Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento
académico en el curso de Estadística General de la Universidad Nacional Agraria
La Molina
Proposal of a structural equations model that explains academic performance in the General Statistics
course of the National Agrarian University La Molina
DOI: https://doi.org/10.21704/rtn.v17i2.2043
© El autor. Este artículo es publicado por la revista Tierra Nuestra del Departamento Académico de Ciencias Humanas de
la Facultad de Economía y Planicación, Universidad Nacional Agraria La Molina. Este es un artículo de acceso abierto,
distribuido bajo los términos de la Licencia Creative Commons Atribución 4.0 Internacional.(https://creativecommons.org/
licenses/by/4.0/) que permite Compartir (copiar y redistribuir el material en cualquier medio o formato), Adaptar (remezclar,
transformar y construir a partir del material) para cualquier propósito, incluso comercialmente.
Forma de citar el artículo: Salazar, R., & Rosas, F. (2023). Propuesta de un modelo de ecuaciones estructurales que
explica el rendimiento académico en el curso de Estadística General de la Universidad Nacional Agraria La Molina. Tierra
Nuestra, 17(2), 196-207. https://doi.org/10.21704/rtn.v17i2.2043
Tierra Nuestra 17(2): 196-207 (2023)
Tierra Nuestra
ISSN 2519-738X (En línea), ISSN 1818-4103 (Impresa)
https://revistas.lamolina.edu.pe/index.php/tnu
ARTÍCULO ORIGINAL –RESEARCH ARTICLE
Rolando Jesús Salazar Vega1* , Fernando René Rosas Villena1
1 Universidad Nacional Agraria La Molina, Lima, Perú.
* Autor de correspondencia:rsalazar@lamolina.edu.pe
* https://orcid.org/0000-0002-5876-8560
Recibido: 25/06/2023; Aceptado: 11/11/2023; Publicado: 30/12/2023
Resumen
El objetivo general de la investigación es validar el ajuste de una propuesta de modelo de ecuaciones
estructurales explicativa del rendimiento académico de los estudiantes en el curso de Estadística
General de la UNALM en el semestre 2023-I, mediante la técnica estadística multivariante de modelo
de ecuaciones estructurales. Se consideraron los factores rendimiento académico, rendimiento
pasado, motivación, desempeño docente y autoconcepto académico. La investigación es de alcance
cuantitativo, de tipo aplicada, de nivel correlacional-causal y de diseño no experimental de carácter
transversal. La muestra fue de 208 estudiantes que llevaron el curso de Estadística General en
el semestre 2023-I. Se concluye en la investigación que el modelo propuesto presenta un buen
ajuste; que el factor rendimiento pasado ejerce inuencia signicativa en el rendimiento académico;
que los factores motivación, desempeño docente y autoconcepto académico no tienen inuencia
signicativa en el rendimiento académico, y que el factor desempeño docente ejerce inuencia
signicativa en la motivación y el autoconcepto académico.
Palabras clave: rendimiento académico, desempeño docente, autoconcepto académico, rendimiento
pasado, modelo de ecuaciones estructurales
197
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
Abstract
The general objective of the research is to validate the t of a proposed structural equation model
explaining the academic performance of students in the UNALM General Statistics course in the 2023-
I semester, using the multivariate statistical technique of structural equation modeling. The factors
were considered: Academic performance, past performance, motivation, teaching performance and
academic self-concept. The research is quantitative in scope, applied, at a correlational-causal level
and with a non-experimental, cross-sectional design. The sample was 208 students who took the
General Statistics course in the 2023-I semester. The research concludes that the proposed model
presents a good t, that the past performance factor exerts a signicant inuence on academic
performance, that the factors motivation, teaching performance and academic self-concept do not
have a signicant inuence on academic performance and that the performance factor teaching is a
factor that exerts a signicant inuence on motivation and academic self-concept.
Keywords: academic performance, teaching performance, academic self-concept, past performance,
structural equation model
1. Introducción
El rendimiento académico o desempeño
académico es un indicador que permite medir
el logro del aprendizaje y ayuda a determinar
mediante un calicativo si el estudiante dispone
de los conocimientos o competencias necesarias
para aprobar un determinado curso. En el caso
de las instituciones de educación superior, es
uno de los principales indicadores de la calidad
educativa y constituye un tema de investigación
de gran interés en el ámbito educativo.
