907 2.716 757 605 2.24 51.31 47.823 1.704 1.25 44.712 1.803 1.1 38.

81 40.3 59. es decir bajaron los puntajes en casi todos los 17 colegios.5 1 1.JAR JJP LI PA REM RS B C C D C D Promedio Total SIP 65.5 1 1. veremos que tanto para matemáticas como para lenguaje los puntajes se movieron en su distribución hacia la izquierda.4 33.5 REM 5 RS 0 0 .035% 39. Logro Prueba Lenguaje por Colegios kdensity AM 5 ATA CM EH EMO 0 FA 5 FO GM HM ICM 0 JAA 5 JAR JJP LI PA 0 0 .88 44 41.3 26. Los siguientes dos gráficos representan los logros obtenidos por los alumnos para los 2 años. en cada escuela.69 39.5 1 1.5 0 .5 x Logro año 2009 Gráficos por Colegios Logro año 2010 .5 1 1.3 38 49.02 38.93 Si realizamos gráficos de densidad para comparar la evolución de los rendimientos en general para los colegios de la SIP desde el 2009 al 2010.5 46.86 43.5 0 .5 0 .5 1 1.

Cada alumno posee información de su promedio de notas en ambos años. 17 variables que abarcan las escuelas del SIP. Se creó un identificador para la asignatura evaluada. la información respecto a la letra del curso al cual asiste el alumno.5 1 REM 3 4 RS 0 0 1 2 . niveles de dificultad de aprendizaje y discriminación. En este sentido.5 1 0 . con letras de la A a la F. El nivel y la letra del curso al que pertenecen también fueron creados a partir de los datos iniciales.5 1 Logro 2009 Variables Usadas y Creadas Logro 2010 Dado que la base posee datos por alumno de sus nombres. rut.Logro Prueba Matemáticas por Colegios AM 3 4 ATA CM EH EMO 0 1 2 FA 3 4 FO GM HM ICM 0 1 2 JAA 3 4 JAR JJP LI PA 0 1 2 0 . sino sólo del colegio y todos los alumnos que pertenezcan a la misma escuela tendrán la misma característica. no corresponde a alguna variable que se mueva en el tiempo debido a características del alumno. por lo que será la variable utilizada como control. cada alumno posee información respecto a la materia y el logro obtenido en su respectiva prueba para cada año. representando una característica del alumno que varía en el tiempo. de una evaluación respecto a la velocidad lectora. Cada uno de ellos está identificado para cada alumno en ambos años. sí puede cambiar de un año a otro en la medida que el alumno se haya cambiado de curso o haya repetido. Se creó un identificador para cada colegio.5 1 0 . apellido paterno y materno y su sexo. para cada año. Los cursos abarcados son desde kinder a cuarto medio. Si bien cada individuo posee la información respecto del grupo socioeconómico al que corresponde. entre otras cosas. .5 1 0 . y a partir de esto posee el índice de vulnerabilidad que construye el SIP. por lo que cualquier cambio en ella no corresponderá a alguna característica del alumno que sea variable en el tiempo. pero sólo del año 2010. se utilizó como identificador del individuo la variable rut. La variable está identificada por colegio y no por individuo. por lo que no han podido ser utilizados como características de los alumnos que varíen en el tiempo.

05 4.02 0. por lo que el análisis diferencial respecto al impacto de los profesores hombres versus al de las mujeres sólo se puede hacer de forma estática para ése año.77 2.12 5. En cuanto a los profesores.33 0.77 2.79 2.96 6. El sexo del profesor está obtenido sólo de los datos del año 2010.14 0.89 5.73 2.66 6.00 7.83 2.79 2.00 4.00 5.98 5.20 0.36 4.81 2.00 6.00 6.57 0.00 7. su rut.82 1.77 2.97 6. Esto muestra un nivel promedio regular del desempeño de los alumnos.90 6.25 7.36 5.06 0. aunque leve.97 7.84 4.81 5.99 5.67 7.28 0. mientras que el rendimiento de los otros 11 colegios vio una disminución. por colegio. ya que debería poder controlarse por efectos de colegio.76 2.27 0.25 5. mientras que el resto de los colegios presentan rendimientos más altos cuando el profesor a cargo era de sexo femenino.96 5.99 6.78 2.14 0.18 Sd Min Max 6.16 0.10 5.81 2.03 0. año y mes de ingreso y el total de horas lectivas que posee.75 3.05 5.85 2.96 7.74 2.43 6.63 0.16 7.83 2.08 5.78 1. sin embargo se debe tener en cuenta que no es un efecto causal el presentado en esta tabla.00 7.75 2.50 6.24 4.90 5.49 6.87 5.94 6.77 5.00 0.00 5.84 2.00 .76 2.00 7.35 6.50 6.72 6.00 7.75 2.La Tabla 3 indica los promedios de notas para ambos años.09 0.00 4.74 2. Puede ser posible que en colegios mixtos sea claramente distinto al de un colegio de sólo hombres cuando el profesor a cargo es mujer.68 6.00 7.11 0.39 5.70 0.94 5.81 2.37 0.11 5.72 2.16 0. A partir de estos datos de antigüedad en la red SIP y duración como docentes se obtuvo la variable experiencia para cada profesor en ambos años.81 2.97 4.00 Mean 2010 Sd Min Max 0. Esto concuerda con lo observado en los gráficos de densidad para el logro de las pruebas de matemáticas y lenguaje vistas antes.50 0.93 5.87 5.76 0.96 0. están identificados para cada alumno y contienen información de su nombre y apellidos.24 0.12 0.03 0.95 2.72 2.27 6.80 7.93 0. Tabla 3 2009 Mean AM ATA CM EH EMO FA FO GM HM ICM JAA JAR JJP LI PA 5.84 6. La Tabla 4 indica los promedios de logros obtenido en los test diferenciado por sexo del profesor para el año 2010.98 0.92 5.44 0. podemos apreciar que en tan solo 2 colegios el puntaje obtenido con profesores hombres es mayor.71 0.74 2. con lo cual se puede apreciar que tan sólo 6 colegios vieron aumentado sus promedios generales.82 2.00 0. en sus rendimientos académicos de forma general.88 2.

