74Alexander Expósito Lara, et al.Vol. 16 Número 1 2025
RESUMEN
ABSTRACT
Logistic regression model in the professional qualification process
MODELO DE REGRESIÓN LOGÍSTICO EN EL PROCESO DE HABILITACIÓN
PROFESIONAL
(1) Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador.EC060155. www.espoch.edu.ec.Facultad de Salud Pública, Carrera de Medicina.
Autor de correspondencia:
Dr. Alexander Expósito Lara; Escula Superior Politécnica de Chimborazo,Panamericana Sur Km 1 1/2 Riobamba, Ecuador, EC060155, Correo electrónico: expositolaraalexander@yahoo.
com, Teléfono: 0998753813
Introducción: La educación moderna enfrenta desafíos importantes, como identificar variables que influyen en el rendimiento académico.
Objetivo: Determinar variables predictivas en el proceso de habilitación profesional mediante un modelo de regresión logística binaria.
Metodología: Investigación con diseño mixto de cohorte prospectivo con una muestra de 119 estudiantes de la Escuela Superior Politécnica
del Chimborazo. Se aplicó un examen de Prehabilitación con 80 preguntas, considerando 70 puntos o más como variable dependiente, y
una encuesta online para explorar variables independientes. El análisis de datos se realizó con IBM SPSS Statistics versión 26.0. Resultados:
Solo el 6.72% de los estudiantes aprobaron el examen de Prehabilitación. La variable predictiva principal fue "Horas de estudio" (p = 0.003),
indicando que se requieren 13 horas de estudio para alcanzar 70 puntos. El 96% de los estudiantes consideró útiles las capacitaciones, y el
86% aprobó el examen final de habilitación profesional. Discusión: El modelo de regresión logística binaria permitió evaluar la influencia de
diversas variables en el rendimiento académico. Los resultados mostraron significancia estadística, destacando la importancia de las horas
de estudio como factor clave en el desempeño estudiantil. Conclusiones: El modelo de regresión logística binaria es una herramienta eficaz
para identificar y medir el impacto de variables predictivas, permitiendo diseñar estrategias de intervención para mejorar los resultados en
el proceso del ejercicio de Habilitación Profesional.
Palabras claves. Modelo de regresión logística binaria, Prehabilitación, Habilitación.
Introduction: Modern education faces significant challenges. These include identifying variables that influence academic performance.
Objective: To determine predictive variables in the professional qualification process using a binary logistic regression model. Methodology:
A mixed-methods prospective cohort study was conducted with a sample of 119 students from the Escuela Superior Politécnica del
Chimborazo. The students were given a prehabilitation exam consisting of 80 multiple-choice questions, with 70 points or more considered
the dependent variable. An online survey was used to explore the independent variables. Data analysis was performed using IBM SPSS
Statistics version 26.0. Results: Only 6.72% of the students passed the Prehabilitation exam. The main predictive variable was "Study hours"
(p = 0.003), indicating that 13 hours of study are required to achieve 70 points. Furthermore, 96% of the students found the training sessions
useful, and 86% passed the final professional qualification exam. Discussion: The binary logistic regression model enabled the influence of
various variables on academic performance to be evaluated. The results were statistically significant (ANOVA, p = 0.003), emphasising the
importance of study hours as a key factor in student performance. Conclusions: The binary logistic regression model is an effective tool for
identifying and measuring the impact of predictive variables. This allows intervention strategies to be designed to improve outcomes in the
professional qualification process.
Keywords: Binary logistic regression model, Prehabilitation, Qualification.
ORIGINAL Historial del artículo: Recibido: 29/10/2024 · Aceptado: 24/06/2025 · Publicado: 26-07-2025
https://cssn.espoch.edu.ec DOI: https://doi.org/10.47187/cssn.Vol16.Iss1.419
iD iDAlexander Expósito Lara ⁽¹⁾ María Teresa Díaz Armas ⁽¹⁾ *
expositolaraalexander@yahoo.com maria.diaz@espoch.edu.ec
iD Montero López Izaida Lis ⁽¹⁾
izaida.montero@espoch.edu.ec
75MODELO DE REGRESIÓN LOGÍSTICO EN EL
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
La educación moderna enfrenta múltiples desafíos,
y uno de los más cruciales es identificar las variables
que influyen en el rendimiento académico de los
estudiantes. Este aspecto resulta especialmente
relevante en evaluaciones de alta importancia,
como el Examen de Habilitación Profesional,
cuyo desempeño puede ser determinante para
el futuro profesional de los aspirantes. En este
sentido, el uso de modelos estadísticos como
la regresión logística binaria permite no solo
predecir el resultado de estas evaluaciones, sino
también identificar los factores clave que los
afectan. Estudios previos han demostrado que
variables como las horas de estudio, la cantidad y
calidad del sueño, y la motivación pueden influir
significativamente en el rendimiento académico
(1,3).
El presente estudio adopta un diseño de cohorte
prospectiva para analizar una muestra de 119
estudiantes de la Escuela Superior Politécnica
del Chimborazo. Se aplicó un examen de
Prehabilitación y una encuesta para explorar cinco
variables independientes: horas de estudio, horas
de sueño, sueño reparador, mapas conceptuales
y motivación. Este enfoque ha sido respaldado
por investigaciones que confirman la efectividad
de los modelos de regresión logística en la
educación para identificar factores predictivos
clave (18,19), estos estudios han mostrado que
estas herramientas pueden aportar información
valiosa para mejorar la intervención educativa y
apoyar el éxito académico de los estudiantes.
Además, la regresión logística es particularmente
útil cuando se trabaja con variables dependientes
categóricas, como la aprobación o desaprobación
de un examen, y ha sido aplicada en diversas
investigaciones para analizar factores asociados
con el éxito académico. Autores han empleado
este modelo (8,9) en sus estudios para analizar
el rendimiento académico de estudiantes en
contextos educativos específicos, llegando a
conclusiones útiles sobre la relación entre el
esfuerzo académico y los resultados obtenidos. En
la misma línea, otros estudios (2,4,5), destacan que
la calidad de los recursos educativos y el tiempo
dedicado al estudio son predictores fuertes del
éxito académico.
Finalmente, el uso de herramientas como IBM
SPSS para procesar y analizar los datos facilita la
identificación de los coeficientes de correlación
y los Odds Ratios, lo que nos permite extraer
conclusiones significativas de las variables que
1. Introducción impactan el rendimiento académico. Estos
análisis no solo sirven para predecir resultados,
sino que también proporcionan una base sólida
para la intervención pedagógica, mejorando así
los futuros resultados del Examen de Habilitación
Profesional. La identificación de estas variables
permitirá implementar capacitaciones y estrategias
educativas focalizadas, incrementando así las
posibilidades de éxito académico (6,7).
