Facultad de Ciencias
Departamento de Estadística e Investigación Operativa
Máster Oficial Universitario en Estadística Aplicada
Trabajo Fin de Máster:
Clasificación de las Universidades Públicas
Españolas mediante Técnicas Multivariantes
Autora
María Teresa Espinosa Martín
Director
Dr. D. Ramón Gutiérrez Sánchez
Septiembre 2016
Agradecimientos
Quiero expresar mi agradecimiento a todos
los profesores que imparten el Máster en Estadística
Aplicada de la Universidad de Granada por
aportarme sus valiosos conocimientos, así como por
su disponibilidad y ayuda siempre que ha sido
necesaria.
Y de forma especial a mi director, el Doctor
D. Ramón Gutiérrez Sánchez, por sus consejos y
apoyo en el proceso de elaboración de este Trabajo
Fin de Máster.
ÍNDICE
1 INTRODUCCIÓN ............................................................................................................................. 1
2 LOS RANKINGS DE UNIVERSIDADES ............................................................................................... 3
2.1 RANKINGS INTERNACIONALES ............................................................................................................. 5 2.1.1 Principales Rankings Internacionales ..................................................................................... 5
2.1.1.1 Academic Ranking of World Universities (ARWU) ........................................................................ 5 2.1.1.2 Times Higher Education World University Ranking (THE) .......................................................... 15 2.1.1.3 Quacquarelli Symonds World University Ranking (QS) .............................................................. 19 2.1.1.4 Higher Education Evaluation and Acreditation Council of Taiwan (HEEACT) ............................. 24 2.1.1.5 Otros Rankings ........................................................................................................................... 27
2.1.2 Comparativa de los principales rankings internacionales .................................................... 27 2.2 RANKINGS NACIONALES ................................................................................................................... 30
2.2.1 Principales rankings nacionales ............................................................................................ 30 2.2.1.1 Rankings ISI, I-UGR ..................................................................................................................... 30 2.2.1.2 Rankings ISSUE, U-Ranking ......................................................................................................... 32 2.2.1.3 Ranking Fundación Conocimiento y Desarrollo (CYD) ................................................................ 40
2.2.2 Homogeneidad de las universidades españolas ................................................................... 42 2.3 CUESTIONES A TENER EN CUENTA A LA HORA DE ELABORAR UN RANKING ................................................... 44
3 TÉCNICAS MULTIVARIANTES A UTILIZAR ..................................................................................... 47
3.1 ANÁLISIS DE COMPONENTES PRINCIPALES ........................................................................................... 48 3.1.1 Objetivo del Análisis de componentes Principales ................................................................ 48 3.1.2 Obtención de las Componentes Principales .......................................................................... 49
3.1.2.1 Selección del número de componentes ..................................................................................... 50 3.1.2.2 Interpretación de los componentes principales ......................................................................... 50
3.2 ANÁLISIS FACTORIAL ....................................................................................................................... 51 3.2.1 Objetivo del Análisis Factorial ............................................................................................... 51 3.2.2 Fases del Análisis Factorial ................................................................................................... 52
3.2.2.1 Seleccionar las variables ............................................................................................................. 52 3.2.2.2 Comprobar si existe relación entre las variables ........................................................................ 52 3.2.2.3 Analizar si la estructura es adecuada al análisis factorial ........................................................... 53 3.2.2.4 Extraer los factores .................................................................................................................... 53 3.2.2.5 Rotar los factores ....................................................................................................................... 55 3.2.2.6 Asociación de variables a factores ............................................................................................. 55 3.2.2.7 Calcular las puntuaciones factoriales ......................................................................................... 55
3.3 ANÁLISIS CLUSTER .......................................................................................................................... 56 3.3.1 Objetivo del Análisis Cluster.................................................................................................. 56 3.3.2 Fases del Análisis Cluster ...................................................................................................... 56
3.3.2.1 Selección de las variables ........................................................................................................... 56 3.3.2.2 Selección de la distancia o medida de similaridad o disimilaridad ............................................. 56 3.3.2.3 Selección de la técnica cluster o método de agrupación ........................................................... 56 3.3.2.4 Validación de los resultados obtenidos ...................................................................................... 59
4 APLICACIÓN A LA ELABORACIÓN DE CLASIFICACIONES DE UNIVERSIDADES ................................ 60
4.1 BÚSQUEDA Y RECOGIDA DE INFORMACIÓN .......................................................................................... 60 4.1.1 Universidades a analizar en nuestro ranking ........................................................................ 64 4.1.2 Indicadores a utilizar en la clasificación ............................................................................... 65
4.1.2.1 Indicadores clasificación en términos absolutos o por volumen ................................................ 66 4.1.2.2 Indicadores clasificación en términos relativos o por productividad ......................................... 67
4.1.3 Datos faltantes ..................................................................................................................... 68 4.2 ANÁLISIS DE DATOS ........................................................................................................................ 71
4.2.1 Ranking por volumen ............................................................................................................ 71 4.2.1.1 Análisis descriptivo ..................................................................................................................... 71 4.2.1.2 Análisis factorial ......................................................................................................................... 72
4.2.2 Ranking por productividad ................................................................................................... 92 4.2.2.1 Análisis descriptivo ..................................................................................................................... 92 4.2.2.2 Análisis factorial ......................................................................................................................... 92
4.2.3 Rankings por volumen versus rankings por productividad ................................................. 122 4.2.3.1 Resultados globales .................................................................................................................. 122 4.2.3.2 Resultados de investigación ..................................................................................................... 125 4.2.3.3 Resultados de docencia ............................................................................................................ 126 4.2.3.4 Resultados de transferencia de conocimiento ......................................................................... 128
4.2.4 Comunidades con las universidades mejor clasificadas...................................................... 129 4.2.4.1 Resultados globales .................................................................................................................. 129 4.2.4.2 Resultados de investigación ..................................................................................................... 130 4.2.4.3 Resultados de docencia ............................................................................................................ 131 4.2.4.4 Resultados de transferencia de conocimiento ......................................................................... 131 4.2.4.5 Resultados por Comunidad Autónoma .................................................................................... 132
4.2.5 Agrupación de universidades .............................................................................................. 137 4.2.5.1 A partir de las variables iniciales .............................................................................................. 137 4.2.5.2 A partir de los factores extraídos ............................................................................................. 144 4.2.5.3 Rankings de universidades por grupos ..................................................................................... 147 4.2.5.3.1 Ranking por volumen ............................................................................................................... 148 4.2.5.3.2 Ranking por productividad ....................................................................................................... 149
5 CONCLUSIONES ......................................................................................................................... 151
6 REFERENCIAS BIBLIOGRÁFICAS .................................................................................................. 155
1
1 Introducción
Las universidades tienen un incuestionable papel en el proceso de desarrollo de la
sociedad del conocimiento, ya que generan conocimiento mediante sus actividades
investigadoras, lo difunden mediante sus publicaciones o mediante la formación de
titulados y lo transfieren mediante la producción de patentes y la cooperación con
empresas (Romero y Pastor: 2012).
Al mismo tiempo, la competencia entre universidades por captar alumnos y
recursos públicos, unida a la demanda social de transparencia y eficiencia del uso de estos
recursos públicos, han aumentado el interés por evaluar el desempeño de las
universidades por medio de rankings, como vía para comparar sus resultados (Romero y
Pastor: 2012).
Además, la creación del Espacio Europeo de Educación Superior ha estimulado
numerosas reformas educativas, acompañadas de políticas de calidad, contribuyendo a
acrecentar el interés por el desarrollo de rankings que evalúan y comparan la calidad de
las instituciones de educación superior en los diferentes países (Docampo, 2008).
Este cambio en las instituciones universitarias y en las políticas que se llevan a
cabo en las mismas, viene acompañado de un impulso a la mejora de su calidad en todos
los ámbitos que en ellas se contemplan, proporcionando beneficios tanto a la propia
institución como a la sociedad en general.
Hechos que han promovido la elaboración de numerosos y diferentes rankings
universitarios, cuyo crecimiento ha sido notable desde la publicación del Academic
Ranking of World Universities (ARWU) en el 2003.
A su vez, este escenario ha suscitado el crecimiento de una preocupación por parte
de las universidades y cuantas personas trabajan en ellas de situarse en las mejores
posiciones, pretendiendo mejorar su reputación, situación que implicará conseguir buenos
lugares en otros rankings, siendo éste uno de los objetivos de muchas universidades, ya
que una mala posición puede repercutir en la reputación de la institución y provocar una
disminución de los alumnos, y por ende de los ingresos, induciendo a su vez a obtener
peores resultados en rankings posteriores.
Espinosa Martín, M. Teresa
2
También los rankings pretenden jerarquizar a las universidades como vía para
comparar sus resultados y realizar análisis de benchmarking (Romero y Pastor: 2012).
Cada institución debe reflexionar sobre cuáles son sus objetivos, a la hora de tener
en cuenta los resultados que se manifiestan en los rankings, ya que un entorno de recursos
limitados implica priorizar unos objetivos a costa de otros, y a partir de aquí utilizar los
rankings que mejor reflejen sus prioridades, y no al revés, elegir las prioridades en función
de los rankings (Delgado, 2012).
La elaboración de estas clasificaciones requiere generalmente del Análisis
Multivariante.
3
2 Los rankings de universidades
Los rankings son listas o tablas de clasificación que comparan y ordenan los
resultados de las universidades en función de una serie de indicadores, la mayoría
considerados como criterios de “calidad”, los cuales determinan el puesto alcanzado en
las mismas (Romero y Pastor, 2012).
Se han instalado en nuestra sociedad global a raíz de la internacionalización de la
educación superior, lo que ha provocado una mayor competitividad global y con ella una
proliferación de los llamados worldwide ranking (Pérez-Esparrells y Gómez-Sancho,
2010).
Surgen principalmente para responder a tres necesidades básicas (Delgado, 2012):
- Orientar a los estudiantes en una elección tan trascendental en su vida como
la de decidir dónde realizar sus estudios universitarios.
- Informar a la universidad, y por ende a sus gestores, sobre las fortalezas y
debilidades en todos los ámbitos de su actividad (docencia, investigación,
transferencia de conocimiento, gestión, infraestructuras).
- Informar a los responsables de la política educativa como apoyo a la toma de
decisiones sobre planificación o financiación de las instituciones.
Teniendo en cuenta la demanda pública de transparencia e información, se han
generado rankings de universidades atendiendo a diversas cuestiones, entre los que
destacan los dedicados a valorar las diferentes actividades que se realizan en las
universidades, las diferentes titulaciones o las áreas de conocimiento.
Es evidente que lo más llamativo en un ranking es la nota final o número de orden
que proporciona, pero lo que se debe destacar y aprovechar es la información que se
suministra al comparar diversos indicadores de calidad, por lo que cada ranking debe
establecer una definición lo más precisa posible de lo que entiende por “calidad
académica” y los determinantes de una “buena universidad” (Pérez Esparrells y Gómez
Sancho, 2010).
No son pocos los efectos que producen los rankings universitarios en los diferentes
actores: profesores, estudiantes, gestores universitarios, políticos o público en general.
Espinosa Martín, M. Teresa
4
Algunos de los estudios realizados en este sentido (Delgado, 2012; Orduña, 2012),
indican que estas consecuencias son dispares y numerosas, destacando entre ellas:
- Influyen en el número de estudiantes que demanda cada universidad.
- Inciden en la financiación de instituciones públicas.
- Determinan las políticas de colaboración con otras instituciones.
- Afectan al comportamiento y las políticas de las instituciones universitarias,
condicionando tanto su planificación estratégica como su productividad
investigadora.