61 0.53 0.50 0.00 5.28 0.55 0.18 0.46 0.14 0.59 0.16 0.59 0.03 5.17 0.00 7.00 0.84 2.13 0.58 0.17 0.80 1.00 0.11 0.14 0.63 0. .15 0.17 Los datos de rendimiento en las pruebas son los logros obtenidos a diciembre de cada año.19 0.00 5.59 0.13 0.55 0.79 7.11 0.18 0.16 0.16 0. En paralelo se realizan también estimaciones con los datos de logros normalizados.14 0.19 0.REM RS Total 5.00 7.58 0.14 0. ya que semestralmente los profesores no cambian.63 0.00 0.72 0.64 0.56 0.63 0.46 0.18 0.00 5.16 0.60 0.59 0.15 0.57 0.16 0.16 0.00 0.16 0. por lo que los datos de junio no son tomados en cuenta para el análisis.15 0.51 0.63 0.15 0.11 0.18 0.16 0.95 7.12 0.73 0.51 0.50 0.56 0.50 0.52 0.17 0.18 0.61 0.22 0.60 0.79 Tabla 4 Profesor Mujer Mean AM ATA CM EH EMO FA FO GM HM ICM JAA JAR JJP LI PA REM RS Total Sd Profesor Hombre Mean 0.18 0.55 Sd 0.50 0.17 0.59 0.37 5.78 2.17 0.61 0.54 0.74 2.

pero como ya dije no existe en la base de datos esta opción para ambos años. en el tiempo t (t=2009. una dummy que indica si el alumno i estuvo en la escuela s (S it). un efecto de la s escuela por año (πst). el cual es determinado por características fijas del estudiante i (αi). habilidades. rut_profesor. De esta forma. experiencia j j del profesor j en el tiempo (Exp t). como su background familiar. 2010). por lo que controla por las características inobservables del estudiante. Metodología Modelo basado en Rockoff (2004) y Estrategia Empírica Dado que mi base de datos es un pequeño panel. logro_normalizado. por lo que esta variable no podrá ser incluida en la estimación. sexo_alumno. un j efecto fijo del profesor j (θ ). Una vez modificados los datos para dejarlos en formato de panel. de los efectos que se deben a las variaciones de las habilidades cognitivas del propio alumno. colegio_alumno. o a sus características familiares. características del estudiante i que son variables en el tiempo Xit. por alumno i. con la intención de identificar el efecto fijo del profesor. experiencia_profesor. etc. Xit : Esta variable corresponde al dato del alumno i que indique alguna característica que varíe en el tiempo. para cada individuo i en el año t. y el término del error que incluye otros factores que afectan los resultados del test (ɛit): Ait= αi + γ Xit + Ʃ (θ + δ f(Exp t) + η C t) D it + Ʃ πstS it + ɛit j j j j j s En base a esta regresión. todos los individuos poseen en cada año datos de las variables seleccionadas arriba. el modelo que más ajusta de acuerdo a la limitación de datos es una estimación en niveles para los 2 años que tengo. Para ello se construyó una ecuación lineal que explica el resultado en los exámenes del estudiante (Ait). se ha construido ecuación que explica el comportamiento de los logros obtenidos en cada una de las pruebas a través del tiempo.Con esto se seleccionaron sólo las siguientes variables para realizar los posteriores análisis de efectos fijos y sus respectivas estimaciones: rut_alumno. En un segundo análisis corresponderá al logro normalizado. una j dummy por individuo i que indica si el estudiante ha tenido al profesor j en el tiempo (D it). su estado socioeconómico. características observables de la clase que varían en el tiempo (C t). asignatura. ya que no varía en el tiempo. . nivel_alumno. con el panel se pretende estimar lo más precisamente el impacto que tiene el profesor sobre el rendimiento del estudiante. αi : Constante que absorbe el impacto del efecto fijo por alumno i. para distinguir los efectos que se explican por diferencias en calidad entre los distintos profesores. genética. logro. Las variables utilizadas fueron las siguientes: Ait : Corresponde al logro obtenido en cada una de las pruebas.