¿Ayudará el Modelo de regresión logístico binario
en identificar las variables independientes que
pudieran estar influenciando en el resultado del
examen de Habilitación Profesional?
Es la intención de este estudio demostrar la
aplicación del modelo y su utilización como
instrumento para mejorar la toma de decisiones
y calidad en el proceso de Habilitación Profesional.
Evaluar las variables de alto impacto en el proceso
de rendimiento académico, así como ajustar las
probabilidades de éxito.
Investigación de diseño mixto con análisis
cuantitativo y cualitativo, de cohorte prospectivo,
basada en la aplicación del modelo de regresión
logístico binario en el proceso educativo. El
objetivo consistió en identificar las variables que
pudieran influir en el resultado final del examen
de Habilitación Profesional.
El presente estudio se llevó a cabo con la cohorte
correspondiente al período mayo 2023-abril
2024 de la Escuela Superior Politécnica del
Chimborazo (ESPOCH), conformada por un total
de 172 estudiantes. De este grupo, se seleccionó
una muestra representativa compuesta por 119
estudiantes internos, cumpliendo con los criterios
de inclusión definidos para el análisis. La muestra
fue determinada considerando la población
objetivo y asegurando la representatividad de los
datos en relación con las variables estudiadas.
2.1 Criterios de inclusión.
a) Pertenecer a la Cohorte de mayo 20223-abril
2024.
b) Haber aprobado el Internado Rotativo.
c) Haber aceptado el consentimiento informado
d) Llenado correcto de la encuesta de
identificación de variables independientes.
2. Metodo
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
La educación moderna enfrenta múltiples desafíos,
y uno de los más cruciales es identificar las variables
que influyen en el rendimiento académico de los
estudiantes. Este aspecto resulta especialmente
relevante en evaluaciones de alta importancia,
como el Examen de Habilitación Profesional,
cuyo desempeño puede ser determinante para
el futuro profesional de los aspirantes. En este
sentido, el uso de modelos estadísticos como
la regresión logística binaria permite no solo
predecir el resultado de estas evaluaciones, sino
también identificar los factores clave que los
afectan. Estudios previos han demostrado que
variables como las horas de estudio, la cantidad y
calidad del sueño, y la motivación pueden influir
significativamente en el rendimiento académico
(1,3).
El presente estudio adopta un diseño de cohorte
prospectiva para analizar una muestra de 119
estudiantes de la Escuela Superior Politécnica
del Chimborazo. Se aplicó un examen de
Prehabilitación y una encuesta para explorar cinco
variables independientes: horas de estudio, horas
de sueño, sueño reparador, mapas conceptuales
y motivación. Este enfoque ha sido respaldado
por investigaciones que confirman la efectividad
de los modelos de regresión logística en la
educación para identificar factores predictivos
clave (18,19), estos estudios han mostrado que
estas herramientas pueden aportar información
valiosa para mejorar la intervención educativa y
apoyar el éxito académico de los estudiantes.
Además, la regresión logística es particularmente
útil cuando se trabaja con variables dependientes
categóricas, como la aprobación o desaprobación
de un examen, y ha sido aplicada en diversas
investigaciones para analizar factores asociados
con el éxito académico. Autores han empleado
este modelo (8,9) en sus estudios para analizar
el rendimiento académico de estudiantes en
contextos educativos específicos, llegando a
conclusiones útiles sobre la relación entre el
esfuerzo académico y los resultados obtenidos. En
la misma línea, otros estudios (2,4,5), destacan que
la calidad de los recursos educativos y el tiempo
dedicado al estudio son predictores fuertes del
éxito académico.
Finalmente, el uso de herramientas como IBM
SPSS para procesar y analizar los datos facilita la
identificación de los coeficientes de correlación
y los Odds Ratios, lo que nos permite extraer
conclusiones significativas de las variables que
1. Introducción impactan el rendimiento académico. Estos
análisis no solo sirven para predecir resultados,
sino que también proporcionan una base sólida
para la intervención pedagógica, mejorando así
los futuros resultados del Examen de Habilitación
Profesional. La identificación de estas variables
permitirá implementar capacitaciones y estrategias
educativas focalizadas, incrementando así las
posibilidades de éxito académico (6,7).
¿Ayudará el Modelo de regresión logístico binario
en identificar las variables independientes que
pudieran estar influenciando en el resultado del
examen de Habilitación Profesional?
Es la intención de este estudio demostrar la
aplicación del modelo y su utilización como
instrumento para mejorar la toma de decisiones
y calidad en el proceso de Habilitación Profesional.
Evaluar las variables de alto impacto en el proceso
de rendimiento académico, así como ajustar las
probabilidades de éxito.
Investigación de diseño mixto con análisis
cuantitativo y cualitativo, de cohorte prospectivo,
basada en la aplicación del modelo de regresión
logístico binario en el proceso educativo. El
objetivo consistió en identificar las variables que
pudieran influir en el resultado final del examen
de Habilitación Profesional.
El presente estudio se llevó a cabo con la cohorte
correspondiente al período mayo 2023-abril
2024 de la Escuela Superior Politécnica del
Chimborazo (ESPOCH), conformada por un total
de 172 estudiantes. De este grupo, se seleccionó
una muestra representativa compuesta por 119
estudiantes internos, cumpliendo con los criterios
de inclusión definidos para el análisis. La muestra
fue determinada considerando la población
objetivo y asegurando la representatividad de los
datos en relación con las variables estudiadas.
2.1 Criterios de inclusión.
a) Pertenecer a la Cohorte de mayo 20223-abril
2024.
b) Haber aprobado el Internado Rotativo.
c) Haber aceptado el consentimiento informado
d) Llenado correcto de la encuesta de
identificación de variables independientes.
2. Metodo
76Alexander Expósito Lara, et al.Vol. 16 Número 1 2025
e) Haber asistido a la prueba de Prehabilitación.
2.2 Criterios de exclusión
a) Estudiantes que continuaban en las rotaciones
del Internado Rotativo y no brindaron su
consentimiento informado para participar en
la investigación.
Se aplicó un examen de Prehablitación de ochenta
preguntas de opciones múltiple a través de la
plataforma Elearning considerándose un puntaje
de 70 puntos o más para determinar la variable
dependiente (Aprobados) y con la aplicación
de una encuesta online, previo consentimiento
informado, exploramos las cinco variables
independientes: Horas de estudios, horas de
sueño, sueño reparador, mapas conceptuales y
motivación en el Internado rotativo. Se aplicó
un modelo de regresión logístico binario con
intervalos de confianza de un 95% y un margen
de error del 5% para valor p de significancia
menor a 0,05, utilizando programa de acceso
IBM SPSS Satisfice versión 26,0 para Windows.
