meritocracia

y educación:
MOVILIDAD SOCIAL Y
DESIGUALDAD DE
Informe COTEC

OPORTUNIDADES

"Un enfoque de Machine Learning"

septiembre 2023
meritocracia
y educación:
MOVILIDAD SOCIAL Y
DESIGUALDAD DE
OPORTUNIDADES

"Un enfoque de Machine Learning"

Autores

David Martínez de Lafuente, Fundación ISEAK

Ainhoa Vega-Bayo, Fundación ISEAK y UPV/
EHU

Visualización de datos:

Jose Ariza, Fundación Cotec para la innovación

Comité Asesor:

Caterina Calsamiglia, ICREA, Pentabilities

Jorge Cimentada, Ryanair
Lucas Gortazar, EsadeEcPol
Álvaro Ferrer, Save the Children
Gema Zamarro, Universidad de Arkansas

Coordinación:

Ainara Zubillaga, Fundación Cotec para la

innovación
Iria Mata, Fundación Cotec para la innovación
Ín introducción  5

DI
meritocracia 9
Conceptos, percepciones y argumentos
en el debate público 10

CE
Fuente de datos pisa 2018 14

I. Movilidad social 18
¿Hasta qué punto el rendimiento educativo en
la adolescencia está determinado por el nivel
socioeconómico familiar?

conceptos 19
técnicas e indicadores 20
resultados 23

Situación en España 24

Análisis comparativo entre países 26

Análisis comparativo entre

comunidades autónomas 30
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

III. el rol de las políticas públi-

cas 55

II. desigualdad de oportunida- ¿Qué políticas públicas pueden ayudar a miti-

des 32 gar las desigualdades educativas?

¿Cómo se distribuyen las oportunidades según limitaciones y otras considera-

circunstancias individuales que no se relacio- ciones finales 61
nan con el mérito personal?
conclusiones 63
Acuerdos y desacuerdos 33
referencias 67
el uso de machine learning
como propuesta anexo a. resultados y figuras
metodológica 34 adicionales 71

resultados 39 anexo B. discusión sobre machi-

ne learning 74
¿Qué países presentan una mayor des-
igualdad de oportunidades? 39

Regresión vs ML: ¿Cómo varían las esti-

maciones de la desigualdad de oportuni-
dades?40

¿Cómo varía la desigualdad de oportuni-

dades por regiones? 43

¿Qué comunidades autónomas son las

más y menos equitativas? 44

¿Cómo varían los resultados educativos

a medida que mejoran las circunstan-
cias?45

¿Qué estudiantes son los más y menos

favorecidos?47

¿Qué circunstancias son las más impor-

tantes para la desigualdad de oportuni-
dades?49

Calidad vs Equidad: ¿es la eficiencia con-

traria a la equidad educativa? 50

La importancia de una mirada multidi-

mensional sobre la equidad educativa 51

4
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

in
tro
duc
ción

5

En las últimas décadas, la mayoría de los
países desarrollados ha experimentado una
creciente desigualdad de ingresos que plantea
interrogantes sobre la meritocracia y la movili-
dad social. Al mismo tiempo que las desigual-
dades han aumentado, el ideal de que el éxito
económico y social se basa únicamente en los
logros y méritos personales ha ido, lentamente,
desvaneciéndose. Pocas personas se oponen
a la idea de que las recompensas económicas
y sociales se encuentran mejor repartidas si
atendemos al esfuerzo y al mérito, en lugar de
a la cuna y a la herencia (Castillo et al., 2021).
Sin embargo, muchos perciben que la meri-
tocracia no opera (ni quizás nunca lo hizo) de
esta manera (Markovits, 2019; Sandel, 2020;
Barragué et al., 2022). Tras este desencanto se
encuentra la aparente ineficacia de las políticas
meritocráticas para abordar la falta de movili-
dad social (Arrow et al., 2000). Las economías
modernas han sido incapaces de distribuir
las ganancias del crecimiento económico de
manera equitativa entre los distintos miembros
de la sociedad (Blanchet et al., 2022). Dicho
aumento de las disparidades económicas
se siente cada vez más intolerable porque
perjudica de manera sistemática a las clases
medias y trabajadoras (Rodrik, 2021). Es por
esto que la idea meritocrática de igualdad de
oportunidades choca con la realidad de una
movilidad intergeneracional limitada (Chetty
et al., 2014; Soria-Espín, 2022). Este creciente
resentimiento hacia la concepción actual de la
meritocracia nos plantea algunas preguntas
importantes: ¿Se está recompensando real-
mente el mérito o se trata simplemente una
6
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
nueva forma de privilegio? ¿Hasta qué punto
las políticas públicas actuales promueven real-
mente la igualdad de oportunidades?
En el núcleo de estas cuestiones se encuentra
el papel que juega la educación como uno de
los pilares de la meritocracia. La transforma-
ción educativa ocurrida a lo largo del siglo XX
mediante la universalización de la educación
primaria y secundaria, así como la democra-
tización de la formación universitaria, marcó
un avance fundamental para la difusión de
oportunidades en la población. Como resul-
tado, la capacidad de ascender socialmente
depende en la actualidad considerablemente
de las competencias adquiridas mediante la
educación (Gunderson & Oreopolous, 2020;
Dodin et al., 2022). Desde esta perspectiva,
parece incontestable que el sistema educativo
ha sido un instrumento igualador fundamental
para mitigar la desproporcionada importan-
cia de los privilegios de cuna y promover una
distribución de oportunidades basada (al me-
nos parcialmente) en el mérito. Sin embargo,
esta creciente relevancia de la educación en
las sociedades contemporáneas implica que
también puede perpetuar las desigualdades
económicas en lugar de combatirlas (Blanden
et al., 2022). Cuando el aprendizaje y las opor-
tunidades educativas se reparten en función
de la renta familiar u otras circunstancias, los
sistemas educativos contemporáneos pueden
limitar la movilidad social de los que provienen
de entornos más desfavorecidos. Por lo tanto,
comprender cómo los sistemas educativos
contemporáneos compensan las desventajas
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
iniciales se vuelve fundamental para analizar la
legitimidad moral de la concepción actual de la
meritocracia.
Estos elementos – las percepciones de la
ciudadanía acerca de la meritocracia, la apa-
rente ineficacia de las políticas públicas y la
importancia de la educación en la desigual-
dad – plantean la necesidad de un análisis
profundo en torno a tres preguntas cruciales.
Primero, ¿en qué medida se ve determinado el
rendimiento educativo en la adolescencia por
el nivel socioeconómico familiar? Segundo,
¿cómo se distribuyen las oportunidades educa-
tivas de acuerdo a circunstancias individuales
que nada tienen que ver con el mérito perso-
nal, y que están fuera del control de cada uno,
como el sexo o el lugar de nacimiento? Final-
mente, ¿qué políticas públicas o instituciones
pueden ayudar a mitigar estas desigualdades
educativas?
Con el objetivo de abordar estas preguntas,
este estudio presenta nueva evidencia sobre
el grado de desigualdad de oportunidades y
movilidad social educativa en 35 países utili-
zando datos de PISA 2018. Para ello, emplea-
mos técnicas modernas de Machine Learning
(ML) que nos permiten analizar la desigualdad
de oportunidades desde una perspectiva poco
explorada hasta la fecha. Impulsado por los
campos de la informática y la estadística,
el ML se refiere a un conjunto de técnicas y
algoritmos de aprendizaje automático para
realizar labores de predicción. A diferencia
de las técnicas tradicionales, los algoritmos
de ML permiten explorar de forma flexible y
automática interacciones complejas en los
datos. Esta ventaja resulta particularmente
interesante para analizar la desigualdad de
oportunidades educativas, ya que nos permite
considerar la influencia de las circunstancias
fuera del control individual de manera más
completa. Desde esta perspectiva, nuestra
aplicación de ML constituye una aproxi-
mación novedosa para estudiar la equidad
educativa a través de un enfoque basado en
datos, reduciendo así el riesgo de infraestimar
o sobrestimar la verdadera desigualdad de
oportunidades.
El análisis se estructura en tres partes princi-
pales. En la primera parte, nos centramos en
cuantificar la movilidad social educativa para
comprender hasta qué punto los niños de
familias más desaventajadas obtienen peores
puntuaciones en PISA de manera sistemática.
Para ello, utilizamos varios indicadores para
medir la movilidad social absoluta y relativa,
estableciendo la relación entre el nivel socioe-
conómico de los padres y los resultados en
el examen de matemáticas de sus hijos. En la
segunda parte del estudio, utilizamos varios
algoritmos de Machine Learning para estimar
la desigualdad de oportunidades a nivel nacio-
nal y regional. De esta manera, tratamos de
cuantificar qué proporción de las diferencias
educativas en PISA se deben a circunstancias
que escapan del control de los niños, como
su sexo, país y mes de nacimiento, así como
la educación y ocupación de sus padres. En
la última parte del estudio, relacionamos las
variaciones obtenidas entre países en las dos
secciones anteriores junto con diferentes
indicadores económicos y educativos que
reflejan las políticas públicas en estos ám-
bitos. A través de un análisis de correlación,
exploramos si existe una asociación entre los
indicadores de desigualdad de oportunidades
y las políticas implementadas, buscando así
evidencia sobre qué intervenciones podrían
ayudar a mitigar las desigualdades educativas
identificadas.
Consideraciones previas. – Los resultados
del estudio se limitan a analizar la movilidad
social y la desigualdad de oportunidades utili-
zando datos de PISA. Dado que en España la
desigualdad educativa opera principalmente a
través de la repetición y el abandono educati-
vo temprano, este estudio ofrece una imagen
parcial del sistema educativo. Para realizar un
análisis exhaustivo de la equidad educativa en
España, sería necesario utilizar un marco con-
ceptual que incluya otras medidas de apren-
dizaje y logro educativo. Pese a su interés y
7
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

relevancia, consideramos que el desarrollo de

este enfoque queda fuera del alcance de los
objetivos de este estudio. Con todo, queremos
recalcar que los resultados deben interpretarse
con cautela, ya que la equidad educativa en
España disminuye significativamente al utilizar
estas otras medidas de oportunidades educati-
vas (Gortazar, 2019).

Hoja de ruta del documento. – Para comen-

zar, ahondamos en cuestiones morales relacio-
nadas con la meritocracia y discutimos cómo
estos conceptos se relacionan con la movili-
dad social y la desigualdad de oportunidades.
La siguiente sección se centra en describir los
datos PISA que utilizamos en este estudio.
Posteriormente, pasamos a responder cada
una de las tres preguntas principales en sus
secciones correspondientes del informe: mo-
vilidad social, desigualdad de oportunidades
y políticas públicas. Terminamos este estudio
con un apartado dedicado a las conclusiones y
reflexiones finales.

8
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

merito
cracia

9
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Conceptos, percepcio- ¿Es partidaria la ciuda-

nes y argumentos en el danía de la premisa me-
debate público ritocrática?

Cuando hablamos de meritocracia, nos referi- Pese a su origen distópico y el reciente au-
mos comúnmente a un sistema en el que las mento de críticas contra ella, lo cierto es que
personas son seleccionadas y promovidas el ideal meritocrático todavía goza de bastante
a posiciones de éxito, poder o influencia en popularidad entre las sociedades contempo-
función de sus habilidades y méritos demos- ráneas. Por un lado, la evidencia indica que las
trados. Aunque el término tiene connotaciones personas generalmente consideran el ideal de
positivas debido a su origen etimológico, la la meritocracia como un sistema de reparto y
concepción de la meritocracia nace con una distribución moralmente deseable (Cappelen et
carga negativa en el libro "The Rise of Merito- al., 2010; Castillo et al., 2021).1 Por otro, la per-
cracy" de Michael Young (1958). En esta sátira, cepción social de que el esfuerzo y la ambición
se presenta una Gran Bretaña distópica donde importan más que las circunstancias para “as-
los gobernantes pertenecen a una élite cogni- cender” socialmente se encuentra ampliamen-
tiva seleccionada según la fórmula de mérito = te extendida (Castillo et al., 2021; Mijs, 2018).
inteligencia + esfuerzo. Concebida en estos tér-
minos, la meritocracia perpetúa una sociedad A pesar de contar con un aparente apoyo po-
jerárquica y elitista marcada por la segrega- pular, la concepción actual de la meritocracia
ción educativa desde una edad temprana y una causa cada vez más división social. Es cierto
obsesión por la cuantificación del mérito. que, en términos abstractos, la ciudadanía
generalmente respalda el reparto de recom-
Quizás como consecuencia de la creciente pensas según el talento y el esfuerzo. Muchos,
desigualdad e inseguridad económica que ha sin embargo, se encuentran desencantados
tenido lugar a lo largo de la década de 2010, con la incapacidad de las políticas públicas
la concepción de la meritocracia se enfrenta para promover la igualdad de oportunidades, lo
actualmente a un renovado escrutinio y crítica que deslegitimaría a la meritocracia desde un
social, como se aprecia en la popularidad de punto de vista moral. Esta tensión (la ausencia
varios ensayos recientes destinados a desmi- de una “verdadera meritocracia”, pero la creen-
tificarla (Markovits, 2019; Sandel, 2020; Barra- cia en la misma) sería además peligrosa desde
gué et al., 2022). Este creciente escepticismo un punto de vista ideológico. Si las desigual-
sobre la meritocracia podría suponer una dades materiales se atribuyen exclusivamente
pérdida de su popularidad como ideal desea- al mérito, un aumento de las brechas econó-
ble, y nos plantea varias preguntas: ¿Hasta qué micas generará menor preocupación, ya que
punto la meritocracia se sigue percibiendo, a se entenderá como una señal de que los más
día de hoy, como un sistema de selección y desaventajados deben simplemente esforzar-
reparto positivo? se más o aceptar sin rechistar su situación
personal (Arrow et al., 2000).

La falta de un consenso general sobre las vir-

tudes y carencias de la meritocracia impide el
impulso de acuerdos políticos en, por ejemplo,
el ámbito educativo. Este hecho nos motiva

1. Por ejemplo, Cappelen et al. (2010) estudian las preferencias distributivas del alumnado universitario. Para ello, los autores consideran cuatro visiones
distributivas: i) el “igualitarianismo” (i.e., reparto puramente equitativo de la tarta), ii) la “meritocracia” (i.e., reparto según el esfuerzo y el talento), iii) la “visión
de control-responsabilidad” (i.e., reparto según el esfuerzo) y (iv) la visión “libertaria” (i.e., reparto de la tarta según tanto la suerte como el esfuerzo y el talento).
Los resultados del experimento indican que la visión meritocrática es la más popular entre los estudiantes.

10
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
a tratar de articular desde un punto de vista
teórico los argumentos a favor y en contra del
ideal meritocrático.
Argumentos a favor
del ideal meritocráti-
co
Existen dos argumentos fundamentales que
respaldan a la meritocracia como ideal social-
mente deseable (Sen, 2000). El primero es su
carácter instrumental y se basa en la supuesta
capacidad de la meritocracia para promover el
bienestar común. Si el mérito de las acciones
se mide de acuerdo a sus consecuencias po-
sitivas para la sociedad, la meritocracia actúa
como un sistema para recompensar e incenti-
var acciones que fomenten un mayor progreso
económico y social. Desde una perspectiva
económica, sabemos que las personas res-
ponden a incentivos, por lo que un sistema que
recompense el mérito puede motivar una ma-
yor búsqueda de resultados beneficiosos para
la sociedad en su conjunto. En este sentido, la
meritocracia puede actuar como un sistema
que incentive acciones deseables: el mérito
se convierte, por tanto, en un medio útil para
lograr un fin socialmente deseable y la merito-
cracia en un sistema que lo fomenta.
El segundo argumento a favor de la meritocra-
cia se basa en la idea de que es justo repartir
recompensas según el mérito de las acciones.
Desde esta perspectiva deontológica o “de
principio”, el mérito es un valor en sí mismo y
merece ser recompensado. En otras palabras,
las acciones deben ser reconocidas y recom-
pensadas en función de su mérito, que deter-
mina su calidad intrínseca. De esta manera, el
hecho de que alguien reciba una recompensa
por su trabajo y mérito se considera moral-
mente correcto, ya que esa recompensa se
basa en un principio ético deseable: el mérito
en sí mismo.
Críticas al ideal de la
meritocracia
La meritocracia, aunque ampliamente defen-
dida, también enfrenta diversos argumentos
en contra que merecen ser considerados.
A continuación, mencionaremos de forma
sucinta algunas de las críticas más comunes,
sin menospreciar otros argumentos de peso
ampliamente discutidos por Sen (2000) y otros
autores (Gil, 2023).
En primer lugar, se encuentra la limitada con-
cepción de mérito utilizada en las economías
contemporáneas. Actualmente, las sociedades
modernas reconocen una definición dema-
siado restrictiva del mérito en base a ciertos
“talentos” específicos, como las calificaciones
académicas o la capacidad de satisfacer las
demandas del mercado. De acuerdo a esta
visión, la meritocracia debería reconocer una
gama más amplia de habilidades y recompen-
sar una mayor variedad de talentos que mere-
cen consideración en, por ejemplo, el ámbito
de las artes o humanidades.
En segundo lugar, encontramos la crítica
“narrativista” de la meritocracia, la cual perpe-
tuaría la idea de que las personas alcanzan el
éxito gracias a haber superado obstáculos me-
diante el esfuerzo y sus habilidades. Este relato
llevaría a proclamar a las personas exitosas
como legítimamente merecedoras de su si-
tuación privilegiada, lo que a su vez promueve
explicaciones culturales e incluso genéticas de
la desigualdad y la pobreza. La idea de la meri-
tocracia, por tanto, sería peligrosa ya que limita
la capacidad de reconocer que las desventajas
económicas y sociales pueden tener causas
estructurales que podrían ser atajadas a través
de, por ejemplo, una mayor redistribución de
riqueza.
Por último, se encuentra la crítica posiblemen-
te más popular, mordazmente resumida en la
idea de que “la meritocracia son los padres”.
Según esta perspectiva, el sistema meritocráti-
co favorece injustamente a quienes provienen
11