El tamaño del curso no pudo ser utilizado debido a que sólo se tenía el dato para el año 2010. Su coeficiente θ indicará el impacto que posee cada profesor j sobre el logro alcanzado por el alumno i en la fecha t. su efecto fijo. La segunda variable es la multiplicación de la dummy que indica si el profesor tiene j más de 10 años de experiencia y el cubo de la cantidad de años límite (exper lim=10). f(Exp t)*D it: Esta variable fue construida a partir de la interacción entre la función experiencia utilizada por Rockoff (2004) y la dummy por profesor. Su coeficiente πst indicará el impacto que tiene en el rendimiento del alumno el colegio al que asiste. que es fijo para el alumno pero varía en el tiempo el caso de que este se cambie de curso por repetir por ejemplo. s j j j j j . esta variable corresponde a la dummy por colegio que fueron creadas. Su coeficiente δ indicaría el impacto de la experiencia del profesor j en el logro del alumno i en la fecha t.D it: Estas variables corresponden a las dummies construidas para cada profesor j que enseño al alumno i. De todas maneras su impacto dependerá el tipo de efecto compañeros que se crea es que el existe en las escuelas de la red SIP. instrumento que no está contenido en la base de datos entregada por la SIP. La función experiencia corresponde a la suma de dos variables que se activan dependiendo de los años de experiencia que posea el profesor j para cada fecha t. evitando el sesgo que generaría su efecto sobre el coeficiente del profesor. La primera variable es la multiplicación de la experiencia al cubo por la dummy que indica si el profesor tiene menor cantidad de años de experiencia que el tope. en la fecha t (t=2009. No se agregaron variables que correspondieran a resultados promedio de evaluaciones anteriores para explicar el rendimiento del alumno. En la regresión con los test normalizados por niveles año a año ya se considera el efecto idiosincrásico sobre el rendimiento del alumno. Dado que la reflexión es el problema que se genera porque los pares influyen en el alumno y el mismo alumno también influye en el resto. En la regresión no se ha incluido el efecto del nivel al que pertenece el alumno. ya que el nivel alcanzado por el alumno y el año están correlacionados. Dentro de los supuestos considerados en esta estimación es que la asignación de los alumnos al interior de los colegios y de los profesores es aleatoria y no posee indicaciones de previa selección de éstos con criterios que hagan las estimaciones de los parámetros sesgarse hacia sobre o subvalorar el efecto de los profesores sobre los puntajes obtenidos. 2010). es decir. utilizado como control para aislar el efecto que tienen los años de enseñanza del efecto que proviene de las habilidades educativas del profesor. y que indican si el alumno i perteneció al colegio s en cada fecha t. de forma que se evitara el problema reflejo que ocurre cuando se agregan datos pasados promedios del curso por ejemplo. dado que tener ambas medidas por años sesgaría los estimadores. S it: Finalmente. Para controlar por esto podría haberse considerado algún instrumento que estuviera relacionado con el rendimiento promedio del resto de los alumnos pero no con el rendimiento del alumno analizado. el comportamiento de un alumno puede retroalimentar su propio desempeño a través de sus pares. el autor asume que existe un tope de experiencia en el rubro a partir del cual años adicionales no afectan el rendimiento del alumno. considerado en este caso un máximo de 10 años. C t*D it: Esta variable es la interacción de una característica observable de la clase que varía en el tiempo para cada profesor. En este caso la variable corresponde a la letra del curso en que está el alumno. Asumimos que la asignación a los cursos produce una mezcla entre los compañeros de clases año tras año que se asemeja a una asignación con características aleatorias. su calidad como tal. Su coeficiente η indica el efecto que tiene la característica común de la clase que es asignada al profesor.

Esto es un problema grave que debe ser corregido posteriormente. de forma que se pudieran aislar sus efectos y evitáramos el sesgo en los estimadores. tiende a ser muy pequeño. Esto puede ser un problema ya que no muestra causalidad sino que la relación se explica claramente por la mayor presencia del profesor en ese colegio. Conclusiones Hemos podido identificar el efecto fijo del profesor a través de una regresión lineal que controla los impactos de otras variables como características del colegio o la experiencia del profesor. las conclusiones no cambian. como en su tamaño y significancia. habilidades. es decir. sucede que varían mucho entre ellas. y negativo en los casos en los que no era significativo también. se puede apreciar que el coeficiente del profesor sigue siendo positivo y significativo en la mayoría de sus casos. de los resultados obtenidos de logros de los alumnos. quizás podría hacerse comparable. Respecto a las dummies por colegio. tanto en su signo. Cuando se realiza el análisis por separado por asignatura o con el logro normalzado. No así como los coeficientes que resultaron ser positivos y de mayor impacto. se aprecia que en todos los casos la constante es el coeficiente de mayor impacto. positivo y significativo. generalmente positivo. De todas las regresiones estimadas por profesor. para Matemáticas la variable es omitida ya que el programa reconoce colinealidad en las variables. Por último. Además. en donde tengan mayor cantidad de cursos que enseñar. posee casi las mismas características. Lo relevante de esto. vemos que . Sin embargo. tienden a tener un mayor impacto los coeficientes de sus dummies. De hecho esta última variable posee un impacto casi nulo. entre otros. familia.. Tiende a ser positivo en la mayoría de los casos. se podrá observar la dispersión de los efectos del colegio. este es el factor que mayormente explica el resultado de las pruebas es el propio alumno. En algunos casos se evidenciaban coeficientes negativos pero corresponden a datos relativamente pequeños y en su mayoría no significativos. Identificamos que el impacto de la calidad del profesor es positivo en el rendimiento del alumno. en colegios donde hay más observaciones del profesor en promedio. y tiende a ser mayor que el impacto de la experiencia en docencia que posee el profesor. es que para los profesores que hacen clases en distintos colegios. es cercano a cero. En el Anexo 2 se presentan algunos casos a medida de ejemplo.Resultados Una vez realizada la estimación los resultados indicaron que el efecto profesor en promedio tiene impacto positivo. si pudiéramos controlar por las horas que realiza en cada colegio y normalizar la medida al respecto. ya que las variables consideradas no son las correctas. lo cual indica el efecto fijo por alumno. similar a lo sucedido con el efecto que indica la dummy por colegio. El impacto de la característica de la clase por la cual se controlaba. alrededor de cero. etc. pero un poco más grande que el coeficiente anterior. la regresión entrega resultados sólo en análisis para los tests de Lenguaje. la mayoría presenta un impacto positivo en su coeficiente estimado. Respecto al coeficiente del factor que indica la experiencia del profesor. así como el impacto positivo que en promedio tiene el efecto fijo del profesor. y generalmente cuando es negativo es no significativo también. con sus características personales.