El modelo discriminó los datos perdidos, realizó
las interacciones eliminando las variables sin
significación estadístico. El modelo ANOVA, reflejó
los valores de las constantes, valor Beta, intervalos
de confianzas y Odd Ratio representados en tablas
estadísticas los cuales se utilizaron para
Calcular los valores de la variable predictiva y su
probabilidad. A través de las siguientes ecuaciones:
Y=B0 + (B*(X))
Donde:
Y: Valor variable dependiente
X: Valor de la variable independiente
B0: Valor de la constante
B: Coeficiente Beta
La fórmula de cálculo de probabilidad que utiliza
el modelo de regresión logística binaria es:
P(y=1 X) =(e (B0+B1*X1+B2*X2+Bn*Xn ) / (1+(e) exp
(β0+β1X1+β2X2+...+βn X n))
Donde:
P(y=1X) es la probabilidad de que el evento (Y)
ocurra (donde (Y) toma el valor 1).
β0es el término independiente o constante.
β1, β2...βn son los coeficientes de los predictores
X1, X2..., Xn.
(e) es la base del logaritmo natural.
El modelo ayuda a identificar la variable predictora
que realmente tuvo significación estadística
para poder realizar actividades de intervención
(Capacitaciones) y seguimiento. Se procesó
encuesta de satisfacción de dichas capacitaciones,
con el objetivo de evaluar el proceso y mejorar
los resultados finales del futuro Examen de
Habilitación Profesional.
3. Resultados
De un total de 119 participantes, el 60.50%
correspondieron a mujeres (72) y el 39.49% a
hombres (47). En cuanto a los aprobados, solo 8
personas lograron aprobar, lo que representa el
6.72% del total, distribuyéndose entre 3 mujeres
(2.52%) y 5 hombres (4.20%), (Tabla1).
Al aplicar el modelo ANOVA, que evalúa la
relación entre las horas de estudio (como variable
predictora) y la nota cuantitativa (como variable
dependiente), se puede observar que la suma
de cuadrados de la regresión es 815.904, con
un grado de libertad (gl) de 1, lo que genera una
media cuadrática de 815.904. El residuo tiene una
suma de cuadrados de 10,375.588 con 117 grados
de libertad, lo que resulta en una media cuadrática
de 88.680. El valor F de 9.201 indica la magnitud
de la relación entre las horas de estudio y la nota,
con un valor de significancia (Sig.) de 0.003. Este
valor de significancia es menor a 0.05, lo que
sugiere que existe una relación estadísticamente
significativa entre las horas de estudio y la nota
cuantitativa, es decir, el tiempo de estudio influye
significativamente en las notas (Tabla 2)
Tabla 1. Distribución de los estudiantes Aprobados y no Aprobados
en el examen de Prehabilitación, según sexo.
Tabla 2. Significación del modelo ANOVA.
Fuente: Base de datos
Fuente: Resumen del análisis del modelo.
Variable
dependiente
Femenino Masculino Total
No % No % No %
Aprobados 3,00 2,52 5,00 4,20 8,00 6,72
No Aprobados 69,00 57,98 42,00 35,29 111,00 93,28
Total 72,00 60,50 47,00 39,49 119,00 100,00
ANOVAa
Modelo Suma de
cuadrados gl Media
cuadrática F Sig.
1
Regresión 815,904 1 815,904 9,201 ,003b
Residuo 10375,588 117 88,680
Total 11191,492 118
Nota: a. Variable dependiente: Nota Cuantitativa b. Predictores,
Horas de estudio
e) Haber asistido a la prueba de Prehabilitación.
2.2 Criterios de exclusión
a) Estudiantes que continuaban en las rotaciones
del Internado Rotativo y no brindaron su
consentimiento informado para participar en
la investigación.
Se aplicó un examen de Prehablitación de ochenta
preguntas de opciones múltiple a través de la
plataforma Elearning considerándose un puntaje
de 70 puntos o más para determinar la variable
dependiente (Aprobados) y con la aplicación
de una encuesta online, previo consentimiento
informado, exploramos las cinco variables
independientes: Horas de estudios, horas de
sueño, sueño reparador, mapas conceptuales y
motivación en el Internado rotativo. Se aplicó
un modelo de regresión logístico binario con
intervalos de confianza de un 95% y un margen
de error del 5% para valor p de significancia
menor a 0,05, utilizando programa de acceso
IBM SPSS Satisfice versión 26,0 para Windows.
El modelo discriminó los datos perdidos, realizó
las interacciones eliminando las variables sin
significación estadístico. El modelo ANOVA, reflejó
los valores de las constantes, valor Beta, intervalos
de confianzas y Odd Ratio representados en tablas
estadísticas los cuales se utilizaron para
Calcular los valores de la variable predictiva y su
probabilidad. A través de las siguientes ecuaciones:
Y=B0 + (B*(X))
Donde:
Y: Valor variable dependiente
X: Valor de la variable independiente
B0: Valor de la constante
B: Coeficiente Beta
La fórmula de cálculo de probabilidad que utiliza
el modelo de regresión logística binaria es:
P(y=1 X) =(e (B0+B1*X1+B2*X2+Bn*Xn ) / (1+(e) exp
(β0+β1X1+β2X2+...+βn X n))
Donde:
P(y=1X) es la probabilidad de que el evento (Y)
ocurra (donde (Y) toma el valor 1).
β0es el término independiente o constante.
β1, β2...βn son los coeficientes de los predictores
X1, X2..., Xn.
(e) es la base del logaritmo natural.
El modelo ayuda a identificar la variable predictora
que realmente tuvo significación estadística
para poder realizar actividades de intervención
(Capacitaciones) y seguimiento. Se procesó
encuesta de satisfacción de dichas capacitaciones,
con el objetivo de evaluar el proceso y mejorar
los resultados finales del futuro Examen de
Habilitación Profesional.
3. Resultados
De un total de 119 participantes, el 60.50%
correspondieron a mujeres (72) y el 39.49% a
hombres (47). En cuanto a los aprobados, solo 8
personas lograron aprobar, lo que representa el
6.72% del total, distribuyéndose entre 3 mujeres
(2.52%) y 5 hombres (4.20%), (Tabla1).
Al aplicar el modelo ANOVA, que evalúa la
relación entre las horas de estudio (como variable
predictora) y la nota cuantitativa (como variable
dependiente), se puede observar que la suma
de cuadrados de la regresión es 815.904, con
un grado de libertad (gl) de 1, lo que genera una
media cuadrática de 815.904. El residuo tiene una
suma de cuadrados de 10,375.588 con 117 grados
de libertad, lo que resulta en una media cuadrática
de 88.680. El valor F de 9.201 indica la magnitud
de la relación entre las horas de estudio y la nota,
con un valor de significancia (Sig.) de 0.003. Este
valor de significancia es menor a 0.05, lo que
sugiere que existe una relación estadísticamente
significativa entre las horas de estudio y la nota
cuantitativa, es decir, el tiempo de estudio influye
significativamente en las notas (Tabla 2)
Tabla 1. Distribución de los estudiantes Aprobados y no Aprobados
en el examen de Prehabilitación, según sexo.