- Mejoran la recopilación de datos básicos de la universidad, incentivando su
visibilidad en sus páginas web.
- Favorecen fundamentalmente a las más prestigiosas y menos a las que no
poseen ese estatus.
- Provocan levantamiento de ánimo en unas pocas, las satisfechas con los
resultados, y depresión en la mayoría de las universidades y en su personal, ya
que no se encuentran satisfechas con los resultados obtenidos.
- En aquellas instituciones que obtienen buenos resultados se utilizan como
herramienta de marketing para la institución, ya que poseen una gran atracción
mediática en la prensa.
Sin embargo, no todos los rankings publicados merecen la misma consideración.
Es preciso leer con detenimiento qué evalúa cada uno de ellos y cómo lo evalúa, es decir,
no sólo es necesario tener en cuenta qué analizan estos rankings sino, y no menos
importante, el cómo lo analizan.
La falta de transparencia sobre los procedimientos de obtención de resultados
supone que muchas de estas clasificaciones resulten difíciles de interpretar, por lo que es
necesario utilizar métodos objetivos en la selección de los criterios, en la asignación de
los pesos a los indicadores, así como en su unidimensionalidad o multidimensionalidad,
garantizando de este modo la fiabilidad, validez y utilidad de las ordenaciones que
manifiestan (Gómez-Gallego et al, 2012).
La metodología de construcción de los rankings es muy diversa en función de
quién los realiza, a quién van dirigidos, de dónde toman los datos, qué indicadores
consideran para medir el rendimiento o qué pesos toman dichos indicadores.
Clasificación de Universidades Públicas Españolas
5
Contamos con rankings internacionales y ranking nacionales, y debemos tener en
cuenta que no es fácil realizar comparaciones a determinados niveles.
A pesar de que los rankings son una herramienta bastante criticada y poco
consensuada, se han convertido en una herramienta aceptada internacionalmente para
comparar el funcionamiento de las universidades (Romero y Pastor: 2012).
Se busca permanentemente un patrón común en los análisis internacionales de la
calidad universitaria, y existe un sorprendente nivel de acuerdo a la hora de determinar
cuáles son las mejores universidades dentro de un determinado país.
Se analizan a continuación algunos de los rankings más importantes tanto a nivel
nacional como internacional.
2.1 Rankings internacionales
La internacionalización que se manifiesta en la educación superior se pone de
manifiesto con la popularidad de los rankings de universidades a nivel mundial.
2.1.1 Principales Rankings Internacionales
2.1.1.1 Academic Ranking of World Universities (ARWU)
El Ranking Académico de las Universidades del Mundo (Academic Ranking of
World Universities), también conocido como Ranking de Shanghai, se realiza anualmente
por el Centro de las Universidades de Clase Mundial (Center for World-Class Universities
– CWCU-) de la Escuela Superior de Educación de la Universidad Jiao Tong de Sanghái
(China), anteriormente denominado Instituto de Educación Superior de la Universidad
Jiao Tong de Shanghái (Shanghai Jiao Tong University Institute of Higher Education). El
primero de estos rankings se publicó en 2003.
Inicialmente fue diseñado por intereses académicos de la Universidad de
Shanghai, con el fin de conocer el posicionamiento de las universidades chinas en
comparación con el resto de las universidades del mundo. Se centraba en clasificar a las
universidades atendiendo exclusivamente a su carácter investigador.
Actualmente se considera un ranking generalista, ya que incluye aspectos
relacionados con la investigación, la docencia, el prestigio o el tamaño de las
Espinosa Martín, M. Teresa
6
instituciones, y merece gran atención por parte de universidades, gobiernos y los medios
de comunicación de todo el mundo.
Ha sido muy citado y se ha utilizado como punto de partida para el análisis de las
fortalezas y debilidades de las universidades, así como para facilitar la reforma y creación
de las nuevas iniciativas, desencadenando numerosos debates sobre la educación superior,
y provocando en ocasiones cambios en las leyes que rigen las universidades.
Los criterios, indicadores y pesos que utiliza actualmente para medir globalmente
la universidad se reflejan en la siguiente tabla:
Tabla 1. Criterios y pesos utilizados en Ranking ARWU
Fuente: Ranking ARWU
En las primeras ediciones el código PUB actual se denominaba SCI, y el actual
PCP se denominaba Size.
Con el fin de poder comparar los indicadores y los pesos de los diferentes
rankings, se considera que el indicador ”Investigadores con alto índice de citación en
diversas materias” pertenece al criterio Impacto de la Investigación y que el indicador
“Profesores de una institución que han obtenido premios Nobel y medallas Fields” se
corresponde con el criterio Prestigio.
Clasificación de Universidades Públicas Españolas
7
Figura 1. Pesos por criterio utilizados en Ranking ARWU
Fuente: Elaboración propia a partir de Ranking ARWU
Se considera que utiliza criterios objetivos, los cuales pueden ser verificados por
la mayoría de los usuarios, proceden exclusivamente de datos obtenidos con
independencia de las instituciones objeto de estudio y no utiliza encuestas de opinión (Liu
y Cheng, 2005; Docampo, 2008).
Este ranking asigna a cada institución una puntuación global a partir de la
ponderación de los indicadores.
Una vez obtenidas las puntuaciones, a la institución con el valor más alto se le
otorga la puntuación de 100, y las puntuaciones del resto de las instituciones se calculan
como porcentaje de dicho valor.
Se muestra en el ranking el listado de las 500 instituciones con mejores
puntuaciones.
Docencia10,0%
Investigación Producción
40,0%Investigación
Impacto20,0%
Prestigio20,0%
Rendimiento per Cápita10,0%
Ranking ARWU
Docencia
Investigación Producción
Investigación Impacto
Prestigio
Rendimiento per Cápita
Espinosa Martín, M. Teresa
8
Los resultados a nivel mundial obtenidos en la edición (2015), indican que las
universidades que se encuentran en el Top 10 son:
Tabla 2. Universidades mejor clasificadas a nivel internacional en Ranking ARWU 2015
Fuente: Ranking ARWU
Como se puede observar, todas ellas son de habla inglesa, 8 pertenecen a Estados
Unidos y 2 a Reino Unido.
Además, estos resultados se distribuyen de la siguiente forma:
Tabla 3. Número de universidades por región y posición en Ranking ARWU
Fuente: Ranking ARWU
Clasificación de Universidades Públicas Españolas
9
Se muestra a continuación el listado de las universidades españolas que se
encuentran en el Top 500 en el ranking de 2015.
Tabla 4. Universidades mejor clasificadas a nivel nacional en Ranking ARWU 2015
Fuente: Ranking ARWU
Como se puede observar, la Universidad de Barcelona es la mejor valorada en este
ranking, encontrándose entre las posiciones 151-200 del ranking mundial, seguida de la
Universidad Autónoma de Barcelona y de la Universidad Autónoma de Madrid.
Siendo los resultados españoles:
- Una universidad en el Top 200
- 5 Universidades en el Top 300
- 8 Universidades en el Top 400
- 5 Universidades en el Top 500
Espinosa Martín, M. Teresa
10
Este ranking ha publicado su edición 2016 recientemente, en la que las 10
universidades mejor valoradas a nivel mundial son:
Tabla 5. Universidades mejor clasificadas a nivel nacional en Ranking ARWU 2016
Fuente: Ranking ARWU
Y a nivel nacional la mejor valorada es la Universidad de Barcelona, seguida de
la Universidad de Granada y la Universidad Autónoma de Madrid en segunda posición,
y ocupando la tercera posición se encuentran la Universidad Autónoma de Barcelona, la
Universidad Pompeu Fabra, la Universidad Complutense de Madrid, la Universidad
Politécnica de Cataluña, la Universidad Politécnica de Valencia y la Universidad de
Santiago de Compostela.
Clasificación de Universidades Públicas Españolas
11
Tabla 6. Universidades mejor clasificadas a nivel internacional en Ranking ARWU 2016.
Fuente: Ranking ARWU.
Se observa un importante ascenso de la Universidad de Granada en el ranking2016
respecto al ranking 2015.
A la vista de los criterios que utiliza el ranking ARWU cabe reflexionar sobre si
la calidad de la educación debe tener solo un peso del 10% en un ranking global y si
realmente puede estar medida a partir del número de alumnos que ganan un premio Nobel
o medalla de reconocido prestigio en su campo, teniendo en cuenta que estas medallas se
otorgan exclusivamente en campos como Física, Química, Economía o Matemáticas, y
que no estarían representadas otras áreas (Delgado, 2012).
Teniendo en cuenta estos aspectos, desde nuestro punto de vista, es discutible su
consideración de ranking generalista, otorgando tan poco peso a la docencia y valorando
exclusivamente para este aspecto los Premios Nobel y Medallas Field de profesores y
antiguos alumnos.
Espinosa Martín, M. Teresa
12
Respecto a los criterios que utiliza para medir la producción científica, debería
tener en cuenta que no todas las áreas publican en revistas como Nature o Science.
Actualmente el ARWU es uno de los rankings más conocidos internacionalmente,
jugando un papel de referencia en el mundo universitario como reflejo de la calidad
institucional global.
Al mismo tiempo, este ranking es uno de los más controvertidos. Entre sus críticas
destacan:
- Su sesgo hacia las universidades grandes, ya que la mayoría de los
indicadores aparecen en términos absolutos, beneficiando claramente a las
universidades grandes a pesar de que existe una pequeña corrección por
tamaño con un 10% de peso.
- Su considerable sesgo hacia la investigación.
A partir de 2007 el CWCU también ha desarrollado el Ranking Académico de las
Universidades del Mundo por grandes áreas de conocimiento (ARWU-FILED), con el fin
de satisfacer mejor las diversas necesidades en la comparación global de universidades,
en él se manifiestan las 200 mejores universidades en 5 grandes áreas del conocimiento:
- Ciencias Naturales y Matemáticas
- Ingeniería/Tecnología e Informática
- Ciencias de la Vida y de Agricultura
- Medicina y Farmacia
- Ciencias Sociales
Clasificación de Universidades Públicas Españolas
13
La siguiente tabla muestra la descripción de los indicadores en cada una de las
grandes áreas de conocimiento, así como los pesos otorgados a cada indicador:
Tabla 7. Descripción indicadores y pesos por grandes áreas de conocimiento en Ranking ARWU
Fuente: Ranking ARWU.
Desde 2009 el Ranking Académico de Universidades del Mundo (ARWU) ha sido
publicado y registrado por la Consultoría Ranking de Shanghái (Shanghai Ranking
Consultancy), organización totalmente independiente que analiza la información sobre la
educación superior y no está subordinada a ninguna universidad o agencia gubernamental.
Además, a partir de esta fecha se ha publicado el Ranking Académico de las
Espinosa Martín, M. Teresa
14
Universidades del Mundo por materias (ARWU-SUBJECT), en el que se exponen las 200
mejores universidades en algunos campos específicos:
- Matemáticas
- Física
- Química
- Informática
- Ciencias Económicas y Empresariales
La siguiente tabla muestra la descripción de los indicadores en cada una de las
materias, así como los pesos otorgados a cada indicador:
Tabla 8. Descripción indicadores y pesos por materias en Ranking ARWU
Fuente: Ranking ARWU.
Clasificación de Universidades Públicas Españolas
15
2.1.1.2 Times Higher Education World University Ranking (THE)
La metodología de este ranking ha sido modificada sustancialmente a lo largo de
los años.
En la actualidad, en este ranking se excluyen aquellas universidades cuyos
resultados de investigación ascienden a menos de 200 artículos por año durante un
periodo de cinco años, 2010-2014 para la última versión editada en 2015-2016, salvo
casos excepcionales en los que existe un enfoque específico en disciplinas con volúmenes
de publicaciones generalmente bajos (ingeniería, artes), así como aquellas otras que no
imparten licenciaturas.