donde se puede diferenciar la calidad del profesor de los otros factores. El match entre el alumno y el profesor nos permite aislar el impacto de los profesores de matemáticas sobre el puntaje de la prueba de matemáticas por ejemplo. Un último detalle es la normalización hecha por los colegios respecto del logro obtenido en las pruebas. sin poder identificar claramente cuál es la situación dentro de la clase. de manera que no se limite el análisis en el tiempo. con determinados compañeros. (2006)) es imprescindible contar con información de otras características relevantes en el proceso y a través de los años. En primera instancia. en los cuales los cursos poseen un profesor asignado por materia específica. al tener datos por año. de forma que se controle por las diferencias sistemáticas que puedan existir en la construcción y diseño de las pruebas de un año a otro para el mismo nivel por ejemplo. cuando en realidad la causalidad analizada es en sentido contrario. Uno de ellos es el problema de auto selección. Esto debido a que el test es normalizado respecto a la misma prueba. se ha llevado más allá de lo habitual el análisis y a posterioridad la exploración realizada se podrá transportar a mayor profundidad en la medida que los datos . Este considera que un estudiante que posee determinados resultados previos en los test o en tests de entrada a la escuela o características específicas del alumno o su familia. a través de ellas. complementarse o anularse entre materias. Con esto obtenemos ventajas sobre los estudios que se limitan a datos obtenidos en secundaria. poder realizar las estimaciones con datos de alumnos de básica. con efectos que pueden superponerse. and Kane et al. Sin embargo. de forma que pueden seleccionar a alumnos provenientes de familias con ciertos niveles de vulnerabilidad. y también permite distinguirla de la variación de factores en el tiempo que eventualmente afectarán el rendimiento de los estudiantes. se basa en los resultados a nivel de todas las escuelas.el impacto de las variables no observables del propio alumno es el factor que mayormente explica el rendimiento académico. Gracias a la base de datos en panel hemos podido observar al mismo profesor con múltiples salas. datos que raramente aparecen juntos en el mismo estudio. Y como sabemos. Es decir. Con esto. sé que el aporte actual de este estudio es un primer paso para posteriormente continuar la investigación respecto al rendimiento de los alumnos. por nivel. Finalmente. en el mismo curso pero respecto a los otros colegios. Rivkin et al. para poder compararlos en el mismo año. y obtener el efecto de la habilidad educativa en general del profesor. El problema es que resultaría mucho más útil obtener alguna normalización que permitiera comparar entre los años a los niveles. (2005). Kane and Staiger (2005). sean utilizados como variables de selección que permiten la asignación de forma no aleatoria a determinados cursos. como muchos otros estudios lo han hecho (Rockoff (2004). transversal a su especialidad. si bien obtenemos ventaja al usar datos administrativos disponibles en un amplio rango de estudiantes. Otro aspecto es que este método permite distinguir la variación en la calidad de los docentes de la variación en los recursos de los colegios. Sus resultados iniciales serán en cierta medida los que causan los resultados finales del alumno. cumpliendo con el objetivo de entregar excelencia académica enfocándose en familias de escasos recursos. existen diversos problemas en las estimaciones. nos permite analizar el proceso educacional entendiendo que determinadas etapas son más relevantes que otras en cuanto al impacto que puede tener un profesor en el alumno. la red SIP genera diversas entrevistas con los padres de los alumnos postulantes (aunque no realiza tests de habilidades). al tener datos de rendimiento estudiantil por escuelas.