Tabla 2. Significación del modelo ANOVA.
Fuente: Base de datos
Fuente: Resumen del análisis del modelo.
Variable
dependiente
Femenino Masculino Total
No % No % No %
Aprobados 3,00 2,52 5,00 4,20 8,00 6,72
No Aprobados 69,00 57,98 42,00 35,29 111,00 93,28
Total 72,00 60,50 47,00 39,49 119,00 100,00
ANOVAa
Modelo Suma de
cuadrados gl Media
cuadrática F Sig.
1
Regresión 815,904 1 815,904 9,201 ,003b
Residuo 10375,588 117 88,680
Total 11191,492 118
Nota: a. Variable dependiente: Nota Cuantitativa b. Predictores,
Horas de estudio
77MODELO DE REGRESIÓN LOGÍSTICO EN EL
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
Los resultados excluyente s en el primer paso
del modelo donde las variables horas de
sueño, sueño reparador, motivación y uso de
mapas conceptuales no tienen una relación
estadísticamente significativa con la variable
dependiente en este modelo de regresión. Las
horas de sueño (p = 0.627), la motivación (p =
0.975) y el uso de mapas conceptuales (p = 0.226)
no muestran ningún impacto relevante. Aunque
el sueño reparador presenta una tendencia (p
= 0.112), no alcanza significancia estadística. En
general, el conjunto de estas variables no logra
explicar de manera significativa la variación de
la variable dependiente, como lo indica el valor
global (p = 0.388) (Tabla 3.)
En la figura 1 se distribuyen los resultados del
Examen de Habilitación (Postest) y de la encuesta
de satisfacción sobre las capacitaciones recibidas.
De un total de 119 estudiantes aprobaron el
examen el 86% (102 estudiantes) y se obtuvo
un 96% de satisfacción en la encuesta aplicada
representando a 114 estudiantes.
La utilización del Modelo de Regresión Logístico
Binario en este estudio ayudó a abordar la influencia
de diversas variables en el rendimiento académico
de los estudiantes. El modelo ANOVA reflejó un
valor de significancia de 0.003. Los resultados
obtenidos reflejan que las horas de estudio son
determinantes en el éxito de los estudiantes en
el Examen de Habilitación Profesional. En el paso
uno del modelo se descartaron las restantes
variables independientes que mostraron valores p
mayores de 0.05 y fueron desechadas en el análisis,
sin embargo, estos hallazgos están en línea con
investigaciones previas que destacan la relevancia
de un adecuado tiempo de estudio (12,15).
El modelo de regresión logística utilizado permitió
identificar que los estudiantes que reportaron más
Los coeficientes del modelo de regresión lineal que
predice las notas cuantitativas (variable dependiente)
en función de las horas de estudio (variable
independiente). El coeficiente no estandarizado
para la constante es 48.998, lo que indica el valor
de la nota cuando las horas de estudio son cero.
El coeficiente para las horas de estudio es 1.628,
lo que significa que, por cada hora adicional de
estudio, la nota aumenta en 1.628 puntos, con un
valor de significancia p = 0.003, lo que indica que
esta relación es estadísticamente significativa. El
intervalo de confianza para el coeficiente de las horas
de estudio está entre 0.565 y 2.692, lo que sugiere
una alta certeza en la estimación del impacto de las
horas de estudio en las notas (Tabla4.)
4. Discusión
Tabla 3. Análisis de las variables en el paso 1 del modelo.
Figura 1. Distribución los resultados del Examen de Habilitación y de
la encuesta de satisfacción.
Tabla 4. Análisis de las variables en el segundo paso del modelo con su constante, coeficiente Beta y su valor P, cálculo de la variable
independiente ajustado al valor de la variable dependiente.
Fuente: Resumen del modelo en SPSS
Fuente: Resumen del modelo en SPSS
Fuente: Examen de habilitación Profesional y Encuesta de
satisfacción.
Las variables que no están en la ecuación
Puntuación gl Sig.
Paso 1 Variables HORAS SUEÑOS 0,236 1 0,627
SUEÑO
REPARADOR(1) 2,525 1 0,112
Las variables que no están en la ecuación
MOTIVACION(1) 0,001 1 0,975
MAPA
CONCEPTUAL(1) 1,465 1 0,226
Estadísticos globales 4,138 4 0,388
Coeficientes
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizados t Sig.
95,0% intervalo de confianza
para B
B Desv.
Error Beta Límite inferior Límite superior
1 (Constante) 48,998 3,065 15,984 0,000 42,927 55,069
HORAS DE ESTUDIO 1,628 0,537 0,270 3,033 0,003 0,565 2,692
HORAS (x) NOTA (y)
13 70,16
a. Variable dependiente: NOTA CUANTITATIVA
Y=Variable dependiente x= Variable independiente Y=Constante+(Beta* X )
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
Los resultados excluyente s en el primer paso
del modelo donde las variables horas de
sueño, sueño reparador, motivación y uso de
mapas conceptuales no tienen una relación
estadísticamente significativa con la variable
dependiente en este modelo de regresión. Las
horas de sueño (p = 0.627), la motivación (p =
0.975) y el uso de mapas conceptuales (p = 0.226)
no muestran ningún impacto relevante. Aunque
el sueño reparador presenta una tendencia (p
= 0.112), no alcanza significancia estadística. En
general, el conjunto de estas variables no logra
explicar de manera significativa la variación de
la variable dependiente, como lo indica el valor
global (p = 0.388) (Tabla 3.)
En la figura 1 se distribuyen los resultados del
Examen de Habilitación (Postest) y de la encuesta
de satisfacción sobre las capacitaciones recibidas.
De un total de 119 estudiantes aprobaron el
examen el 86% (102 estudiantes) y se obtuvo
un 96% de satisfacción en la encuesta aplicada
representando a 114 estudiantes.
La utilización del Modelo de Regresión Logístico
Binario en este estudio ayudó a abordar la influencia
de diversas variables en el rendimiento académico
de los estudiantes. El modelo ANOVA reflejó un
valor de significancia de 0.003. Los resultados
obtenidos reflejan que las horas de estudio son
determinantes en el éxito de los estudiantes en
el Examen de Habilitación Profesional. En el paso
uno del modelo se descartaron las restantes
variables independientes que mostraron valores p
mayores de 0.05 y fueron desechadas en el análisis,
sin embargo, estos hallazgos están en línea con
investigaciones previas que destacan la relevancia
de un adecuado tiempo de estudio (12,15).