Figura 2. Distribución de pesos y criterios en Ranking THE.
Fuente: Elaboración propia a partir de Ranking THE
El ranking Times Higher Education utiliza actualmente 13 indicadores de
rendimiento para realizar las comparaciones entre universidades, los cuales se agrupan en
cinco áreas:
- Docencia (el entorno de enseñanza)
- Investigación (volumen, ingresos y reputación)
- Citas (influencia de la investigación)
Docencia30,0%
Investigación Resultados
30,0%
Investigación Citas
32,5%
Internacionalización5,0%
Financiación de la industria
2,5%
Ranking THE
Docencia
Investigación Resultados
Investigación Citas
Internacionalización
Financiación de la industria
Espinosa Martín, M. Teresa
16
- Perspectiva internacional (personal, estudiantes e investigación)
- Resultado en la industria (transferencia de conocimiento)
La distribución de los pesos en estas áreas se realiza de la siguiente forma:
Ranking: Times Higher Education World University Ranking (THE)
Criterios Indicadores Pesos %
Docencia
Resultados sobre docencia, obtenidos en la encuesta
aplicada a académicos 15
30
Doctorados otorgados entre número de académicos 6
Estudiantes de licenciatura admitidos entre número de
académicos 4,5
Presupuestos para docencia entre número de académicos 2,5
Doctorados otorgados entre licenciaturas otorgadas 2,25
Investigación
Resultados
Resultados sobre investigación, obtenidos en la encuesta
aplicada a académicos 19,5
62,5
Presupuesto para investigación entre el número de
académicos 5,25
Documentos publicados (indexados en ISI Thomson
Reuters) entre el número de académicos 4,5
Financiación pública para investigación entre financiación
total para investigación 0,75
Impacto Impacto de las citas (promedio normalizado de citas por
documento publicado, indexado en ISI Thomson Reuters) 32,5
Internacionalización
Proporción de académicos internacionales entre académicos
nacionales 3
5 Proporción de estudiantes internacionales entre estudiantes
nacionales 2
Financiación de la industria Mide el peso de los recursos provenientes de la industria
dedicados a investigación entre el número de académicos 2,5 2,5
Tabla 9. Indicadores y pesos utilizados en Ranking THE
Fuente: Elaboración propia a partir de Ranking THE
Para obtener la puntuación final se utiliza un enfoque de normalización basado en
la distribución de los datos dentro de un indicador en particular, se calcula una función
de probabilidad acumulativa y se evalúa dónde el indicador de una institución en
particular se encuentra dentro de esa función. Una puntuación de probabilidad acumulada
Clasificación de Universidades Públicas Españolas
17
de x, indica que una universidad con valores aleatorios para ese indicador caería por
debajo de la puntuación el x por ciento de las veces.
Para todos los indicadores, excepto para la encuesta de reputación académica, se
calcula la función de probabilidad acumulada, utilizando una versión de Z-scoring (Z-
puntuación). La distribución de los datos de la encuesta de reputación académica obliga
a añadir un componente exponencial.
En el último ranking publicado, en el Top 10 se encuentran 6 universidades de
Estados Unidos, 3 de Reino Unido y una de Suiza, casi todas de habla inglesa.
Tabla 10. Universidades mejor clasificadas a nivel internacional en Ranking THE 2015
Fuente: Ranking THE
La universidad española mejor posicionada es la Universidad Autónoma de
Barcelona que se encuentran en el puesto 146 del ranking mundial, seguida de la
Universidad Pompeu Fabra y de la Universidad de Barcelona.
Espinosa Martín, M. Teresa
18
Se muestran a continuación aquellas universidades españolas que se encuentran
en el Top 500:
Tabla 11. Universidades mejor clasificadas a nivel nacional en Ranking THE 2016
Fuente: Ranking THE
El THE (Times Higher Education) World en su última edición publicada en 2016
coloca en primer lugar a la Universidad Autónoma de Barcelona, y a continuación la
Universidad Pompeu Fabra, la Universidad de Barcelona y la Universidad Autónoma de
Madrid, con las siguientes posiciones respectivas a nivel europeo: 70, 80, 86 y 162.
Teniendo en cuenta los indicadores utilizados así como los pesos otorgados a cada
uno de ellos, se considera un ranking más generalista que el ARWU a pesar de tener un
peso mayor los indicadores que marcan la investigación.
Clasificación de Universidades Públicas Españolas
19
Desde nuestro punto de vista, es bastante elevado el peso que se otorga en el
ranking THE a las opiniones de académicos, un 34.5%, siendo de un 15% sobre la
docencia y de un 19.5% sobre la investigación.
2.1.1.3 Quacquarelli Symonds World University Ranking (QS)
Este ranking ha sido elaborado hasta 2010 por la empresa Quacquarelli Symonds
(QS), http://www.topuniversities.com, y a partir de esta fecha por la empresa Thomson
Reuters, que a su vez es propietaria de la ISI Web Of Knowledge.
Su principal objetivo es ayudar a los estudiantes a valorar las principales
universidades de todo el mundo, en base a seis indicadores, con el fin de evaluar a las
universidades en cuatro áreas: la investigación, la docencia, la empleabilidad y la
internacionalización.
Cada uno de los indicadores lleva una ponderación diferente en el cálculo de las
puntuaciones generales. Cuatro de ellos se basan en datos y los otros dos en encuestas a
académicos y empleadores.
Figura 3. Distribución de pesos y criterios en Ranking QS.
Fuente: Elaboración propia a partir de Ranking QS
Docencia20,0%
Investigación Impacto20,0%Prestigio
50,0%
Internacionalización10,0%
Ranking QS
Docencia
Investigación Impacto
Prestigio
Internacionalización
Espinosa Martín, M. Teresa
20
Los seis indicadores y sus pesos son los siguientes:
- Reputación académica (40%): Se mide usando una encuesta global a los
académicos, en la que valoran las instituciones en las que creen se está llevando a cabo el
mejor trabajo dentro de su propio campo de especialización. No pueden votar por su
propia institución. En la última edición, 2015-2016, las clasificaciones se basan en algo
menos de 76.800 respuestas de académicos de todo el mundo, recopiladas durante un
período de cinco años.
- Reputación de los empresarios/empleadores (10%): Se mide a partir de una
encuesta global realizada a los empleadores para identificar las universidades que
producen mejores graduados desde su percepción. Se da una ponderación más alta a los
votos otorgados en países distintos al que se encuentra la universidad, tratando de
identificar universidades con una reputación que se extiende más allá de sus fronteras
nacionales. En la última edición, 2015-2016, las clasificaciones se basan en más de 44.200
respuestas.
- Ratio entre estudiantes y profesores (20%): Es una medida simple que relaciona
el personal académico con el número de alumnos matriculados. Tiene como objetivo
medir las instituciones que proporcionan clases de tamaño reducido y buen nivel de
supervisión individual, evaluando de esta forma la calidad de la enseñanza.
- Citas por área de conocimiento (20%): Este indicador pretende evaluar el
impacto de la investigación, ya que un trabajo con mayor número de citas se considera
más influyente. Esta información se recopila en la actualidad a través de Scopus. Se
utilizan los datos de los últimos cinco años completos, y el número total de citas se evalúa
en relación con el número de miembros del área en la universidad, por lo que las
instituciones más grandes no tienen una ventaja injusta.
- Tasa de profesores internacionales (5%): cociente entre el número de profesores
internacionales y el número total de profesores de la institución.
- Tasa de alumnos internacionales (5%): cociente entre el número de alumnos
internacionales y el número total de alumnos de la institución.
Los dos últimos indicadores pretenden evaluar el éxito de una universidad por la
atracción de estudiantes y académicos de otras naciones.
Clasificación de Universidades Públicas Españolas
21
Podemos destacar que en este ranking el 50% de su peso recae en la reputación de
académicos.
Resumiendo la información relativa a criterios, indicadores y sus respectivos
pesos, se observa:
Ranking: Quacquarelli Symonds World University Ranking (QS)
Criterios Indicadores Pesos %
Docencia Ratios Estudiantes/Profesores 20 20
Investigación Impacto Impacto de las citas (Scopus) 20 20
Internacionalización
Proporción de académicos internacionales entre
académicos nacionales 5
10 Proporción de estudiantes internacionales entre
estudiantes nacionales 5
Prestigio
Reputación de las universidades según académicos 40
50
Reputación de las universidades según empresarios 10
Tabla 12. Criterios, indicadores y pesos utilizados en Ranking QS
Fuente: Elaboración propia a partir de Ranking QS
Se elabora un ranking con las posiciones individuales de las 400 mejores
universidades y el resto se clasifican en grupos empezando por 401-410, hasta 701+. Los
resultados se publican en una tabla de clasificación interactiva, que puede ser ordenada
por país/región y por cada uno de los seis indicadores de rendimiento mencionados
anteriormente.
También se publican en las mismas fechas los QS World University Rankings por
el área de conocimiento, los cuales proporcionan rankings de las 400 mejores
universidades del mundo en cinco áreas:
- Artes y Humanidades
- Ingeniería y Tecnología
- Ciencias de la Vida y Medicina
- Ciencias Naturales
- Ciencias Sociales y de la Administración
Espinosa Martín, M. Teresa
22
Dado que las clasificaciones de las universidades QS World se desarrollaron por
primera vez en el año 2004, se han ampliado para clasificar más de 800 universidades.
Tras entrevistar a numerosos actores implicados (gerentes, directores de recursos
humanos o expertos en contratación) de 21 países diferentes, el ranking ofrece una nítida
fotografía de los centros educativos que hoy día, y a nivel global, ofrecen los graduados
más codiciados por las grandes empresas internacionales.
En el ranking publicado en 2015, el Top 10 vuelve a estar copado por
universidades anglosajonas, en este caso 5 de Estados Unidos, 4 de Reino Unido y una
Suiza.
Tabla 13. Universidades mejor clasificadas a nivel internacional en Ranking QS 2015
Fuente: Ranking QS
La primera universidad española en este ranking es la Universidad de Barcelona
en el puesto 166, seguida de la Universidad Autónoma de Madrid y la Universidad
Autónoma de Barcelona.
Clasificación de Universidades Públicas Españolas
23
Se muestran a continuación aquellas universidades españolas que se encuentran
en el Top 500:
Tabla 14. Universidades mejor clasificadas a nivel nacional en Ranking QS 2015
Fuente: Ranking QS
El QS ranking acaba de publicar su ranking edición 2016-2017, en el que las tres
universidades españolas mejor clasificadas son la Universidad de Barcelona que ocupa la
posición160, la Universidad Autónoma de Barcelona en el lugar 203 y la Universidad
Autónoma de Madrid en el puesto 210 del ranking internacional.
Consideramos que es un ranking generalista con un excesivo peso en la reputación
de las universidades, 50%, a partir de encuestas realizadas a académicos y empresarios.
Espinosa Martín, M. Teresa
24
2.1.1.4 Higher Education Evaluation and Acreditation Council of Taiwan (HEEACT)
El Performance Ranking of Scientific Papers of World Universities es elaborado
por Higher Education and Accreditation Council of Taiwan.
Se basa en la información obtenida de los Essential Science Indicators (ESI) para
seleccionar las 500 mejores universidades del mundo.
En el último ranking elaborado, de las más de 4.000 instituciones de investigación
que figuran en el ESI, se seleccionaron en primer lugar las 700 mejores instituciones en
función del número de artículos publicados en revistas y el número de citas. Se quitan de
la lista aquellas instituciones que no son universitarias.