Inicialmente, las investigaciones sobre el
rendimiento académico en las universidades
centraron su atención en la identicación de los
factores que la explican, pero no consideraron
sus interrelaciones. De acuerdo con la literatura,
son diversos los factores que inuyen en el
rendimiento académico de los estudiantes
universitarios en el proceso de aprendizaje-
enseñanza. Además de las clásicas variables
sociodemográcas, se incorporan variables
de tipo personal, psicológicas, sociales e
institucionales. Sin embargo, de acuerdo con
diversas teorías del aprendizaje, estas no
actúan de manera directa sobre el desempeño
académico, sino de forma indirecta a través del
proceso de aprendizaje.
En la actualidad, los estudios han integrado
estas teorías con el n de comprender su
naturaleza compleja y multivariante. En estos,
se destaca la característica estructural o de
interdependencia de variables que explica el
rendimiento académico en las universidades.
Albán y Calero (2017) señalaron que el
factor motivacional incentiva el aprendizaje y el
esfuerzo para conseguir los objetivos educativos
y esto se reeja en el rendimiento académico.
Asimismo, Ryan y Deci (2000) indicaron que
la teoría de la autodeterminación identica
distintos tipos de motivación, los cuales inuyen
en el aprendizaje y otros aspectos de la persona.
De acuerdo con estas armaciones, se puede
establecer que el factor motivación inuye en el
rendimiento académico.
Además, Albán y Calero (2017)
consideraron que el rendimiento pasado está
relacionado con el aprendizaje del alumno y
que si, en su trayectoria académica, el alumno
no ha tenido un adecuado desempeño; entonces,
en el futuro, se espera que continúe siendo
no adecuado. Asimismo, Gamboa y Zuñiga
(2021), en una de las conclusiones a las que
llegaron en su investigación, indicaron que el
promedio ponderado semestral del ciclo anterior
tiene importancia para predecir el rendimiento
académico. Estas armaciones señalan que el
rendimiento pasado es un factor explicativo del
rendimiento académico.
Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento académico en el curso de Estadística General
de la Universidad Nacional Agraria La Molina
198
Julio - Diciembre 2023
Por su parte, Germania et al. (2021)
armaron que la metodología de enseñanza es
un factor que, si se realiza en forma adecuada,
conlleva un mejor rendimiento académico.
Además, Garbanzo (2013) mencionó que otro
factor importante en el rendimiento académico
es la inuencia del desempeño docente en la
función docencia por la forma como administra
los recursos didácticos, estrategias de enseñanza
y sistema de evaluación utilizado. De acuerdo
con estas armaciones, se puede establecer
que el factor desempeño docente inuye en el
rendimiento académico.
Adicionalmente, Acuña (2019) señaló
que existe una relación signicativa entre
el desempeño del docente y la motivación
académica de los estudiantes. Esta armación
evidencia que los factores desempeño docente y
motivación están relacionados.
Germania et al. (2021) consideraron que
el rendimiento académico aumenta cuando el
estudiante se siente capaz de responder con
éxito los objetivos académicos de un curso, es
decir, si tiene un autoconcepto positivo de sí
mismo. Esta armación evidencia que el factor
autoconcepto académico es un factor explicativo
del rendimiento académico. Asimismo, Muelas
(2013) armó que el factor docente es importante
para aumentar el autoconcepto del estudiante.
Esto indica que aquel inuye en el autoconcepto
del estudiante.
En precisión, el modelo de ecuaciones
estructurales que se propone para explicar el
rendimiento académico de los estudiantes del
curso Estadística General se sustenta en las
relaciones planteadas en las investigaciones
referenciadas. El propósito de la investigación es
formular una propuesta de modelo de ecuaciones
estructurales que explique el rendimiento
académico de los estudiantes en el curso de
Estadística General de la Universidad Nacional
Agraria La Molina (UNALM) matriculados en
el semestre académico 2023-I.
Esta investigación se justica porque, en las
universidades, se necesita comprender con mayor
amplitud cómo se interrelacionan los factores
que afectan el desempeño de los estudiantes
en el curso de Estadística General para que, a
partir de esta comprensión, se puedan diseñar
e implementar propuestas de mejora al proceso
aprendizaje-enseñanza de este curso. Además,
los profesores del Departamento Académico de
Estadística e Informática (DAEI), a cargo de su
dictado, podrán diseñar estrategias especícas
para mejorar la calidad de la enseñanza.
El objetivo general es validar el ajuste del
modelo de ecuaciones estructurales que explique
el rendimiento académico de los estudiantes en
el curso de Estadística General de la UNALM.
Los objetivos especícos consisten en evaluar
la signicancia de las relaciones planteadas y
hallar los indicadores de bondad de ajuste.