El modelo de regresión logística utilizado permitió
identificar que los estudiantes que reportaron más
Los coeficientes del modelo de regresión lineal que
predice las notas cuantitativas (variable dependiente)
en función de las horas de estudio (variable
independiente). El coeficiente no estandarizado
para la constante es 48.998, lo que indica el valor
de la nota cuando las horas de estudio son cero.
El coeficiente para las horas de estudio es 1.628,
lo que significa que, por cada hora adicional de
estudio, la nota aumenta en 1.628 puntos, con un
valor de significancia p = 0.003, lo que indica que
esta relación es estadísticamente significativa. El
intervalo de confianza para el coeficiente de las horas
de estudio está entre 0.565 y 2.692, lo que sugiere
una alta certeza en la estimación del impacto de las
horas de estudio en las notas (Tabla4.)
4. Discusión
Tabla 3. Análisis de las variables en el paso 1 del modelo.
Figura 1. Distribución los resultados del Examen de Habilitación y de
la encuesta de satisfacción.
Tabla 4. Análisis de las variables en el segundo paso del modelo con su constante, coeficiente Beta y su valor P, cálculo de la variable
independiente ajustado al valor de la variable dependiente.
Fuente: Resumen del modelo en SPSS
Fuente: Resumen del modelo en SPSS
Fuente: Examen de habilitación Profesional y Encuesta de
satisfacción.
Las variables que no están en la ecuación
Puntuación gl Sig.
Paso 1 Variables HORAS SUEÑOS 0,236 1 0,627
SUEÑO
REPARADOR(1) 2,525 1 0,112
Las variables que no están en la ecuación
MOTIVACION(1) 0,001 1 0,975
MAPA
CONCEPTUAL(1) 1,465 1 0,226
Estadísticos globales 4,138 4 0,388
Coeficientes
Modelo
Coeficientes no
estandarizados
Coeficientes
estandarizados t Sig.
95,0% intervalo de confianza
para B
B Desv.
Error Beta Límite inferior Límite superior
1 (Constante) 48,998 3,065 15,984 0,000 42,927 55,069
HORAS DE ESTUDIO 1,628 0,537 0,270 3,033 0,003 0,565 2,692
HORAS (x) NOTA (y)
13 70,16
a. Variable dependiente: NOTA CUANTITATIVA
Y=Variable dependiente x= Variable independiente Y=Constante+(Beta* X )
78Alexander Expósito Lara, et al.Vol. 16 Número 1 2025
horas de estudio tenían mayores probabilidades
de aprobar el examen, corroborando lo indicado
por otros estudios consultados (10,17,20),
que evidencian que las estrategias de estudio
y el manejo del tiempo son cruciales para el
rendimiento académico (19). Además, el análisis de
los Odds Ratios sugiere que, por cada incremento
en las horas de estudio, las probabilidades de éxito
aumentan significativamente, lo que se alinea con
la literatura que respalda la relación positiva entre
esfuerzo académico y resultados (11,21,28).
Por otro lado, es relevante considerar que otros
factores, como la motivación, horas de sueño,
sueño reparador y el uso de mapas conceptuales,
aunque mostraron cierta influencia, no alcanzaron
significación estadística en este estudio. Sin
embargo, estos aspectos han sido considerados
por diversos autores como elementos esenciales
para el aprendizaje efectivo (13,14). La motivación
es un predictor crítico del rendimiento, y su falta
puede disminuir el compromiso con el estudio
(24,26,27). Asimismo, el uso de mapas conceptuales
ha demostrado ser una técnica eficaz para la
organización del conocimiento y mejora de la
comprensión en entornos educativos (16,18,22).
El estudio permitió calcular las horas necesarias
que debían utilizar los estudiantes en su programa
de estudio para alcanzar una nota mínima de 70
puntos. La utilización de la ecuación lineal usando
la constante y el coeficiente Beta de la variable
independiente nos ayudó a predecir este valor,
además de las probabilidades de éxitos. Teniendo
en cuenta los resultados de Aprobados (11
estudiantes) y las horas de estudios probables
(13 horas diarias), se les proporcionó un plan de
capacitaciones por los docentes de las principales
asignaturas y un seguimiento en el autoestudio
de los estudiantes, así como una encuesta de
satisfacción del curso de entrenamiento donde
el 96% de los encuestados consideraron de gran
ayuda las capacitaciones. Los resultados definitivos
del examen de Habilitación profesional, aplicado
por el Consejo de Aseguramiento de la Calidad de
la Educación superior (CACES), fue de un 86% de
aprobados.
La identificación de las variables predictoras no solo
proporciona una comprensión más profunda de los
factores que afectan el desempeño académico,
sino que también abre la puerta a intervenciones
específicas (23,25,29). La implementación de
capacitaciones que enfoquen en la gestión del
tiempo de estudio y técnicas de mejora del sueño
podría resultar en un impacto positivo en los
resultados académicos de futuros estudiantes (30).
Por lo tanto, es crucial seguir explorando cómo estas
variables interaccionan y afectan el rendimiento
académico, a fin de desarrollar estrategias que
fortalezcan el aprendizaje en el contexto educativo
actual.
El Modelo de regresión Logístico Binario es una
herramienta ideal para evaluar variables que
influyen en el proceso del ejercicio de Habilitación
Profesional. Estima desde el punto de vista
matemático el peso de las variables predictivas
sobre la variable dependiente y a través de estas
condiciones se puede actuar para modificar los
futuros resultados académicos en los estudiantes.
En este estudio la variable horas de estudios
representó el factor de impacto fundamental con
significación estadística.
Agradecemos a todos los participantes que
cooperaron en la realización del examen y la
encuesta de satisfacción, además, a los docentes
que impartieron el curso capacitación como
actividad de intervención.
Los autores de esta investigación no reportamos
conflictos de intereses.
Todos los puntos de vistas expresados en este
artículo son de nuestra entera responsabilidad y
no de las instituciones donde laboramos.
Este trabajo es fruto de un análisis critico de datos
procesados y revisión de numerosos artículos
publicados sobre Modelo de Regresión Logístico
Binario aplicado en el proceso educativo.
5. Conclusión
6. Agradecimientos
7. Conflictos de intereses
8. Limitación de responsabilidad
9. Fuentes de apoyo
10. Referencias Bibliográficas
1. Şirin YE, Şahin M. Investigation of factors affect-
ing the achievement of university students with
logistic regression analysis: School of Physical
horas de estudio tenían mayores probabilidades
de aprobar el examen, corroborando lo indicado
por otros estudios consultados (10,17,20),
que evidencian que las estrategias de estudio
y el manejo del tiempo son cruciales para el
rendimiento académico (19). Además, el análisis de
los Odds Ratios sugiere que, por cada incremento
en las horas de estudio, las probabilidades de éxito
aumentan significativamente, lo que se alinea con
la literatura que respalda la relación positiva entre
esfuerzo académico y resultados (11,21,28).