El resto de universidades hasta las 924 que formaron parte de este sistema de
clasificación, se obtuvieron de aquellas que el personal del proyecto valoró en función de
las puntuaciones obtenidas en otros rankings como el ARWU, LA, QS y de las noticias
de Estados Unidos.
Los datos utilizados para evaluar las actuaciones de las universidades
seleccionadas se extrajeron de ESI y Web of Science Core Collection (WOS), que incluye
SCI y SSCI, y Journal Citation Reports (JCR) del ISI.
Los criterios e indicadores así como su ponderación respectiva, son los siguientes:
Ranking: Higher Education Evaluation and Acreditation Council of Taiwan (HEEACT)
Criterios Indicadores Pesos %
Investigación
Resultados/
Producción
Número de artículos de los últimos 11 años 10
25
100
Número de artículos del año en curso 15
Impacto
Número de citas de los últimos 11 años 15
35 Número de citas de los últimos 2 años 10
Promedio de citas de los últimos 11 años 10
Excelencia
Número de citas de los últimos 11 años 10
40 Número de citas de los últimos 2 años 15
Promedio de citas de los últimos 11 años 15
Tabla 15. Criterios, indicadores y pesos utilizados en Ranking HEEACT
Fuente: Elaboración propia a partir de Ranking HEEACT
Clasificación de Universidades Públicas Españolas
25
Figura 4. Distribución de pesos y criterios en Ranking HEEACT.
Fuente: Elaboración propia a partir de Ranking HEEACT
Los procedimientos llevados a cabo para la obtención del ranking son los
siguientes:
En primer lugar se controlan los diversos nombres de cada universidad y se
inspeccionaron todos sus registros bibliográficos en SCI/SSCI. Después de eliminar los
registros duplicados se obtiene el número total de artículos de una universidad.
En segundo lugar, se usa SCI/ SSCI para obtener el número total de citas de cada
artículo y por tanto de la universidad.
Se calcula la puntuación de cada universidad para cada uno de los ocho
indicadores. Se normalizan los indicadores utilizando T-score para obtener la puntuación
final.
Por último, se calcula la puntuación final de cada universidad utilizando los pesos
de los indicadores y se clasifican las universidades por sus resultados finales. Las
universidades con la misma puntuación se ordenan alfabéticamente.
Investigación Producción
25,00%
Investigación Impacto35,00%
Investigación Excelencia
40,00%
Ranking HEEACT
Investigación Producción
Investigación Impacto
Investigación Excelencia
Espinosa Martín, M. Teresa
26
Muchas universidades obtuvieron puntuaciones similares, y las ligeras diferencias
en las puntuaciones finales deben interpretarse con cuidado. Una universidad que tiene
una puntuación ligeramente más alta que otra puede no ser necesariamente sugerir su
superioridad en la investigación científica, ya que las dos universidades podrían estar muy
cerca en el ranking.
Las universidades que aparecen en el Top 10 de este ranking son:
Tabla 16. Universidades mejor valoradas en Ranking HEEACT. Fuente: Ranking HEEACT.
Las universidades españolas que se posicionan en el Top 50 son las siguientes:
Tabla 17. Universidades españolas mejor valoradas en Ranking HEEACT.
Fuente: Ranking HEEACT
Clasificación de Universidades Públicas Españolas
27
Observamos que en las primeras posiciones vuelven a estar las Universidad de
Barcelona, que ocupa la posición 76 del ranking mundial, y la Universidad Autónoma de
Barcelona, seguidas en este caso de la Universidad de Valencia.
Como se puede observar, este ranking se centra exclusivamente en el análisis de
la investigación desde todas sus facetas: producción, impacto y excelencia.
2.1.1.5 Otros Rankings
Existen otros muchos rankings además de los anteriores, entre ellos podemos
destacar:
Ranking Web of World Universities
El Web Ranking of World Universities se proporciona desde España por el CSIC
(www.webometrics).
Se publica semestralmente (enero y julio) desde 2004, y cubre más de 18000
instituciones de educación superior de todo el mundo.
Dado que la presencia Web mide la actividad y visibilidad de las instituciones,
puede ser empleado como indicador del impacto y el prestigio de las universidades.
La recogida de datos institucionales a través de World Wide Web brinda una
oportunidad para democratizar los rankings y otorgar el poder de la clasificación al
consumidor siguiendo el mismo enfoque para todos a pesar del tamaño (Usher y Savino,
2007).
2.1.2 Comparativa de los principales rankings internacionales
A la vista de los resultados observados en los principales rankings internacionales,
podemos decir que a pesar de que los pesos utilizados para valorar cada uno de los
criterios son muy variables, la mayoría de los rankings internacionales son generalistas.
En todos ellos se observa que utilizan un número reducido de indicadores, y que
cuando existen ponderaciones, asignan de forma arbitraria un peso a cada uno de dichos
indicadores (Pérez-Estarrells y Gómez-Sancho: 2010).
Espinosa Martín, M. Teresa
28
A continuación observamos un resumen de los criterios utilizados en los
principales rankings internacionales:
Figura 5. Resumen distribución de pesos y criterios en algunos Rankings Internacionales
Fuente: Elaboración propia a partir de Rankings ARWU, THE, QS y HEEACT
Si consideramos estos 4 rankings de universidades como los más relevantes,
comprobamos que los pesos medios para cada uno de los criterios son los siguientes:
Criterios % Peso en cada Ranking
% Media ARWU THE QS HEEACT
Docencia 10 30 20 15,000
Investigación
Resultados/
Producción 40
60
30
62,5
20
20
100
23,750
60,625 Impacto 20 32,5 20 30 26,875
Excelencia 50 10,000
Prestigio 20 50 17,500
Internacionalización 5 10 3,750
Financiación de la industria 2,5 0,625
Renta per Cápita/Tamaño 10 2,500
Tabla 18. Pesos medios por criterio en Rankings Internacionales
Fuente: Elaboración propia a partir de Rankings ARWU, THE, QS y HEEACT
Clasificación de Universidades Públicas Españolas
29
Figura 6. Resumen pesos medios por criterios en Rankings Internacionales
Fuente: Elaboración propia a partir de Rankings ARWU, THE, QS y HEEACT
Estos resultados muestran un claro predominio de la investigación frente a la
docencia o la transferencia del conocimiento.
Existen pocos indicadores de calidad de la educación superior que puedan ser
comparados a nivel internacional (Romero y Pastor, 2012). En palabras de Docampo
(2008), fuera de las cifras de gasto e inversión hay un terreno poco transparente.
En este sentido, Usher y Savino (2007) examinaron dieciocho rankings de
universidades a nivel internacional realizados por diferentes instituciones y observaron
que existen enormes diferencias entre ellos tanto en lo que miden como en la forma de
medirlo, así como en la definición implícita de lo que es la calidad, teniendo en cuenta
que algunas de estas diferencias son de carácter cultural o geográfico. Además, la falta de
indicadores comunes entre los países explica por qué los grandes rankings
internacionales, como ARWU o THE, son tan dependientes de las medidas de las
publicaciones o de las encuestas de reputación, respectivamente, ya que son los únicos
indicadores que no dependen de los gobiernos o las instituciones a la hora de recoger y
procesar los datos.
Docencia15,00%
Investigación Producción
23,75%
Investigación Impacto26,88%
Investigación Excelencia
10,00%
Prestigio17,50%
Internacionalización3,75%
Financiación de la
industria0,63%
Renta per Cápita/Tamaño
2,50%
% Pesos Medios en Principales Rankings
Docencia
Investigación Producción
Investigación Impacto
Investigación Excelencia
Prestigio
Internacionalización
Financiación de la industria
Renta per Cápita/Tamaño
Espinosa Martín, M. Teresa
30
2.2 Rankings nacionales
En el mundo existen aproximadamente 20000 universidades en la actualidad, de
las cuales 83 son españolas.
Como hemos visto en apartados anteriores, es difícil encontrar universidades
españolas entre las mejores del mundo.
Entre otras cuestiones debido a la metodología que utilizan, los indicadores y sus
pesos, el sesgo de la lengua, la mayor consideración de la especialización científica, y su
tratamiento indiscriminado de la titularidad pública o privada (Romero y Pastor: 2012).
Teniendo en cuenta los diferentes contextos económicos, sociales y culturales, nos
podríamos preguntar si es adecuado comparar las universidades españolas con el resto de
universidades del mundo.
Además, los rankings internacionales se centran en las universidades que ocupan
los primeros puestos a nivel mundial, y la mayoría de las universidades españolas no
alcanzan los mínimos para figurar en ellos (Torres-Salinas et al., 2011b).
En este sentido, Delgado (2012) indica que tiene más significado realizar rankings
nacionales ya que se encuentran dentro de marcos jurídicos, económicos, culturales y
sociales similares, haciendo que las universidades tengan cierto parecido estructural.
Si nos centramos en las universidades españolas, la mayoría de las discusiones
sobre los resultados universitarios suelen estar focalizadas en las universidades públicas,
por un lado por el volumen que representan, y por otro, porque la mayoría de los recursos
que emplean son de origen público.
No obstante, y a pesar de que es más factible obtener información sobre las
universidades públicas que sobre las privadas, cada vez son más los rankings que tienen
en cuenta a estas últimas.
2.2.1 Principales rankings nacionales
Se destacan como principales rankings nacionales los siguientes:
2.2.1.1 Rankings ISI, I-UGR
Estos rankings toman como fuente de información la base de datos Thomson
Reuters, por criterios estrictamente académicos o científicos.
Clasificación de Universidades Públicas Españolas
31
Desarrollan un indicador a través del cual se ordenan las universidades en los
diferentes rankings por campos científicos y disciplinas, en función de su producción
científica en revistas y su impacto en un campo científico. Podemos decir que es un
ranking que se centra en el criterio de la investigación.
Los campos científicos y las disciplinas se determinan tomando como referencia
las 228 categorías del Journal Citation Reports, asignando las revistas que las integran a
12 campos científicos y 37 disciplinas, de forma que pueda captarse mejor en qué
temáticas son más activas e influyentes las universidades.
Para su diseño se seleccionan seis indicadores bibliométricos consolidados:
- NDOC: Número de documentos citables publicados en revistas indexadas en
cualquiera de las categorías de los Journal Citation Reports (Thomson
Reuters). Solo se tienen en cuenta las tipologías: Article, Review, Letter, Note
y Proceeding.
- NCIT: Número de citas recibidas por los documentos citables.
- H-INDEX: Índice h según la fórmula de Hirsch.
- 1Q: Porcentaje de documentos citables publicados en revistas indexadas en el
primer cuartil de cualquiera de las categorías de los Journal Citation Reports
(Thomson Reuters).
- PCIT: Promedio de citas de los documentos citables.
- TOPCIT: Porcentaje de documentos citables altamente citados. Para su
cálculo se toman todos los documentos publicados por todas las universidades
en campo científico, siendo los documentos altamente citados aquellos
situados en el percentil 0.9 según el número de citas.
Se calculan estos seis indicadores para cada una de las instituciones en una
disciplina concreta.
Teniendo en cuenta la correlación entre estos indicadores, se agrupan en dos
conjuntos diferentes. El primer conjunto está compuesto por medidas relacionadas con el
tamaño de las instituciones (número de trabajos citables indexados en el JCR, número de
citas e índice h), corresponde a una dimensión cuantitativa, DCUAN. El segundo
conjunto corresponde a una dimensión cualitativa, DCUAL, y está formado por
indicadores independientes del tamaño de las universidades (porcentajes de documentos
en el primer cuartil, citas y altamente citados).