Finalmente, el problema de investigación se
plantea en forma de la siguiente interrogante:
¿cuál es el ajuste del modelo de ecuaciones
estructurales que explique el rendimiento
académico de los estudiantes en el curso de
Estadística General de la UNALM?
2. Bases Teóricas
Factores asociados con el rendimiento
académico universitario
Existen múltiples factores que afectan
al rendimiento académico universitario.
De acuerdo con ello, su consideración en
las investigaciones depende del enfoque en
particular que adopte el estudio y su ámbito de
aplicación.
En este sentido, Garbanzo (2007) señaló
que el rendimiento académico es multicausal
y que existen diversos factores asociados con
el rendimiento académico universitario como
la competencia cognitiva, la motivación, el
autoconcepto académico, la asistencia a clases,
la inteligencia, entre otros. Además, Mora
(2015) mencionó que las variables explicativas
pueden ser del entorno económico, familiar,
del propio ámbito educativo universitario, o
también de los docentes. Asimismo, precisó que
habitualmente se usa como variable dependiente
el rendimiento académico de los estudiantes.
199
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
Motivación
Un factor importante en el ámbito educativo
universitario es la motivación. Su carencia en los
estudiantes puede perjudicar el cumplimiento del
logro de los objetivos propuestos en el proceso
de aprendizaje-enseñanza. Esto ocasiona en los
estudiantes un menor rendimiento y, en ciertos
casos, la deserción o el abandono de los estudios.
Al respecto, Durán et al. (2021) indicaron que
la motivación se relaciona con los propósitos
que hay al iniciar una actividad y con la
conducta que se debe tener para llegar a esos
propósitos. Germania et al. (2021) consideraron
que la motivación es un factor importante
en el proceso educativo, debido a que es un
aliciente para que el alumno estudie y obtenga
un positivo resultado académico. Por su parte,
Ryan y Deci (2000) señalaron que la motivación
puede ser inuenciada por diversos factores,
ya que puede surgir por una valoración de
la actividad o una presión por ejercerla, por
intereses, por un compromiso, entre otros
factores. Finalmente, Vallerand et al. (1992)
consideraron que la motivación tiene siete
dimensiones: amotivación, regulación externa,
regulación introyectada, regulación identicada,
motivación intrínseca al conocimiento,
motivación intrínseca al logro y motivación
intrínseca a las experiencias estimulantes.
Desempeño docente
El desempeño docente reere a la actuación
satisfactoria del enseñante en todos los ámbitos
de su quehacer académico en la universidad.
Para ello, el docente debe tener capacidad
reexiva frente a la realidad cambiante de
forma que pueda brindar a los estudiantes las
herramientas para que ellos puedan construir
sus conocimientos adaptándolos a su realidad
cambiante.
Sigüenza (2021) mencionó que el
desempeño docente consiste en actividades que
incluyen la práctica pedagógica centrada en el
proceso de enseñanza-aprendizaje, y también
es un proceso para compartir con las personas
conocimientos teóricos y prácticos haciendo uso
de la pedagogía y didáctica sin perder de vista
lo que se es como persona y los conocimientos
profesionales. Por otra parte, Barrera et al.
(2019) indicaron que el desempeño docente está
inuenciado por factores como la formación
profesional del docente y su estado físico
y mental, la formación del estudiante y su
estado, así como otros factores agrupados en
institucionales y socioculturales.
Rendimiento académico
En el ámbito educativo, es importante conocer
el grado del logro o avance de los estudiantes,
el cual se puede cuanticar mediante una
calicación, que es uno de los diversos insumos
para evaluar el proceso de aprendizaje-
enseñanza.
Albán y Calero (2017) señalaron que el
rendimiento académico es lo que un estudiante
ha aprendido, el nivel que ha alcanzado debido
al proceso educativo, de instrucción o de
formación. Germania et al. (2021) mencionaron
que es un indicador establecido por el grado de
los conocimientos alcanzados y en base al cual
se cuantica el éxito o fracaso de los estudiantes;
asimismo su valoración es de tipo cuantitativa.
Por su parte, Garbanzo (2013) opinó que el
rendimiento académico es el valor del logro del
desempeño académico del estudiante y que las
notas que representan los logros del aprendizaje
son sus indicadores. Hernández y Arreola
(2021) indicaron que el rendimiento académico
se relaciona con el grado de conocimiento que
tiene un alumno y que es medido mediante
un examen. Además, en él intervienen otros
factores como los intelectuales y los asociados
a la personalidad.
Autoconcepto académico
El autoconcepto está referido a la percepción
que un estudiante tiene de sí mismo. Esto
puede ocurrir en diversos ámbitos: el social,
el físico, el académico, entre otros. El que se
relaciona más con el rendimiento académico es
el autoconcepto académico.
Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento académico en el curso de Estadística General
de la Universidad Nacional Agraria La Molina
200
Julio - Diciembre 2023
García y Musitu (2001) hicieron referencia
a que el autoconcepto académico es la
percepción que la persona tiene de su rol como
estudiante, por ejemplo, la percepción a través
de sus profesores o de cualidades como la
inteligencia. Por otro lado, para Garbanzo
(2007), el autoconcepto académico reere a las
percepciones y creencias que una persona tiene
de sí misma. Estas se relacionan fuertemente
con la motivación del estudiante.
Rendimiento anterior o pasado
El rendimiento académico de un estudiante
depende de muchos factores. Uno de ellos es
el que se relaciona con el rendimiento previo o
pasado del estudiante, ya sea en cursos previos
o incluso en su recorrido académico en la etapa
escolar.
Finalmente, para Albán y Calero (2017), el
rendimiento anterior o pasado es una variable
que está relacionada con el aprendizaje del
alumno. Esto se puede complementar con
Rodríguez (2007), que lo pone como una
variable académica y que, además, menciona
que el rendimiento previo es el mejor factor
explicativo sin importar qué tan complejo sea el
modelo considerado.
3. Metodología
Alcance, tipo, nivel y diseño de la investigación
La investigación es de alcance cuantitativo, de
tipo aplicado, de nivel correlacional-causal y de
diseño no experimental de carácter transversal.
Población y muestra
La población estuvo constituida por 395
estudiantes del curso de Estadística General
correspondiente a 10 grupos horario.
Vargas y Mora-Esquivel (2017) indicaron que
existen diversos de criterios para la estimación
del tamaño de muestra. Al no haber una guía
exacta, plantearon una guía práctica para usar
estos criterios a través de la planicación a priori
de modelos de medida y modelos estructurales.
Además, para Wolf et al. (2013) las reglas para
usar un tamaño de muestra no son jas y las
reglas generales no son sucientes. Por eso,
utilizaron técnicas de simulación de Monte
Carlo para analizar los criterios que se usan
comúnmente sobre el tamaño de muestra en los
modelos de ecuaciones estructurales y evaluar
cómo cambian estos tamaños de muestra debido
a los elementos del modelo.
Para determinar el tamaño óptimo de la
muestra, se utilizó la siguiente fórmula, que
considera una población de tamaño conocido,
un nivel de conanza de 95% y un error de
estimación de ± 4.7%
Donde:
• 1 - α = nivel de conanza
• p = probabilidad de éxito
• q = probabilidad de fracaso
• d = error de estimación
• N = tamaño de la población
• n = tamaño de la muestra
1 - α = 0.95 → Z = 1.96
d = 0.047
n = 208 estudiantes
El método de muestreo probabilístico
utilizado fue el estraticado de tipo proporcional.
Se consideraron como criterio de estraticación
los 10 grupos horarios. En la Tabla 1, se muestran
los factores y variables que se han usado en el
modelo propuesto.
201
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
Tabla 1
Factores y variables del modelo
Factores Variables
: Rendimiento académico Y1: Nota nal
: Motivación Y2: Regulación externa
Y3: Regulación introyectada
Y4: Regulación identicada
Y5: Motivación intrínseca al conocimiento
Y6: Motivación intrínseca al logro
Y7: Motivación intrínseca a las experiencias estimulantes
: Autoconcepto académico Y8: Autoconcepto académico del estudiante
: Rendimiento pasado X1: Promedio ponderado acumulado
: Desempeño docente X2: Planicación y dominio del curso
X3: Métodos y recursos pedagógicos
X4: Responsabilidades del docente
X5: Evaluación
X6: Motivación y relación con los alumnos
Estadística General. Esta información se obtuvo
de las actas de notas correspondientes.
Técnicas de procesamiento y análisis de datos
Las técnicas de procesamiento de datos
utilizados en la investigación fueron el lenguaje
de programación R y el paquete lavaan. La
técnica aplicada para el análisis de los datos fue
el modelo estadístico del modelo de ecuaciones
estructurales.
4. Resultados y discusión
La conabilidad de los instrumentos utilizados
se vericó con el coeciente Alfa de Cronbach.
En la Tabla 2, se presentan los coecientes
de conabilidad Alfa de Cronbach para los
cuestionarios que miden los factores motivación,
desempeño docente y autoconcepto académico.