Por otro lado, es relevante considerar que otros
factores, como la motivación, horas de sueño,
sueño reparador y el uso de mapas conceptuales,
aunque mostraron cierta influencia, no alcanzaron
significación estadística en este estudio. Sin
embargo, estos aspectos han sido considerados
por diversos autores como elementos esenciales
para el aprendizaje efectivo (13,14). La motivación
es un predictor crítico del rendimiento, y su falta
puede disminuir el compromiso con el estudio
(24,26,27). Asimismo, el uso de mapas conceptuales
ha demostrado ser una técnica eficaz para la
organización del conocimiento y mejora de la
comprensión en entornos educativos (16,18,22).
El estudio permitió calcular las horas necesarias
que debían utilizar los estudiantes en su programa
de estudio para alcanzar una nota mínima de 70
puntos. La utilización de la ecuación lineal usando
la constante y el coeficiente Beta de la variable
independiente nos ayudó a predecir este valor,
además de las probabilidades de éxitos. Teniendo
en cuenta los resultados de Aprobados (11
estudiantes) y las horas de estudios probables
(13 horas diarias), se les proporcionó un plan de
capacitaciones por los docentes de las principales
asignaturas y un seguimiento en el autoestudio
de los estudiantes, así como una encuesta de
satisfacción del curso de entrenamiento donde
el 96% de los encuestados consideraron de gran
ayuda las capacitaciones. Los resultados definitivos
del examen de Habilitación profesional, aplicado
por el Consejo de Aseguramiento de la Calidad de
la Educación superior (CACES), fue de un 86% de
aprobados.
La identificación de las variables predictoras no solo
proporciona una comprensión más profunda de los
factores que afectan el desempeño académico,
sino que también abre la puerta a intervenciones
específicas (23,25,29). La implementación de
capacitaciones que enfoquen en la gestión del
tiempo de estudio y técnicas de mejora del sueño
podría resultar en un impacto positivo en los
resultados académicos de futuros estudiantes (30).
Por lo tanto, es crucial seguir explorando cómo estas
variables interaccionan y afectan el rendimiento
académico, a fin de desarrollar estrategias que
fortalezcan el aprendizaje en el contexto educativo
actual.
El Modelo de regresión Logístico Binario es una
herramienta ideal para evaluar variables que
influyen en el proceso del ejercicio de Habilitación
Profesional. Estima desde el punto de vista
matemático el peso de las variables predictivas
sobre la variable dependiente y a través de estas
condiciones se puede actuar para modificar los
futuros resultados académicos en los estudiantes.
En este estudio la variable horas de estudios
representó el factor de impacto fundamental con
significación estadística.
Agradecemos a todos los participantes que
cooperaron en la realización del examen y la
encuesta de satisfacción, además, a los docentes
que impartieron el curso capacitación como
actividad de intervención.
Los autores de esta investigación no reportamos
conflictos de intereses.
Todos los puntos de vistas expresados en este
artículo son de nuestra entera responsabilidad y
no de las instituciones donde laboramos.
Este trabajo es fruto de un análisis critico de datos
procesados y revisión de numerosos artículos
publicados sobre Modelo de Regresión Logístico
Binario aplicado en el proceso educativo.
5. Conclusión
6. Agradecimientos
7. Conflictos de intereses
8. Limitación de responsabilidad
9. Fuentes de apoyo
10. Referencias Bibliográficas
1. Şirin YE, Şahin M. Investigation of factors affect-
ing the achievement of university students with
logistic regression analysis: School of Physical
79MODELO DE REGRESIÓN LOGÍSTICO EN EL
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
Education and Sport example. SAGE Open. 2020
Jan-Mar;1-9. doi: 10.1177/2158244020902082.
Available from: https://journals.sagepub.com/
home/sgo.
2. Prada Núñez R, Hernández Suárez C, Sola-
no-Pinto N, Fernández-Cézar R. Predictor vari-
ables of academic success in mathematics
under a binary logistic regression model. J Posit
Psychol Wellbeing. 2023;7(1):551-75. Available
from: http://journalppw.com.
3. Arias JJ, Swinton JR, Anderson K. Online vs.
face-to-face: A comparison of student out-
comes with random assignment. e-Jour-
nal of Business Education & Scholarship of
Teaching Rev. 2018;12(2):1-23. https://eric.
ed.gov/?id=EJ1193426
4. Piros S, Chaiyesh T. A binary logistic regres-
sion model for entrepreneurial intention:
A case study of management program at
Pibulsongkram Rajabhat University. J Manag
Sci Pibulsongkram Rajabhat Univ. 2022
May-Aug;4(2).
5. Canales A, Maldonado L. Teacher quality and
student achievement in Chile: Linking teachers'
contribution and observable characteristics. Int
J Educ Dev. 2018 May; 60:33-50. Available from:
https://www.sciencedirect.com/journal/inter-
national-journal-of-educational-development.
6. Pérez-Obregón JM, Romero-Díaz T. Análisis del
rendimiento académico mediante regresión
logística y múltiple. Rev Electr Conocim
Saberes Prácticas. 2018 Jul-Dec;1(2):33-42. doi:
10.30698/recsp. v1i2.10. Available from: http://
recsp.org.
7. Calva K, Cabezas-Martínez A, Flores M, Por-
ras H. Modelo de predicción del rendimiento
académico para el curso de nivelación de la
Escuela Politécnica Nacional a partir de un
modelo de aprendizaje supervisado. Latin Am
J Comput. 2021 Jul;8(2).
8. Peng CYJ, Lee KL, Ingersoll GM. An intro-
duction to logistic regression analysis and
reporting. J Educ Res. 2002;96(1):3-14. doi:
10.1080/00220670209598786.
9. Martínez-Pérez JR, Ferrás-Fernández Y, Bermú-
dez-Cordoví LL, Ortiz-Cabrera Y, Pérez-Leyva
EH. Regresión logística y predicción del bajo
rendimiento académico de estudiantes en la
carrera Medicina. Rev Electr Dr. Zoilo E. Mari-
nello Vidaurreta. 2020;45(4).
10. Selim A, Ali I, Ristevski B. University information
system’s impact on academic performance: A
comprehensive logistic regression analysis
with principal component analysis and perfor-
mance metrics. TEM J. 2024;13(2):1589-98. doi:
10.18421/TEM132-72.
11. Sule BO, Saporu FW. A logistic regression model
of students’ academic performance in Univer-
sity of Maiduguri, Maiduguri, Nigeria. Math
Theory Model. 2015;5(10):124. Available from:
www.iiste.org.