Espinosa Martín, M. Teresa
32
Con el fin de buscar un equilibrio entre la cantidad y la calidad de las
publicaciones de las universidades, evitando que las universidades con un menor número
de trabajos JCR pero de gran calidad queden en las últimas posiciones, y como resumen
de las dimensiones cuantitativas y cualitativas de las publicaciones científicas indexadas
en las bases de datos de Thomson-Reuters, se obtiene un nuevo indicador bidimensional
denominado Institutional Field Quantitative-Qualitative Analysis Index (IFQ2A-Index),
que se utiliza para comparar y ordenar las universidades en un campo científico
determinado, en función de su producción científica en revistas y su impacto en dicho
campo.
Para calcular el indicador IFQ2A-Index:
- En primer lugar se normalizan entre 0 y 1 los indicadores para cada
universidad, tomando como referencia la universidad que alcanza el valor más
alto.
- A continuación, se calculan las dos dimensiones establecidas a partir de la
media geométrica de los valores normalizados de los indicadores que las
componen. Es decir,
DCUAN = √𝑁𝐷𝑂𝐶 . 𝑁𝐶𝐼𝑇 . 𝐻𝐼𝑁𝐷𝐸𝑋3
DCUAL = √1𝑄 . 𝑃𝐶𝐼𝑇 . 𝑇𝑂𝑃𝐶𝐼𝑇3
- Finalmente, se calcula IFQ2A-Index como producto de las dos dimensiones.
IFQ2A-Index = DCUAN . DCUAL
No se detallan los resultados de este ranking dado que el realizar un análisis tan
profundo, por campos o disciplinas científicas, excede a las dimensiones de nuestro
trabajo y por tanto de nuestros objetivos.
2.2.1.2 Rankings ISSUE, U-Ranking
El proyecto de Indicadores Sintéticos del Sistema Universitario Español (ISSUE),
ha sido desarrollado en colaboración por la Fundación BBVA y el Instituto Valenciano
de Investigaciones Económicas (Ivie).
El objetivo de los Rankings de Indicadores Sintéticos del Sistema Universitario
Español (ISSUE) es generar clasificaciones de las universidades españolas a partir de
Clasificación de Universidades Públicas Españolas
33
conjuntos de información amplios, que contemplan las tres principales dimensiones de
sus actividades: “docencia”, “investigación” e “innovación y desarrollo tecnológico”.
La primera edición de este ranking tuvo lugar en junio de 2013, y en la actualidad
ya se han presentado cuatro ediciones.
Analiza todas las universidades públicas españolas, y desde la edición de 2015 el
Ranking ISSUE ha incluido también a aquellas universidades privadas que ofrecen
información necesaria para ser “adecuadamente” comparadas.
Estos rankings, se construyen teniendo en cuenta tres aspectos relevantes:
i. Las diferentes misiones de las universidades:
- Docencia
- Investigación
- Innovación y desarrollo
ii. La existencia de diferencias en los resultados de una universidad en las
distintas áreas de estudio.
iii. La importancia de contemplar las preferencias de los usuarios de los servicios
universitarios a la hora de construir algunos rankings.
Se generan dos tipos de rankings en función de cómo se analizan los datos:
- Rankings de volumen de resultados
- Rankings de productividad
Y para cada uno de estos tipos se analizan las diferentes misiones de la
universidad, obteniendo de esta forma seis rankings diferentes.
Los principales resultados que se derivan del análisis de la edición 2015 del
ranking ISSUE son los siguientes:
- Se aprecian diferencias relevantes entre las universidades, tanto en
productividad como en volumen de resultados, siendo más significativos los
últimos.
- Existe un grupo reducido de universidades que destacan por su excelencia,
ocupando las primeras posiciones en todos los rankings. La mayoría de ellas
también aparecen como las universidades españolas mejor posicionadas en los
principales rankings internacionales.
- Se aprecia una especialización en la docencia en las universidades privadas.
Espinosa Martín, M. Teresa
34
Señalan que no es adecuado suponer que observando la información
correspondiente a uno de los ámbitos, docencia o investigación, se puedan deducir los
resultados en el otro ámbito, ya que aunque entre los resultados obtenidos en ambos
ámbitos se manifiesta una relación positiva, también existen diferencias que pueden llegar
a ser sustanciales.
En la actualidad, pensando en los distintos perfiles de los interesados en comparar
universidades (estudiante de grado o posgrado, profesor, orientador vocacional, gestor,
miembro de órganos de gobierno universitario, responsable de política universitaria en la
Administración Pública o periodista), permite crear rankings personalizados de las
distintas titulaciones de grado, a la medida de los usuarios, mediante el acceso a una web
interactiva.
En función de sus preferencias, el usuario puede elegir la familia de titulaciones
que le interesa así como las comunidades autónomas, pudiendo otorgar distinta
importancia a las actividades docentes o de I+D+i de las universidades.
En las últimas ediciones incluye a las instituciones privadas que cuentan con
información suficiente para el cálculo de sus indicadores.
Ha contado con acceso al Sistema Integrado de Información Universitaria (SIIU),
plataforma que recoge, procesa, analiza y difunde datos del Sistema Universitario
Español, que ofrece información estadística homogénea y comparable de las
universidades españolas, gracias a la colaboración del Ministerio de Educación, Cultura
y Deporte.
También ha contado con datos de innovación y desarrollo tecnológico gracias a la
reactivación de la Encuesta de Investigación y Transferencia de Conocimiento de la
RedOTRI.
Ha sacado recientemente su edición 2016 en la que se han realizado rankings por
volumen y productividad, así como por cada una de las tres misiones principales de la
universidad. También se han elaborado otros rankings por áreas de conocimiento o
titulación. Se presenta a continuación la descripción de los indicadores utilizados para
elaborar las clasificaciones.
Clasificación de Universidades Públicas Españolas
35
Tabla 18. Indicadores Docencia Ranking ISSUE. Fuente: Ranking ISSUE.
Espinosa Martín, M. Teresa
36
Tabla 19. Indicadores Investigación Ranking ISSUE. Fuente: Ranking ISSUE.
Clasificación de Universidades Públicas Españolas
37
Tabla 20. Indicadores Innovación y Desarrollo Tecnológico Ranking ISSUE.
Fuente: Ranking ISSUE.
Debemos tener en cuenta que la medida de tamaño de la universidad que se tiene
en cuenta en muchos de los indicadores utilizados en esta clasificación es el número de
profesores doctores, pero en él se detalla que “los profesores doctores utilizados en el
cálculo de los indicadores de Innovación y desarrollo tecnológico son los adscritos a las
Espinosa Martín, M. Teresa
38
siguientes categorías: Catedrático de Universidad, Catedrático de Escuela
Universitaria, Titular de Universidad, Titular de Escuela Universitaria y Contratado
Doctor, registrado cada año en los centros propios de las universidades públicas. En el
caso de las universidades privadas recoge el profesorado universitario con contrato
indefinido registrado cada año”.
La edición 2016 del U-Ranking presenta las siguientes clasificaciones para las
universidades españolas:
Clasificación por volumen de resultados:
Tabla 21. Clasificación universidades españolas por volumen de resultados.
Fuente: Ranking ISSUE
Clasificación de Universidades Públicas Españolas
39
Clasificación por productividad de resultados:
Tabla 22. Clasificación universidades españolas por productividad de resultados.
Fuente: Ranking ISSUE
Se observa como en la clasificación por volumen destacan la Universidad
Complutense de Madrid, la Universidad de Barcelona, la Universidad de Granada y la
Universidad de Valencia. Y en la clasificación por productividad las universidades mejor
valoradas son la Universidad Pompeu Fabra, la Universidad Autónoma de Barcelona, la
Universidad Politécnica de Cataluña y la Universidad Politécnica de Valencia.
Espinosa Martín, M. Teresa
40
2.2.1.3 Ranking Fundación Conocimiento y Desarrollo (CYD)
La Fundación CYD nace como una iniciativa del sector empresarial convencido
de la importancia de las universidades para el desarrollo económico y social del país. En
la actual realidad socio-económica, donde la globalización y la innovación son los
conceptos claves, el proyecto de la Fundación CYD llena un espacio fundamental para la
promoción de ideas que permitan convertir en valor el conocimiento.
A partir de estos planteamientos, y teniendo en cuenta que la misión de la
Fundación CYD es analizar y promover la contribución de las universidades al desarrollo
económico y social de España, la Fundación CYD se constituye como un grupo de
reflexión cuya actuación pretende contribuir a impulsar la transformación de la cultura
universitaria en una cultura que premie la voluntad emprendedora y la capacidad de riesgo
de todos los que participan en ella.
La Fundación CYD inició a finales del año 2010 el desarrollo del proyecto
Ranking CYD, alineándose así con una de las prioridades de la política educativa de
España y de la Unión Europea como es el logro de una mayor transparencia de los
sistemas de educación superior.
Para el cálculo de los indicadores se han usado cuatro tipos de datos:
Información facilitada por las universidades: Parte de esta información se ha
obtenido a través del Sistema Integrado de Información Universitaria (SIIU) del
Ministerio de Educación, Cultura y Deporte. Además, y para obtener la información no
incluida en el SIIU, se han diseñado tres cuestionarios online, uno para la recolección de
datos de la universidad en su conjunto, otro específicamente para los ámbitos de
conocimiento y, el tercero, para los planes de estudios de grado y máster que componen
un ámbito de conocimiento. Una vez cerrada la fase de recolección, los datos se han
revisado para controlar su consistencia. Los comentarios que han surgido de dicha
revisión han sido transmitidos a las universidades para proceder, en su caso, a su
confirmación. Y una vez que los datos han sido validados, se ha procedido al cálculo de
los indicadores de rendimiento.
Datos bibliométricos: Algunos de los indicadores del Ranking CYD están basados
en datos bibliométricos. Estos datos se han obtenido vía U-Multirank: el Centre for
Science and Technology Studies (CWTS) de la Universidad de Leiden, socio del
consorcio del U-Multirank, ha sido responsable de la elaboración de los datos
Clasificación de Universidades Públicas Españolas
41
bibliométricos y del cálculo de los respectivos indicadores que el Ranking CYD comparte
con el U-Multirank. A su vez los datos bibliométricos han sido extraídos de la base de
datos de la Web of Science (WoS), para la cual el CWTS tiene una licencia (Science
Citation Index Expanded, Social Sciences Citation Index, and Arts & Humanities Citation
Index). La WoS es actualmente una de las dos mejores fuentes para obtener datos
bibliométricos mundiales en todas las áreas científicas. Para poder calcular indicadores
bibliométricos fiables se ha establecido un mínimo de publicaciones por universidad (50
publicaciones entre las publicaciones de la WoS entre 2010-2013 para la segunda edición
y entre 2008 y 2011 para la primera edición) y por ámbito de conocimiento (20
publicaciones entre las publicaciones de la WoS en las áreas científicas asociadas al
ámbito de conocimiento de una universidad). Para más información sobre el análisis
bibliométrico consulta la página web del U-Multirank
Datos de patentes: Otra serie de indicadores del Ranking CYD están basados en
datos de patentes. Estos datos se han obtenido vía U-Multirank: el International Centre
for Research on Entrepreneurship, Technology and Innovation Management
(INCENTIM) de la Universidad Católica de Leuven, socio del consorcio del U-
Multirank, ha sido responsable de la elaboración de los datos de patentes y del cálculo de
los respectivos indicadores que el Ranking CYD comparte con el U-Multirank. Los datos
de patentes han sido obtenidos de la edición del abril 2013 de la base de datos de la Oficina
de Patentes Europea: EPO Worldwide Patent Statistical Database (PATSTAT). Para más
información sobre el análisis de patentes consulta la página web del U-Multirank.