de entornos socioeconómicos privilegiados,
sin tener en cuenta las circunstancias iniciales
de las personas. Ya desde el sistema edu-
cativo, se premia a los niños de familias con
mayores recursos económicos y culturales no
necesariamente por sus méritos individuales,
sino porque sus padres les han proporciona-
do entornos y oportunidades educativas más
favorables. Al no considerar este hecho, la me-
ritocracia estaría legitimando las desigualda-
des económicas (frecuentemente vinculadas
al origen socioeconómico), sin reconocer las
desventajas iniciales a las que se enfrentan las
personas durante su infancia y adolescencia.
Nuestra contribución
al debate y la literatu-
ra
Este documento tiene como objetivo examinar
empíricamente la última crítica a la meritocra-
cia desde el ámbito educativo. Específicamen-
te, nos proponemos cuantificar el grado de
movilidad social y de desigualdad de oportuni-
dades en 35 sistemas educativos. El análisis
se articula en torno a tres preguntas funda-
mentales:
• ¿hasta qué punto el rendimiento educativo
en la adolescencia está determinado por el
nivel socioeconómico familiar?
• ¿cómo se distribuyen las oportunidades
educativas según circunstancias individua-
les, como el sexo o el lugar de nacimiento,
que están fuera del control de cada persona
y no se relacionan con el mérito personal?
• ¿qué políticas públicas o instituciones
pueden mitigar estas desigualdades educa-
tivas?
Mediante el análisis de la movilidad social y
la desigualdad de oportunidades, el presente
informe pretende poner de relieve algunas
carencias que presentan las políticas públicas
educativas actuales para “nivelar el campo de
juego” en la carrera meritocrática. Al cuantificar
12
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
la importancia de las desigualdades de parti-
da y los obstáculos a los que se enfrentan las
personas en su camino hacia la etapa adulta,
el estudio tratará además ofrecer evidencia so-
bre cómo los sistemas y estructuras sociales
pueden perpetuar las desigualdades. El uso de
datos PISA nos habilitará comparar los niveles
de equidad educativa en hasta 35 países y
comparar las capacidades de estos para corre-
gir las desigualdades de partida y promover la
movilidad social en la educación, situaciones
que deberían darse en una sociedad idealmen-
te meritocrática.
Desde una perspectiva académica, este trabajo
contribuye a varios ámbitos de investigación.
Por un lado, se enmarca en la literatura sobre
movilidad social, que abarca una amplia gama
de estudios en los campos de la educación,
la sociología y la economía. Estos estudios
suelen examinar la relación entre las oportuni-
dades de los hijos y el nivel socioeconómico de
los padres, aunque existen diferentes enfoques
para medir estas oportunidades (Dodin et al.,
2022). Por ejemplo, la sociología suele cen-
trarse en la transmisión intergeneracional de
las ocupaciones, mientras que la economía se
enfoca en la transmisión de renta (Chetty et
al., 2014; Soria-Espín, 2022). Pese a su atrac-
tivo, medir la movilidad intergeneracional de
ingresos es complicado debido a la necesidad
de combinar datos fiscales de padres e hijos,
lo que limita la posibilidad de comparar países
y analizar el impacto de las políticas públicas.
Al utilizar las evaluaciones estandarizadas de
PISA, nuestro estudio permite obtener estadís-
ticas de movilidad social educativa compara-
bles. En este sentido, nuestro enfoque se ve
ampliamente inspirado por Dodin et al. (2022),
que analizan la relación entre la renta familiar
y la probabilidad de obtener el “A-level” (el nivel
superior de secundaria en Alemania). A dife-
rencia de su trabajo, aquí nos centramos en la
movilidad social educativa a nivel internacio-
nal y utilizamos la probabilidad de obtener el
“Proficiency Level 3 en PISA” como indicador
de oportunidades.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Por otro lado, este estudio contribuye a la

literatura sobre la medición de desigualdad
de oportunidades. El enfoque empírico más
común para cuantificar la desigualdad de opor-
tunidades se basa en medir qué parte de la
desigualdad total se debe a las circunstancias
fuera del control individual mediante técnicas
de regresión (Ferreira & Gignoux, 2011; 2014;
Marrero et al., 2022). Pese a su simplicidad,
este enfoque presenta al menos dos limita-
ciones (Brunori et al., 2021). Primero, resulta
necesario seleccionar qué circunstancias son
relevantes y cómo se relacionan con las opor-
tunidades. Segundo, a menudo se ignoran las
posibles interacciones de las circunstancias en
los resultados. Por ejemplo, en algunos países,
el género del estudiante puede tener un im-
pacto diferencial en el rendimiento educativo
dependiendo de si pertenece a una familia con
más o menos capital cultural. Ambas conside-
raciones pueden afectar la estimación de igual-
dad de oportunidades, generando sesgos tanto
al alza como a la baja (Brunori et al., 2019).
Para superar estas limitaciones, proponemos
el uso de técnicas modernas de Machine
Learning para medir la desigualdad de oportu-
nidades. Este enfoque nos permite utilizar una
aproximación basada en datos para abordar
la selección de variables y sus interacciones,
obteniendo así una medición más precisa de
la desigualdad de oportunidades. Al emplear
técnicas de ML, este informe amplía el relati-
vamente limitado, aunque creciente número
de estudios en la materia (p.ej.: Brunori et al.,
2021; 2022). A diferencia de ellos, sin embargo,
nos centramos en el ámbito de la educación
e incorporamos algoritmos diferentes de ML,
incluyendo métodos de regularización y otros
basados en árboles.

13
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

fuente
de
datos

pisa 2018

14
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Nuestro análisis se basa en microdatos de las importancia pública y política que se les atribu-
pruebas PISA 2018 (“Programme for Inter- ye a las pruebas, lo que limita en cierta manera
national Student Assessment”). PISA es una las comparaciones entre sistemas educativos.
evaluación estandarizada a nivel internacional
destinada a medir las competencias en mate-
máticas, lectura y ciencia entre estudiantes de
15 años. Impulsada por la OCDE desde el año
2000, la prueba se realiza cada tres años. En
2018 contó con alrededor de 600.000 estu-
diantes de 79 países y “economías regionales”.

El objetivo de las pruebas PISA es evaluar el

rendimiento educativo en las tres áreas com-
petenciales de matemáticas, ciencias y lectura
a través de “Item Response Theory” (IRT). Cada
estudiante contesta alrededor de 60 preguntas
o ítems para medir su capacidad de entender
y resolver problemas prácticos a partir de la
aplicación de conocimientos. Dado que las
pruebas están diseñadas para ser indepen-
dientes del currículum nacional, PISA no evalúa
explícitamente los programas ni las materias
escolares abordadas en cada país.

En este estudio nos centramos en PISA por va-

rias razones. La primera es la riqueza que ofre-
cen sus microdatos. Más allá de los resultados
educativos, PISA incorpora información vital de
las características del alumnado, como el nivel
socioeconómico, la disponibilidad de libros en
el hogar o la ocupación de los progenitores. La
segunda razón es su carácter internacional y
estandarizado. Al compartir un modelo de eva-
luación, las pruebas PISA permiten establecer
comparaciones sobre el grado de movilidad
social e igualdad de oportunidades educativas
entre distintos países.

Aunque los datos PISA ofrecen ventajas evi-

dentes, también presentan algunas limitacio-
nes. En primer lugar, debemos tener en cuenta
la naturaleza “low-stakes” de las pruebas. Los
resultados en PISA no tienen ninguna conse-
cuencia académica para el alumnado, lo que
significa que la motivación intrínseca de los
estudiantes juega un papel importante en el
desempeño (Zamarro et al., 2019). Dicha mo-
tivación puede variar entre países debido a la
15
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En segundo lugar, las competencias evaluadas

por PISA no están necesariamente relaciona-
das con otras medidas de logro educativo que
pueden ser más determinantes en la etapa
adulta, como la obtención de un título de
educación secundaria. Esto conlleva que los
resultados PISA son una medida de aprendi-
zaje y no de logro educativo, lo que podría ser
una dimensión más relevante para la movilidad
social y la igualdad de oportunidades.

En nuestro análisis, nos centramos en el área

de matemáticas, utilizando una submuestra
de 35 países y “economías regionales”. Dicha
selección se debe principalmente a la exigen-
cia de los algoritmos de Machine Learning que
utilizamos en el apartado 5. Por un lado, nos
centramos en el ámbito de matemáticas por
su particular relevancia en el debate público y
también porque la prueba de lectura presentó
anomalías significativas en España en 2018.
Por otro lado, la selección de 35 países busca
abarcar una variedad de zonas geográficas
con desempeños diversos en la prueba. En la
FIGURA 1 se presenta el listado completo de
los países que participaron en PISA 2018, junto
con el resultado promedio en matemáticas.
Hemos identificado en azul los países incorpo-
rados al análisis de nuestro estudio.

16
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 1. Resultado medio en matemáticas por país: PISA 2018

17
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Movilidad
social
¿Hasta qué punto el
rendimiento educativo
en la adolescencia está
determinado por el nivel
socioeconómico familiar?

I.
18
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Movilidad social: Con-
ceptos
La movilidad social abarca el proceso dinámico
mediante el cual las personas, familias o gru-
pos sociales se mueven de una posición a otra
dentro de una determinada jerarquía social. Es
decir, se trata de un movimiento que implica al-
teraciones en el estatus socioeconómico, y que
puede incluir diferentes ámbitos como logros
profesionales, niveles de ingresos o salarios,
niveles educativos o la clase social (Erikson &
Goldthorpe, 1992; Breen & Goldthorpe, 1997). En
general, cuando hablamos de movilidad social
nos referimos a un movimiento intergenera-
cional, esto es, un cambio en el estatus o clase
social de padres a hijos, que puede darse en
renta (movilidad social económica), ocupación
(movilidad social laboral), o nivel educativo obte-
nido (movilidad social educativa).
La movilidad social, como medida de la capa-
cidad de las personas de distintos entornos
socioeconómicos para subir por el denomina-
do “ascensor social” desempeña, por tanto, un
papel crucial en la configuración de la dinámi-
ca de una sociedad. Asimismo, constituye un
indicador esencial de la equidad y la eficiencia
económica, ya que refleja hasta qué punto
todas las personas de una sociedad pueden
avanzar con independencia de su origen so-
cioeconómico familiar.
En este sentido, la movilidad social educativa,
que se centra típicamente en la asociación
entre los logros educativos y el ascensor social
medido vía la renta parental, ha acaparado una
atención significativa en los últimos años (ver,
por ejemplo, Hilger, 2015 en Estados Unidos y
Dodin et al., 2022, para Alemania). En esta sec-
ción del informe exploramos las diferencias en
la movilidad social educativa de España y sus
comunidades autónomas, además de en otros
34 países, utilizando para ello datos PISA de
2018.
El acceso a una educación de calidad se con-
sidera desde hace mucho tiempo un motor
clave de la movilidad social ascendente, ya que
permite a las personas adquirir las competen-
cias, conocimientos y oportunidades necesarias
para liberarse de las limitaciones de su entorno
social. Una sociedad que promueve y facilita
la movilidad social educativa garantiza que las
personas no se vean limitadas por sus circuns-
tancias al nacer, sino que tengan la oportunidad
de alcanzar los mismos logros que el resto.
Al permitir que las personas procedentes de
entornos desfavorecidos accedan a la educa-
ción en igualdad de condiciones a las personas
más favorecidas, la movilidad social contribuye
a “nivelar el terreno de juego” y a reducir las
desigualdades, fomentando una sociedad más
justa y equitativa (Hertz, 2008; Reardon, 2011).
Más allá del impacto que pueda tener a nivel
individual, la movilidad social educativa tam-
bién tiene implicaciones para las sociedades
en su conjunto. Cuando personas de orígenes
dispares tienen las mismas oportunidades de
tener éxito y contribuir a la sociedad, se pro-
duce una mayor cohesión social, diversidad
y enriquecimiento cultural. Una sociedad que
promueve activamente la movilidad social
educativa aprovecha el talento, las capacida-
des y las perspectivas de toda su población,
fomentando la innovación, el crecimiento
económico y el progreso social. Por el contra-
rio, la falta de movilidad social puede dar lugar
a la infrautilización del potencial humano y a la
perpetuación de las disparidades socioeconó-
micas, obstaculizando el desarrollo general de
la sociedad (Corak, 2013).
Además, la movilidad social educativa juega un
papel crucial en la ruptura del ciclo de la pobre-
za intergeneracional. Al proporcionar medios
para mejorar las perspectivas económicas de
las personas, la educación se convierte en una
poderosa herramienta para la elevación social
y la mejora de las comunidades que tradicio-
nalmente hayan sido más marginadas, ya
que ofrece a los individuos la oportunidad de
conseguir un mejor empleo, mayores ingresos
y un mejor nivel de vida. Por tanto, la movilidad
social educativa también contribuye al desarro-
19

llo económico general de una nación, dado que
permite mejorar la mano de obra cualificada
y competitiva que impulsa la productividad, la
innovación y el crecimiento sostenible (Chetty
et al., 2014; Hertz, 2008).
Siguiendo la línea de la literatura reciente en
el ámbito de la movilidad social (Chetty et al.
2014; Hilger, 2015; Dodin et al., 2022), defini-
mos dos conjuntos de indicadores de movili-
dad social con el objetivo de distinguir entre
dos conceptos: movilidad absoluta y relativa.
Mientras que las medidas de movilidad abso-
luta dan información sobre el nivel (absoluto)
de oportunidades de los niños con circunstan-
cias desfavorables, las medidas de movilidad
relativa reflejan las diferencias de oportunida-
des (relativas) entre los niños que provienen
de circunstancias más desfavorables y los que
provienen de circunstancias más favorables:
Movilidad educativa absoluta. Este indica-
dor mide la probabilidad de que una per-
sona de entorno desfavorecido alcance un
nivel de educativo determinado (por ejem-
plo, GED o equivalente en Estados Unidos,
A-level en Alemania, Bachiller o equivalente
en España, o Proficiency Level 3 en datos
PISA), esto es, entre los niños que consi-
deramos como “desfavorecidos” socioeco-
nómicamente, la proporción que consigue
alcanzar un nivel educativo predeterminado.
Movilidad educativa relativa. Mide la pro-
babilidad de que un individuo de entorno
favorecido alcance un nivel de estudios
determinado en relación a otro individuo de
entorno desfavorecido. Un valor alto de este
indicador implica que la movilidad educativa
relativa es baja, ya que una mayor proporción
de niños que provienen de circunstancias
aventajadas conseguirá el nivel educativo de-
terminado, frente a los niños que provienen
de circunstancias desaventajadas.
2. La elección de este nivel es arbitraria, pero lo consideramos razonable dada su propia denominación de “competencia básica” y el hecho de que supone
alcanzar el tercer nivel de los seis que hay.
20
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
A continuación, describimos brevemente el
enfoque empírico que hemos tomado en este
estudio para medir tanto la movilidad educa-
tiva absoluta como la relativa junto con otros
indicadores de movilidad social, para después
mostrar los resultados obtenidos para los dife-
rentes países y comunidades autónomas.
Movilidad social: Técni-
cas e indicadores
El elemento central de los indicadores de mo-
vilidad social educativa que utilizamos en este
estudio son las estimaciones de la probabili-
dad de que los niños obtengan un Proficiency
Level 3 (PL3) en PISA condicionada al nivel
socioeconómico de los padres. Por tanto, se
trata de estadísticos descriptivos que relacio-
nan la probabilidad de que un niño obtenga el
nivel educativo determinado como PL3 (“basic
proficiency”) en PISA, con el ranking socioeco-
nómico (ESCS) de sus padres.
En PISA 2018, la OCDE define seis niveles de
competencia matemáticas. En función del
resultado obtenido por el alumnado en la prue-
ba, se determina qué nivel de competencia ha
alcanzado. En concreto, alcanzar el PL3 o “ba-
sic proficiency” indica que “… pueden ejecutar
procedimientos claramente descritos, incluidos
los que requieren decisiones secuenciales.
Pueden interpretar y utilizar representaciones
basadas en distintas fuentes de información y
razonar directamente a partir de ellas. (…) Sus
soluciones reflejan que han realizado interpre-
taciones y razonamientos básicos.”2
Por otra parte, la variable ESCS (“Economic, So-
cial and Cultural Status”) es un índice calculado
por la OCDE que se deriva, como en ediciones
anteriores de la prueba, de otras tres variables
relacionadas con el entorno familiar: el nivel
educativo máximo de los padres, el estatus ocu-
pacional máximo de los padres, y las posesiones
del hogar, incluido el número de libros en casa.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Para computar las medidas de movilidad so-
cial, definimos una medida de oportunidades
educativas Yi a través de una variable binaria
que adquiere valor Yi = 1 si el niño alcanza el
nivel PL3 o superior y Yi = 0 si no lo hace3. Por
su parte, asignamos a cada estudiante a su
respectivo percentil de ESCS familiar, que de-
nominamos Ri. Basándonos en la interrelación
de estas dos variables PISA, cada uno de los
conceptos de movilidad educativa menciona-
dos se obtienen de la siguiente forma:
Movilidad educativa absoluta, Q1. Proba-
bilidad de obtener el nivel de “Proficiency
Level 3” o “basic proficiency” (PL3) en
matemáticas PISA 2018 para un niño en el
quintil inferior de la distribución parental de
ESCS, es decir, Q1 = P[Yi | Ri ≤ 20]. Un valor
alto de este indicador implica que la movili-
dad educativa absoluta es alta, ya que una
mayor cantidad de niños desaventajados
habrá conseguido alcanzar dicho nivel
educativo.
Movilidad educativa relativa, Ratio de
probabilidades, Q5/Q1. Se calcula como la
ratio entre la probabilidad de obtener el nivel
PL3 en matemáticas PISA 2018 para un
niño en el quintil superior de la distribución
parental de ESCS (Q5) sobre el equivalente
para el quintil inferior (Q1). Mide, por tanto,
cuantas veces más probable es obtener el
nivel PL3 para los niños más aventajados
socioeconómicamente frente a los más
desaventajados.
3. En el cómputo de estos indicadores descriptivos se tienen en cuenta los diez valores plausibles que cada estudiante obtiene en la prueba PISA.
Gradiente de probabilidades, Grad. Es el
coeficiente estimado en la regresión Yi =
ßRi + ui, esto es, la pendiente de la probabili-
dad de obtener el nivel PL3 en matemáticas
PISA 2018 según el percentil de la distri-
bución parental de ESCS. Mide, por tanto,
cómo aumenta la probabilidad de obtener
el nivel PL3 conforme aumenta el percentil
socioeconómico de los padres.
Para ambos indicadores, Q5/Q1 y Grad, un
mayor valor indica una menor movilidad so-
cial relativa, ya que implica que una mayor
cantidad de niños aventajados consigue
alcanzar el nivel de ‘basic proficiency’ frente
a los desaventajados.
Además de los anteriores, se obtienen también
los siguientes indicadores para cada uno de
los países indicados y las comunidades autó-
nomas españolas:
Nivel de competencia medio, Niv3. Se
calcula como el porcentaje de niños que ob-
tiene el PL3 en matemáticas para cada una
de las zonas geográficas y mide, por tanto,
el nivel medio de desempeño educativo.
A mayor valor de Niv3, significa que el país
(o comunidad autónoma) obtiene de me-
dia un mejor rendimiento educativo en la
prueba, pero dicho resultado medio puede
esconder diferencias entre alumnos de
diferentes entornos socioeconómicos que
pretenden recogerse mediante los indicado-
res de movilidad social absoluta y relativa.
21
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Nivel de competencia para los niños aven-

tajados, Q5. Probabilidad de obtener el nivel
de “Proficiency Level 3” o “basic proficiency”
(PL3) en matemáticas PISA 2018 para un
niño en el quintil superior de la distribución
parental de ESCS, es decir, Q5 = P[Yi | Ri ≥ 80].

Un valor alto de este indicador nos dice que

una proporción alta de niños aventajados
obtiene el PL3. Esto, per se, no conlleva
una movilidad social baja ni alta; sino que
dependerá de qué diferencias hay entre este
indicador y el Q1. Si obtenemos valores pa-
recidos de Q5 y Q1, la ratio de probabilida-
des será cercana a 1 y querrá decir que es
similarmente probable alcanzar el PL3 para
alumnos aventajados y desaventajados. Si
obtenemos valores mucho más altos para
Q5 que para Q1, la ratio de probabilidades
será sensiblemente mayor que 1 y por
tanto, el alumnado aventajado socioeconó-
micamente tendrá mucha más probabilidad
de obtener el PL3 que el alumnado desfavo-
recido.

Presentamos a continuación los resultados

obtenidos en esos cinco indicadores para
cada uno de los 35 países mencionados en la
sección anterior y las 17 comunidades autóno-
mas españolas. Introducimos en primer lugar
la situación de España para después realizar
una comparativa con los diferentes países y
terminar esta sección con los resultados de las
comunidades autónomas.4

4. Desafortunadamente, se excluyen del análisis la presentación de estadísticas para Ceuta y Melilla debido al limitado número de observaciones que presentan
en la prueba PISA.

22
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

resul
tados

23
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Situación en España todos los niños alcanzan el nivel de compe-

tencia básico en PISA 2018 en España. Sin
En términos de nivel de competencia media embargo, este nivel de competencia media
(Niv3), España alcanza un valor del 50,9%, esconde valores extremos, que se recogen me-
lo que significa que algo más de la mitad de diante los indicadores de movilidad educativa.

2,3X
Veces más probable obtener el nivel básico de
competencia matemática en PISA 2018 para un
alumno proveniente de familia socioeconómicamente
aventajada frente a uno de entorno desaventajado.

51% De todo el alumnado en España obtiene el nivel

básico de competencia matemática en PISA 2018.