Tabla 2
Alfa de Cronbach
Motivación 0.914
Desempeño docente 0.959
Autoconcepto académico 0.781
Técnicas e instrumentos de recolección de
datos
La encuesta fue la técnica empleada para la
recolección de los datos correspondientes a los
factores motivación, autoconcepto académico y
desempeño docente, y para la observación de los
factores rendimiento académico y rendimiento
pasado. Se utilizó como instrumento de medición
de la motivación la modicación de la Escala de
Motivación Educativa (EME-E) compuesta por
28 preguntas que miden 7 dimensiones en una
escala de Likert del 1 al 9. Asimismo, para la
medición del factor autoconcepto académico,
se empleó la modicación de la Escala de
Autoconcepto Forma 5 (AF-5) en la sección que
corresponde a esta dimensión, compuesta de
tres preguntas en una escala de Likert del 1 al 9.
Además, para la medición del factor desempeño
docente, se empleó la Encuesta Estudiantil de
la UNALM compuesta por 20 preguntas que
evalúan cinco dimensiones en una escala de
Likert del 1 al 9. Adicionalmente, para medir
el factor rendimiento pasado de los estudiantes,
se utilizó el promedio ponderado acumulado en
una escala vigesimal, la cual fue provista por la
Dirección de Estudios y Registros Académicos.
Finalmente, para medir el factor rendimiento
académico, se utilizaron las notas nales en una
escala vigesimal de los estudiantes del curso de
Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento académico en el curso de Estadística General
de la Universidad Nacional Agraria La Molina
202
Julio - Diciembre 2023
Los cuestionarios de motivación y
desempeño docente, por tener valores de
conabilidad Alfa de Cronbach mayores a 0.90,
fueron considerados en la categoría de excelente.
Asimismo, al cuestionario de autoconcepto
académico por tener un valor en el rango 0.7 a
0.8, se le considera aceptable.
Etapas del modelo de ecuaciones estructurales
La metodología del modelo de ecuaciones
estructurales consta de cinco etapas: (i)
especicación del modelo, (ii) identicación
del modelo, (iii) estimación del modelo, (iv)
evaluación de la calidad del ajuste del modelo y
(v) interpretación del modelo propuesto.
Especicación del modelo
En la Figura 1, se muestra el modelo
propuesto de ecuaciones estructurales con las
interrelaciones de los factores que explican el
rendimiento académico de los estudiantes del
curso de Estadística General en la UNALM.
El factor rendimiento académico depende de la
inuencia de los factores rendimiento pasado,
autoconcepto académico, desempeño docente
y motivación. Por otro lado, los factores
motivación y autoconcepto académico dependen
del factor desempeño docente. Se aprecia que la
motivación se mide por medio de seis dimensiones
(regulación externa, regulación introyectada,
regulación identicada, motivación intrínseca
al conocimiento, motivación intrínseca al logro
Figura 1
Modelo de ecuación estructural propuesto
203
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
y motivación intrínseca a las experiencias
estimulantes); y el desempeño docente, a través
de cinco dimensiones (planicación y dominio
del curso, métodos y recursos pedagógicos,
responsabilidades del docente, evaluación,
motivación y relación con los alumnos).
Identicación del modelo
Se pudo vericar que el modelo de ecuaciones
estructurales se estimó correctamente, debido
a que no hubo mensajes de advertencia en la
salida del software R y tampoco indicios de
problemas de identicación.
Estimación del modelo
En la Tabla 3, se puede observar que los datos
no cumplen con el supuesto de normalidad
multivariada (p-value = 0.000 < α = 0.05). Por
ello, al evaluar el ajuste del modelo, se utilizó
la estadística de prueba escalada de Satorra
Bentler.
Tabla 3
Prueba de normalidad multivariada
Test HZ p value MVN
1 Henze-Zirkler 1.241177 0 NO
Nota: Diseñado con la salida del programa R
Los errores estándar fueron corregidos
para garantizar la robustez del modelo. Luego
del proceso de selección de los registros, se
consideraron 208 registros para el análisis de
los datos.
Evaluación de la calidad del ajuste del modelo
La teoría indica que la evaluación de la calidad
de ajuste del modelo de ecuaciones estructurales
se inicia con la prueba Chi Cuadrado, pero
que, debido al incumplimiento del supuesto
de normalidad multivariada, se debe utilizar el
indicador obtenido como la ratio Chi Cuadrado
Robusto entre los grados de libertad. Si el valor
de este indicador es menor a tres, se considera
aceptable. La evaluación de la calidad del ajuste
del modelo continuó con los siguientes criterios:
GFI, RMSEA, SRMR, CFI, TLI y AGFI.