Encuestas a estudiantes: Los estudiantes son considerados uno de los principales
usuarios del Ranking CYD, por lo que su capacidad para evaluar la calidad de la
enseñanza tiene una especial importancia. Los datos de la encuesta a estudiantes, los
resultados de la cual se han hecho públicos por primera vez en la actual edición del
Ranking CYD, se han usado exclusivamente para el cálculo del ranking por ámbitos de
conocimiento. La encuesta se dirige únicamente a estudiantes de las titulaciones de grado
(a partir del segundo año de matriculación) y máster de los ámbitos de conocimiento
seleccionados. La muestra establece un máximo de 500 estudiantes por cada ámbito en el
que una universidad participe. En el caso de que hubiera más de 500 estudiantes que
cumplan con los criterios de selección se debía llegar al número mencionado a través de
una muestra aleatoria. Las universidades han gestionado el contacto con los estudiantes a
Espinosa Martín, M. Teresa
42
los cuales se ha garantizado la privacidad de las respuestas. La recolección de datos y el
cálculo de los indicadores ha sido responsabilidad del equipo de U-Multirank.
No se presentan resultados obtenidos para las universidades españolas dado que
este ranking ofrece resultados excesivamente personalizados.
2.2.2 Homogeneidad de las universidades españolas
A pesar de que las universidades españolas comparten legalmente las mismas
misiones y de que el Sistema Universitarios Español es aparentemente homogéneo, con
características y estructuras productivas similares, y las diferencias que se han reconocido
generalmente se han basado en las encontradas entre las instituciones públicas y privadas,
en la práctica se identifican distintos perfiles de universidades en función de diferentes
criterios, entre los que podemos destacar sus áreas de conocimiento, tamaño o antigüedad
(Torres et al., 2015).
Además, debemos tener en cuenta que las universidades españolas presentan
características diferentes en algunos aspectos, por un lado por las actividades docentes e
investigadoras que desempeñan con intensidades variables, y por otro por el traspaso de
competencias del estado a las comunidades autónomas en materia de enseñanzas
universitarias (Romero y Pastor: 2012).
En este sentido, Torres et al. (2015) han realizado un estudio a partir de 74
universidades, aplicando un análisis cluster o de conglomerados que intentara equilibrar
los criterios de interpretabilidad, homogeneidad de los grupos y pérdida de información,
y un posterior análisis discriminante con el fin de identificar las variables que diferencian
a los grupos obtenidos. De este modo han detectado 5 grupos de universidades en función
del parecido de sus estructuras productivas. Consideran exactamente 5 grupos dado que
un número mayor daría lugar a clústeres no interpretables y un número menos provocaría
demasiada pérdida de información y por tanto mayor heterogeneidad dentro de cada
grupo. Los grupos detectados son los siguientes:
- Grupo 1: Universidades especializadas principalmente en docencia. En él se
encuentran universidades jóvenes, pequeñas y mayoritariamente privadas.
- Grupo 2: Universidades especializadas en transferencia del conocimiento. En
él se encuentran las universidades medianas de corte politécnico.
Clasificación de Universidades Públicas Españolas
43
- Grupo 3: Universidades equilibradas en las tres dimensiones: docencia,
investigación y transferencia del conocimiento. En él se encuentran las
universidades medianas sin una especialización marcada.
- Grupo 4: Universidades especializadas en investigación. En él se encuentran
principalmente universidades grandes, con mayor intensidad investigadora en
términos de producción científica.
- Grupo 5: Universidades a distancia grandes.
Aunque los autores no han incluido variables relacionadas con las ramas de
conocimiento, indican que esta dimensión determina la clasificación de universidades ya
que afecta a su estructura de producción, así como que los grupos se configuran en
función de su tamaño, salvo algunas excepciones de universidades eficientes en la
producción en investigación.
Estos estudios son coherentes con estudios anteriores realizados por otros autores,
entre los que se pueden destacar:
- Bonaccorsi y Daraio (2009): en él no se tiene en cuenta al dimensión de la
transferencia de conocimiento, y se establecen 2 clusters: universidades
orientadas a la docencia, universidades orientadas a la investigación y
universidades orientadas tanto a la investigación como a la docencia.
- García-Aracil y Palomares-Montero (2012): incorporan la misión de la
transferencia del conocimiento e identifican un cluster por cada una de las
misiones.
- Pérez y Aldás (2015): obtienen resultados similares con otras metodologías de
rankings en la tercera edición del U-Ranking (Ranking ISSUE 2015).
La mayoría de las universidades destacan en una o varias disciplinas, sólo unas
pocas universidades encabezan la mayoría de los campos o especialidades, tanto a nivel
nacional como a nivel internacional.
Algunos estudios tratan de resolver estos problemas generando grupos
homogéneos de universidades (clusters) en función del tamaño, la ubicación geográfica,
el área de conocimiento o la misión de especialización, entre otros.
Espinosa Martín, M. Teresa
44
2.3 Cuestiones a tener en cuenta a la hora de elaborar un ranking
A la hora de elaborar un ranking es importante determinar diferentes aspectos.
Por un lado, la unidad para la que se va a elaborar el ranking: nacional,
internacional, universidad, facultad, departamento, etc., teniendo en cuenta la
heterogeneidad de las mismas.
Por otro lado, determinar el tipo de ranking que se desea elaborar en función del
objetivo principal que se pretende conseguir.
En la actualidad la mayoría de los rankings pretenden valorar todas o alguna de
las tres misiones principales de las universidades: educación, investigación y
transferencia del conocimiento.
También es importante conocer a qué colectivo o colectivos pretenden informar:
futuros estudiantes, administración, las propias universidades, etc.
Una vez fijados estos aspectos generales, es necesario tener en cuenta que algunas
universidades tienen una clara orientación temática (pongamos el caso de las
Politécnicas) y sus resultados serán diferentes a aquellas otras que se muestran
generalistas.
Además, es necesario definir diferentes indicadores pertinentes para valorar cada
dimensión y que sirvan para medir cada una de las cuestiones (actividades, temáticas,…)
de interés. Los diferentes indicadores utilizados para medir una determinada dimensión,
suelen ser presentados en un único índice o índice sintético, que recoja de forma correcta
esta información.
Es recomendable utilizar indicadores que informen sobre el rendimiento o
resultados pero relativizando los datos a los medios o recursos con los que se cuenta
(Delgado, 2012).
Del mismo modo, es muy importantes el peso que se otorga a cada uno de los
indicadores en la valoración final. Estos pesos en la mayoría de los ranking se basan en
las opiniones de las personas que los elaboran, sin fundamentarse empíricamente
(Delgado, 2012). La utilización de métodos estadísticos aporta una determinación más
correcta de estos pesos.
Clasificación de Universidades Públicas Españolas
45
Finalmente se unifican estas puntuaciones en una puntuación final que valorará la
calidad de la universidad.
La fiabilidad de los resultados obtenidos dependerá de la calidad de los datos, los
cuales son obtenidos de diferentes maneras, destacando la realización de encuestas a
expertos o a personal independiente, y la recogida de información de bases de datos que
pueden ser externas o de las propias universidades. En muchas ocasiones se utilizan varias
de estas formas.
Debemos tener en cuenta que conseguir una buena posición en los rankings puede
desencadenar la manipulación de datos por parte de las universidades (Romero y Pastor:
2012).
Suele ser complicado obtener la información de aquello que se “desea medir”
siendo habitual que en los rankings se clasifique a las universidades sencillamente en
función de aquello que se “puede medir”, lo que también arrastra sesgos (Romero y
Pastor: 2012).
El objetivo de los diferentes rankings debería ser medir cómo la universidad
educa, investiga o transfiere su conocimiento, y con qué medios cuenta para ello, con
indicadores diferenciados para cada una de las tres misiones universitarias (Delgado,
2012).
Las universidades que forman parte de un ranking deben ser comparables. En este
sentido, según Delgado (2012) los rankings deben elaborarse por disciplinas.
Es mejor utilizar pocos indicadores pero que sean significativos, valorando las
características comunes y diferenciales de las instituciones
La forma de evitar las deficiencias que se manifiestan en la calidad de los datos
sobre la actividad universitaria española sería la construcción de un sistema de
información público (Delgado, 2012). Este hecho queda de manifiesto en el informe de
ANECA (2007) donde se refleja: “En la actualidad, España carece de un sistema de
información capaz de dar cuenta, de forma sólida y sostenida, de la calidad de las
titulaciones e instituciones universitarias. La existencia de políticas y procedimientos
adecuados para seleccionar, recoger, almacenar y recuperar información válida y fiable
es seguramente uno de los retos más importantes a los que se enfrenta la evaluación de
la calidad en las universidades españolas”.
Espinosa Martín, M. Teresa
46
Podemos destacar como fortalezas de los rankings analizados que:
- Reflejan de forma resumida el funcionamiento de las universidades en relación
con sus competidores.
- Sirven de herramienta para la mejora continua del funcionamiento de las
universidades.
Sin embargo, también se encuentran algunas debilidades:
- No todos los rankings consideran el tamaño de las instituciones, algunos solo
consideran los resultados obtenidos, presentando desventaja tanto en las
universidades pequeñas como en aquellas que tienen pocos años de vida.
- No se utiliza siempre la misma metodología, incluso dentro del mismo
ranking, lo que dificulta la comparación de las universidades de un periodo a
otro.
- Utilizan datos del pasado, dificultando la medición actualizada de la calidad.
- En ocasiones, no todos los datos hacen referencia a los mismos periodos de
tiempo, generalmente por falta de disponibilidad de los mismos, afectando al
rigor del análisis.
- Los trabajos en lengua inglesa se publican mejor en las bases de datos
científicas y se citan más que los elaborados en otras lenguas, por lo que las
universidades situadas en países de lengua inglesa gozan de ventaja sobre
otras.
- Los datos que se utilizan en ocasiones han sido recogido con otros fines, por
lo que pueden encontrarse fuera de contexto.
47
3 Técnicas multivariantes a utilizar
Teniendo en cuenta que una unidad experimental es cualquier objeto o concepto
que se puede medir o evaluar, se puede decir que una de las principales labores de la
mayoría de los investigadores es medir y evaluar unidades experimentales.
Cuando el investigador mide o evalúa más de una característica o variable de cada
unidad experimental, se habla de variables múltiples.
Generalmente el interés radica en encontrar relaciones entre las variables, entre
las unidades experimentales o entre variables y unidades experimentales.
El análisis multivariante engloba diversos métodos los cuales están orientados a
sintetizar grandes cantidades de datos, tratando de eliminar la información redundante
que contienen y conservando la máxima información de interés para el estudio.
Las Técnicas Multivariantes ayudan a los investigadores a interpretar grandes y
complejos conjuntos de datos tomados para una gran cantidad de variables, buscando
siempre la simplificación. Su utilidad aumenta al aumentar el número de variables y el
número de unidades experimentales.
Se pueden clasificar en dos grupos, las centradas en las relaciones que existen
entre las variables, entre las que se encuentran el análisis de componentes principales y
el análisis factorial y, y centradas en las relaciones existentes entre las unidades
experimentales, entre las que se encuentra el análisis cluster o de conglomerados.
Cómo hemos visto, la mayoría de los rankings universitarios utilizan el Análisis
Multivariante para elaborar los indicadores que permiten determinar la ordenación entre
universidades. El método más utilizado es el Análisis de Componentes Principales (ACP).
Existen diversos estudios que detallan estos aspectos, tal es el caso de Gómez-
Gallego et al. (2012), que realiza un Análisis de Componentes principales para las
universidades públicas españolas con datos de 2008 reflejados en el informe “La
universidad española en cifras” publicado en 2010 por la Conferencia de Rectores de
Universidades Españolas (CRUE). Dicho informe es elaborado cada dos años.