32%
Sólo el 32% de los alumnos socioeconómicamente
desaventajados lo obtienen.

73% Frente al 73% en el caso de aquellos con

circunstancias socioeconómicas favorables.

Por un lado, en cuanto a la movilidad educa- Esta diferencia en la probabilidad de obtener

tiva absoluta (Q1), España presenta un valor
relativamente modesto: el 31,6% de los niños
desfavorecidos (aquellos cuya familia está
en el quintil inferior de nivel socioeconómico)
consigue alcanzar el nivel PL3 en matemáticas
de PISA 2018. Esto situará a España, como
veremos a continuación, en la mitad inferior
de los países analizados. Como contrapunto,
en el indicador Q5, España obtiene un valor de
73,2%, esto es, alrededor de tres cuartas partes
de los niños con circunstancias aventajadas
(aquellos cuya familia se sitúa en el quintil
superior de nivel socioeconómico) consigue
alcanzar el mismo nivel en PISA 2018. Es decir,
existe una diferencia de más de 40 puntos
porcentuales en la consecución del nivel PL3
entre los alumnos de procedencia socioeco-
nómica más aventajada y los que menos.
el nivel PL3 en matemáticas PISA 2018 se
recoge también mediante los dos indicadores
de movilidad educativa relativa. Obtenemos, en
primer lugar, que el valor Q5/Q1 para España
es de 2,32, lo que sugiere que los niños de los
entornos socioeconómicos más favorecidos
tienen aproximadamente 2,32 veces más pro-
babilidades de alcanzar el nivel de "compe-
tencia básica" (PL3) en comparación con los
de entornos desfavorecidos. Por otra parte,
el indicador Grad, con un valor de 0,51 en el
caso de España, nos indica que los niños “más
ricos” tienen aproximadamente un 51% más de
probabilidades de obtener el nivel educativo en
cuestión que los niños “más pobres”.

24
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Estos resultados se observan gráficamente en

la FIGURA 2, que muestra no solo los valores
obtenidos para los indicadores de movilidad
social y nivel medio de competencia en PL3,
sino también la clara relación positiva entre
el resultado obtenido en PISA 2018 y el nivel
socioeconómico de los padres. Si existiera una
movilidad social relativa alta, el gráfico a con-
tinuación debería ser prácticamente plano, ya
que esto implicaría que es igualmente probable
obtener el nivel PL3 independientemente de las
circunstancias socioeconómicas de la familia,
i.e. la ratio de probabilidades Q5/Q1 sería igual
a 1. Sin embargo, la tendencia ascendente ob-
servada refleja que es más probable (concreta-
mente, 2,32 veces más) obtener el nivel PL3 en
PISA 2018 para los niños con circunstancias
aventajadas frente a aquellos con circunstan-
cias desaventajadas.

movilidad social en españa

“más pobre” Percentil escs de la familia “Más rico”

Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que han alcanzan un resultado en matemáticas superior al PL3. Los percentiles
se obtienen utilizando la distribución de ESCS en España. Gradiente obtenido mediante OLS. Los datos provienen de microdatos PISA 2018.

25
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Análisis comparativo Por otra parte, también es importante fijarse

entre países5
La FIGURA 3 a continuación presenta el gráfi-
co anteriormente descrito para España, en este
caso para los 35 países y economías regiona-
les. Es importante recordar que una pendiente
más vertical conlleva mayores valores de Q5/
Q1 y Grad e indica, por tanto, una menor movili-
dad educativa relativa. Una pendiente más pla-
na indicaría un mejor resultado en términos de
movilidad relativa (los resultados educativos
obtenidos por aquellos en los cuantiles bajos
de la distribución socioeconómica-cultural son
parecidos a aquellos en los cuantiles altos).
de qué nivel parte cada sistema educativo. Un
país que tiene una movilidad absoluta alta (Q1
alto) partirá de un nivel mayor. En términos
de movilidad social lo ideal sería, por tanto,
un país que parte de un nivel de desempeño
educativo alto y que mantiene ese alto nivel
a lo largo de toda la distribución socioeconó-
mica. En este sentido, nos parece interesante
destacar la posición que ocupa México, ya
que, aunque es uno de los países con menor
movilidad absoluta, veremos que ocupa una
posición destacable en términos de movilidad
relativa. Esto es debido a que parte de un nivel
bajo (Q1 bajo, movilidad absoluta baja) y tiene
una pendiente relativamente plana (Grad bajo,
movilidad relativa alta).

movilidad social educativa en

perspectiva internacional

Notas: Esta figura muestra la proporción de niños en cada percentil de ESCS que alcanzan un resultado en matemáticas superior al PL3 en cada país/
economía regional. Los percentiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Gradiente obtenido mediante OLS. Los
datos provienen de microdatos PISA 2018.

5. En la Tabla A1 del Anexo A se muestran los resultados de los cinco indicadores para cada uno de los 35 países.

26
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Dicho esto, observamos que España pre- educativa absoluta. Estos países han realizado
senta una la movilidad educativa absoluta importantes avances a la hora de ofrecer opor-
relativamente moderada (31% del alumnado tunidades educativas a los niños procedentes
proveniente de circunstancias desaventajadas de entornos desfavorecidos, lo que se traduce
obtiene el nivel PL3). Se sitúa muy por detrás en una mayor proporción de ellos que alcanzan
de países (regiones) como China B-S-J-Z el nivel educativo predeterminado. Estos re-
(84%)6, Macao (76%), Hong Kong (66%) y Sin- sultados sobre el indicador Q1 se ven también
gapur (64%) en términos de Q1; en el caso de reflejados en la FIGURA 4 a continuación.
los dos primeros doblan el indicador español.
Estos países presentan niveles más altos de
movilidad educativa absoluta, lo que sugiere un
mayor éxito a la hora de ofrecer oportunidades
educativas a los alumnos desfavorecidos. En
relación con países europeos, España se sitúa
también por debajo, pero a una distancia más
cercana, de países como Finlandia (46%), Di-
namarca (45%), Irlanda (41%) e Islandia (39%),
que demuestran mayores niveles de movilidad

Resultados del indicador de movilidad educativa absoluta (Q1) para 35 países

Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticas superior al PL3 en cada
país/economía regional. Los quintiles se obtienen utilizando la distribución de ESCS en cada país/economía regional. Los datos provienen de microdatos PISA
2018.

3.B-S-J-Z es un acrónimo que abarca las cuatro provincias chinas de Beijing, Shanghai, Jiangsu y Zhejiang. Estas cuatro regiones se tratan como un sistema
educativo único en PISA 2018.

27
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En términos del Grad, la FIGURA 5 muestra

cómo España se sitúa de nuevo en la mitad in-
ferior de la tabla en cuanto a movilidad educa-
tiva relativa se refiere. Con un valor de 0,51 (los
niños de circunstancias aventajadas tienen
aproximadamente un 51% más de probabilidad
de alcanzar el nivel PL3) está lejos de aquellos
países que mejor resultados obtienen en mate-
ria de movilidad educativa absoluta como Ma-
cao (0,14), B-S-Z-J (0,15) y Hong Kong (0,25),
pero en una posición aventajada respecto a
países vecinos como Francia (0,67). Podemos
también observar que se encuentra en una po-
sición similar en términos de movilidad relativa
a Países Bajos (0,49), Australia (0,49), Nueva
Zelanda (0,53) y Emiratos Árabes (0,53).

Resultados del indicador de movilidad educativa relativa (Grad) para 35 países

Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada país. Los percentiles se
obtienen utilizando la distribución de ESCS en cada país/economía regional. El gradiente se calcula a través del coeficiente en la regresión relacionando ambas
variables para cada país. Los datos provienen de microdatos PISA 2018.

28
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En términos del otro indicador de movilidad re-

lativa, la ratio de probabilidades Q5/Q1, obtene-
mos, como es de esperar, resultados similares
a los obtenidos mediante el gradiente. La lista
de los mejor colocados de nuevo la encabe-
zan China B-S-Z-J, Macao, y Hong Kong con
valores próximos a 1 (1,16; 1,18 y 1,33 respec-
tivamente). Por otro lado, aunque España se
coloca de nuevo en una posición ligeramente
por debajo de la media con una ratio de 2,32,
está mejor posicionada que otros países euro-
peos como Luxemburgo (3,03), Francia (2,8) y
Alemania (2,5). Estos países tienen una mayor
disparidad entre la probabilidad de que los ni-
ños de entornos favorecidos y desfavorecidos
alcancen la competencia básica.

Por tanto, podemos concluir que, a pesar de

que España presenta una movilidad educativa
absoluta y relativa moderada, sobre todo en
relación a ciertos países asiáticos, está en una
posición aventajada respecto a otros países
más cercanos como pueden ser Francia o
Alemania.

29
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Análisis comparativo nes españolas. Las comunidades autónomas

entre comunidades au-
tónomas7
Existe abundante evidencia empírica que indi-
ca una variación geográfica significativa de la
movilidad social y la desigualdad de oportuni-
dades, incluso dentro de un mismo país (Chet-
ty et al., 2014; Dodin et al., 2022). Esto sugiere
que es útil realizar comparaciones entre las
diferentes regiones autonómicas para com-
prender si varía la movilidad social en España
y, en caso formativo, cómo lo hace.
En la FIGURA 6 observamos que la movilidad
social absoluta varía ampliamente entre regio-
peor situadas son Canarias (26,1) y Madrid
(26,7), esto es, únicamente alrededor de una
cuarta parte del alumnado desaventajado de
estas comunidades alcanza el PL3 en matemá-
ticas PISA 2018. Por su parte, las comunidades
autónomas con sistemas educativos que pre-
sentan mejores niveles de movilidad social ab-
soluta son Galicia y Castilla y León, ambas con
valores superiores al 41%. Esto es, observamos
diferencias de más de 15 puntos porcentuales
entre unas comunidades y otras. Además, no se
aprecia un patrón geográfico claro en cuanto a
los resultados de este indicador.

FIGURA 6. Resultados del indicador de movilidad

educativa absoluta (Q1) por CC.AA.

26,09 41,99

31,15 37,91
33,31
41,99
36,19

40,84

41,59 32,67
35,07

26,69

32,31 33,92
37,27
30,77

30,87

29,18

26,09

Notas: Esta figura muestra la proporción de niños en el quintil más bajo de ESCS (Q1) que han alcanzan un resultado en matemáticas superior al PL3 en cada
comunidad autónoma. Los quintiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. Los datos provienen de microdatos PISA
2018.

7.En la Tabla A2 del Anexo A se muestran los resultados de los cinco indicadores para cada una de las comunidades autónomas.

30
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En términos de movilidad social relativa, la

FIGURA 7 presenta los resultados para el
indicador Grad de cada comunidad autónoma
española. En este caso, repiten de nuevo como
la peor situada Madrid (0,58); obtienen idéntico
resultado Murcia y Asturias y le siguen de cerca
País Vasco (0,56) y Canarias (0,54). Por su par-
te, la región que muestra un sistema educativo
con mejores niveles de movilidad social relativa
es de nuevo Galicia (0,41), en este caso seguida
de Castilla-La Mancha (0,43), Valencia (0,43)
y Castilla y León (0,47). Como en el caso de la
movilidad absoluta, tampoco ahora apreciamos
un patrón geográfico claro.

FIGURA 7. Resultados del indicador de movilidad

educativa relativa (Grad) por CC.AA.

0,58 0,41

0,58 0,51
0,52
0,41
0,56

0,49

0,47 0,5
0,52

0,58

0,43 0,47
0,43
0,5

0,58

0,51

0,54

Notas: Esta figura muestra el gradiente (i.e., pendiente) de la probabilidad de obtener el PL3 en función del ranking de ESCS para cada comunidad autónoma.
Los percentiles se obtienen utilizando la distribución de ESCS en cada comunidad autónoma. El gradiente se calcula a través del coeficiente en la regresión
relacionando ambas variables para cada país. Los datos provienen de microdatos PISA 2018.

31
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

desigual
dad de
oportu
nidades
¿Cómo se distribuyen
las oportunidades
según circunstancias
individuales que no se
relacionan con el mérito
personal?

II.
32
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Desigualdad de opor- y defiende que todos los ciudadanos deben

tunidades: Acuerdos y
desacuerdos
En la sección anterior, hemos visto cómo el
rendimiento educativo –medido a través de la
probabilidad de obtener determinado nivel en
matemáticas en PISA– está estrechamente
relacionado con el estatus socioeconómico
de la familia, tanto en España como en mu-
chos otros países de su entorno. Esto es, el
rendimiento educativo en PISA 2018 depende
del nivel socioeconómico de los padres, cir-
cunstancia que está fuera del control de los
niños y que, por tanto, en una sociedad que
se ajuste al ideal meritocrático, no debería
tener tanto peso. Visto esto, a continuación,
pasamos a abordar la segunda pregunta que
planteábamos en este estudio, es decir, medir
cómo se distribuyen las oportunidades educa-
tivas conforme a un conjunto más amplio de
circunstancias personales fuera del control de
cada uno mediante el cálculo de indicadores
de desigualdad de oportunidades.
Desde un punto de vista filosófico, la igualdad
de oportunidades (IOp) se refiere a un ideal
político que defiende la promoción de las
personas a posiciones de éxito a través de
un proceso competitivo abierto y en igualdad
de condiciones.8 En este sentido, existen dos
nociones principales de la igualdad de oportu-
nidades y de lo que significa competir en igual-
dad de condiciones (Roemer, 2000; Arneson,
2015). La primera defiende el principio formal
de no-discriminación. Esta concepción requie-
re que las posiciones sociales de éxito estén
abiertas a cualquier solicitante y que la asigna-
ción final se realice exclusivamente de acuer-
do a los méritos y atributos necesarios para
cada puesto. Por otra parte, y a diferencia de
esta noción formal, la concepción de igualdad
de oportunidades sustantiva es más amplia
tener acceso a las oportunidades suficientes
para desarrollar sus capacidades “antes de que
empiece la competición”.9
Aunque la mayoría de ciudadanos en las
sociedades industrializadas están a favor de
la igualdad de oportunidades como principio,
existen discrepancias importantes sobre cómo
debe entenderse este ideal (Bénabou, 2000; Ar-
neson, 2015). En el extremo más igualitario se
encuentra el ideal de John Rawls (1971), quien
consideraba que el talento innato es una forma
de suerte arbitraria que no constituye mérito
o recompensa. Alguna forma de desigualdad
económica sería necesaria para generar incen-
tivos, pero esta debería combatirse lo máximo
posible. En el extremo contrario se encuentra
la noción libertaria de que las personas son
también responsables de sus propias circuns-
tancias. Desde esta perspectiva, la igualdad de
oportunidades se entiende como una idea mi-
nimalista basada en el respeto mutuo a ciertos
derechos básicos sobre la propiedad (Nozick,
1974) y en una intervención mínima del estado
para luchar contra la discriminación (Epstein,
1995).
Dónde traza la sociedad el alcance de la
responsabilidad individual tiene implicaciones
directas sobre la legitimidad de la cultura del
esfuerzo. Un ejemplo ilustrativo sería el de un
niño pobre al que no le gusta la escuela por no
disponer de recursos suficientes en el hogar.
¿Es este niño responsable de sus preferencias
y de no esforzarse lo suficiente? La respuesta
a esta pregunta varía según las intuiciones mo-
rales de cada cual. Por un lado, autores como
Dworkin (1981) o Fleurbaey (2008) consideran
que las preferencias son responsabilidad de
uno mismo y que las personas no deben ser
compensadas por su falta de ambición o sus
valores personales. Por otro, autores como

8.Esta noción de justicia no va, por tanto, en contra de la existencia de jerarquías sociales ya que reconoce y acepta implícitamente la presencia de posiciones
de distinta valía en la sociedad (Arneson, 2015). Sin embargo, a diferencia de los sistemas de castas o aristocráticos, el principio de IOp promueve que la
asignación a estas posiciones no dependa del estatus social al nacer o de las circunstancias que escapan del control individual de las personas.
9. Un ejemplo de la IOp formal sería combatir la discriminación por sexo o raza, ya que estos atributos son inconsecuentes para el desempeño en un puesto de
responsabilidad. Por su parte, un ejemplo de la IOp sustantiva sería garantizar más recursos educativos a niños de familias trabajadoras para compensar las
desventajas sociales que limitan sus habilidades para competir con aquellos más pudientes en la etapa adulta.

33

Cohen (1989) o Roemer (2002) consideran
que algunas preferencias y estilos de vida son
resultado de las circunstancias vividas durante
la infancia. Según esta perspectiva, la sociedad
debería “igualar el campo de juego” y compen-
sar el impacto de las circunstancias en facto-
res como el esfuerzo y la ambición. Desde esta
concepción de la igualdad de oportunidades, la
política educativa debería, por tanto, destinar
recursos para garantizar que todos puedan
competir con la misma ambición y perseveran-
cia durante la etapa adulta en la medida de lo
posible (Arneson, 2015).
Por sus complejidades éticas y morales, pode-
mos concluir que existen profundos desacuer-
dos tras la aparente popularidad de la igualdad
de oportunidades como principio de justicia.
Dichas discrepancias pueden ser fruto de lo
difícil que resulta delimitar una frontera entre
circunstancias y responsabilidad individual en
la práctica y/o de diferencias éticas entre la
ciudadanía. La ausencia de un acuerdo general
no hace, sin embargo, inútil el estudio de la
igualdad de oportunidades desde un punto de
vista empírico. Al contrario, creemos que esta
limitación hace fundamental un análisis prác-
tico del papel que juegan las circunstancias
en la desigualdad educativa para informar el
debate público. Por ello, el siguiente subaparta-
do se destina a explicar la metodología em-
pleada en este estudio para la medición de la
desigualdad de oportunidades.
34
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Desigualdad de opor-
tunidades: El uso de
Machine Learning como
propuesta metodológi-
ca
En este subapartado nos adentraremos en los
detalles metodológicos para estimar empírica-
mente el grado de desigualdad de oportunida-
des. Tal y como ocurría en la sección anterior
referente a la medición de la movilidad social,
el análisis se centrará en la desigualdad edu-
cativa medida a través de datos PISA. La razón
principal por la que nos enfocamos en la etapa
obligatoria de la educación se debe tanto a su
impacto sobre las condiciones económicas
durante la etapa adulta, así como al hecho
de que ocurre antes de la “edad de consenti-
miento” a partir de la cual las personas deben
ser consideradas (al menos parcialmente)
responsables de sus elecciones (Roemer &
Trannoy, 2016). En este sentido, consideramos
que promover la igualdad de oportunidades
en la educación y el aprendizaje es un objetivo
deseable, tanto desde un punto de vista igua-
litario como meritocrático. En lo que prosigue,
adoptaremos la concepción sustantiva de la
igualdad de oportunidades: esto es, el grado
en que las oportunidades educativas (medidas
a través de resultados PISA) dependen de las
circunstancias que escapan al control de las
personas.
Medir la desigualdad de oportunidades es
un proceso más complejo que el de analizar
la desigualdad de resultados educativos o la
movilidad social. Como hemos mencionado,
el principio de IOp requiere de una distinción
entre las circunstancias y la responsabilidad
individual. Por lo tanto, un análisis empírico de
la desigualdad de oportunidades debe aislar
el impacto de las primeras en el rendimiento
educativo. En otras palabras, lo que realmente
importa no son las diferencias de resultados,
sino la desigualdad generada por el impacto
de las distintas circunstancias de los estu-
diantes. Por lo tanto, para medir la desigual-
dad de oportunidades (que denominaremos
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
DOp) debemos realizar el análisis en dos fases:
primero, una fase de estimación para aislar el
papel de circunstancias en las oportunidades
educativas y, segundo, una fase medición de la
desigualdad. A continuación, pasamos a des-
cribir estas dos fases de manera detallada.
F1- Fase de estimación: Aislar el
rol de las circunstancias
Definición de circunstancias. – En esta prime-
ra fase del análisis empírico, el objetivo será
aislar el impacto de las circunstancias sobre el
rendimiento educativo. Cuando hablamos de
circunstancias, nos referimos a aquellas carac-
terísticas que los estudiantes heredan y sobre
las que no tienen control alguno, como su sexo
o el nivel socioeconómico de los progenitores.
La importancia de estas circunstancias so-
bre el desempeño académico determinará la
intensidad de la desigualdad de oportunidades
en cada sistema educativo. Por ejemplo, si
en un país la renta familiar es un factor más
determinante que en otros, podremos concluir
que el nivel de DOp será mayor en ese país,
ya que las diferencias heredadas generan una
mayor desigualdad en el rendimiento educati-
vo. En nuestro análisis nos centraremos en las
siguientes características individuales: sexo y
mes de nacimiento del estudiante, su país de
nacimiento y el de sus progenitores, el idioma
hablado en el hogar, ocupación, nivel educativo
y estatus ocupacional de padre/madre, núme-
ro de libros en el hogar y varios índices sobre el
nivel social, económico y cultural de las fami-
lias10. El CUADRO 1 muestra el listado de cir-
cunstancias que consideramos en el análisis.
En la práctica, no es posible observar todas las
circunstancias relevantes de los estudiantes.
Pese a que los microdatos de PISA recogen
información valiosa sobre las características
de los estudiantes, no podemos observar al-
gunas circunstancias que también están fuera
10.Como hemos comentado anteriormente, el índice ESCS incorpora el nivel educativo máximo de los padres, el estatus ocupacional máximo de los padres, y
las posesiones del hogar, incluido el número de libros en casa. Hemos decidido incorporar tanto el índice ESCS como estos elementos en los modelos ya que
los algoritmos de ML seleccionan las variables predictivas más importantes en el proceso de optimización. Por este motivo, hemos apostado por adoptar una
aproximación más agnóstica y que la selección final del modelo se realice a través de los algoritmos.
del control del alumnado, como su composi-
ción genética (que tendrá un impacto en su
inteligencia) o el número de hermanos. En la
medida que estos factores ausentes sean im-
portantes para el desempeño académico, el
proceso de estimación no considerará todas
las circunstancias, lo que resultará en una
infraestimación de la DOp (Ferreira & Gignoux,
2011; 2014). Por tanto, nuestros resultados
deben interpretarse con cautela, ya que repre-
sentan un límite inferior (“lower-bound”) de la
verdadera DOp.
Además de esta limitación insalvable, quere-
mos recalcar que existen otros factores ob-
servables que no consideramos en el estudio,
como la titularidad de centro o el desempeño
educativo de los compañeros de clase (Ma-
rrero et al., 2022). Somos conscientes de que
estas características son importantes para el
aprendizaje (Sacerdote, 2011) y que pueden
considerarse como circunstancias. Pese a
compartir esta interpretación (¿es un niño al
fin y al cabo responsable de las preferencias
de sus padres y la elección que hayan hecho
por él?), hemos decidido no incorporarlas en el
análisis. El motivo es que la elección de cen-
tro puede estar influenciada por las propias
preferencias de las familias y, por lo tanto, no
ser universalmente aceptada como un factor a
compensar. Por esta razón, hemos optado por
centrar nuestro análisis en características que
pueden ser más globalmente consideradas
como circunstancias.
35
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