12. Díaz-García A, Garcés-Delgado Y, Feli-
ciano-García L. Estrategias de apren-
dizaje y rendimiento académico en el
alumnado universitario. Rev Estud Investig
Psicol Educ. 2023;10(1):15-37. doi: 10.17979/
reipe.2023.10.1.9499.
13.Alkış N, Temizel TT. The impact of motivation
and personality on academic performance in
online and blended learning environments.
Educ Technol Soc. 2018;21(3):35-47. Avail-
able from: https://www.j-ets.net/collection/
published-issues/21_3.
14. Barrera LF, Vales JJ, Sotelo-Castillo MA,
Ramos-Estrada DY, Ocaña-Zúñiga J. Variables
cognitivas de los estudiantes universitarios:
su relación con dedicación al estudio y ren-
dimiento académico. Psicumex. 2020;10(1):61-
74. doi: 10.36793/psicumex. v10i1.342.
15. Vizoso CM, Arias O. Estresores académicos
percibidos por estudiantes universitarios y
su relación con el burnout y el rendimiento
académicos. Anu Psicol. 2016;46(2):90-7. doi:
10.1016/j.anpsic.2016.07.006.
16. Vera LR, Acosta DE, Palacios D, Galeano G. Esti-
los de aprendizaje y rendimiento académico
en estudiantes de enfermería de una uni-
versidad pública de Paraguay. Nure Invest.
2019;16(102):1-7. Available from: https://www.
nureinvestigacion.es/OJS/index.php/nure/
article/view/1762.
17. Salinas-Rodríguez A, Pérez-Núñez R, Ávila-Bur-
gos L. Modelos de regresión para variables
expresadas como una proporción continua.
Salud Publica Mex. 2006;48(5):395-404.
PROCESO DE HABILITACIÓN PROFESIONAL
p. 74-80
Vol. 16 Número 1 2025
Education and Sport example. SAGE Open. 2020
Jan-Mar;1-9. doi: 10.1177/2158244020902082.
Available from: https://journals.sagepub.com/
home/sgo.
2. Prada Núñez R, Hernández Suárez C, Sola-
no-Pinto N, Fernández-Cézar R. Predictor vari-
ables of academic success in mathematics
under a binary logistic regression model. J Posit
Psychol Wellbeing. 2023;7(1):551-75. Available
from: http://journalppw.com.
3. Arias JJ, Swinton JR, Anderson K. Online vs.
face-to-face: A comparison of student out-
comes with random assignment. e-Jour-
nal of Business Education & Scholarship of
Teaching Rev. 2018;12(2):1-23. https://eric.
ed.gov/?id=EJ1193426
4. Piros S, Chaiyesh T. A binary logistic regres-
sion model for entrepreneurial intention:
A case study of management program at
Pibulsongkram Rajabhat University. J Manag
Sci Pibulsongkram Rajabhat Univ. 2022
May-Aug;4(2).
5. Canales A, Maldonado L. Teacher quality and
student achievement in Chile: Linking teachers'
contribution and observable characteristics. Int
J Educ Dev. 2018 May; 60:33-50. Available from:
https://www.sciencedirect.com/journal/inter-
national-journal-of-educational-development.
6. Pérez-Obregón JM, Romero-Díaz T. Análisis del
rendimiento académico mediante regresión
logística y múltiple. Rev Electr Conocim
Saberes Prácticas. 2018 Jul-Dec;1(2):33-42. doi:
10.30698/recsp. v1i2.10. Available from: http://
recsp.org.
7. Calva K, Cabezas-Martínez A, Flores M, Por-
ras H. Modelo de predicción del rendimiento
académico para el curso de nivelación de la
Escuela Politécnica Nacional a partir de un
modelo de aprendizaje supervisado. Latin Am
J Comput. 2021 Jul;8(2).
8. Peng CYJ, Lee KL, Ingersoll GM. An intro-
duction to logistic regression analysis and
reporting. J Educ Res. 2002;96(1):3-14. doi:
10.1080/00220670209598786.
9. Martínez-Pérez JR, Ferrás-Fernández Y, Bermú-
dez-Cordoví LL, Ortiz-Cabrera Y, Pérez-Leyva
EH. Regresión logística y predicción del bajo
rendimiento académico de estudiantes en la
carrera Medicina. Rev Electr Dr. Zoilo E. Mari-
nello Vidaurreta. 2020;45(4).
10. Selim A, Ali I, Ristevski B. University information
system’s impact on academic performance: A
comprehensive logistic regression analysis
with principal component analysis and perfor-
mance metrics. TEM J. 2024;13(2):1589-98. doi:
10.18421/TEM132-72.
11. Sule BO, Saporu FW. A logistic regression model
of students’ academic performance in Univer-
sity of Maiduguri, Maiduguri, Nigeria. Math
Theory Model. 2015;5(10):124. Available from:
www.iiste.org.
12. Díaz-García A, Garcés-Delgado Y, Feli-
ciano-García L. Estrategias de apren-
dizaje y rendimiento académico en el
alumnado universitario. Rev Estud Investig
Psicol Educ. 2023;10(1):15-37. doi: 10.17979/
reipe.2023.10.1.9499.
13.Alkış N, Temizel TT. The impact of motivation
and personality on academic performance in
online and blended learning environments.
Educ Technol Soc. 2018;21(3):35-47. Avail-
able from: https://www.j-ets.net/collection/
published-issues/21_3.
14. Barrera LF, Vales JJ, Sotelo-Castillo MA,
Ramos-Estrada DY, Ocaña-Zúñiga J. Variables
cognitivas de los estudiantes universitarios:
su relación con dedicación al estudio y ren-
dimiento académico. Psicumex. 2020;10(1):61-
74. doi: 10.36793/psicumex. v10i1.342.
15. Vizoso CM, Arias O. Estresores académicos
percibidos por estudiantes universitarios y
su relación con el burnout y el rendimiento
académicos. Anu Psicol. 2016;46(2):90-7. doi:
10.1016/j.anpsic.2016.07.006.
16. Vera LR, Acosta DE, Palacios D, Galeano G. Esti-
los de aprendizaje y rendimiento académico
en estudiantes de enfermería de una uni-
versidad pública de Paraguay. Nure Invest.
2019;16(102):1-7. Available from: https://www.
nureinvestigacion.es/OJS/index.php/nure/
article/view/1762.
17. Salinas-Rodríguez A, Pérez-Núñez R, Ávila-Bur-
gos L. Modelos de regresión para variables
expresadas como una proporción continua.
Salud Publica Mex. 2006;48(5):395-404.
80Alexander Expósito Lara, et al.Vol. 16 Número 1 2025
18.Vásquez AS. Estrategias de aprendizaje de
estudiantes universitarios como predictores de
su rendimiento académico. Rev Complut Educ.