También están enfocadas en escuelas particulares subvencionadas de zona rural. y tampoco se ha controlado por ingreso promedio por alumno recibido en cada colegio ya que los datos sólo existían para el año 2010. “Teacher Quality and Student Achievement: Making the most of recent research” (2008). recomiendo dirigirse al documento directamente. y el aporte proveniente de las subvenciones. Por otro lado. de los padres o de otras instituciones puede marcar una diferencia en el rendimiento de los alumnos por colegio (Sapelli y Vial. en la medida que las estimaciones de estos efectos mejoren con el tiempo. Para ver más detalles al respecto acerca de las principales conclusiones y resultados de cada tipo de calidad de profesor analizado. Se puede comenzar a pensar en evaluaciones docentes que funcionen como indicadores de la calidad del profesor en cuestión. FACILITACION DE CLASES. 2003). ACADEMICAS RIGUROSAS. la tabla resume la investigación de todos los estudios analizados por los autores. Y a partir de esto desarrollar una política de salarios e incentivos basada en los correctos impactos del profesor en el rendimiento de sus alumnos. ASIGNACION DE PROJECTO. de forma que pueda capturar aspectos de la enseñanza que no estén reflejadas sólo en los resultados de las pruebas. MARCO DE CALIDAD VARIABLES QUE INFLUYEN EN EL RENDIMIENTO DEL ALUMNO LOGRO DE LOS ESTUDIANTES ACADEMICO MAYOR/MENOR GRADO DE AVANCE RESULTADOS DE PRUEBAS INTITUCIONES DE GRADUACION PROGRAMAS DE PREPARACION TUTORIA E INDUCCION DESARROLLO PROFESIONAL EXPERIENCIA DE LA ENSEÑANZA CERTIFICACION (GENERAL) JUNTA NACIONAL DE CERTIFICACION ASUNTO-AREA DE CERTIFICACION CONOCIMIENTO DEL CONTENIDO PEDAGOCIGO COLABORACION DEL PROFESOR EFICACIA DEL PROFESOR EXPECTATIVAS DEL PROFESOR CARRERA DEL PROFESOR DIVERSAS PRACTICAS . USANDO AGRUPACIONES Y TAREAS DESAFIANTES DIVERSAS PRACTICAS. La red de escuelas SIP tiene determinadas características tanto en su desempeño administrativo como en el estilo de enseñanza académica y de valores.obtenidos aumenten en el tiempo y en sus características. Anexo 1 Este cuadro resumen corresponde al presentado en el artículo de Laura Goe and Leslie Stickler. OBTENCION DE IMÁGENES Y USO DE AGRUPACIONES INSTRUCCIONES DE TODA CLASE ALINIAMIENTO DE CONTENIDO DE INSTRUCCIONES DE EVALUACION INTERVENCION COGNITIVA O DESAFIO PRACTICAS INTERACTIVAS CALIDA DE ASIGNACIONES PRACTICAS ALINEADAS CON EL MARCO DE LA ENSEÑANZA PRÁCTICAS ALINEADAS CON NORMAS NCTM PRÁCTICAS ALINEADAS CON EL MARCO MATEMATICO DE 1985 PRINCIPALES EVALUACIONES DE PRACTICAS DOCENTES CALIFICACIONES DEL PROFESOR CARACTERISTICAS DEL PROFESOR PRACTICAS DEL PROFESOR . CREACION DE LECCIONES. DEBATES. que como hemos visto pueden presentar comportamientos y funciones de producción distintas a las de los colegios municipales y/o rurales. se ha tomado en cuenta que la representatividad de la muestra a nivel regional o nacional puede no ser tan clara. que pueden marcar una gran diferencia con el resto de las escuelas de la región o del país. COMO EL USO DE MANIPULACIONES.

035 0.000 0.122 0.003 0.086 0.019 0.166 0.015 0.016 0.008 0.000 0.011 0.067 0.165 (omitted) 0.020 0.091 -0.783 0.184 -0.010 0.097 0.010 0.779 0.815 0.000 0.096 0.046 0.121 0.096 0.821 0.000 0.053 (omitted) 0.046 0.008 0.EFICACIA DE LOS PROFESORES GENERALMENTE.009 0.109 0.165 (omitted) 0.011 0.078 0.029 0.034 0.003 0.000 -0.015 0.015 0.001 0.165 (omitted) 0.020 0.034 0.001 0.031 0.000 0.011 0.000 0.003 0.034 0.015 0.119 0.122 0.046 0.008 0.000 0.000 0.095 0.000 (omitted) 0.310 0.010 0.003 0.010 0.000 0.779 0.020 0.034 0.408 0.087 0.015 0.047 0.010 0.110 0.838 (omitted) 0.015 0.010 0.096 0.409 0.096 0.138 0.154 0. EN LA ACUMULACION DE INTERVALOS DE CONFIANZA ENTRE MAESTROS DE DIVERSOS NIVELES DE EFECTIVIDAD.015 0.029 0.104 -0.000 0.408 0.000 0.000 0.015 0.006 0.086 0.156 0.000 0.000 0.031 0.815 0.122 0.779 0.096 0.000 0.034 0.003 0.000 0.096 0.015 0.010 0.000 0.015 0.029 0.000 0.011 (omitted) 0.001 0.045 0.035 0.000 0.147 0.001 0. ESTOS ESTUDIOS TAMBIEN HAN SUGERIDO QUE LA EFECTIVIDAD DEL MAESTRO NO PUEDE SER ESTABLE.006 0.019 0.027 0.035 0.091 0.001 0.002 -0.021 0.122 0.010 0.053 0.035 0.815 0.000 0.027 0.008 0.019 0.769 0.407 0.000 0.087 0. COMO LO INDICA LARGE.029 0.163 (omitted) 0.332 0.110 0.027 0.121 0.015 0.035 0. LOS ESTUDIOS HAN INDICADO QUE LA MAYORIA DE LAS VARIACIONES DE EFECTIVIDAD EN EL AUMENTO DE MAESTROS RESULTA DE EL LOGRO DE LOS ESTUDIANTES "DE LAS VARIABLES NO OBSERVADAS".006 0.003 0.112 0.000 (omitted) 0.096 0.019 0.031 0.154 0. CARACTERÍSTICAS O PRACTICAS OBSERVABLES DE LOS MAESTROS Anexo 2 regresion1 Variable d_prof11 d_f_expe~f11 c11 d_ATA d_PA d_JAR d_EH d_REM d_AM d_EMO d_JJP d_CM d_JAA d_FA d_FO d_ICM d_LI d_HM d_GM d_RS _cons Coef regresion2 P<|t| regresion3 Coef regresion4 regresion5 P<|t| P<|t| Coef P<|t| Coef P<|t| Coef -0.015 0.000 .031 0. LA BASE DE LA LITERATURA ACTUAL NO APOYA INFERENCIAS ACERCA DE LAS RELACIONES ENTRE LA EFECTIVIDAD DEL MAESTRO.011 0.000 0.095 0.859 -0.015 0.016 (omitted) 0.031 0.020 0.111 0. SEGÚN LA PUNTUACION DEL VAOR AGREGADO Y LAS CALIFICACIONES.813 0.000 0.008 0.154 0.027 0.010 0.029 0.006 0.000 0.019 0.015 0.458 0.000 0.409 0.015 0.006 0.154 0.015 0.028 0.