CUADRO 1. Listado de circunstancias

Sexo del estudiante Educación del padre del estudiante

Hombre Primaria o menos: ISCED ≤ 1
Mujer Primer ciclo secundaria: ISCED = 2
Segundo ciclo secundaria: ISCED = 3-4
País de nacimiento del estudiante Terciaria: ISCED 5-6
Mismo que país de residencia
Otro Educación de la madre del
estudiante
País de nacimiento del progenitor Primaria o menos: ISCED <=1
Mismo que país de residencia Primer ciclo secundaria: ISCED = 2
Otro Segundo ciclo secundaria: ISCED = 3-4
Terciaria: ISCED 5-6
Idioma en el hogar
Estatus ocupacional de padre/
Mismo que el test
madre
Otro
Índice ISEI

Número de libros en el hogar Nivel económico, social y cultural

0-10 libros familiar
11-25 libros Índice ESCS
25-100 libros
101-200 libros Nivel económico, social y cultural
200+ libros familiar
Índice ESCS
Mes de nacimiento
Normalizado entre 1 (Enero) y 0 (Diciembre) Posesiones culturales en el hogar
Índice de posesiones culturales (CULTPOSS)
Ocupación del padre del
Recursos educativos en el hogar
estudiante
Índice de recursos educativos en el hogar (HEDRES)
Baja cualificación: ISCO 0 y 9
Media cualificación: ISCO 4-8
Riqueza en el hogar
Alta cualificación: ISCO 1-3
Índice de riqueza familiar (WEALTH)

Ocupación de la madre del

estudiante
Baja cualificación: ISCO 0 y 9
Media cualificación: ISCO 4-8
Alta cualificación: ISCO 1-3

36
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Estimación: enfoque convencional. – Para
medir la contribución de las circunstancias a
la desigualdad en el rendimiento educativo, es
necesario realizar un proceso de estimación
para cuantificar la importancia de las circuns-
tancias sobre la variable de interés (en nuestro
caso, el resultado en el test de matemáticas).
El objetivo final de la estimación será construir
una distribución contrafactual que aproxime
el resultado de los estudiantes si “solamente
importaran las circunstancias”. Esta distribu-
ción contrafactual permitirá evaluar si existe
igualdad de oportunidades entre los estudian-
tes, es decir, si aquellos que tienen diferentes
circunstancias obtienen resultados similares
(van der Gaer, 1993; Ferreira & Gignoux, 2013).
Por ejemplo, si estudiantes de renta alta y baja
obtienen resultados idénticos en promedio, po-
dremos concluir que se cumple el principio de
igualdad de oportunidades ya que una mayor
renta no ofrecería ninguna ventaja en términos
de rendimiento académico. Sin embargo, si los
estudiantes de renta alta obtienen resultados
significativamente mejores que los de renta
baja, como ya hemos apreciado que sucede
para España y muchos otros países de su
entorno en la sección anterior de este trabajo,
podemos concluir que la renta es una circuns-
tancia que influye en el rendimiento educativo
y que existe cierta desigualdad de oportunida-
des.
Típicamente, la construcción de esta distribu-
ción contrafactual se realiza mediante técnicas
paramétricas que implican una regresión del
siguiente tipo (Bourguignon et al., 2007; Ferrei-
ra & Gignoux, 2011; Marrero et al., 2022):
yi=α+βCi+ϵi,
donde yi representa el resultado en matemáti-
cas del estudiante i y Ci constituye el vector de
circunstancias definidas en el CUADRO 1. Aquí,
β es un vector de coeficientes que reflejan las
correlaciones de las circunstancias con el ren-
dimiento académico. Desde los resultados de
la regresión, se obtiene el resultado en mate-
máticas esperado ŷ i de acuerdo a sus circuns-
tancias Ci mediante una predicción
ŷi=α ̂+β ̂Ci.
Pese a su simplicidad, esta aproximación
presenta ciertas carencias, ya que la regresión
asume un impacto lineal de las circunstancias
y obvia el efecto de las interacciones entre
ellas (Brunori et al., 2019; 2021). Por un lado,
los estudios típicamente asumen, por ejemplo,
que un aumento del nivel socioeconómico y
cultural (medido a través del índice ESCS) se
traduce en un incremento proporcional o lineal
en los resultados académicos (Marrero et al.,
2022). Sin embargo, en la práctica, esto puede
no ser cierto ya que, una vez alcanzado cierto
límite, el ESCS podría no impactar el desem-
peño académico. Por otro lado, se tienden a
obviar las posibles interrelaciones entre las
circunstancias y su posible impacto en el ren-
dimiento educativo. Por ejemplo, en algunos
países, el sexo del estudiante puede tener un
impacto diferencial en el rendimiento educativo
dependiendo de si pertenece a una familia con
más o menos capital cultural. Resolver estas
limitaciones no es obvio desde una perspectiva
econométrica convencional. Si bien es posible
incorporar más interacciones y asociaciones
no lineales en una regresión, estas decisiones
suelen tomarse de manera discrecional, lo que
puede generar un sesgo tanto al alza (“overfit-
ting”) como a la baja (“underfitting”) de la DOp
real.
Nuestra alternativa de Machine Learning.
– Para resolver esta limitación, empleamos
un enfoque basado en datos (“data-driven
approach”) a través de técnicas de Machine
Learning (ML). El ML se refiere a un conjunto
de algoritmos de aprendizaje automático des-
tinados a predecir una variable objetivo utili-
zando una serie de variables explicativas. Las
aproximaciones de ML ofrecen una serie de
ventajas sobre el análisis convencional. Por un
lado, a diferencia de la regresión lineal, estos
algoritmos son capaces de evaluar la impor-
tancia de interacciones y efectos no-lineales de
manera automática. Por otro lado, la práctica
utilizada en ML de “entrenar” algoritmos sobre
37

una muestra y evaluar su rendimiento en otra
independiente (i.e., la combinación de “sample
splitting” y “out-of-sample prediction”) permite
la posibilidad de comparar varios modelos
y seleccionar aquel que ofrecen una mayor
fiabilidad, reduciendo así el riesgo de “overfit-
ting” o “underfitting”. En el Anexo B se puede
encontrar una explicación más técnica sobre el
tema. Si el lector se encuentra especialmente
interesado, recomendamos además el artículo
escrito por Mullainathan & Spiess (2017) que
ofrece una introducción relativamente accesi-
ble.
Las técnicas de ML son particularmente
adecuadas para estimar la desigualdad de
oportunidades. Esto se debe a que construir
la distribución contrafactual del rendimiento
educativo es fundamentalmente “un problema
de predicción”, que es exactamente lo que las
técnicas de ML tratan de resolver. En este sen-
tido, nuestra aproximación de ML se basa en
obtener una predicción ŷidel resultado de mate-
máticas (nuestra variable objetivo) a través de
las circunstancias Ci de los estudiantes (nues-
tras variables explicativas). Aunque el enfoque
tradicional también realiza una predicción
similar, las técnicas de ML nos permiten anali-
zar interacciones de manera automática para
considerar las circunstancias e interrelaciones
más importantes y así ofrecer una predicción
más precisa y fiable.
En este ejercicio, construimos varios modelos
de predicción que explican la relación entre el
resultado en matemáticas y las circunstancias
de los estudiantes de manera independiente
para cada país. Posteriormente, utilizamos
estos modelos para predecir el rendimiento
educativo de cada estudiante en función de
sus circunstancias. Para evaluar el desempe-
ño de distintas técnicas de ML, consideramos
varios tipos de algoritmos basados en la re-
gularización (i.e., Ridge, Lasso y Elastic Net) y
en la construcción de árboles (i.e., Regression
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de
ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
38
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Tree, Random Forest y Boosting). Para evaluar
las posibles ventajas del ML sobre el enfoque
tradicional, también consideramos el análisis
mediante regresión (OLS). Para describir la
desigualdad de oportunidades, seleccionamos
el modelo que ofrece el mejor rendimiento pre-
dictivo (medido a través del R2) en cada país.
Entre los algoritmos considerados, el algoritmo
Boosting supera al resto de modelos en la gran
mayoría de los casos (29/35 países). Pese
a esta aparente superioridad del Boosting,
preferimos seleccionar el algoritmo que me-
jores predicciones ofrece para cada país a la
hora de presentar y discutir los resultados. En
el Anexo B se puede encontrar una explicación
detallada de los distintos algoritmos, así como
del procedimiento de “sample splitting” y de
optimización de “hiperparámetros”.
F2-Fase de medición de la des-
igualdad: Construir un índice de
DOp
Una vez realizada la fase de estimación, se
procede a computar un índice que resuma la
DOp en cada país. Para ello, nos centramos en
un índice ampliamente utilizado en la literatura
de desigualdad de oportunidades educativas
(Ferreira & Gignoux, 2014; Marrero et al., 2022):
(DOP) ̂=var ŷ/var(y) × 100,
donde y representa el resultado observado en
matemáticas de los estudiantes e ŷ la predic-
ción del rendimiento según las circunstancias
del alumnado (i.e. la puntuación que se estima
que obtendría el estudiante si “solo importaran
sus circunstancias”). El índice en cuestión tiene
una interpretación intuitiva al capturar el por-
centaje de la desigualdad total, capturada por
la varianza del denominador, que se encuentra
explicada por las circunstancias, capturada por
la varianza en el numerador.11
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

resul
tados

39
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

A continuación, mostramos los resultados ¿Qué países presentan

obtenidos para el indicador DOp en cada uno
de los 35 países analizados y las comunidades
autónomas españolas. Tal y como hemos indi-
cado, y a pesar de que para cada país/región se
ha calculado el indicador DOp utilizando varios
modelos de ML distintos, para cada una de las
zonas geográficas analizadas se calcula el DOp
con el modelo que mejor predicción haya rea-
lizado. Por tanto, no hay un modelo final único,
sino que depende de cada país/región.
Después de presentar el indicador DOp procede-
mos a desgranar los resultados para poner ros-
tro a los estudiantes más y menos favorecidos
en términos de (des)igualdad de oportunidades.
Posteriormente, describimos qué circunstancias
tienen más peso en la desigualdad de oportu-
nidades. Finalmente, procedemos a relacionar
nuestro indicador de DOp con la eficiencia
educativa, esto es, comprobamos si existe una
relación entre la desigualdad de oportunidades
y el resultado medio obtenido en PISA.
una mayor desigualdad de
oportunidades?
Comenzamos la presentación de los resulta-
dos caracterizando la desigualdad de opor-
tunidades a nivel nacional para identificar los
sistemas educativos más y menos equitativos.
En la FIGURA 8 se muestra un ranking que
ordena los países en función de las estima-
ciones de desigualdad de oportunidades (i.e.,
cuanto mayor es el valor del indicador, mayor
es la desigualdad de oportunidades). El valor
de este indicador oscila entre 0 (igualdad de
oportunidades perfecta) y 100 (desigualdad de
oportunidades máxima). En términos generales,
el valor del indicador puede interpretarse como
una estimación conservadora del porcentaje de
la desigualdad que se explica por las circuns-
tancias predeterminadas del alumnado de cada
país (Ferreira & Gignoux, 2013), debido a las
limitaciones anteriormente comentadas (i.e.,
no observamos todas las circunstancias, y solo
incluimos aquellas circunstancias que pueden
ser universalmente aceptadas como tal).

Estimación de Desigualdad de Oportunidades (DOP), por país

Notas: Estimaciones del indicador de Desigualdad de Oportunidades

(DOp) en matemáticas para la selección de 35 países. DOp se calcula
como la ratio entre la varianza de predicciones y la varianza de
resultados observados. Las predicciones de cada país provienen del
mejor modelo/algoritmo de predicción. El proceso de optimización y
estimación de predicciones, así como los algoritmos, se explican en el
Anexo B. Los datos provienen de microdatos PISA 2018.

40
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
España muestra unos niveles relativamente
moderados de DOp, donde aproximadamente
el 26% de la desigualdad en matemáticas se
atribuye al impacto de las circunstancias. Esto
coloca a España en una posición intermedia
en el ranking (puesto 17 de 35), junto a países
como Singapur, Portugal y Estados Unidos.
Entre los países con mayores niveles de des-
igualdad de oportunidades se encuentran los
Emiratos Árabes Unidos (41%), Luxemburgo
(40%), Israel (40%) y Perú (38%). Por otro lado,
destacan como los países/economías regio-
nales más igualitarias Macao (9%), Hong Kong
(12%), México (16%) y Corea del Sur (17%).
Estos resultados indican una heterogeneidad
significativa en cuanto a la equidad de los
sistemas educativos analizados, ya que en
los países peor situados las circunstancias
tienen más del doble de peso en la desigual-
dad. En conjunto, se apunta hacia unos niveles
limitados (aunque mejorables) de la inequi-
dad en España. Desde una perspectiva euro-
pea, España muestra una mayor igualdad de
oportunidades educativas en comparación con
otros países vecinos como Francia, Alemania o
Bélgica.
Regresión vs ML: ¿Cómo varían
las estimaciones de la desigual-
dad de oportunidades?
Una pregunta natural es si nuestra aproxima-
ción produce resultados diferentes frente al
enfoque tradicional. Por lo general, los algorit-
mos de ML son menos interpretables y compu-
tacionalmente más exigentes que las técnicas
de regresión. Dado que el uso de ML impone
estos costes adicionales, consideramos útil
comparar los resultados obtenidos mediante
ambas aproximaciones para evaluar las ven-
tajas del ML no sólo desde un punto de vista
conceptual, sino también desde una perspecti-
va empírica.
11.En circunstancias habituales, este indicador corresponde al coeficiente de determinación R2 de la regresión. Debido a nuestra aproximación de técnicas de
ML y el uso de “sample-splitting” existen ciertas discrepancias (aunque modestas) entre el R2 y el DOp.
La FIGURA 9 compara las estimaciones obte-
nidas por el algoritmo más preciso de ML con
la regresión (OLS). La diagonal negra represen-
ta la línea de 45 grados, donde todos los pun-
tos deberían estar si ambos métodos produje-
ran las mismas estimaciones. Los resultados
indican que las técnicas de ML proporcionan
estimaciones más altas de la DOp en 25 de los
35 países analizados. Solo en 9 países se ob-
tiene una menor estimación de la desigualdad
de oportunidades tras utilizar el mejor algorit-
mo de predicción. En conjunto, estos resulta-
dos sugieren que el enfoque tradicional suele
infraestimar la DOp en la mayoría de los casos,
aunque también puede hacer lo contrario. En
promedio, la discrepancia entre OLS y el mejor
algoritmo es relativamente modesta, alrededor
de 2,5 puntos. Sin embargo, existen diferencias
importantes entre países. Por ejemplo, el indi-
cador de DOp aumenta 9,9 puntos en Emiratos
Árabes Unidos y 8 puntos en Israel. Estos cam-
bios representan un cambio significativo de la
desigualdad de oportunidades e indican que
las técnicas de regresión pueden infraestimar
sustancialmente el impacto de las circunstan-
cias en contextos educativos específicos. En el
caso de España, el uso de ML apenas altera los
niveles de DOp, ya que la discrepancia observa-
da entre Boosting y OLS es de tan solo 1 punto.
41
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 9. COMPARACIÓN DE RESULTADOS: REGRESIÓN

(OLS) VS MEJOR ALGORITMO ML

Notas: Este gráfico compara los resultados del indicador DOp entre OLS y el mejor algoritmo de M L. Estimaciones del indicador de Desigualdad de Oportunidades
(DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre la varianza de predicciones y la varianza de resultados observados.
Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción y OLS. El proceso de optimización y estimación de predicciones, así como
los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.

Para analizar el impacto de estos cambios en

la distribución de desigualdad de oportunida-
des, la FIGURA 10 muestra el ranking nacional
de DOp utilizando ambas aproximaciones.
Pese a las relativamente modestas discrepan-
cias generales entre ML y OLS, se observan al-
gunas alteraciones significativas. En promedio,
los países se mueven 2,9 posiciones en el ran-
king. Como cabía esperar, observamos aumen-
tos sustanciales para Emiratos Árabes Unidos
(que pasa de la sexta a la primera posición) e
Israel (de la octava a la tercera posición). En
paralelo, se observan algunos descensos no-
tables en la desigualdad en países como Chile
(que baja del 5º al 11º puesto) Bélgica (que
pasa del 6º al 10º) o México (del 26º al 33º).
España, por su parte, sube dos posiciones en
el ranking, pasando de la posición 19 a la 17.

42
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 10. Ranking nacional de DOp: regresión vs

mejor algoritmo ML
mejor
ols
algoritmo

Notas: Este gráfico compara el ranking nacional del indicador DOp entre OLS y el mejor algoritmo de ML. Estimaciones del indicador de Desigualdad
de Oportunidades (DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre la varianza de predicciones y la varianza de
resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción y OLS. El proceso de optimización y estimación de
predicciones, así como los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.