2021;32(2):159-70. doi: 10.5209/rced.68203.
19. Živčić-Bećirević I, Smojver-Ažić S, Martinac T.
Predictors of university students’ academic
achievement: a prospective study. Društv Istraž.
2017;26(4):457-76. doi: 10.5559/di.26.4.01.
20. Trelles HJ, Alvarado HP, Montánchez ML.
Estrategias y estilos de aprendizaje y su relación
con el rendimiento académico en estudiantes
universitarios de psicología educativa. Killkana
Social. 2018;2(2):9-16. doi: 10.26871/killkana_
social. v2i2.292.
21. Salazar I, Heredia Y. Estrategias de aprendizaje
y desempeño académico en estudiantes de
medicina. Educ Med. 2019;20(4):256-62. doi:
10.1016/j.edumed.2018.12.005.
22. Siddiquei NL, Khalid R. The relationship
between personality traits, learning styles
and academic performance of e-learners.
Open Praxis. 2018;10(3):249-63. doi: 10.5944/
openpraxis.10.3.870.
23.Stankovska G, Dimitrovski D, Angelkoska S,
Ibraimi Z, Uka V. Emotional intelligence, test
anxiety and academic stress among university
students. Bulg Comp Educ Soc Conf Books.
2018; 16:157-64. Available from: https://eric.
ed.gov/?id=ED586176.
24. Puma MI, Hurtado DR, Santos OC, Vásquez
JK. Estrategias metacognitivas y rendimiento
académico en estudiantes de educación
de la Universidad Nacional Amazónica de
Madre de Dios. Repos Rev Univ Priv Pucallpa.
2020;5(1):17-23.
25. Hendrie KN, Bastacini MC. Autorregulación
en estudiantes universitarios: estrategias de
aprendizaje, motivación y emociones. Rev
Educ. 2019;44(1):327-44. doi: 10.15517/revedu.
v44i1.37713.
26. Hernández L, Martín CI, Lorite G, Granados
P. Rendimiento, motivación y satisfacción
académica, ¿una relación de tres? ReiDoCrea
Rev Electron Investig Doc Creat. 2018; 7:92-7.
doi: 10.30827/digibug.49829.
27. Hidalgo-Fuentes S, Martínez-Álvarez I, Sospe-
dra-Baeza MJ. Rendimiento académico en
universitarios españoles: el papel de la per-
sonalidad y la procrastinación académica. Eur
J Educ Psychol. 2021;14(1):1-13. doi: 10.32457/
ejep. v14i1.1533.
28.Lanza D, Sánchez V. Estrategias de aprendizaje
en Educación Secundaria: un estudio compar-
ativo sobre su uso entre alumnos españoles e
inmigrantes. Eur J Investig Health Psychol Educ.
2013;3(3):227-36. doi: 10.3390/ejihpe3030020.
29. Magulod G. Learning styles, study habits and
academic performance of Filipino university
students in applied science courses: impli-
cations for instruction. J Technol Sci Educ.
2019;9(2):184-98. doi: 10.3926/jotse.504.
30.Neroni J, Meijs C, Gijselaers HJM, Kirschner
PA, de Groot RHM. Learning strategies and
academic performance in distance education.
Learn Individ Differ. 2019; 73:1-7. doi: 10.1016/j.
lindif.2019.04.007.
18.Vásquez AS. Estrategias de aprendizaje de
estudiantes universitarios como predictores de
su rendimiento académico. Rev Complut Educ.
2021;32(2):159-70. doi: 10.5209/rced.68203.
19. Živčić-Bećirević I, Smojver-Ažić S, Martinac T.
Predictors of university students’ academic
achievement: a prospective study. Društv Istraž.
2017;26(4):457-76. doi: 10.5559/di.26.4.01.
20. Trelles HJ, Alvarado HP, Montánchez ML.
Estrategias y estilos de aprendizaje y su relación
con el rendimiento académico en estudiantes
universitarios de psicología educativa. Killkana
Social. 2018;2(2):9-16. doi: 10.26871/killkana_
social. v2i2.292.
21. Salazar I, Heredia Y. Estrategias de aprendizaje
y desempeño académico en estudiantes de
medicina. Educ Med. 2019;20(4):256-62. doi:
10.1016/j.edumed.2018.12.005.
22. Siddiquei NL, Khalid R. The relationship
between personality traits, learning styles
and academic performance of e-learners.
Open Praxis. 2018;10(3):249-63. doi: 10.5944/
openpraxis.10.3.870.
23.Stankovska G, Dimitrovski D, Angelkoska S,
Ibraimi Z, Uka V. Emotional intelligence, test
anxiety and academic stress among university
students. Bulg Comp Educ Soc Conf Books.
2018; 16:157-64. Available from: https://eric.
ed.gov/?id=ED586176.
24. Puma MI, Hurtado DR, Santos OC, Vásquez
JK. Estrategias metacognitivas y rendimiento
académico en estudiantes de educación
de la Universidad Nacional Amazónica de
Madre de Dios. Repos Rev Univ Priv Pucallpa.
2020;5(1):17-23.
25. Hendrie KN, Bastacini MC. Autorregulación
en estudiantes universitarios: estrategias de
aprendizaje, motivación y emociones. Rev
Educ. 2019;44(1):327-44. doi: 10.15517/revedu.
v44i1.37713.
26. Hernández L, Martín CI, Lorite G, Granados
P. Rendimiento, motivación y satisfacción
académica, ¿una relación de tres? ReiDoCrea
Rev Electron Investig Doc Creat. 2018; 7:92-7.
doi: 10.30827/digibug.49829.
27. Hidalgo-Fuentes S, Martínez-Álvarez I, Sospe-
dra-Baeza MJ. Rendimiento académico en
universitarios españoles: el papel de la per-
sonalidad y la procrastinación académica. Eur
J Educ Psychol. 2021;14(1):1-13. doi: 10.32457/
ejep. v14i1.1533.
28.Lanza D, Sánchez V. Estrategias de aprendizaje
en Educación Secundaria: un estudio compar-
ativo sobre su uso entre alumnos españoles e
inmigrantes. Eur J Investig Health Psychol Educ.
2013;3(3):227-36. doi: 10.3390/ejihpe3030020.
29. Magulod G. Learning styles, study habits and
academic performance of Filipino university
students in applied science courses: impli-
cations for instruction. J Technol Sci Educ.
2019;9(2):184-98. doi: 10.3926/jotse.504.
30.Neroni J, Meijs C, Gijselaers HJM, Kirschner
PA, de Groot RHM. Learning strategies and
academic performance in distance education.
Learn Individ Differ. 2019; 73:1-7. doi: 10.1016/j.
lindif.2019.04.007.