552 0.537 0.412 0.010 0.123 0.861 0.000 0.029 0.034 0.012 0.084 0.021 0.923 0.409 0.031 0.174 (omitted) 0.000 0.165 (omitted) 0.000 0.031 0.006 0.000 0.000 -0.233 0.015 (omitted) 0.337 0.057 (omitted) 0.046 0.005 0.085 0.062 0.407 0.047 0.011 0.000 0.012 0.015 0.000 -0.097 0.035 0.015 0.154 0.031 0.017 0.104 0.014 0.003 0.024 0.010 0.779 0.018 0.001 0.000 0.154 0.166 (omitted) 0.000 0.000 -0.000 0.594 0.027 0.020 0.000 (omitted) 0.145 0.042 -0.074 0.977 0.010 0.019 0.000 0.000 0.035 0.095 0.000 0.015 0.034 0.004 0.016 0.000 0.035 0.111 0.000 regresion11 Variable d_prof11 d_f_expe~f11 c11 d_ATA Coef regresion12 P<|t| Coef regresion13 P<|t| Coef regresion14 P<|t| Coef regresion15 P<|t| Coef P<|t| -0.023 0.709 0.000 0.154 0.099 0.000 0.121 0.001 0.031 0.028 0.000 0.020 0.010 0.166 (omitted) 0.029 0.177 0.001 0.003 0.010 0.027 0.000 0.405 0.019 0.065 0.087 0.061 0.011 0.015 0.096 0.019 0.001 0.026 0.010 0.009 0.091 0.025 0.121 0.157 (omitted) 0.037 0.404 0.014 0.010 0.022 0.000 0.096 0.032 0.000 0.086 0.000 (omitted) 0.015 0.029 0.116 0.000 0.677 (omitted) 0.000 0.034 0.000 0.029 0.245 0.033 0.815 0.122 0.010 0.409 0.222 0.020 0.000 0.134 0.008 0.034 0.000 0.001 0.003 0.032 0.001 0.008 0.051 0.034 0.000 0.011 0.000 -0.779 0.028 0.855 0.110 0.154 0.006 0.000 0.000 -0.822 0.015 0.697 -0.232 (omitted) 0.816 0.000 0.046 0.529 (omitted) (omitted) (omitted) 0.020 0.083 0.011 0.168 -0.007 0.021 0.015 0.027 0.798 0.006 0.015 0.096 0.468 0.908 (omitted) (omitted) (omitted) .095 0.403 -0.728 0.043 0.000 0.010 0.020 0.006 0.010 0.015 0.040 0.744 0.011 0.002 0.008 0.regresion6 Variable d_prof11 d_f_expe~f11 c11 d_ATA d_PA d_JAR d_EH d_REM d_AM d_EMO d_JJP d_CM d_JAA d_FA d_FO d_ICM d_LI d_HM d_GM d_RS _cons Coef regresion7 regresion8 regresion9 regresion10 P<|t| P<|t| Coef P<|t| Coef P<|t| Coef P<|t| Coef -0.096 0.122 0.433 0.000 0.155 0.005 0.015 0.000 0.594 0.