43
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En resumen, los algoritmos de ML ofrecen dades superior al 30%, con la excepción de

algunas ventajas interesantes para la esti-
mación de DOp en el contexto de PISA. La
comparación de los resultados entre ambas
aproximaciones revela que las técnicas de ML
generalmente ofrecen estimaciones más altas
de la DOP, lo que sugiere una subestimación
por parte del enfoque tradicional. Aunque la
discrepancia media es modesta, se observan
cambios importantes en la DOp de algunos
países, lo que indica que el enfoque de ML
puede revelar algunos patrones interesantes
en contextos educativos específicos. Es im-
portante recalcar que estas mejoras se limitan
al ámbito de PISA y, por tanto, no podemos
descartar que estas ventajas sean diferentes
para otras métricas de oportunidades. En este
sentido, creemos que la contribución principal
de este análisis se circunscribe a la experimen-
tación con métodos de ML que permiten la
selección de modelos para la estimación de la
DOp mediante un criterio basada en datos en
el ámbito educativo.
México (16%) y Colombia (23%). Por otro lado,
los países anglosajones y mediterráneos (entre
ellos, España) exhiben niveles moderados de
desigualdad de oportunidades, con valores en-
tre el 20% y 25%. En el contexto europeo, son
los países nórdicos (i.e., Dinamarca, Finlandia
e Islandia) los que muestran un mayor grado
de equidad, con valores de DOp entre el 18%
y 22%. Asia, por su parte, destaca por mostrar
una heterogeneidad significativa en los niveles
de desigualdad de oportunidades. Mientras
que Indonesia muestra un nivel relativamente
alto de desigualdad (35%), sistemas educa-
tivos como los de Macao y Hong Kong pre-
sentan los niveles de equidad más altos (DOp
menor que 15%).

¿Cómo varía la desigualdad de

oportunidades por regiones?

Una dimensión de estudio interesante es la

presencia de diferencias significativas según
los continentes o ámbitos geográficos. Aun-
que no podemos atribuir las discrepancias
directamente a mecanismos específicos, las
comparaciones entre regiones pueden brindar
información útil para describir patrones insti-
tucionales o culturales que merecen atención
adicional. La FIGURA 11 detalla los resultados
de los países agrupados en amplias regiones
geográficas.

Las estimaciones revelan diferencias signifi-

cativas tanto entre regiones, como dentro de
las mismas. Entre los ámbitos geográficos
analizados, se destaca la baja equidad en los
sistemas educativos de Oriente Medio (con
valores de DOp entre el 29 y 41%) y Europa
Central (29-40%). A cierta distancia, se encuen-
tran los sistemas educativos latinoamericanos
que presentan una desigualdad de oportuni-
44
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 11. Estimación de Desigualdad de

Oportunidades (DOP), por región

Notas: Estimaciones del indicador de Desigualdad de Oportunidades (DOp) en matemáticas para la selección de 35 países. DOp se calcula como la ratio entre
la varianza de predicciones y la varianza de resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción. El
proceso de optimización y estimación de predicciones, así como los algoritmos, se explican en el Anexo B. Los datos provienen de microdatos PISA 2018.

¿Qué comunidades autónomas sistemas educativos, lo cual puede influir en

son las más y menos
equitativas?
Tal y como hemos comentado previamen-
te, la evidencia empírica existente sobre la
desigualdad de oportunidades y la movilidad
social indica que existe variación geográfica
importante dentro de un mismo país (Che-
tty et al., 2014; Dodin et al., 2022). Por ello,
nos proponemos a continuación analizar la
variación geográfica en España para inves-
tigar los mecanismos que impulsan la des-
igualdad de oportunidades y determinar la
distribución de oportunidades en el territorio
nacional. Dado que la mayoría de las decisio-
nes en el ámbito educativo están descentra-
lizadas, las comunidades autónomas tienen
cierta libertad para diseñar sus propios
la desigualdad de oportunidades.
La FIGURA 12 reporta el indicador DOp para las
17 comunidades autónomas españolas. Para
calcular el indicador autonómico, hemos utilizado
el mismo procedimiento descrito anteriormente,
pero realizando estimaciones de ML indepen-
dientes para cada comunidad autónoma. Los
resultados muestran diferencias significativas en
la DOp entre las regiones españolas. En particu-
lar, se observa que la desigualdad de oportunida-
des es aproximadamente el doble entre las CCAA
más y menos equitativas. Por ejemplo, encontra-
mos que la desigualdad de oportunidades ronda
el 30% en la Región de Murcia, las Islas Canarias,
Asturias y Navarra. Por su parte, el indicador
muestra valores cercanos al 15% en Castilla y
León, La Rioja y Valencia.
45
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 12. Estimaciones de Desigualdad de

Oportunidades (DOp), por CCAA

Notas: Estimaciones del indicador de Desigualdad de Oportunidades (DOp) en matemáticas para cada comunidad autónoma. DOp se calcula como la ratio
entre la varianza de predicciones y la varianza de resultados observados. Las predicciones de cada país provienen del mejor modelo/algoritmo de predicción.
El valor de este indicador oscila entre 0 (Igualdad de oportunidades perfecta) y 100 (Desigualdad de oportunidades máxima). Por lo tanto, cuanto mayor sea el
índice, mayor desigualdad. Los datos provienen de microdatos PISA 2018.

En términos generales, los resultados mues- ¿Cómo varían los resultados

tran ciertas brechas entre diferentes regiones
del país. Las comunidades autónomas del sur
(p.ej.: Extremadura, Murcia y Andalucía) son
generalmente más desiguales que las del norte
(p.ej.: Galicia, La Rioja y Euskadi.) Sin embargo,
se observan discrepancias significativas entre
regiones colindantes. Por ejemplo, La Rioja y
Euskadi muestran niveles de igualdad de opor-
tunidades significativamente superiores que su
vecina Navarra. Lo mismo ocurre entre Catalu-
ña y la Comunidad Valenciana. Estos resultados
sugieren, por tanto, que el diseño de las políticas
públicas a nivel autonómico puede desempeñar
un papel importante para explicar las diferen-
cias significativas entre comunidades.
46
educativos a medida que mejo-
ran las circunstancias?
Al resumir la desigualdad de oportunidades
mediante una única cifra, nuestro indicador
no describe completamente la naturaleza de
la desigualdad educativa. En particular, no
reflejamos si la disparidad de resultados crece
gradualmente o si se concentra principal-
mente en los extremos de la distribución (es
decir, entre los estudiantes con circunstancias
más y menos favorables). Estos patrones
son importantes para comprender quiénes
se ven más afectados por la falta de igualdad
de oportunidades y para determinar las estra-
tegias necesarias para abordar las brechas
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

educativas. Si la desigualdad se concentra en ordenamos de acuerdo a sus predicciones de

los estudiantes menos favorecidos, podrían ser
suficientes políticas y programas específicos,
como programas de educación compensatoria
o becas para estudiantes de grupos desfavo-
recidos, para abordar las causas subyacentes
de la desigualdad. Sin embargo, si las oportu-
nidades educativas se distribuyen de manera
más gradual, podrían ser necesarios enfoques
más amplios y sistémicos que garanticen un
acceso equitativo a oportunidades educativas
en todos los niveles socioeconómicos.
La FIGURA 13 caracteriza la distribución de
oportunidades educativas según el ranking
de circunstancias en una selección de países.
Para ello, se muestra el resultado promedio
en matemáticas para 50 “cuantiles de cir-
cunstancias”. Para asignar los estudiantes de
cada país a los cuantiles de circunstancias, los
ML para después clasificarlos en 50 grupos
según su posición relativa en la distribución.
Por ejemplo, si un estudiante se encuentra en
el cuantil 25, significa que se encuentra justo
en medio (25/50) de la distribución de predic-
ciones en base a las circunstancias, lo que
implica que sus circunstancias le sitúan en una
posición central en términos de oportunidades.
Si un estudiante se encuentra en el cuantil 40,
significa que está por encima del 80% (40/50)
de la distribución de circunstancias. Al ana-
lizar los resultados medios de cada cuantil
de circunstancias, podemos examinar cómo
el resultado en matemáticas va creciendo a
medida que las circunstancias se vuelven más
favorables.

FIGURA 13. Resultado promedio en matemáticas

por “cuantiles de circunstancias”. Selección de
7 países.

Notas: Esta figura muestra el resultado medio en matemáticas de estudiantes situados en 50 “cuantiles de circunstancias”. Estos cuantiles de circunstancias
se generan ordenando las predicciones del modelo más fiable de ML en cada país y asignando los estudiantes a 50 grupos según su posición relativa en esta
distribución. Un menor cuantil implica unas circunstancias menos favorables. Estimaciones de los autores utilizando microdatos PISA 2018.

47

La relación entre las circunstancias y el rendi-
miento educativo es positiva y relativamente
lineal para todos los países. Sin embargo, existen
diferencias significativas entre los gradientes
nacionales, que miden el aumento esperado del
rendimiento educativo por pasar de un cuantil
de circunstancias al siguiente. En el extremo
más desigual se sitúa Emiratos Árabes Unidos.
El análisis de regresión indica que su gradiente
es de 4,1 puntos PISA. En el lado contrario, se
sitúan países como México y Macao que pre-
sentan pendientes relativamente planas (1,6 y
2,3, respectivamente). España se sitúa en una po-
sición intermedia (2,6), con una pendiente similar
a Singapur (2,5) y por debajo de países vecinos
como Alemania (3,1) o Portugal (3,2).
El gráfico resalta la importancia de considerar
tanto el rendimiento educativo de los estudiantes
como el nivel de desigualdad para extraer con-
clusiones acerca del desempeño de un sistema
educativo. Aunque países como España y Singa-
pur presentan niveles similares de desigualdad
(i.e., tienen una pendiente parecida), los resulta-
dos educativos pueden variar considerablemente
para un cuantil determinado. Por ejemplo, para
cada nivel de circunstancias, los estudiantes de
Singapur superan en aproximadamente 100 pun-
tos el rendimiento en matemáticas observados
en España. Lo mismo sucede entre México y Ma-
cao que, aunque muestran gradientes e índices
de DOp similares, presentan una diferencia de
alrededor de 150 puntos en el rendimiento entre
los estudiantes un cuantil determinado. Estos
resultados subrayan la necesidad de evaluar la
adecuación de los sistemas educativos tanto
desde la equidad como desde la calidad educati-
va y que una evaluación parcial, utilizando una u
otra dimensión, ofrece una visión incompleta del
desempeño de los países.
¿Qué estudiantes son los más
y menos favorecidos?
Una extensión natural del análisis consiste en in-
dagar qué circunstancias están relacionadas con
un bajo rendimiento educativo. Los resultados
nacionales describen el nivel de DOp agregado,
48
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
pero no caracterizan las circunstancias de los
estudiantes más perjudicados. Para abordar este
análisis, la TABLA 1 perfila las características
de los estudiantes españoles en función de sus
oportunidades. Para este ejercicio, asignamos
a cada estudiante a uno de cinco “quintiles de
circunstancias”. Al igual que antes, ordenamos
los estudiantes de acuerdo a las predicciones de
ML para después asignarlos a 5 grupos según su
posición relativa en la distribución. Un estudiante
ubicado en el quintil 1 (Q1) se encuentra en el
20% inferior de las predicciones, lo que indica que
tiene una posición desfavorecida en términos de
circunstancias. Por otro lado, un estudiante en
el quintil 5 (Q5) presenta una predicción ubicada
en el 20% superior, lo que indica circunstancias
favorables. Después de asignar a los estudiantes
a estos quintiles, procedemos a describir sus
circunstancias de manera descriptiva.
Los resultados revelan patrones interesantes.
Por un lado, existen discrepancias importantes
en cuanto al género, el origen del estudiante y
el idioma en el hogar. En el Q1, se observa una
sobrerrepresentación significativa de mujeres
(57%), estudiantes nacidos en el extranjero (25%)
y aquellos con progenitores extranjeros (40%). Al
igual que ocurre con el idioma en el hogar, vemos
cómo estas proporciones disminuyen a medida
que avanzamos de un quintil a otro, lo que sugiere
que constituyen circunstancias relevantes. Por
otro lado, se evidencia la importancia del capital
socioeconómico y cultural de las familias. En el
extremo inferior de la distribución se encuentran
estudiantes con menos libros en el hogar y con
progenitores con niveles educativos y ocupacio-
nes menos cualificadas. Por ejemplo, la propor-
ción de estudiantes con más de 200 libros en el
hogar va desde el 0% en el Q1 hasta el 66% en el
Q5. También se observa un aumento similar en la
proporción de estudiantes con padres y madres
con estudios universitarios. Comparando el Q5
y el Q1, se observa una brecha educativa de 52
puntos porcentuales (87% frente a 35%) en el caso
de las madres y 47 puntos porcentuales (82%
frente a 35%) en el de los padres. Similarmente, se
documentan brechas importantes en cuanto a las
ocupaciones cualificadas de los padres y madres
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

(65 puntos porcentuales y 73 puntos porcen-

tuales, respectivamente). Además, se observan
discrepancias significativas en cuanto a posesio-
nes culturales, recursos educativos en el hogar,
riqueza y nivel de ESCS entre los estudiantes.

tabla 1. composición de "quintiles de circunstancias" (españa)

Quintil circunstancias (ESP)
CIRCUNSTANCIAS
Q1 Q2 Q3 Q4 Q5

Mes nacimiento Mes nacimiento (1 = Enero, 0 = Diciembre) 0,46 0,47 0,48 0,50 0,56

Mujer 57% 57% 53% 48% 42%

Sexo
Hombre 43% 43% 47% 52% 58%

Nacido en extranjero 25% 9% 5% 3% 1%

Inmigrante Progenitor nacido en extranjero 40% 22% 15% 12% 8%

Idioma no test en casa 25% 17% 14% 12% 8%

0-10 libros 44% 4% 0% 0% 0%

11-25 libros 43% 29% 6% 0% 0%

Cantidad libros 26-100 libros 12% 55% 57% 33% 4%

101-200 libros 1% 9% 24% 37% 30%

200+ libros 0% 3% 13% 29% 66%

ISCO (madre): 0/9 52% 39% 26% 14% 4%

Ocupación madre ISCO (madre): 4-8 39% 42% 42% 30% 14%

ISCO (madre): 1-3 8% 19% 32% 56% 82%

ISCO (padre): 0/9 22% 16% 13% 9% 3%

Ocupación padre ISCO (padre): 4-8 69% 69% 63% 47% 23%

ISCO (padre): 1-3 9% 15% 24% 44% 74%

ISCED (madre): 0-1 22% 11% 6% 2% 1%

ISCED (madre): 2 31% 26% 19% 9% 2%

Educación madre
ISCED (madre): 3-4 12% 15% 18% 16% 10%

ISCED (madre): 5-6 35% 48% 57% 72% 87%

ISCED (padre): 0-1 26% 15% 9% 4% 1%

ISCED (padre): 2 29% 28% 23% 14% 6%

Educación padre
ISCED (padre): 3-4 10% 13% 16% 16% 11%

ISCED (padre): 5-6 35% 44% 53% 66% 82%

ISEI (occupational status) madre 24,45 30,26 37,68 49,71 64,64

ISEI (occupational status) padre 27,68 31,78 36,87 47,70 63,97

Índices socioe-
ESCS index -1,04 -0,50 -0,09 0,46 1,03
conómicos y
Cultural Possession Index -0,64 -0,27 -0,02 0,24 0,70
culturales
Home Educational Resources Index -0,54 -0,17 -0,05 0,06 0,24

Wealth Index -0,31 -0,04 0,09 0,24 0,37

Notas: Esta tabla muestra la composición de circunstancias de alumnado situado en distintos “quintiles de circunstancias”. Estos quintiles de circunstancias se generan
ordenando las predicciones del modelo más fiable de ML en ESP (boosting) y asignando los estudiantes a 5 grupos según su posición relativa en esta distribución. Un
menor quintil implica unas circunstancias menos favorables. Estimaciones de los autores utilizando microdatos PISA 2018.

49
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

¿Qué circunstancias la importancia relativa de las circunstancias. Para

son las más importantes
para la desigualdad de
oportunidades?
El análisis previo pone rostro a los estudiantes con
mejores y peores oportunidades educativas. Sin
embargo, no determina qué circunstancias tienen
un mayor peso en la desigualdad. Las técnicas
de ML en general, y el Boosting en particular, son
algoritmos “caja negra” que dificultan la interpre-
tación de resultados y determinar el peso relativo
de, por ejemplo, el género, el país de nacimiento o
el número de libros en el hogar. Con el objetivo de
abordar este aspecto, la FIGURA 14 descompone
ello, creamos dos perfiles de estudiantes: uno con
circunstancias propias del quintil 1 (que denomi-
namos “alumno desfavorecido”) y otro del quintil 5
(“alumno favorecido”). Posteriormente, utilizamos
una técnica de ML explicativa (“explainable ML”)
denominada “Break-Down” (BD). Intuitivamente,
la técnica del BD descompone la contribución de
cada circunstancia en la predicción final de ML
al calcular el cambio en el resultado esperado a
medida que se modifican las circunstancias, man-
teniendo el resto constantes. De esta manera, po-
demos determinar la importancia relativa de cada
circunstancia para ambos tipos de estudiantes.

FIGURA 14. Contribución relativa de las circunstancias para

alumno desfavorecido (Q1 circunstancias) y alumno favorecido
(Q5 circunstancias). España.
contribuciones de las circunstancias en predicción (estudiante tipo de q1)

contribuciones de las circunstancias en predicción (estudiante tipo de q5)

Notas: Estimación de la contribución de las circunstancias a la predicción de ML utilizando el método de “Break Down” (BD) de Dalex. Elaboración propia a
partir de datos PISA 2018

50
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Los resultados indican que el capital cultural,
el lugar de nacimiento y el nivel socioeconó-
mico son las circunstancias más importantes
para la DOp. Según el BD, la cantidad de libros
en el hogar constituye la circunstancia más
determinante para ambos perfiles de estu-
diantes. Disponer entre 0-10 libros en casa
disminuye el resultado esperado en matemá-
ticas en 51 puntos PISA, mientras que tener
más de 200 libros lo aumenta en 22,7 puntos.
Es importante recalcar que el número de libros
disponible en casa captura una serie de carac-
terísticas inobservables de la familia (cierto
“capital cultural”) y que este resultado no debe
interpretarse en clave causal. Por otro lado,
no haber nacido en España se asocia con una
desventaja de 15,5 puntos para el estudian-
te desfavorecido. El índice socioeconómico
aparece como la tercera circunstancia más
relevante: tener un ESCS bajo (-1,04) reduce el
rendimiento esperado en 14,6 puntos mientras
que tener uno alto (1,03) lo aumenta en 15,9
puntos PISA.
Calidad vs Equidad: ¿es la
eficiencia contraria a la
equidad educativa?
ción de políticas educativas, ya que se busca
encontrar el equilibrio óptimo entre la eficiencia
y la equidad en la educación para promover un
sistema educativo justo y de alta calidad.
Para evaluar este posible trueque entre la eficien-
cia y la equidad educativa, la FIGURA 15 des-
cribe la asociación entre el resultado medio en
matemáticas y la desigualdad de oportunidades.
Ambos indicadores muestran una correlación
fuerte y negativa (–0,48), lo que sugiere que los
países más eficientes también muestran una
menor desigualdad de oportunidades. Pese a
que no puede interpretarse en clave causal, esta
asociación sugiere un “círculo virtuoso” entre
la equidad y la eficiencia educativa (Freeman
et al., 2010). Desde una perspectiva de política
educativa, este resultado sugiere que las re-
formas destinadas a favorecer la equidad del
sistema (por ejemplo, para reducir la segregación
socioeconómica o retrasar la edad de división
educativa) no necesariamente perjudican la
eficiencia del sistema educativo. Por lo tanto, es
posible promover simultáneamente un sistema
educativo menos desigual que la vez sea de
alta calidad.