Espinosa Martín, M. Teresa
48
También se utiliza el Análisis Cluster con el fin de generar grupos homogéneos
de universidades en función del tamaño, la ubicación geográfica, el área de conocimiento
o la misión de especialización, entre otros.
Se presenta a continuación un resumen de las principales técnicas de Análisis
Multivariante, que se llevarán a cabo en este trabajo.
3.1 Análisis de Componentes Principales
En numerosas ocasiones es necesario recoger datos para un gran número de
variables.
Estas variables generalmente mide información común y se presentarán
correlaciones fuertes entre algunas de ellas.
Si p, con p ≥ 2, es el número de variables recogidas en una muestra, el número de
coeficientes de correlación a determinar sería (𝑝2
), siendo un número muy elevado a
medida que aumenta p y complicando la visualización de relaciones entre las variables.
En esta situación es conveniente encontrar un número inferior de variables,
representativas de las anteriores, de modo que no exista pérdida importante de
información y que sean incorreladas.
3.1.1 Objetivo del Análisis de componentes Principales
Reducir la dimensionalidad de un conjunto grande de datos, con el fin de realizar
una interpretación de los mismos o un análisis estadístico posterior, buscando un conjunto
reducido de variables, incorreladas entre sí (que no tengan repetición o redundancia en la
información) y que resuman la variación total de los datos.
En este sentido, se pretende encontrar un conjunto m<p de variables, que sean
combinaciones lineales de las p originales, incorreladas entre sí, y que contentan la mayor
información sobre la variabilidad de los datos.
El concepto de información se relaciona con el concepto de variabilidad o
varianza, considerando que existe mayor información cuanto mayor sea la variabilidad
de los datos.
Es decir, el Análisis de Componentes Principales pretende explicar la estructura
de covarianza de un vector aleatorio X mediante la búsqueda de un nuevo sistema de ejes
Clasificación de Universidades Públicas Españolas
49
coordenados, que llamaremos Componentes Principales, los cuales indican las
direcciones de mayor variabilidad en una situación teórica dada, bien sea con matriz de
covarianza conocida Σ, o posteriormente con una matriz Σ estimada a partir de los datos
observados.
Si las variables de partida están incorreladas no tiene sentido realizar un análisis
de Componentes Principales.
Además, la técnica de análisis de Componentes Principales no precisa normalidad
multivariante de los datos.
3.1.2 Obtención de las Componentes Principales
Se consideran las variables 𝑋1, … , 𝑋𝑝 sobre un grupo de objetos o individuos y se
pretende calcular a partir de ellas un nuevo conjunto de variables 𝑌1, … , 𝑌𝑝, incorreladas
entre sí, cuyas varianzas vayan decreciendo progresivamente.
Es recomendable expresar las variables en estudio en unidades comparables, ya
que las componentes principales son sensibles a cambios de escala (se basan en la
diagonalización de la matriz muestral de covarianzas, sensible a cambios de escala).
Esto es equivalente a calcular las componentes principales a partir de la matriz
muestral de correlación 𝙍, en lugar de a partir de la matriz muestral de covarianzas S.
Suponemos que conocemos la matriz de covarianzas Σ o la matriz de correlaciones
𝙍 del vector X = (𝑋1, … , 𝑋𝑝) con Var (𝑋𝑘)=𝜎𝑘𝑘 para k=1,…,p.
Sea Σ = Cov (X) semidefinida positiva, por lo que tendrá p autovalores
𝜆1, 𝜆2, … , 𝜆𝑝 y sus correspondientes autovectores normalizados 𝒆𝟏, … , 𝒆𝒑.
En esta situación, las Componentes Principales vienen dadas por 𝑌𝑖 = 𝒆𝒊′𝑋, con
Var(𝑌𝑖) = 𝜆𝑖 y Cov(𝑌𝑖,, 𝑌𝑗) = 0 si i≠ j, ∀ 𝑖, 𝑗 = 1, … . 𝑝, donde 𝜆1 ≥ 𝜆2 ≥ ⋯ ≥ 𝜆𝑝 ≥ 0
El coeficiente de correlación entre la componente principal 𝑌𝑖 y la variable original
𝑋𝑘, vendrá dado por:
𝜌𝑌𝑖,𝑋𝑘=
Cov(𝑌𝑖,,𝑋𝑘)
√Var(𝑌𝑖)√Var(𝑋𝑘)=
𝑒𝑘𝑖 √𝜆𝑖
𝜎𝑘 ∀ 𝑖, 𝑘 = 1, … . 𝑝
Además, la varianza total de las variables iniciales es igual a la varianza total de
las componentes principales:
Espinosa Martín, M. Teresa
50
∑ Var(𝑌𝑖) =
𝑝
𝑖=1
∑ 𝜆𝑖 = 𝑇𝑟𝑎𝑧𝑎 (𝛴) = ∑ Var(𝑋𝑖)
𝑝
𝑖=1
𝑝
𝑖=1
permitiendo expresar el porcentaje de varianza total que recoge cada componente
principal como 𝜆𝑗
∑ 𝜆𝑖 𝑝𝑖=1
= 𝜆𝑗
∑ Var(𝑋𝑖) 𝑝𝑖=1
3.1.2.1 Selección del número de componentes
La selección del número de componentes principales a retener puede ser realizada
utilizando distintas reglas:
- Seleccionar aquellas que cubren una proporción determinada de varianza.
-Retener aquellas componentes cuyos autovalores superen el promedio de todos
los autovalores ∑λi
p
pi=1 , que es igual a 1 para la matriz de correlaciones.
- Realizar una representación gráfica de λi frente a ei′, en la que se aprecia el
“codo” en el que se produce la transición entre los autovalores grandes y los pequeños
(aproximadamente iguales) y tomar los autovalores más grandes.
Para que puedan ser representados gráficamente, no se suelen coger más de 3
componentes principales.
3.1.2.2 Interpretación de los componentes principales
Las componentes principales se obtienen por rotación de ejes en el espacio de
parámetros, proporcionando unas nuevas variables que reflejan las direcciones de
máxima varianza y que no están correlacionadas.
La primera componente principal suele interpretarse como un factor de “tamaño”,
un promedio ponderado de todas las variables, cuando existe una alta correlación positiva
entre todas las variables y todas sus coordenadas tienen el mismo signo.
El resto de componentes se interpretan como factores de “forma”, teniendo
generalmente coordenadas positivas y negativas, que implica que contraponen unos
grupos de variables de un signo frente a los grupos de variables del otro signo.
Clasificación de Universidades Públicas Españolas
51
3.2 Análisis Factorial
El Análisis Factorial pretende resolver el problema de analizar si existe una
estructura subyacente detrás de un conjunto de datos o de variables cuyo número es muy
elevado.
El Análisis Factorial, del mismo modo que el Análisis de Componentes
Principales, se utiliza para crear nuevas variables que no se encuentren correladas, en este
caso se denominan Factores.
Una de las ventajas del Análisis Factorial sobre el Análisis de Componentes
Principales es que, generalmente las nuevas variables creadas son más fáciles de
interpretar.
El Análisis Factorial busca factores que expliquen la mayor parte de la varianza
común, en él se distingue entre varianza común y varianza única.
La varianza común es la parte de la variación de la variable que está compartida
con las otras variables y se puede cuantificar con la denominada comunalidad. La
varianza única es la parte de la variación de la variable que es propia de esa variable.
3.2.1 Objetivo del Análisis Factorial
Encontrar una forma de resumir la información contenida en una serie de variables
originales, mediante una serie de factores o valores teóricos que dependen de las variables
originales, con una mínima pérdida de información.
Dadas (X1, … , Xp ) variables observadas, con medias µ1, … , µp respectivamente,
su objetivo es hallar otras variables aleatorias no observables F1, … , Fm, con m≤p,
llamadas factores comunes, tales que las variables X1, … , Xp puedan ser expresadas como
combinación lineal de los factores F1, … , Fm, es decir
Xi = µi + li1 F1 + li2 F2 + ⋯ + lim Fm + ϵi para todo i = 1, …, p
donde los ϵi son los factores específicos, las fuentes adicionales de variación o
parte de la observación de la variable Xi que no puede ser explicada por los factores
comunes, y los lij son las cargas o pesos de cada factor Fj sobre cada variable Xi.
Los factores comunes F1, … , Fm y los específicos ϵ1, … , ϵp son incorrelados entre
sí.
Espinosa Martín, M. Teresa
52
Los factores comunes F1, … , Fm son incorrelados y tienen media 0 y varianza 1.
Los factores específicos ϵ1, … , ϵp son incorrelados y tienen media 0 y varianza
ψi2.
La varianza σi de cada variable original Xi se puede expresar como: σi2 = hi
2 + ψi2
es decir, varianza (comunalidad inicial) = comunalidad estimada + varianza específica,
donde hi2 es la comunalidad estimada (parte de la varianza de cada variable original que
queda explicada por los factores comunes extraídos).
Si las variables están tipificadas todas las varianzas valen 1, σi2 = 1, en este caso
la fórmula anterior quedaría como 1 = hi
2
σi2 +
ψi2
σi2 , y por tanto las comunalidades estimadas
se interpretan como el porcentaje de la varianza de cada variable explicado por los
factores extraídos o grado en que las variables quedan representadas en el espacio de los
factores.
Cada una de las observaciones (xi1, … , xip ) quedará definida como:
xij = µj + l1j Fi1 + l2j Fi2 + ⋯ + lmj Fim + ϵij
donde los Fik son las puntuaciones factoriales (factor scores), valores del i-ésimo
individuo en el factor común k-ésimo, y los lkj las cargas o saturaciones factoriales (factor
loadings), coeficientes que determinan el peso que el factor k-ésimo ejerce sobre la
variable j-ésima en cada individuo.
3.2.2 Fases del Análisis Factorial
3.2.2.1 Seleccionar las variables
Se seleccionan las variables con las que se pretende resolver el problema.
Tipificar (estandarizar) los datos sin las variables están medidas en unidades
distintas.
Si se realizan pruebas estadísticas de significación, se necesita normalidad en las
variables.
3.2.2.2 Comprobar si existe relación entre las variables
Calcular la matriz de correlaciones para comprobar que existen correlaciones altas
entre las variables, ya que el objetivo es identificar variables relacionadas.
Clasificación de Universidades Públicas Españolas
53
Es conveniente encontrar que los coeficientes de la matriz de correlaciones sean
la mayoría significativos, así como que el determinante de la matriz de correlaciones sea
bajo.
3.2.2.3 Analizar si la estructura es adecuada al análisis factorial
Se comprueba que la estructura es adecuada al análisis factorial a partir de:
La prueba de adecuación muestral KMO (Kaiser-Meyer-Olkin) para comprobar
que las correlaciones parciales son pequeñas. Compara la magnitud de los coeficientes de
correlación observados con la magnitud de los coeficientes de correlación parcial. Oscila
entre 0 y 1, los valores superiores a 0.5 o 0.6 indican que el análisis factorial es pertinente
para el conjunto de datos.
La prueba de esfericidad de Bartlett para contrastar si la matriz de correlaciones
es una matriz identidad, es decir, que las variables están incorreladas. Se realiza el
siguiente contraste:
𝐻0: La matriz de correlaciones es la matriz identidad (No existe correlación entre
las variables)
𝐻1: La matriz de correlaciones es distinta de la matriz identidad
Si se rechaza la hipótesis nula, el modelo factorial es adecuado.