000 0.003 0.111 0.122 0.027 0.027 0.154 0.000 0.000 0.155 0.047 0.785 0.016 0.120 0.175 0.015 0.000 0.122 0.166 (omitted) 0.116 0.000 0.038 0.119 0.108 0.015 0.005 (omitted) 0.010 0.008 0.110 0.029 0.096 0.006 0.798 0.051 0.000 0.027 0.000 0.000 0.003 -0.011 0.000 0.684 (omitted) 0.000 0.018 0.006 0.000 -0.095 0.000 0.154 0.008 0.015 0.035 0.001 0.367 0.010 0.155 0.027 0.008 0.008 (omitted) 0.010 0.017 0.020 0.000 0.000 0.001 0.008 0.006 0.000 0.779 0.006 0.006 0.057 0.015 0.000 0.029 0.000 0.005 0.122 0.010 0.096 0.016 0.031 0.065 (omitted) 0.036 0.109 0.816 0.019 0.408 0.166 (omitted) 0.102 0.000 0.003 0.408 0.015 0.087 0.306 0.000 regresion16 Variable d_prof11 d_f_expe~f11 c11 d_ATA d_PA d_JAR d_EH d_REM d_AM Coef regresion17 P<|t| Coef regresion18 P<|t| Coef regresion19 P<|t| Coef regresion20 P<|t| Coef P<|t| -0.010 0.031 0.010 0.035 0.779 0.027 0.034 0.000 0.031 0.000 0.008 0.015 0.008 0.111 .019 0.111 0.000 0.020 0.096 0.015 0.000 0.135 0.000 0.000 0.000 0.003 0.122 0.087 0.015 0.785 0.001 0.001 (omitted) 0.110 0.000 0.034 0.029 0.020 0.016 0.033 0.096 0.018 0.019 0.046 0.010 0.046 0.111 0.008 0.016 0.008 0.010 0.008 0.029 0.139 0.027 0.008 0.034 0.000 0.000 0.408 0.778 0.000 0.164 (omitted) 0.154 0.002 0.027 0.000 -0.027 0.096 0.096 0.096 0.779 0.108 0.166 (omitted) 0.000 0.007 0.154 0.818 0.000 0.011 0.034 0.154 0.027 0.816 0.096 0.000 0.000 0.000 0.000 0.152 0.173 0.046 0.120 0.088 0.001 0.031 0.028 0.008 0.117 0.106 0.087 0.122 0.035 0.924 0.562 0.d_PA d_JAR d_EH d_REM d_AM d_EMO d_JJP d_CM d_JAA d_FA d_FO d_ICM d_LI d_HM d_GM d_RS _cons 0.566 (omitted) 0.000 0.018 0.003 0.791 0.015 0.030 0.715 0.000 0.095 0.000 0.040 0.096 0.408 0.000 0.011 0.015 0.096 0.154 0.034 0.011 0.030 0.000 -0.000 0.000 0.015 0.779 0.816 0.001 0.612 0.122 0.046 0.002 0.035 0.020 0.015 0.000 0.000 0.122 0.

034 0. (2005b). 11936.007 0...021 0.003 0.031 0. 1. Technical Report. Ballou.015 0.015 0. C. Manzi.034 0.164 (omitted) 0. H.029 0..027 0. Junio. Clotfelter..017 0.003 0. DC: National Center for the Analysis of Longitudinal Data in Education Research (CALDER).087 0.815 0. Peirano.019 0. Clotfelter.020 0.001 0. & Vigdor (2006b).014 0. Universidad de Chile.010 0. Centro de Micro Datos." Working Paper 2002-28. Washintong.010 0.003 0.035 0. “La relación entre la evaluación docente y el rendimiento de los alumnos: Evidencia para el caso de Chile”.000 0. D. (2008).001 0.409 0. .015 0. "Teachers and Student Achievement in the Chicago Public High Schools.019 0.015 0.010 0.. & Sander.L..010 0.020 0.006 0. “Using Student Progress To Evaluate Teachers: A Primer on Value-Added Models”. in Robert W.178 (omitted) 0. C.011 0.035 0. pp.410 0. 10–15.015 0.048 0.015 0.033 0. Minn.001 0.096 0.006 0. Braun. Bravo.011 0. D.411 0.000 Referencias Aaronson. J.050 0.015 0. Dpto de Economía..006 0. Value Added Models in Education: Theory and Applications. (2003).029 0.095 0.029 0.T.086 0. “Sizing Up Test Scores.830 0.” Education Next..099 0.031 0.410 0.F. “Value-Added Modeling: What Does Due Diligence Require?”. ETS Policy Information Center. & Vigdor.J.031 0. (2005a). Barrow.: JAM Press.011 0. L.033 0.010 0.817 0.000 0. Federal Reserve Bank of Chicago.026 0. R. González.015 0.035 0. C. 19–39.132 (omitted) 0. (2006a).087 0.020 0.046 0.412 0. Maple Grove. Working Paper nro.827 0.095 0.010 0.019 0. Proyecto P07S-023-F. Lissitz.015 0.045 0. MA: National Bureau of Economic Research. “High-poverty schools and the distribution of teachers and principals”.I.006 0.009 0.010 0.012 0.000 0.003 0.034 0.034 0.168 (omitted) 0. Dale (2002).093 0. D. W.020 0.031 0.. Ladd.000 0.029 0.d_EMO d_JJP d_CM d_JAA d_FA d_FO d_ICM d_LI d_HM d_GM d_RS _cons 0. Ladd. NBER Working Paper nro.011 0.001 0.F.091 0. “Teacher-student matching and the assessment of teacher effectiveness”. Cambridge. Falck.015 0.020 0. H.015 0.I.028 0.016 0.034 0. H.048 0. Braun.000 0.011 0. September.816 0.T.. ed.166 (omitted) 0. H.015 0.011 0.003 0.102 0.