Debido a que la política educativa suele articu-

larse en torno a debates sobre la eficiencia y
la equidad educativa (Hanushek & Woessman,
2012), pasamos ahora a analizar la asocia-
ción entre los resultados promedio en PISA
(una medida de eficiencia) y nuestro indicador
DOp (una medida de equidad). Por un lado, la
eficiencia se refiere a la necesidad de optimizar
los recursos para mejorar la calidad de la edu-
cación y promover una mayor productividad
económica a largo plazo. Por otro lado, la equi-
dad se centra en la distribución justa y equi-
tativa de las oportunidades educativas, con el
objetivo de brindar igualdad de oportunidades
a todos los estudiantes. El análisis económico
a menudo destaca la existencia de un “trueque”
(“trade-off”) entre ambas dimensiones, ya que
aumentar la equidad puede implicar reducir la
eficiencia del sistema educativo. Este debate
continúa generado discusiones en la formula-
51
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 15. Relación entre resultado medio en

matemáticas y DOp, PISA 2018.

Notas: El gráfico muestra la relación entre el resultado medio en matemáticas en PISA 2018 (eje abscisas) y las estimaciones de DOp (eje ordenadas). La línea
refleja la tendencia lineal entre las dos variables. Los datos provienen de microdatos PISA 2018.

La importancia de una mirada

multidimensional sobre la
equidad educativa

Hasta ahora, hemos centrado nuestro análisis

en indicadores de aprendizaje en las pruebas
externas de PISA. Sin embargo, para compren-
der de manera integral la equidad educativa,
es necesario adoptar un enfoque más amplio
que incorpore otras medidas de oportunidades
educativas en el ámbito de la evaluación inter-
na y el logro educativo. Esta consideración es
especialmente relevante en el caso del sistema
educativo español, donde existen dificultades
históricas para vincular la adquisición de com-
petencias en las pruebas externas con mejoras
en términos de repetición de curso y abandono
escolar temprano.

52
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 16. Relación entre desigualdad de

oportunidades y brecha en probabilidad de
repetición de curso, según SES

Notas: El gráfico muestra la relación entre la ratio (“odds ratio”) en la probabilidad de repetir curso entre alumnos con bajo frente a alto SES (eje abscisas) y las
estimaciones de DOp (eje ordenadas). La línea refleja la tendencia lineal entre las dos variables. Los datos provienen de microdatos PISA 2018 y 2015.

La FIGURA 16 muestra la relación entre nues-

tra medida de desigualdad de oportunidades y
la desigualdad socioeconómica en la probabili-
dad de repetir curso (basada en datos de PISA
2015). En general, se observa una correlación
positiva, aunque moderada, entre nuestro indi-
cador DOp (que utiliza evaluaciones externas)
y una mayor probabilidad de repetición de cur-
so según el nivel socioeconómico (que es una
medida de equidad basada en evaluaciones
internas). Sin embargo, es importante destacar
que esta asociación limitada entre la equidad
en PISA y la repetición de cursos se ve influen-
ciada principalmente por España, Portugal y
Argentina, países con altos niveles de desigual-
dad en términos de repetición. Este desacopla-
miento en España entre la desigualdad medida
por evaluaciones internas y externas sugiere
que el principio de igualdad de oportunidades
opera de manera muy diferente si se conside-
ran medidas más objetivas de competencias
en lugar de las evaluaciones internas realiza-
das por los docentes.
53
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 17. Ranking de países, según equidad en la

probabilidad de repetición de curso

Notas: El gráfico muestra la relación entre la ratio (“odds ratio”) en la probabilidad de repetir curso entre alumnos con bajo frente a alto SES (eje abscisas) Los
datos provienen de microdatos PISA 2015.

La FIGURA 17 muestra el ranking de países, sivamente en los resultados de PISA, especial-

ordenados de mayor a menor en función de la mente cuando la repetición de cursos tiene
equidad en la repetición de curso. Los resulta- una fuerte influencia en el abandono escolar
dos revelan que España se sitúa a la cola en temprano.
términos de equidad, solo superada por Argen-
tina. En 2015, los estudiantes desfavorecidos
tenían hasta 11 veces más probabilidades de
repetir curso en comparación con los estudian-
tes más privilegiados. Esta brecha se mantiene
significativa (5,6 veces más) incluso después
controlar por el rendimiento de los estudiantes
en matemáticas y ciencias. Estas disparidades
entre el aprendizaje y la repetición de curso
arrojan conclusiones contrapuestas sobre la
equidad educativa en el sistema educativo
español. Por lo tanto, es importante no adop-
tar una visión triunfalista sobre la equidad de
nuestro sistema educativo basándonos exclu-
54
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

EL ROL DE
LAS
POLÍTICAS
PÚBLICAS
¿Qué políticas públicas
pueden ayudar a mitigar
las desigualdades
educativas?

III. 55
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Nuestro análisis revela una variación significativa La FIGURA 18 presenta un resumen de las corre-
de la desigualdad de oportunidades y la movi- laciones estadísticamente significativas (p-value
lidad social entre países. ¿Podrían las políticas < 0,1). Para comparar la intensidad de las asocia-
públicas de los países explicar estas diferencias? ciones entre distintas variables, estos resultados
En esta sección, investigamos esta hipótesis se obtuvieron mediante regresiones independien-
mediante el análisis de las correlaciones entre tes después de estandarizar las características
diferentes características de los países y el nacionales. A continuación, describimos los
indicador DOp. Para ello, construimos una base resultados más interesantes.
de datos que incorpora más de 150 indicadores
económicos y educativos nacionales utilizando
algunos registros del Banco Mundial y la OCDE,
como TALIS y PISA 2018-2015. Posteriormente,
correlacionamos cada una de estas variables
con nuestro indicador de DOp para caracterizar
los países con mayor igualdad de oportunidades.
Es importante tener en cuenta que este ejercicio
describe las asociaciones entre las caracterís-
ticas y la desigualdad de oportunidades de los
países, sin establecer relaciones causales entre
dichas variables. El análisis se centra exclusiva-
mente en el indicador DOp y omite las medidas
de movilidad social por motivos de brevedad.
Con todo, ambas medidas se encuentran alta-
mente correlacionadas (FIGURA A1 en el anexo),
por lo que cabe esperar que los resultados sean
similares.

La selección de indicadores se realiza en base a

dos criterios. El primero es la validación externa
de nuestros resultados. Es decir, investigamos
si nuestro indicador de DOp está asociado con
otras medidas de equidad utilizadas por otras
instituciones. El segundo criterio es analizar
diversos mecanismos institucionales que po-
drían explicar la desigualdad de oportunidades
(Blanden et al., 2022). Desde una perspectiva
económica, investigamos la relación entre la
desigualdad de oportunidades y variables como
el PIB per cápita o la desigualdad de ingresos.
Desde una perspectiva educativa, incorporamos,
entre otras, variables relacionadas con la compe-
tición escolar (p.ej.: extensión de la red privada),
el gasto público en educación, la autonomía de
los centros, la satisfacción docente o la separa-
ción entre alumnos (p.ej.: medidas de segrega-
ción o la edad de división educativa, denominada
“tracking”).

56
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

FIGURA 18. Correlaciones entre indicador DOp y

características del sistema educativo

Beta POS

Beta NEG

Notas: Correlaciones (a nivel país) entre el indicador de DOp y otras características económicas y educativas de los países obtenidas en bases de datos
externas de la OCDE y el Banco Mundial. El listado de variables se ha limitado, por motivos de brevedad, a aquellas características que muestran correlaciones
significativas a menos del 10% (p<0.1). Los resultados provienen de regresiones “univariable” donde la variable explicativa (i.e., las características de los países
y sistemas educativas) se han estandarizado para tener media 0 y desviación típica 1. Los puntos/rombos describen el coeficiente de la regresión, mientras
que las barras reflejan el intervalo de confianza al 95%.

57
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En primer lugar, se observan correlaciones
fuertes y positivas entre el indicador DOp y otras
medidas externas de falta de equidad educativa,
como el indicador de inequidad lectura y, en me-
nor medida, la movilidad intergeneracional. Estas
correlaciones respaldan nuestros resultados
anteriores, algo que consideramos alentador.
En segundo lugar, encontramos que los sistemas
educativos con mayor segregación entre estu-
diantes presentan una desigualdad de oportu-
nidades más pronunciada. Tanto los niveles de
aislamiento (véase FIGURA 19) como la edad de
división educativa (“tracking”) muestran correla-
ciones fuertes con el indicador de DOp. A esto,
se suma una asociación positiva con la matri-
culación en escuelas privadas, mientras que la
matriculación en las “escuelas concertadas” se
correlaciona negativamente12. En conjunto, estos
resultados sugieren que las políticas públicas
que fomentan la separación del alumnado
según sus habilidades o el nivel socioeconómico
familiar resultan desfavorables para la equidad
educativa.

FIGURA 19. Relación entre desigualdad de

oportunidades y segregación (índice de
aislamiento PISA)

índice de aislamiento

Notas: El gráfico muestra la relación entre el índice de aislamiento (eje abscisas) y las estimaciones de DOp (eje ordenadas). La línea refleja la tendencia lineal
entre las dos variables. Los datos provienen de microdatos PISA 2018.

12.El resultado que concierne a las “escuelas concertadas” puede verse afectado por el hecho de que la definición de lo que es una escuela concertada varía
en función del país o incluso de la región. Aquí se usa la definición de “escuela privada con financiación pública”, que es la que se utiliza en la base de datos
PISA 2018.

58
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

En tercer lugar, destacan algunas correlacio-

nes interesantes en materia de organización
escolar. Los resultados revelan que en aque-
llos sistemas educativos donde los profesores
destinan más tiempo a la gestión o las activi-
dades administrativas frente a la enseñanza
o al liderazgo, se observa un mayor nivel de
desigualdad de oportunidades. Los resultados
indican además también una relación positiva
entre el nivel de temporalidad laboral de los
profesores y la desigualdad de oportunidades.
Adicionalmente, encontramos correlaciones
significativas entre la desigualdad de oportuni-
dades y la implantación de prácticas docentes
enfocadas al aprendizaje colaborativo, la par-
ticipación activa, las observaciones grupales o
el desarrollo profesional.

FIGURA 20. Relación entre desigualdad de

oportunidades y desigualdad de ingresos al
nacimiento

desigualdad de ingresos (gini, 2003)

Notas: El gráfico muestra la relación entre el Gini de ingresos para el año 2013 (eje abscisas) y las estimaciones de DOp (eje ordenadas). La línea refleja la
tendencia lineal entre las dos variables. Los datos provienen de microdatos PISA 2018 y registros del Banco Mundial.

59
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Finalmente, encontramos una asociación positi-

va entre la desigualdad de oportunidades edu-
cativas en la adolescencia y la desigualdad de
ingresos en el año de nacimiento de los estudian-
tes (ver FIGURA 20). Aunque esta asociación es
estadísticamente modesta, sugiere la presencia
de una Curva de Gran Gatsby en la educación
(Blanden et al., 2023). Según esta curva, las fami-
lias con bajos recursos se enfrentan a una doble
desventaja cuando la desigualdad de ingresos
es alta: no solo experimentan mayores brechas
de ingresos, sino que también es más probable
que sus hijos obtengan resultados educativos
más pobres. Un mecanismo plausible tras esta
asociación es que una mayor desigualdad de
ingresos conlleva también brechas de recursos
disponibles entre familias más y menos afluen-
tes para invertir en la educación de sus hijos.
Estas diferencias pueden, en última instancia,
alterar la equidad del sistema educativo y perju-
dicar el principio de igualdad de oportunidades
educativas. Entendida en estos términos, la
existencia de una “Curva de Gran Gatsby” sugiere
que las políticas públicas destinadas a la redistri-
bución de riqueza pueden contribuir a disminuir
la desigualdad de oportunidades educativas en el
futuro.

60
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

LIMITA
CIONES Y
OTRAS
CONSIDE-
RACIONES
FINALES

61

El análisis de este estudio está sujeto a un nú-
mero de aclaraciones. En primer lugar, nuestros
resultados se circunscriben a la desigualdad de
oportunidades medida a través de datos PISA.
Si nos hubiéramos centrado en analizar otras
métricas de evaluación interna (p.ej.: notas de
clase o repetición de curso) o de logro educativo
(p.ej.: abandono educativo temprano o años de
educación), las conclusiones podrían diferir signi-
ficativamente (Gortazar, 2019). A esta reflexión,
se añaden además un par de consideraciones
importantes. Por un lado, y como ya se ha men-
cionado anteriormente, los datos PISA tienen una
naturaleza “low-stakes”, ya que no tienen ninguna
consecuencia para el alumnado. Esto puede
influir en la forma en que los estudiantes se des-
empeñan en la evaluación y, por lo tanto, afectar
la estimación de DOp. Por otro lado, al centrarse
en estudiantes de 15 años, los datos PISA ex-
cluyen a estudiantes que abandonan temprana-
mente la educación, lo que puede alterar la DOp
en países con altas tasas de abandono escolar,
como España. Finalmente, es importante tener
en cuenta que la importancia política otorgada a
las pruebas PISA varía significativamente entre
diferentes países. Esto puede tener un impacto
en la medición de la desigualdad de oportuni-
dades para aquellos países que, como China,
otorgan mayor relevancia a las pruebas PISA.
En segundo lugar, nuestro análisis adopta una
concepción ex ante de la desigualdad de oportu-
nidades (Fleurbaey & Peragine, 2013). Esta pers-
pectiva presupone que la igualdad de oportuni-
dades se consigue cuando todos los estudiantes
obtienen un mismo resultado esperado (es decir,
una misma predicción), independientemente de
sus circunstancias personales. Sin embargo,
existe otra alternativa ex post que se enfoca en la
desigualdad de resultados entre estudiantes que
realizan “el mismo grado de esfuerzo” (Roemer,
1998). Esta perspectiva exige que los estudiantes
con diferentes circunstancias, pero que realizan
el mismo grado de esfuerzo, obtengan un mis-
mo resultado académico. Aunque ambas pers-
pectivas están estrechamente relacionadas, se
enfocan en distintos aspectos de la desigualdad
de oportunidades (Ferreira & Gignoux, 2014).
62
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Pese a que la mayoría de estudios adoptan una
perspectiva ex ante, esta concepción de la DOp
es menos exigente (Brunori & Neidhöfer, 2021).
El motivo es que el enfoque ex ante permite
cierta desigualdad entre estudiantes que ejercen
el mismo esfuerzo y se centra en exigir que el
rendimiento educativo medio sea el mismo entre
personas con distintas circunstancias (Ferreira &
Gignoux, 2011).
Finalmente, nuestro indicador DOp considera
los impactos totales de las circunstancias en el
rendimiento educativo, incluyendo aquellos que
operan tanto directamente como indirectamente
a través del esfuerzo (Ferreira & Gignoux, 2011;
2013). Las técnicas de ML capturan la asocia-
ción total de las circunstancias con el resultado
en matemáticas, sin distinguir entre su impacto
directo y su impacto indirecto a través del esfuer-
zo. Por tanto, nuestra aproximación no puede
aislar el impacto directo de las circunstancias so-
bre el rendimiento educativo de su efecto sobre
el esfuerzo, que a su vez es un determinante del
rendimiento educativo. En la medida en la que es-
tamos interesados en el “efecto” conjunto de las
circunstancias, este enfoque ofrece una buena
estimación de la DOp (Bourguignon et al., 2007;
Trannoy et al., 2010). Aunque esta aproximación
ofrece una estimación de la DOp en términos
de impacto conjunto de las circunstancias, el
análisis presupone un enfoque normativo que
considera que los estudiantes no son responsa-
bles de su esfuerzo si está influenciado por las
circunstancias (Cohen, 1989). Esta aproximación,
por tanto, plantea cuestiones acerca de la res-
ponsabilidad individual, ya que algunos pueden
considerar que el esfuerzo debe ser considerado
responsabilidad total del alumno.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

CONCLU
SIONES

63

La concepción meritocrática de que el éxito
económico y social se reparte según los logros
y méritos personales se encuentra en el centro
de las democracias occidentales. No obstante,
la validez de este relato genera cada vez más
escepticismo. Tras este creciente desencanto,
se encuentra la distancia evidente entre el ideal
de recompensar el mérito y la comprensión
actual de la “meritocracia”. Las transformaciones
económicas y sociales de las últimas décadas
han generado una mayor desigualdad en forma
de pocos ganadores y muchos perdedores. A
ojos de muchos, este reparto de la tarta econó-
mica no estaría basado en una falta de esfuerzo
o mérito de las clases trabajadoras, sino en
una nueva forma de privilegio que favorece las
circunstancias familiares de las clases aventaja-
das en la “carrera meritocrática”. Utilizando datos
PISA 2018, en este informe estudiamos empíri-
camente la validez de esta crítica analizando el
nivel de movilidad social educativa e igualdad
de oportunidades en 35 sistemas educativos.
Dada la creciente importancia económica de la
educación en las sociedades contemporáneas,
un desigual reparto de las oportunidades educa-
tivas según el nivel socioeconómico familiar y las
circunstancias fuera del control individual limita
la legitimidad de la meritocracia como sistema
de incentivos moralmente deseable.
Tres han sido las cuestiones sobre las que se ha
desarrollado el análisis del presente trabajo:
Cómo el rendimiento educativo depende del
nivel socioeconómico familiar. A partir del aná-
lisis de la movilidad social educativa de España
—junto con otros 34 países—, y sus comunidades
autónomas, se cuantificó hasta qué punto los
resultados obtenidos por los niños en PISA va-
rían en función del nivel socioecónomico de sus
padres, y cómo difieren estas estimaciones entre
los diferentes países y regiones. Los resultados
del informe permiten establecer las siguientes
conclusiones en términos de movilidad social:
• Existen desigualdades educativas significa-
tivas en todos los países analizados, aunque
presentan diferencias sustanciales entre ellos.
64
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
• Los resultados para España muestran que
los niños de los entornos socioeconómicos
más favorecidos tienen aproximadamente
2,3 veces más probabilidades de alcanzar
el nivel de "competencia básica" (PL3) en
comparación con los de entornos desfavo-
recidos.
• España se sitúa en la parte media–inferior
de los países analizados en cuanto a movili-
dad educativa absoluta y relativa se refiere,
con mejores niveles de movilidad social que
otros países de Europa central o Latinoa-
mérica, pero lejos de países asiáticos que
obtienen un buen desempeño en términos
de movilidad social.
• Los resultados ponen de manifiesto una
variación significativa de la movilidad social
entre comunidades autónomas. Así, la bre-
cha en la probabilidad de alcanzar el nivel
PL3 entre familias más y menos aventaja-
das es aproximadamente 90 puntos porcen-
tuales mayor en la Comunidad de Madrid
que en Castilla y León. Estas discrepancias
sugieren que las políticas educativas, que
varían significativamente entre autonomías,
son un determinante clave de la movilidad
social en España.
Cómo las circunstancias externas influyen en
las oportunidades educativas. Para ello, se han
utilizado técnicas modernas de ML para generar
un índice de Desigualdad de Oportunidades
(DOp) que captura la importancia de las cir-
cunstancias fuera del control individual (como el
género o el país de nacimiento) en el rendimiento
de los estudiantes en PISA. Esta aproximación
predictiva constituye una contribución metodoló-
gica novedosa destinada a medir la desigualdad
de oportunidades de manera más fiable utilizan-
do criterios basados en datos que minimizan el
riesgo de infraestimar o sobrestimar la falta de
igualdad de oportunidades. Respecto a la des-
igualdad de oportunidades, los datos ponen de
manifiesto:
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
• España ocupa una posición intermedia en
términos de equidad, mostrando niveles de
desigualdad de oportunidades más bajos
que la mayoría de países en Europa Central,
Oriente Medio y Latinoamérica. Sin embar-
go, esta moderada desigualdad contrasta
con los altos niveles de equidad en algu-
nos países nórdicos y asiáticos, los cuales
obtienen además mejores resultados en las
evaluaciones PISA, indicando que existen
márgenes de mejora sustantivos en el siste-
ma educativo español.
• La presencia de una correlación negativa
entre la DOp y el rendimiento educativo
medio de los países apunta además a que
mejorar la equidad educativa no necesa-
riamente requiere renunciar al objetivo de
lograr la excelencia educativa. Las políticas
públicas deben, por tanto, perseguir este
doble objetivo de mejorar tanto la eficiencia
como la equidad en la educación.
• Existen diferencias significativas en la
equidad educativa entre las comunidades
autónomas. En particular, encontramos que
la desigualdad de oportunidades es aproxi-
madamente el doble en la Región de Murcia
que en Castilla y León. Las comunidades
autónomas juegan un rol muy importante
dado que presentan amplios márgenes
competenciales para promover una mayor
igualdad de oportunidades, la cual difiere
muy significativamente entre regiones. Para
ello, el diseño de las políticas públicas debe
ofrecer mejores oportunidades educativas
para el alumnado extranjero y aquellos con
menor capital cultural y nivel socioeconómi-
co familiar, ya que constituyen las circuns-
tancias más importantes para la DOp.
• El análisis detallado de la importancia de
las características de los estudiantes revela
que el capital cultural, el lugar de nacimiento
y el nivel socioeconómico de las familias
son las circunstancias que más contribu-
yen a la desigualdad de oportunidades en
España.
Cómo las políticas públicas pueden mitigar
las desigualdades educativas. Pese a que los
resultados no pueden interpretarse en clave
causal, encontramos que la desigualdad de
oportunidades está positivamente relacionada
con los niveles de segregación entre estudiantes,
la desigualdad de ingresos en la infancia y con
algunos indicadores relacionados con la organi-
zación docente, como el tiempo destinado a la
gestión o la temporalidad laboral de los profeso-
res. Adicionalmente, encontramos correlaciones
significativas entre la desigualdad de oportuni-
dades y la implantación de políticas docentes
enfocadas al aprendizaje colaborativo, la parti-
cipación activa, las observaciones grupales o el
desarrollo profesional. Estos resultados sugieren
que políticas públicas destinadas a corregir estos
mecanismos, tales como intervenciones destina-
das a reducir la segregación y la desigualdad de
ingresos en la infancia, como a aumentar la cola-
boración y participación activa de los docentes,
podrían ser instrumentos eficaces para romper
el vínculo entre las circunstancias en la infancia y
algunas desigualdades injustas en el desempeño
educativo.
En definitiva, estos resultados indican que el
sistema educativo español presenta limitacio-
nes para promover el principio de “igualar el
campo de juego” en la carrera meritocrática.
Pese a que España no muestra niveles compa-
rativamente alarmantes en materia de movilidad
social educativa o desigualdad de oportunida-
des en el aprendizaje, creemos que eliminar las
brechas económicas y sociales causadas por las
dispares circunstancias vividas en la infancia es
una aspiración fundamental para una sociedad
más deseable. Es indiscutible que los sistemas
capitalistas meritocráticos contemporáneos han
generado un progreso evidente para eliminar
algunas ventajas arbitrarias presentes en las
sociedades feudales y mercantilistas. Sin embar-
go, estos avances han supuesto más un cambio
de paradigma de la desigualdad de oportuni-
dades que una eliminación de la misma. Este
hecho plantea una tensión fundamental entre
la meritocracia y la igualdad de oportunidades.
La idea de que es necesario recompensar a las
65
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