En la Tabla 4, se observa que el ratio del
Chi-Cuadrado Robusto entre los grados de
libertad resultó de 166.159/73=2.28, el cual es
aceptable al ser menor a tres. Luego, se procede
al cálculo de los criterios de la calidad de ajuste
del modelo.
Tabla 4
Medida de ajuste absoluto Chi-Cuadrado
Model Test User Model:
Standard Robust
Test Statistic 221.211 166.159
Degrees of freedom 73 73
P-value (Chi-square) 0.000 0.000
Scaling correction factor 1.331
Satorra-Bentler correction
Nota: Diseñado con la salida del programa R.
Asimismo, en la Tabla 5, se presentan en
forma conjunta los criterios de medidas de
ajuste absoluto: GFI, RMSEA y SRMR. El
valor del GFI de 0.871, al ser cercano a 0.90,
indica que el modelo tiene un mediano ajuste;
el del RMSEA robusto, de 0.090, está un poco
alejado del rango aceptable de < 0.05 - 0.08 >,
por lo que se concluyó que es medianamente
aceptable; y el de SRMR robusto, de 0.096, es
un poco mayor a 0.08, por lo que se concluyó
que tiene un ajuste medianamente aceptable.
Tabla 5
Medidas de ajuste absoluto GFI, RMSEA y
SRMR
GFI 0.871
RMSEA robusto 0.090
SRMR robusto 0.096
Nota: Diseñado con la salida del programa R.
Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento académico en el curso de Estadística General
de la Universidad Nacional Agraria La Molina
204
Julio - Diciembre 2023
En la Tabla 6, se muestran las medidas de
ajuste incremental que también permiten evaluar
el ajuste del modelo. El valor del CFI robusto de
0.914 se encuentra dentro del rango aceptable
[0.90 - 0.95]; entonces, el ajuste es aceptable.
El valor del TLI robusto de 0.893, al ser muy
cercano al valor límite del rango aceptable que
es 0.90, se considera que tiene un buen ajuste;
y el de AGFI, de 0.814, al ser cercano al valor
límite del rango aceptable que es mayor o igual
0.90, se considera medianamente aceptable.
Tabla 6
Medidas de ajuste incremental CFI, TLI y AGFI
CFI robusto 0.914
TLI robusto 0.893
AGFI 0.814
Nota: Diseñado con la salida del programa R.
Interpretación del modelo propuesto
En la Tabla 7, se comprueba que el factor
rendimiento pasado (rendimient_psd) es el
mejor predictor del rendimiento académico
(rendimiento_curso) en el curso de Estadística
General, debido a que la prueba de hipótesis
resulta altamente signicativa (p-value = 0.000
< α = 0.01) y que los factores motivación
del estudiante (motivación_est), desempeño
docente (d_docente) y autoconcepto académico
(autoconcepto_c) no son buenos predictores,
debido a que, en las pruebas de hipótesis
respectivas, resultan no signicativas (p-value =
0.202, p-value = 0.083, p-value=0.286, α=0.01).
También, se verica que el factor desempeño
docente incide sobre la motivación del estudiante
y su autoconcepto académico (p-value = 0.000,
p-value = 0.001, α=0.01).
En el proceso de comprobación de las
hipótesis planteadas en el modelo de ecuaciones
estructurales propuesto, se verica que el
rendimiento académico de los estudiantes en
el curso de Estadística General es afectado
de forma signicativa únicamente por el
factor rendimiento pasado y que los factores
motivación, desempeño docente y autoconcepto
no lo afectan en forma signicativa. También,
se comprueba la hipótesis del modelo propuesto
de ecuaciones estructurales en cuanto a
que el desempeño docente ejerce inuencia
sobre los factores motivación y autoconcepto
académico. Este resultado se puede explicar
porque la actuación docente dentro del
proceso aprendizaje-enseñanza es un elemento
importante para despertar la motivación
intrínseca y extrínseca de los estudiantes, y es
clave para fortalecer el autoconcepto académico.
Frente a estos resultados, es necesario que
las autoridades de la UNALM implementen
programas de capacitación docente conducentes
a promover la motivación de los estudiantes.
Además, es necesaria la formación de un
autoconcepto académico que les permita
fortalecer su apreciación sobre sus habilidades
Tabla 7
Signicancia del modelo estructural
Regressions:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
rendimiento_curso ~
motivacion_est -0.098 0.077 -1.276 0.202 -0.084 -0.084
d_docente 0.150 0.087 1.731 0.083 0.117 0.117
rendimient_psd 0.794 0.101 7.890 0.000 0.617 0.617
autoconcepto_c 0.078 0.073 1.067 0.286 0.063 0.063
motivacion_est ~
d_docente 0.464 0.080 5.765 0.000 0.421 0.421
autoconcepto_ac ~
d_docente 0.254 0.078 3.239 0.001 0.246 0.246
Nota: Diseñado con la salida del programa R.