nber. G. unpublished manuscript. & Kain. National Center for Analysis of Longitudinal Data in Education Research. (1986). “On the Value of ‘Equality of Educational Opportunity’ as a Guide to Public Policy”. Harris. (2005). 16(3). Lit.T. Greenwald. 1154. T. P. Educational Evaluation and Policy Analysis 19(2): 141-164. Forthcoming in Economics of Education Review. R. (1996). 13 (1). R. 313–327.A. “Do school and teacher characteristics matter? Evidence from high school and beyond”.. E.S. E. Econ. Cooper.org/papers/w9671.”Estimation of a frontier production function for the South Carolina educational process”.A. ed. (2006). Kingdon. (2006) “Does Performance Related Pay for Teachers Improve Student Achievement? Some Evidence from India”. Economics of Education Review. Hoxby. “How teachers’ unions affect education production”.M. O’Brien. Mosteller and D. (1996). Quarterly Journal of Economics. & Saas. Hanushek. Kain.G. G. E. E. November. DC: U. (1994). New York: Random House.G. Massachusetts Institute of Technology. & Brewer. J.P. Hanushek. NBER Working Paper 9671. R. Washington. Hanushek. “The economics of schooling: production and efficiency in public schools”. D. Ehrenberg. Department of Economics University of Oxford. “The market for teacher quality”. E. (2006).F. M. by F.A. J.R. (2005). & Laine. 1997. “Equality of Educatoinal Opportunity”. S. 111 (4): 671-718.A.Coleman.. September.D. (1966). “The effect of school resources on student achievement”. (2009). Hanushek.S. 114-117. Duflo. C. (1972).J. (2010). L.N. & Teal. 24. April.F. Economics of Education Review 28: 49-57. Working Paper nro. Florida State University. “The Economic Value of Higher Teacher Quality”. & Rivkin. G. Cambridge. E. Global Poverty Research Group. & Hedges. “Monitoring Works: Getting Teachers to Come to School”. & Hanna. Diciembre. N. “Assessing the Effects of School Resources on Student Performance: An Update”. . Working Paper 059. 116–145. Kukla . D. F. R. Economics of Education Review. (2003) “Teacher Incentives”. http://www. Moynihan. S. “Value-Added Models and the Measurement of Teacher Quality”.G. et al. E. mimeo.A. D. 361-396. MA: National Bureau of Economic Research. “Teacher characteristics and student performance in India: A pupil fixed effects approach”. “Do teacher characteristics matter? New results on the effects of teacher preparation on student achievement”. P. J. Vol. 1-17. S. J. Kingdon.Acevedo. Working Paper 56. (1997). Glewwe. G. (1997). Ilias. Hanushek.. Review of Educational Research. 66..O. Poverty Action Lab... & Kremer. & Cohn. Equality of Educational Opportunity.

R. Departement des sciences economiques... Rivkin. (2008). 1–3. “Evaluating the Effect of Teachers’ Group Performance Incentives on Pupil Achievement”.E.P. Mizala. “The impact of individual teachers on student achievement: Evidende from panel data”. 110(6): 1286-1316. (2010). (2001). & Kain.. 11(1): 5767. B. L. S.Lara. “On the Identification of Teacher Quality: Fixed Effects. Schools. J. “Evaluating Value-Added Models for Teacher Accountability”. “Calidad docente y logro escolar: enfrentando el problema de ordenamiento no aleatorio entre características de profesores y alumnos”. M. J. Department of Education & the Office for Educational Research and Improvement.G. American Economic Review. 417-458. V. León.S. Koretz. RAND.S. Rockoff. Folden.E. Wainer. and Causal Attributio”. Gaps and Recommendations”. Toledo.D. Document R-01-3. Princeton University and NBER. W. 29 (1). M. Universidad de Chile. Wilson.F.M. Horn. Document de travail 2005-8. March. & Ferrini-Mundy. F. Report. & Repetto. Tracking.R. (2010). H. E.P.. D. Febrero. Septiembre. “Introduction to a Special Issue of the Journal of Educational and Behavioral Statistics on Value-Added Assessment”. “Teacher and classroom context effects on student achievement: Implications for teacher evaluation”.. J. . (2002).. ESPO/ECON. D. S.. (2003). UCL. S. (2004).”Teachers. 73 (2).A. & Hamilton. “Calidad docente y rendimiento escolar en Chile: evaluando la evaluación”. (2009). Journal of Educational & Behavioral Statistics. Center for the Study of Teaching and Policy and Michigan State University. J.. Rothstein. P. 247-252. and Academic Achievement”. A. J.L. Manzi.F.M. Sprietsma. Journal of Personnel Evaluation in Education. J. Documento de Trabajo CEA. (2005). Lockwood... & Waltenberg. (1997). April. McCaffrey. “Una Mirada a la Efectividad de los Profesores en Chile”. Lavy. Wright.G. Tesis de Magister en Economía. 94 (2). Journal of Political Economy. G. & Sanders. Econometrica. “The impact of teachers' wages on students' performance in the presence of heterogeneity and endogeneity: Evidence for Brazil”. & Paredes. Hanushek. (2004).. (2005). U. Manuscrito Universidad Católica de Chile. “Teacher Preparation Research: Current Knowledge. S. A.