personas de acuerdo a sus méritos choca con el
hecho de que estos logros dependen en buena
medida del talento innato y de una socialización
temprana favorable. Cómo diseñar mecanismos
que resuelvan esta tensión de manera efectiva es
una de las preguntas fundamentales de nuestro
tiempo. Empezar por combatir las desigualdades
educativas es quizás una solución incompleta,
pero también probablemente el mejor punto de
partida por su capacidad para generar consen-
sos relativamente amplios.
docencia directa, integren la tecnología en
la gestión, coordinación y monitorización
del aula, el centro y el propio sistema edu-
cativo.
• Planificar espacios y tiempos de colabora-
ción y trabajo cooperativo entre docentes,
favoreciendo el intercambio de buenas
prácticas, la programación didáctica coordi-
nada e interdisciplinar, y el impulso de redes
y comunidades de aprendizaje profesional.

Además, los hallazgos presentados en este estu- • Incentivar la innovación pedagógica,

dio sugieren que establecer como líneas de ac-
ción la mejora tanto de la práctica docente como
de la organización escolar podría ser beneficioso
para la equidad de los sistemas educativos, por
ejemplo:
• Integrar enfoques multisectoriales en el dise-
ño de políticas educativas coordinando, junto
con las actuaciones educativas, actuaciones
sociales, de bienestar, económicas, de em-
pleo… Esta visión global de la política educati-
va permite impactar en esta relación clara que
existe entre educación, meritocracia, igualdad
de oportunidades y economía.
• Impulsar actuaciones dirigidas a favorecer
la equidad del sistema educativo, con espe-
cial foco en la reducción de la segregación
escolar, o el retraso en el establecimiento de
itinerarios educativos diferenciados.
apoyando a los docentes en la implementa-
ción de enfoques educativos centrados en
el estudiante, e impulsando metodologías
didácticas activas y colaborativas, así como
la diversificación de instrumentos, tiempo y
modalidades de evaluación.
• Mejorar la gestión y distribución de recur-
sos que permitan una financiación equita-
tiva de los centros educativos, según sus
necesidades reales y el perfil de su alumna-
do (financiación por fórmula, disponibilidad
de recursos extra, contratos-programa, etc).
• Impulsar acciones de formación continua
del profesorado coordinadas, integradas en
el marco de una carrera profesional docen-
te.

• Implementar medidas de apoyo y refuerzo

educativo, con especial atención al alum-
nado vulnerable, que permitan, por un lado,
minimizar el impacto de las circunstancias
externas en el rendimiento educativo, y por
otro, visibilizándose como alternativas a la
repetición escolar.

• Reducir la carga burocrática del profeso-

rado, focalizando su tiempo de trabajo en el
desarrollo de los procesos educativos. En
este sentido, es necesario impulsar proce-
sos de digitalización educativa que, más
allá del uso de tecnología en las aulas y la
66
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

REFEREN
CIAS

67

Arneson, R. (2015). Equality of opportunity.
Stanford Encyclopedia of Philosophy.
Arrow, K., Bowles, S., & Durlauf, S. N. (Eds.).
(2000). Meritocracy and economic inequality.
Princeton University Press.
Barragué, B., Carbonell, J., Kreiman, G., León,
B., Romaguera, M., & Soria-Espín, J. (2022).
Derribando el dique de la meritocracia. Future
policy Lab.
Bénabou, R. (2000). Meritocracy, Redistribu-
tion and the Size of the Pie. In the Meritocracy
and economic inequality. Princeton University
Press.
Blanchet, T., Chancel, L., & Gethin, A. (2022).
Why is Europe more equal than the United
States?. American Economic Journal: Applied
Economics, 14(4), 480-518.
Blanden, J., Doepke, M., & Stuhler, J. (2022).
Educational inequality (No. w29979). National
Bureau of Economic Research.
Bourguignon, F., Ferreira, F. H., & Menéndez,
M. (2007). Inequality of opportunity in Brazil.
Review of income and Wealth, 53(4), 585-618.
Breen, R., & Goldthorpe, J. H. (1997). Exp-
laining educational differentials: Towards
a formal rational action theory. Rationali-
ty and society, 9(3), 275-305. https://doi.
org/10.1177/104346397009003002
Brunori, P., Hufe, P., & Mahler, D. (2019). The
roots of inequality: Estimating inequality of
opportunity from regression trees and forests.
Brunori, P., & Neidhöfer, G. (2021). The evolu-
tion of inequality of opportunity in Germany: A
machine learning approach. Review of Income
and Wealth, 67(4), 900-927.
68
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Brunori, P., Davillas, A., Jones, A. M., & Scarchilli,
G. (2022). Model-based recursive partitioning
to estimate unfair health inequalities in the
United Kingdom Household Longitudinal Study.
Journal of Economic Behavior & Organization,
204, 543-565.
Cappelen, A. W., Sørensen, E. Ø., & Tungodden,
B. (2010). Responsibility for what? Fairness
and individual responsibility. European Econo-
mic Review, 54(3), 429-441.
Castillo, J. C., Iturra, J., Rivas, F. J. M., Maldona-
do, L., & Atria, J. (2021). Measuring Perceptions
and Preferences for Meritocracy.
Chetty, R., Hendren, N., Kline, P., & Saez, E.
(2014). Where is the land of opportunity? The
geography of intergenerational mobility in
the United States. The Quarterly Journal of
Economics, 129(4), 1553-1623. https://doi.
org/10.1093/qje/qju022
Cohen, G. A. (1989). On the currency of egalita-
rian justice. Ethics, 99(4), 906-944.
Corak, M. (2013). Income inequality, equality
of opportunity, and intergenerational mobility.
Journal of Economic Perspectives, 27(3), 79-
102. https://doi.org/10.1257/jep.27.3.79
Dworkin, R. (1981). What is equality? Part 1:
Equality of welfare. Philosophy & public affairs,
185-246.
Dodin, M., Findeisen, S., Henkel, L., Sachs, D., &
Schüle, P. (2022). Social mobility in Germany.
Epstein, R. A. (1992). Forbidden grounds: The
case against employment discrimination laws.
Harvard University Press.
Erikson, R., & Goldthorpe, J. H. (1992). The
constant flux: A study of class mobility in in-
dustrial societies. Oxford University Press.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Ferreira, F. H., & Gignoux, J. (2011). The mea-
surement of inequality of opportunity: Theory
and an application to Latin America. Review of
income and wealth, 57(4), 622-657.
Ferreira, F. H., & Gignoux, J. (2014). The measu-
rement of educational inequality: Achievement
and opportunity. The World Bank Economic
Review, 28(2), 210-246.
Fleurbaey, M. (2008). Fairness, responsibility,
and welfare. OUP Oxford.
Fleurbaey, M., & Peragine, V. (2013). Ex ante
versus ex post equality of opportunity. Econo-
mica, 80(317), 118-130.
Freeman, R. B., Machin, S., & Viarengo, M.
(2010). Variation in educational outcomes and
policies across countries and of schools within
countries (No. w16293). National Bureau of
Economic Research.
Gil, C. (2023). Hay que esforzarse por deba-
tir más de políticas que de meritocracia en
público. Entrada en blog Fundación Espacio
Público.
Gortazar, L. (2019). ¿Favorece el sistema edu-
cativo español la igualdad de oportunidades?
Información Comercial Española, ICE: Revista
de economía, 910, 15-29.
Gunderson, M., & Oreopolous, P. (2020). Retur-
ns to education in developed countries. In The
economics of education (pp. 39-51). Academic
Press.
Hanushek, E. A., & Woessmann, L. (2012). Do
better schools lead to more growth? Cognitive
skills, economic outcomes, and causation.
Journal of economic growth, 17, 267-321.
Hertz, T., Jayasundera, T., Piraino, P., Selcuk,
S., Smith, N., & Verashchagina, A. (2008). The
inheritance of educational inequality: Interna-
tional comparisons and fifty-year trends. The
BE Journal of Economic Analysis & Policy, 7(2).
https://doi.org/10.2202/1935-1682.1775
Hilger, N. G. (2015). The great escape: Interge-
nerational mobility in the united states since
1940 (No. w21217). National Bureau of Econo-
mic Research.
Markovits, D. (2019). The meritocracy trap.
Penguin UK.
Marrero, G. A., Palomino, J. C., & Sicilia, G.
(2022). Inequality of Opportunity in Educational
Achievement in Western Europe: contributors
and channels (No. 612). ECINEQ, Society for
the Study of Economic Inequality.
Mullainathan, S., & Spiess, J. (2017). Machine
Learning: An Applied Econometric Approach.
Journal of Economic Perspectives, 31(2), 87-
106.
Mijs, J. J. (2018). Visualizing belief in
meritocracy, 1930–2010. Socius, 4,
2378023118811805.
Nozick, R. (1974). Anarchy, state, and utopia
(Vol. 5038). New York: Basic Books.
Rawls, J. (1971). A theory of justice. Cambrid-
ge (Mass.).
Reardon, S. F. (2011). The widening academic
achievement gap between the rich and the
poor: New evidence and possible explanations.
Whither opportunity, 1(1), 91-116.
Rodrik, D. (2021). A primer on trade and in-
equality (No. w29507). National Bureau of
Economic Research.
Roemer, J. E. (1998). Equality of opportunity,
Harvard U. Press, Cambridge.
69
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

Roemer, J. (2000). Equality of Opportunity. In

the Meritocracy and economic inequality. Prin-
ceton University Press.

Roemer, J. E. (2002). Equality of opportunity:

A progress report. Social Choice and Welfare,
455-471.

Roemer, J. E., & Trannoy, A. (2016). Equality of

opportunity: Theory and measurement. Journal
of Economic Literature, 54(4), 1288-1332.

Sandel, M. J. (2020). The tyranny of merit:

What's become of the common good?. Pen-
guin UK.

Sen, A. (2000). Merit and Justice. In the Me-

ritocracy and economic inequality. Princeton
University Press.

Soria-Espin, J. (2022). Intergenerational Mobili-

ty, Gender Differences and the Role of Out-Mi-
gration: New Evidence from Spain. Gender
Differences and the Role of Out-Migration: New
Evidence from Spain (May 16, 2022).

Tibshirani, H. R., James, G., & Trevor, D. W.

(2017). An introduction to statistical learning.
springer publication.

Trannoy, A., Tubeuf, S., Jusot, F., & Devaux, M.

(2010). Inequality of opportunities in health in
France: a first pass. Health economics, 19(8),
921-938.

Van De Gaer, D. F. G. (1993). Equality of oppor-

tunity and investment in human capital.

Young, M. (1958). The rise of the meritocracy,

1870-2033. London: Thames and Hudson

Zamarro, G., Hitt, C., & Mendez, I. (2019). When

students don’t care: Reexamining international
differences in achievement and student effort.
Journal of Human Capital, 13(4), 519-552.

70
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

RESULTA
DOS Y
FIGURAS
ADICIONA
LES

ANEXO A 71
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

tabla A1. Indicadores de movilidad social para 35 países.

País Gradiante Q1 Q5 Q5/Q1 % Nivel 3

Alemania 0,59 34,17 84,26 2,47 58,16

Argentina 0,32 1,76 27,86 15,81 11,41

Australia 0,49 34,15 73,85 2,16 54,19

Austria 0,55 34,78 81,17 2,33 58,09

B-S-J-Z (China) 0,15 83,78 97,19 1,16 90,70

Brasil 0,40 3,10 36,72 11,86 13,67

Bélgica 0,66 35,03 87,19 2,49 61,72

Canadá 0,38 47,24 76,89 1,63 62,93

Chile 0,46 7,19 47,86 6,66 22,56

Colombia 0,32 4,74 31,31 6,61 13,52

Corea del Sur 0,42 50,19 83,67 1,67 67,67

Dinamarca 0,46 44,46 81,35 1,83 63,46

Emiratos Árabes Unidos 0,53 11,01 52,27 4,75 32,99

España 0,51 31,58 73,19 2,32 50,86

Estados Unidos 0,61 24,59 74,10 3,01 48,67

Finlandia 0,46 45,54 81,76 1,80 62,73

Francia 0,67 30,21 84,56 2,80 57,64

Grecia 0,47 19,97 58,10 2,91 37,33

Hong Kong 0,25 65,50 87,32 1,33 77,32

Indonesia 0,26 2,57 24,04 9,36 9,57

Irlanda 0,45 40,60 78,07 1,92 59,59

Islandia 0,43 38,55 72,30 1,88 57,31

Israel 0,57 20,47 64,08 3,13 45,21

Italia 0,45 32,75 72,28 2,21 53,26

Luxemburgo 0,68 26,41 79,93 3,03 51,09

Macao 0,14 76,13 89,47 1,18 82,74

México 0,33 6,99 35,44 5,07 17,34

Nueva Zelanda 0,53 33,04 76,66 2,32 55,46

Países Bajos 0,49 46,89 85,83 1,83 65,22

Perú 0,43 2,14 38,00 17,77 16,60

Portugal 0,60 31,66 80,35 2,54 55,82

Reino Unido 0,47 40,25 79,31 1,97 58,75

Singapur 0,37 64,11 93,41 1,46 81,76

Taipei 0,42 50,15 85,35 1,70 69,87

Turquía 0,46 22,82 63,28 2,77 36,03

Notas: Esta tabla reporta estadísticas nacionales de movilidad social utilizando datos PISA 2018. Los indicadores se calculan utilizando la metodología
descrita en el apartado 4.1.

72
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

tabla A2. Indicadores de movilidad social para las CCAA

españolas.
CCAA Gradiante Q1 Q5 Q5/Q1 % Nivel 3

Andalucía 0,51 29,18 72,03 2,47 44,38

Aragón 0,52 35,07 76,20 2,17 58,27

Asturias 0,58 31,15 79,04 2,54 55,02

Cantabria 0,51 37,91 77,01 2,03 59,48

Castilla - La Mancha 0,43 37,27 70,75 1,90 49,96

Castilla y León 0,47 41,59 78,16 1,88 61,09

Cataluña 0,50 32,67 72,68 2,22 54,39

Comunidad Valenciana 0,43 32,31 64,97 2,01 46,45

Comunidad de Madrid 0,58 26,69 74,78 2,80 52,97

Extremadura 0,50 30,77 71,19 2,31 45,41

Galicia 0,41 41,99 77,56 1,85 59,54

Islas Baleares 0,47 33,92 71,48 2,11 51,88

Islas Canarias 0,54 26,09 68,56 2,63 40,30

La Rioja 0,49 40,84 80,93 1,98 58,06

Navarra 0,52 36,19 78,24 2,16 60,32

País Vasco 0,56 33,31 75,45 2,27 59,95

Región de Murcia 0,58 30,87 79,72 2,58 47,97

Notas: Esta tabla reporta estadísticas autonómicas de movilidad social utilizando datos PISA 2018. Los indicadores se calculan utilizando la metodología
descrita en el apartado 4.1.