205
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
y capacidades para afrontar con éxito la tarea
de aprender, así como mejorar el desempeño
de los profesores en el ejercicio de la función
denominada «docencia universitaria».
En la Figura 2, se muestra el modelo
propuesto estimado de ecuaciones estructurales
que tiene las interrelaciones de los factores
que explican el rendimiento académico de los
estudiantes del curso de Estadística General en
la UNALM y que incluye la estimación de los
coecientes de interés del modelo.
5. Conclusiones
A partir del estudio, se establecen las siguientes
conclusiones:
Figura 2
Gráca del modelo propuesto estimado
1. El modelo propuesto de ecuaciones
estructurales obtuvo indicadores de validez
que se ubicaron dentro del rango de
medianamente aceptables a aceptables; por
lo tanto, el modelo presenta un buen ajuste.
2. El factor rendimiento pasado ejerce
inuencia signicativa en el rendimiento
académico de los estudiantes del curso
de Estadística General a diferencia de los
factores motivación, desempeño docente y
autoconcepto académico, que no llegaron
a ejercer inuencia signicativa sobre el
rendimiento académico.
3. El desempeño docente es un factor que ejerce
inuencia signicativa en la motivación y el
autoconcepto académico de los estudiantes
del curso de Estadística General.
Propuesta de un modelo de ecuaciones estructurales que explica el rendimiento académico en el curso de Estadística General
de la Universidad Nacional Agraria La Molina
206
Julio - Diciembre 2023
6. Recomendaciones
A partir del estudio, se proponen las siguientes
recomendaciones:
1. Se recomienda implementar programas
de capacitación docente que permitan
afrontar con éxito tres aspectos importantes
del proceso de aprendizaje-enseñanza:
mejorar la motivación tanto intrínseca
como extrínseca; fortalecer el autoconcepto
académico de los estudiantes para aumentar
su apreciación sobre sus habilidades y
capacidades a n de afrontar con éxito la
tarea de aprender; y, por último, mejorar el
desempeño de los profesores en el ejercicio
de la función «docencia universitaria».
2. Se recomienda implementar programas
especícos de capacitación docente para
dotar a los profesores de la UNALM
de nuevas estrategias de aprendizaje-
enseñanza, ya que su desempeño docente
tiene un impacto signicativo sobre la
motivación y el autoconcepto académico de
los estudiantes.
Conicto de intereses
El autor no incurre en conictos de intereses.
Rol de los autores
RJSV: Conceptualización, Investigación,
Escritura-Preparación del borrador original,
Redacción-revisión y edición.
FRRV: Conceptualización, Investigación,
Escritura-Preparación del borrador original,
Redacción-revisión y edición.
Fuentes de nanciamiento
Esta investigación no recibió ninguna
subvención especíca de ninguna agencia de
nanciación, sector gubernamental ni comercial
o sin nes de lucro.
Aspectos éticos / legales:
Los autores declaran no haber incurrido en
aspectos antiéticos ni haber omitido normas
legales.
ORCID y correo electrónico
Rolando Jesús
Salazar Vega rsalazar@lamolina.edu.pe
https://orcid.org/0000-0002-5876-8560
Fernando René
Rosas Villena frosas@lamolina.edu.pe
https://orcid.org/0000-0002-4992-4971
Referencias bibliográcas
Acuña, W. (2019). El desempeño docente y la
motivación académica en los estudiantes
de la Universidad Peruana de Ciencias
Aplicadas 2018 [Tesis de maestría,
Universidad César Vallejo]. Archivo
digital. https://repositorio.ucv.edu.pe/
bitstream/handle/20.500.12692/31256/
Acu%C3%B1a_GWN.
pdf?sequence=4&isAllowed=y
Albán,J., & Calero, J.(2017). El rendimiento
académico: aproximación necesaria a
un problema pedagógico actual. Revista
Conrado, 13(58), 213-220. https://
conrado.ucf.edu.cu/index.php/conrado/
article/download/498/532/0
Barrera, J., Gonzalo, K., & Zenteno, E. (2019).
Desempeño docente y rendimiento
académico en los estudiantes de la
Universidad Nacional Daniel Alcides
[Tesis de maestría, Universidad
Continental]. Archivo digital. https://
repositorio.continental.edu.pe/
bitstream/20.500.12394/7219/3/IV_
PG_MEMDES_TE_Barrera_Gonzalo_
Zenteno_2019.pdf
Durán, C., Casadiegos, M., & Carrascal, A.