FIGURA A1. Relación entre movilidad social

relativa (Grad) e indicador Desigualdad de
Oportunidades (DOp)
movilidad social educativa (gradiente)

índice dop (matemáticas) 73

 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

discusión
sobre
machine
learning

ANEXO B
74
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Intuiciones técnicas básicas:
¿Qué es el ML y por qué es
útil?
El Machine Learning (ML) se refiere a la apli-
cación de algoritmos capaces de ofrecer una
predicción fiable de una variable objetivo en
una nueva base de datos (“out of sample”) uti-
lizando una serie de variables explicativas. Por
ejemplo, podemos estar interesados en prede-
cir los resultados en PISA y de un estudiante
de acuerdo a sus características personales
X. Para ello, las técnicas de ML estiman una
función f ̂(X) para conseguir una predicción
y ̂ que sea lo más precisa posible en función
de las variables explicativas. Esto se logra a
través de un proceso computacional destinado
a minimizar el error de predicción (medido, por
ejemplo, a través del coeficiente de determina-
ción o R2) en una nueva muestra de datos. Las
técnicas econométricas convencionales (p.ej.:
la regresión lineal) se consideran habitualmen-
te métodos adecuados para realizar prediccio-
nes. Entonces, ¿en qué se diferencia el ML y
qué ventajas ofrece?
Por un lado, se encuentra la capacidad del
ML para explorar interacciones complejas sin
requerir supuestos rígidos sobre la forma fun-
cional de los modelos. El método estadístico
por excelencia, la regresión lineal OLS, requiere
tomar varias decisiones sobre el modelo de
estimación. Consideremos nuestro ejemplo
de intentar predecir los resultados en PISA.
Para realizar dichas predicciones, OLS requiere
decidir manualmente tanto la forma funcional
de las variables continuas (¿lineal, cuadrática,
cúbica…?) así como las interacciones entre
las variables (p.ej.: ¿interactuamos el género
y el nivel socioeconómico?). En situaciones
donde el número de variables explicativas es
elevado, este proceso es costoso y altamente
arbitrario. Una de las principales ventajas del
ML es precisamente su capacidad para relajar
estas restricciones sobre las relaciones entre
las variables. En lugar de asumir una forma
específica para la relación entre las variables,
el ML permite explorar automáticamente las
interacciones entre ellas. Esto significa que el
algoritmo puede detectar patrones complejos
y no lineales, identificando relaciones que po-
drían pasar desapercibidas mediante el enfo-
que tradicional.
Por otro lado, se encuentra la técnica de
“sample splitting” en el proceso de estimación.
Una técnica común en ML es la división de
la muestra en conjuntos de entrenamiento
(training set) y prueba (test set). En el enfoque
tradicional de "estimación dentro de la mues-
tra" (in-sample estimation), se utiliza toda la
muestra para ajustar el modelo y evaluar su
desempeño. Sin embargo, esto puede llevar
a problemas de “underfitting” (el modelo es
demasiado simple y no captura las complejida-
des de los datos) u “overfitting” (el modelo se
ajusta demasiado a los datos de entrenamien-
to y no generaliza bien a nuevos datos). Al se-
parar la muestra en conjuntos de entrenamien-
to y prueba, se puede evaluar el rendimiento
del modelo en datos no vistos previamente.
Esto ayuda a proporcionar una estimación
más precisa del desempeño real del modelo en
situaciones reales.
División de la muestra para
predicción
El objetivo principal de la estimación es prede-
cir el resultado en matemáticas de PISA según
las circunstancias del alumnado (véase CUA-
DRO 1). Para ello, entrenamos varios modelos
de predicción utilizando distintos algoritmos.
La construcción de estos modelos se realiza
de manera independiente en cada país, ya que
el impacto de las circunstancias puede variar
entre los sistemas educativos.
Para construir y evaluar la fiabilidad de los
modelos de predicción, asignamos a los
estudiantes de cada país a dos submuestras
mutuamente excluyentes: muestra A y mues-
tra B. Posteriormente, realizamos el proceso
de estimación en dos fases. En primer lugar,
entrenamos una serie de algoritmos en la
muestra A para predecir los resultados del
75

alumnado en la muestra B. En segundo lugar,
realizamos el proceso inverso: entrenamos los
algoritmos en la muestra B siguiendo el mismo
procedimiento para hacer predicciones en la
muestra A. Dicha decisión viene motivada por
(1) la necesidad de realizar una división de la
muestra para evitar problemas de “underfitting”
u “overfitting” y (2) nuestra preferencia por ex-
plotar todos los datos tanto para la estimación
como para el análisis posterior.
La evaluación del rendimiento de los distin-
tos algoritmos se realiza de manera conjunta
utilizando las predicciones “out of sample”
de las muestras A y B. Esto garantiza que se
selecciona el algoritmo que mejor predice los
resultados y no aquel que se ajusta mejor a la
muestra de entrenamiento. La selección del
mejor modelo se realiza de manera indepen-
diente para cada país utilizando el coeficiente
de determinación (R2).
Algoritmos de predicción
Para realizar las predicciones, consideramos
tanto algoritmos de regularización como
métodos basados en árboles (“tree-based
methods”). También consideramos la regresión
lineal OLS para contrastar los resultados y eva-
luar las mejoras que ofrece el ML. A continua-
ción, describimos la intuición técnica tras cada
algoritmo. Para más detalles metodológicos
sobre los distintos algoritmos, recomendamos
al lector Tibshirani et al. (2017).
· Mínimos Cuadrados Ordinarios (o regre-
sión lineal): La técnica de Mínimos Cua-
drados Ordinarios (OLS, por su acrónimo
en inglés “Ordinary Least Squares”) es un
método de análisis estadístico utilizado
para modelar la relación entre una variable
dependiente y una o más variables explicati-
vas. La idea básica tras la regresión lineal es
encontrar la línea recta que mejor se ajuste
a los datos, de modo que podamos predecir
el valor de dicha variable dependiente en
función de las variables explicativas. Esta
línea recta se determina minimizando la
76
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
suma de los cuadrados entre los valores
reales y los valores predichos por el mode-
lo lineal. En términos globales, este es el
método más comúnmente empleado para
la estimación de DOp. En nuestro estudio,
empleamos OLS como punto de referencia
para evaluar el desempeño de los algorit-
mos que describimos a continuación. Las
variables explicativas incorporadas en el
modelo son las descritas en el CUADRO 1.
· Regularización: Lasso, Ridge y Elastic Net.
Las técnicas de regularización son similares
a la regresión lineal, salvo que “castigan”
la complejidad del modelo a través de
un término de penalización adicional. La
distinción entre Lasso, Ridge y Elastic Net
se encuentra precisamente en este término
de penalización. Por un lado, Lasso (“Least
Absolute Shrinkage and Selection Operator”)
introduce una penalización L1 que descarta
la influencia de algunas variables al per-
mitir que algunos coeficientes se vuelvan
exactamente cero. Por otro lado, el método
Ridge introduce una penalización L2 que no
anula completamente los coeficientes, sino
que los reduce. Por su parte, Elastic Net
combina linealmente las penalizaciones de
Lasso y Ridge, tratando así de compensar
las limitaciones de cada método con las
ventajas del otro. Al igual que ocurre con la
regresión, los métodos de regularización re-
quieren especificar la forma funcional y las
interacciones de las variables explicativas.
Por ello, en nuestro análisis construimos un
modelo relativamente complejo que incor-
pora todas las circunstancias, todas sus
posibles interacciones dobles y términos
cuadrados y cúbicos de todas las variables
continuas. La selección final del modelo
depende de la propia regularización que
evita el “overfitting”. Este proceso de regula-
rización se realiza a través de CV quíntuple
(“5-fold cross validation”) para optimizar los
términos de penalización.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
· Regression Tree (o árbol de regresión):
El Regression Tree (en adelante, RT) es
el pilar sobre el que se construyen todos
los métodos basados en árboles, como el
Random Forest o el Boosting. El RT es un
algoritmo que genera una estructura jerár-
quica dividiendo repetidamente los datos en
diferentes conjuntos excluyentes según las
variables explicativas. Cada división se rea-
liza seleccionando una variable explicativa
y hallando el umbral que mejor separa los
datos en función de algún criterio de fiabi-
lidad. Más concretamente, el árbol intenta
encontrar todas las divisiones posibles
para generar subconjuntos y elige aquella
que más fiabilidad genera. Posteriormente,
cada submuestra se trata como una nueva
muestra y se repite el primer paso. Esto se
repite hasta que se cumple algún criterio de
parada, como alcanzar un número mínimo
de observaciones en un nodo o no mejo-
rar significativamente la precisión de las
predicciones. Una vez se finaliza el proceso
de división, se asigna a cada observación
una predicción según la media en el nodo
terminal u “hoja” a la que pertenece. Des-
pués de construir el árbol, podemos tomar
la decisión de podar el árbol ("prune the
tree"). Esto implica eliminar algunas divi-
siones innecesarias o poco relevantes para
simplificar el modelo y evitar el sobreajuste.
Al podar el árbol, reducimos su profundidad
y complejidad, lo que puede ayudar a me-
jorar la generalización y la interpretabilidad
del modelo. Para tomar la decisión sobre
podar el árbol utilizamos un proceso de CV
quíntuple.
· Random Forest (o bosque aleatorio): El
Random Forest (en adelante, RF) es una
técnica basada en “ensamblar” varios árbo-
les de regresión independientes. En particu-
lar, el RF construye varios árboles de regre-
sión entrenando diferentes submuestras
seleccionadas a través de “bootstrapping”
(i.e., muestreo aleatorio con reemplazo).
Para entrenar cada árbol de manera inde-
pendiente, se selecciona de manera alea-
toria un conjunto de variables explicativas,
lo que permite “decorrelar” los árboles y así
mejorar las predicciones. Intuitivamente,
cada árbol se construye de manera similar
a un árbol de regresión habitual, dividien-
do los datos en diferentes subconjuntos
utilizando las variables explicativas selec-
cionadas de forma aleatoria. Aquí es donde
radica una de las mejoras principales del
RF: en cada división, solo se considera un
subconjunto aleatorio de variables expli-
cativas para realizar la separación, lo que
ayuda a reducir la correlación entre árboles
y a mejorar la robustez del modelo. Una
vez construidos todos los árboles, se toma
la media de las predicciones de todos los
árboles para construir la predicción. Debido
a que el RF suele ofrecer bastantes buenas
predicciones sin la necesidad de optimizar
los “hiperparámetros”, empleamos dos
aproximaciones complementarias. Por un
lado, generamos un bosque empleando
1.000 árboles que utilizan k/3 variables
explicativas, donde k es el número total de
circunstancias (Tibshirani et al., 2017). Por
otro lado, construimos un bosque utilizando
CV quíntuple mediante “random grid search”
que optimiza el número total de árboles,
número de predictores, la profundidad total
de los árboles y la proporción de muestreo.
· Boosting (o potenciación del gradiente):
“Gradient boosting” es un algoritmo de
aprendizaje automático que construye un
modelo predictivo mediante la combinación
de varios árboles de regresión en forma
secuencial. La aproximación del Boosting
difiere del RF en la forma de generar y agre-
gar los distintos árboles de regresión. En lu-
gar de producir muchos árboles completos
y promediarlos, el Boosting construye los
árboles de manera secuencial para intentar
corregir los errores de predicción hallados
en los árboles anteriores. Intuitivamente, el
Boosting empieza por construir un árbol de
regresión simple para obtener una predic-
ción inicial. Sin embargo, esta predicción
inicial probablemente contenga errores y no
77

será precisa. Para mejorar esta predicción
inicial, el Boosting sigue construyendo árbo-
les sobre el error residual de las estimacio-
nes con el objetivo de capturar los patrones
y características que no se han capturado
hasta ese momento. Este proceso continúa
iterativamente, añadiendo nuevos árboles
de regresión que se centran en corregir los
errores residuales del modelo anterior. Cada
nuevo árbol se construye de manera que se
minimice el error residual restante. A medi-
da que se añaden más árboles, el modelo
en conjunto mejora su capacidad de cap-
turar los patrones más complejos y sutiles
en los datos. Para construir un Boosting
fiable, utilizamos un proceso de optimiza-
ción secuencial basados en CV triple sobre
el número de árboles, su profundidad y el
parámetro de aprendizaje.
Comparación de algoritmos:
resultados
Para comparar el desempeño predictivo de
los modelos, utilizamos el “R2 fuera de la
muestra” (“out-of-sample R2”). A diferencia del
R2 convencional, esta medida se utiliza para
evaluar el rendimiento predictivo de un modelo
en datos que no han sido utilizados durante el
entrenamiento de los algoritmos. Esto propor-
ciona una medida más realista y confiable del
rendimiento de los distintos algoritmos, ya que
evalúa sus capacidades para hacer prediccio-
nes precisas en datos no vistos previamente.
La TABLA B1 muestra los R2 para cada país y
algoritmo. También reportamos los resultados
de la regresión lineal para estudiar las venta-
jas del Machine Learning. La TABLA muestra
que el Boosting supera al resto de modelos
predictivos para la mayoría de países. De entre
los 35 países analizados, el Boosting ofrece
predicciones más fiables para 29 de ellos.
En términos generales, encontramos que los
algoritmos de ML resultan en precisiones más
fiables para todos los países, con la excepción
de Islandia, donde el OLS ofrece los mejores
resultados.
78
INFORME 2023 MERITOCRACIA Y EDUCACIÓN
Desde una perspectiva metodológica, estos re-
sultados sugieren que las técnicas de ML ofre-
cen mejoras comparativas frente al enfoque
tradicional. Con todo, las ventajas halladas son
relativamente modestas para la mayoría de
países. Con la excepción de Emiratos Árabes
Unidos e Israel (donde los R2 aumentan 7,1 y
5,2 p.p. respectivamente), la mayoría de países
obtienen mejoras que podrían ser considera-
das como modestas (promedio de 1,4 p.p.).
Con todo, conviene aclarar que esta conclusión
se circunscribe a la medición de DOp utilizando
datos PISA. La ausencia de mejoras drásti-
cas en nuestra aplicación no necesariamente
implica que no existan ventajas más llamati-
vas en otras dimensiones educativas u otros
dominios. Más allá de esta consideración,
pensamos además que el marco conceptual
y basado en datos que ofrece el ML ofrece un
enfoque más riguroso que el enfoque conven-
cional. En última instancia, la aplicación de un
criterio predictivo para seleccionar el mejor
modelo permite minimizar el riesgo de “overfi-
tting” y “underfitting”, además de ofrecer a los
investigadores un enfoque menos arbitrario y
más transparente que la perspectiva conven-
cional.
Por su parte, la TABLA B2 presenta los mis-
mos resultados para cada comunidad autó-
noma. Cuando adquirimos una visión auto-
nómica, observamos que la regresión lineal
supera a los nuevos enfoques de Machine
Learning. En concreto, encontramos que OLS
ofrece mejores predicciones en 10 de las 17
comunidades autónomas. Boosting, por su
parte, se sitúa en segunda posición, ofreciendo
predicciones más fiables para 5 comunidades
autónomas. Esta discrepancia de las ventajas
del ML entre regiones y países podría ser fruto
del menor tamaño muestral empleado para el
análisis. Si bien no lo podemos confirmar con
exactitud, es plausible que el menor número de
observaciones disponible para el análisis por
CCAA limite el potencial del ML para explorar la
importancia de las interacciones entre circuns-
tancias, generando así peores predicciones.
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

TABLA B1. Precisión de predicciones por país y algoritmo.

Coeficiente de determinación R2
Métodos de regularización Métodos basados en árboles

Random Random
Regression
OLS Ridge Lasso Elastic Net Forest ("out Forest Boosting
Tree
of the box") ("tuned")

EMIRATOS ÁRABES 32,40 37,25 37,38 37,36 28,02 37,74 36,74 39,52

LUXEMBURGO 34,75 35,37 35,37 35,31 29,83 36,06 36,05 36,89

ISRAEL 30,60 32,78 32,93 32,89 24,75 34,24 32,95 35,81

FRANCIA 34,09 35,28 35,34 35,31 26,24 34,49 34,94 35,70

ARGENTINA 34,01 34,83 34,92 34,92 27,14 34,53 34,53 35,44

PERÚ 33,19 33,55 33,65 33,64 25,55 33,50 33,67 35,41

CHILE 32,79 32,76 32,57 32,55 26,19 31,78 32,10 33,02

BÉLGICA 31,32 31,89 32,05 32,01 22,48 30,61 30,61 32,28

ALEMANIA 29,03 30,32 29,96 30,00 20,15 29,69 29,04 31,54

INDONESIA 25,57 28,23 28,62 28,60 18,10 28,96 28,46 30,62

PAÍSES BAJOS 26,40 26,46 26,60 26,62 20,62 28,60 28,29 30,57

AUSTRIA 28,50 27,89 27,74 27,76 20,17 27,34 27,61 29,09

BRASIL 26,39 28,40 28,51 28,56 20,16 28,41 27,80 28,91

PORTUGAL 25,25 27,31 27,10 27,11 20,14 26,69 27,21 27,05

TURQUÍA 25,53 25,51 25,95 25,97 18,55 24,78 25,13 26,68

ESTADOS UNIDOS 25,54 25,66 24,46 24,36 21,22 25,84 25,44 26,44

COLOMBIA 26,26 26,38 26,55 26,52 18,82 25,13 25,30 26,19

ESPAÑA 24,53 24,38 24,64 24,62 18,14 23,62 23,74 25,64

SINGAPUR 22,39 23,06 21,99 22,02 17,35 22,18 22,79 23,58

TAP 22,13 22,85 22,92 22,92 16,05 21,90 22,41 23,42

DINAMARCA 22,33 21,83 21,46 21,58 16,50 21,37 22,01 22,84

B-S-J-Z (CHINA) 21,19 22,09 22,07 22,10 16,40 21,89 22,06 22,59

NUEVA ZELANDA 21,47 21,38 21,09 21,03 11,60 19,17 19,84 22,16

ITALIA 21,34 21,20 21,25 21,24 14,35 20,23 20,57 21,54

IRLANDA 20,14 20,26 20,48 20,43 17,11 20,30 20,64 21,43

REINO UNIDO 20,86 21,39 21,71 21,68 15,75 20,95 20,94 21,27

CANADÁ 18,66 19,51 19,81 19,81 12,21 19,01 18,86 21,18

AUSTRALIA 19,20 20,85 20,96 21,00 12,51 20,07 19,81 21,10

GRECIA 19,93 19,50 18,95 18,87 12,75 19,69 19,33 20,27

MÉXICO 19,76 20,09 19,34 19,36 13,08 18,58 18,90 19,58

FINLANDIA 17,55 17,92 17,97 17,91 12,40 16,46 17,43 18,05

COREA 16,84 16,90 17,58 17,57 12,31 17,90 18,16 16,94

ISLANDIA 16,41 14,68 13,44 13,66 9,73 14,26 15,14 15,87

HONG KONG 9,81 9,96 9,82 9,86 6,73 10,30 10,76 11,53

MACAO 10,30 10,46 9,95 9,96 5,72 9,75 9,83 9,54

79
 INFORME 2023 MERITOCRACIA Y EDUCACIÓN

TABLA B2. Precisión de predicciones por CC.AA. y algoritmo.

Coeficiente de determinación R2
Métodos de regularización Métodos basados en árboles

Random Random
Regression
OLS Ridge Lasso Elastic Net Forest ("out Forest Boosting
Tree
of the box") ("tuned")

ANDALUCÍA 18,18 16,72 15,67 15,76 10,44 16,17 16,70 17,85

ARAGÓN 19,24 17,89 17,44 17,56 9,37 17,45 16,64 18,86

ASTURIAS 22,69 20,96 19,25 19,48 13,50 19,48 19,92 21,63

BALEARES 17,64 17,09 14,68 14,71 4,57 14,59 14,42 16,64

CANARIAS 24,94 22,64 22,18 22,05 21,15 23,09 23,75 26,37

CANTABRIA 21,66 18,30 17,17 17,17 12,74 17,57 18,44 20,07

CASTILLA- LA MANCHA 18,17 15,92 15,11 15,33 10,78 14,27 15,42 17,75

CATALUÑA 20,43 19,07 18,47 18,37 9,97 18,11 19,09 18,80

EXTREMADURA 21,08 19,21 18,57 18,40 13,84 18,98 19,56 20,70

GALICIA 18,17 15,99 11,55 12,62 11,21 15,65 16,94 18,42

LA RIOJA 18,27 19,29 18,39 18,63 4,19 17,81 18,23 18,34

MURCIA 26,40 24,62 24,08 24,22 18,81 24,89 25,25 26,91

NAVARRA 22,08 21,43 20,97 20,80 15,89 20,19 20,78 21,05

VALENCIA 12,98 12,87 12,44 12,49 6,59 12,22 13,00 13,95

CASTILLA Y LEÓN 17,98 18,47 18,41 18,19 15,27 16,49 16,73 18,43

MADRID 24,54 23,36 23,13 23,17 18,86 22,93 23,04 24,32

EUSKADI 22,79 20,71 20,01 20,08 17,69 21,05 22,23 23,44

80
INFORME 2023 MERITOCRACIA Y EDUCACIÓN

MERITOCRACIA Y EDUCACIÓN

Movilidad social y desigualdad

de oportunidades

Un enfoque de 'Machine Learning'

Informe COTEC

81