(2021). Motivación en estudiantes
universitarios como factor generador
de la calidad en educativa. Revista
Boletín Redipe, 10( 1 3 ) , 4 4 3 – 4 5 4 .
https://doi.org/10.36260/rbr.v10i13.1758
Gamboa, J., & Zuñiga, A.(2021). Modelos de
minería de datos aplicados al rendimiento
académico universitario: Educación
207
Salazar, R., & Rosas, F. (2023). Tierra Nuestra, 17(2), 196-207. DOI. https://doi.org/10.21704/rtn.v17i2.2043
Julio - Diciembre 2023
virtual durante pandemia COVID-19.
Tierra Nuestra. 15(1), 18-28. http://
dx.doi.org/10.21704/rtn.v15i1.1812
Garbanzo, G. (2007). Factores asociados al
rendimiento académico en estudiantes
universitarios, una reexión desde la
calidad de la educación superior pública.
Revista Educación, 31(1), 43-63. https://
www.redalyc.org/pdf/440/44031103.pdf
Garbanzo, G. (2013). Factores asociados
al rendimiento académico en
estudiantes universitarios desde el
nivel socioeconómico: Un estudio en
la Universidad de Costa Rica. Revista
Electrónica Educare, 17(3), 57-87. https://
www.scielo.sa.cr/scielo.php?script=sci_
arttext&pid=s1409-42582013000300004
García, F., & Musitu, G.(2001). Autoconcepto
Forma 5. TEA ediciones
Germania, B., Martínez, J., Barreno, S., &
Haro, O.(2021). Factores asociados al
rendimiento académico: Un estudio
de caso. Revista Educare,23(3)
http://portal.amelica.org/ameli/
journal/375/3752842004/html/
Hernández. E., & Arreola, G. (2021). El
rendimiento académico y su relación
con algunos factores asociados al
aprendizaje en alumnos de educación
superior. http://www.upd.edu.mx/PDF/
Libros/RendimientoAcademico.pdf
Muelas, P. (2013).Inuencia de la variable de
personalidad en el rendimiento académico
de los estudiantes cuando nalizan la
Educación Secundaria Obligatoria (ESO)
y comienzan Bachillerato. Historia
y Comunicación Social,18, 115-126
https://revistas.ucm.es/index.php/HICS/
article/view/44230/41792
Mora, R. (2015).Factores que intervienen en el
rendimiento académico universitario: Un
estudio de caso. Opción,31( 6 ) , 1 0 4 1 - 1 0 6 3
https://www.redalyc.org/
pdf/310/31045571059.pdf
Rodríguez, M. (2007). Análisis multivariado
del desempeño académico de
estudiantes universitarios de Química
[Tesis de doctorado, Universidad
Autónoma de Madrid] https://
repositorio.uam.es/bitstream/
handle/10486/1800/5491_rodriguez_
ayan.pdf?sequence=1&isAllowed=y
Ryan, R., & Deci, E. (2000). La Teoría d la
Autodeterminación y la facilitación de la
motivación intrínseca, el desarrollo social,
y el bienestar. American Psychologist,
55(1), 68-78. http://www.davidtrotzig.
com/uploads/articulos/2000_ryandeci_
spanishampsych.pdf
Sigüenza, R. (2021). El Desempeño docente:
Bases Teóricas que fundamentan los
Elementos Para su Evaluación. Revista
Diálogo Interdisciplinario sobre
Educación, 3(2), 126-137 https://revistas.
ues.edu.sv/index.php/redised/article/
download/2488/2484/6100
Vallerand, R., Pelletier, L.. & Blais, M.
(1992). The academic motivation scale:
a measure of intrinsic, extrinsic, and
amotivation in education. Educational
and Psychological Measurement,52
https://www.researchgate.net/
publication/209836138_The_Academic_
Motivation_Scale_A_Measure_of_
Intrinsic_Extrinsic_and_Amotivation_
in_Education
Vargas, & Mora-Esquivel. (2017). Tamaño de
la muestra en modelos de ecuaciones
estructurales con constructos latentes: Un
método práctico. Revista actualidades
investigativas en educación, 17( 1 )
https://doi.org/10.15517/aie.v17i1.27294
Wolf, E., Harrington, K., Clark, S., & Miller,
M.(2013). Sample Size Requirements
for Structural Equation Models: An
Evaluation of Power, Bias, and Solution
Propriety. Educational and psychological
measurement, 76(6), 913–934. https://
doi.org/10.1177/0013164413495237