Además, cuando los elementos de la diagonal principal de la matriz anti-imagen
son grandes y la mayor parte de los elementos no diagonales son pequeños, se puede decir
que nos encontramos ante un buen modelo factorial
3.2.2.4 Extraer los factores
Analizar el porcentaje de varianza explicada por cada factor y por los factores
extraídos.
Existen distintos métodos para estimar (extraer) los factores comunes en un
modelo de Análisis Factorial ortogonal, es decir para estimar los “factor loadings" (L) y
la matriz de unicidades.
Se pueden utilizar diversos métodos de extracción. Cuando no se supone
explícitamente normalidad de los elementos aleatorios del modelo, se suele utilizar el
Método de Componentes Principales, y cuando se supone normalidad Multivariantes se
suele utilizar el Método de Máxima Verosimilitud.
Espinosa Martín, M. Teresa
54
Para determinar el número de factores a extraer se utiliza alguno de los métodos
que se han expuesto en Componentes Principales, por ejemplo la Regla de Kaiser, la cual
indica extraer aquellos factores con autovalor mayor que 1.
Se calcular los autovalores. Utilizando la Regla de Kaiser se extraen aquellos
Factores con autovalor mayor que 1.
Los gráficos de sedimentación también permiten visualizar el valor de los
autovalores.
Calcular cargas (saturaciones factoriales), lkj, y las comunalidades (parte de la
varianza de cada variable original que queda explicada por los factores comunes
extraídos), hi2, antes de rotar los factores.
Un valor alto de lkj indica que la variable Xj está asociada o saturada con el factor
Fk (covarianza entre la variable y el factor).
En este sentido,
lkj
σi
es la correlación entre la variable y el factor,
lkj2
σi2 es el porcentaje en que la variable queda explicada por el factor en el espacio
de todos los posibles factores y
lkj2
hi2 es el porcentaje en que la variable queda explicada por el factor en el espacio
de los factores extraídos.
Comprobar si está clara la estructura factorial o es aconsejable rotar los factores.
En este sentido se comprueba si se cumple el principio de estructura simple:
- Cada factor debe tener unos pocos pesos altos (variables saturadas en dicho
factor) y los otros próximos a cero.
- Cada variable no debe estar saturada en más de un factor.
- Dos factores distintos deben presentar distribuciones diferentes de saturaciones
altas y bajas.
Clasificación de Universidades Públicas Españolas
55
3.2.2.5 Rotar los factores
Si no se cumple el principio de estructura simple se deben rotar los factores,
eligiendo la rotación que más se aproxime a este principio.
Las rotaciones más empleadas son:
Varimax: busca maximizar la varianza de las cargas factoriales por columnas,
suele ser la más utilizada en las aplicaciones.
Quartimax: maximiza la varianza de las cargas factoriales, por filas.
Equimax: entre las dos anteriores.
Debemos elegir el método que más simplifique la solución.
Se rotan los factores y se calculan de nuevo las cargas factoriales.
Se interpretan las cargas factoriales (matriz de factores rotados) después de la
rotación.
3.2.2.6 Asociación de variables a factores
Para asociar las variables a los factores hay que calcular la proporción de su
varianza (o de su comunalidad ajustada) atribuible a cada factor.
Se suelen tomar como significativos valores de |lkj
σi
| > 0.3 (9 % de explicación)
ó 0.4 (16 % de explicación). En este caso se asocia la variable Xi al factor Fj.
El primer factor explica la mayor parte de la varianza (estará en función de más
variables) y los siguientes factores van explicando progresivamente menor porcentaje.
Se da nombre a los factores, si es posible.
3.2.2.7 Calcular las puntuaciones factoriales
Se calculan las puntuaciones factoriales (Factor Scores), valores del i-ésimo
individuo en el factor común k-ésimo, y se guardan como variables.
Se realiza un gráfico de puntuaciones factoriales.
Espinosa Martín, M. Teresa
56
3.3 Análisis Cluster
3.3.1 Objetivo del Análisis Cluster
El análisis Cluster también denominado análisis por agrupación o análisis por
conglomerados es una técnica que se usa para clasificar unidades experimentales en
grupos, de formar que dentro de un mismo grupo exista un alto grado de homogeneidad,
y al mismo tiempo un alto grado de heterogenidad entre conglomerados diferentes.
Mientras que el análisis factorial se centra principalmente en la agrupación de
variables, el análisis por conglomerados se centra en agrupar objetos.
3.3.2 Fases del Análisis Cluster
3.3.2.1 Selección de las variables
Es muy importante la elección de las variables que van a formar parte del análisis
y que describen a los individuos, ya que serán la referencia para establecer la relación
entre los mismos y por tanto las agrupaciones o clusters.
3.3.2.2 Selección de la distancia o medida de similaridad o disimilaridad
La mayoría de los métodos de agrupamiento necesitan establecer una medida de
asociación entre los individuos, la cual indicará la proximidad entre los mismos, bien sea
a partir de una distancia o de una medida de similaridad o disimilaridad.
3.3.2.3 Selección de la técnica cluster o método de agrupación
La formación de los cluster o grupos se puede realizar a partir de diferentes
métodos. Ninguno de ellos aporta soluciones óptimas para todos los problemas que se
pueden plantear, y es posible obtener diferentes resultados en función del método elegido.
Es conveniente contrastar los resultados utilizando otros métodos. Se utiliza generalmente
como una técnica exploratoria.
El conocimiento del problema planteado y la experiencia del investigador servirán
de apoyo a esta situación.
Los métodos de análisis cluster existentes son muy números y se clasifican
generalmente en jerárquicos o no jerárquicos, cuya diferencia principal es la forma de
asignar los individuos a cada cluster, de forma que en los métodos jerárquicos las
Clasificación de Universidades Públicas Españolas
57
asignaciones que se van creando permanecen estables durante todo el proceso y no se
permiten reasignaciones posteriores a clusters distintos, a diferencia de los métodos no
jerárquicos que permiten estas reasignaciones si fueran necesarias.
Los llamados métodos jerárquicos tienen por objetivo agrupar clusters para formar
un cluster nuevo o bien separar alguno ya existente para dar origen a otros dos, de tal
forma que, si sucesivamente se va efectuando este proceso de aglomeración o división,
se minimice alguna distancia o bien se maximice alguna medida de similitud. En estos
métodos la elección del número óptimo de clusters es subjetiva, si se seleccionan muy
pocos clusters serán muy grandes y heterogéneos, y si se seleccionan muchos serán
difíciles de interpretar.
En los métodos no jerárquicos queda predefinido de antemano el número total de
clusters.
Dentro de los métodos jerárquicos se puede hablar de dos grupos, los
aglomerativos o ascendentes y los disociativos o descendentes.
Los métodos aglomerativos comienzan el análisis con tantos grupos como
individuos, y a partir de ellos se van formando otros grupos de forma ascendente hasta
que al final del proceso todos los grupos se encuentran incluidos en uno.
En estos métodos en necesario seleccionar una medida de similitud a partir de la
cual se irán agrupando los grupos con mayor similitud. De esta forma se continúa hasta
que se forma un solo grupo o bien se alcanza el número de grupos prefijado o se detecta
que hay razones estadísticas para no continuar haciendo agrupaciones, en caso de que los
más similares no sean lo suficientemente homogéneos como para determinar una
agrupación.
Los métodos disociativos realizan el proceso inverso. Comienzan con un grupo
que engloba a todos los individuos y a partir de él se realizan divisiones formando grupos
cada vez más pequeños hasta que al final se tienen tantos grupos como casos.
Los métodos jerárquicos permiten la construcción de un árbol de clasificación,
denominado dendograma, en el que se puede observar de forma gráfica los niveles a los
que se van formando los conglomerados. Además, tienen la ventaja de ser más rápidos y
llevar menos tiempo de cálculo.
Espinosa Martín, M. Teresa
58
La elección del método a utilizar dependerá del objetivo final que se pretenda y
de la naturaleza de los datos.
Lance y Williams en 1967 aportaron una fórmula recurrente a través de la cual se
pueden describir diferentes métodos, a partir de la distancia entre un grupo K y otro grupo
(I, J) formado en una etapa anterior por la fusión de dos grupos, que viene dada por
d (K, (I, J)) = 𝛼𝐼 d(K, I) + 𝛼𝐽 d(K, J) + 𝛽 d (I, J) + 𝛾 | d(K, I) - d(K, J) |
donde los parámetros 𝛼𝐼 , 𝛼𝐽, 𝛽 y 𝛾 serán diferentes para cada uno de los métodos.
Expresión que desde el punto de vista computacional permite una reducción
considerable de cálculos.
Uno de los métodos jerárquicos más utilizados y que emplearemos en nuestro
trabajo experimental es el Método de Ward.
Método de Ward
Su objetivo es unir clusters entre los cuales no exista un incremento significativo
de la variación. Se basa en la suma de cuadrados y tiende a crear grupos de tamaño similar,
siendo un buen método para el análisis de la varianza ya que suele producir clusters
claramente definidos.
Es decir, en este procedimiento en cada etapa se unen los dos clusters para los
cuales se obtiene un menor incremento en el valor de la suma total de los cuadrados de
las diferencias de cada individuo al centroide del cluster, dentro de cada cluster.
Sean
𝑛𝑘 el número de individuos del cluster k-ésimo.
𝑥𝑖𝑗𝑘 el valor de la j-ésima variable sobre el i-ésimo individuo del k-ésimo cluster.
𝑚𝑘 el centroide del cluster k-ésimo, cuyas componentes son 𝑚𝑗𝑘.
𝐸𝑘 la distancia euclidea al cuadrado de los individuos del cluster k-ésimo a su
centroide, es decir, la suma de los cuadrados de los errores al cluster k-ésimo, que viene
dada por 𝐸𝑘 = ∑ ∑ (𝑥𝑖𝑗𝑘 − 𝑚𝑗
𝑘)2𝑛𝑗=1
𝑛𝑘𝑖=1 = ∑ ∑ (𝑥𝑖𝑗
𝑘 )2𝑛𝑗=1
𝑛𝑘𝑖=1 - 𝑛𝑘 ∑ (𝑚𝑗
𝑘)2𝑛𝑗=1
E la suma de los cuadrados de los errores de todos los cluster, es decir, si existen
h clusters E = ∑ 𝐸𝑘ℎ𝑘=1 .
Clasificación de Universidades Públicas Españolas
59
En esta situación, los parámetros utilizados en la fórmula de recurrencia para el
Método de Ward con la distancia euclidea al cuadrado son los siguientes:
𝛼𝐼 = 𝑛𝑖1+ 𝑛𝑗
𝑛𝑖1+ 𝑛𝑖2+ 𝑛𝑗 , 𝛼𝐽 =
𝑛𝑖2+ 𝑛𝑗
𝑛𝑖1+ 𝑛𝑖2+ 𝑛𝑗 , 𝛽 = −
𝑛𝑗
𝑛𝑖1+ 𝑛𝑖2+ 𝑛𝑗 , 𝛾 = 0
3.3.2.4 Validación de los resultados obtenidos
En esta etapa se realiza la interpretación de los resultados, una vez identificada
una solución aceptable, y la validación de las etapas anteriores.
Se asigna una etiqueta a cada conglomerado en términos del valor teórico del
conglomerado.
Espinosa Martín, M. Teresa
60
4 Aplicación a la elaboración de clasificaciones de
universidades
Nuestro objetivo es elaborar una clasificación de universidades utilizando técnicas
Multivariantes.
Teniendo en cuenta que las universidades nacionales tienen un cierto parecido
estructural, ya que se encuentran dentro de marcos jurídicos, económicos, culturales y
sociales similares (Delgado, 2012), se considera oportuno realizar un análisis de nivel
nacional.
Se pretende que sea útil a todos los colectivos involucrados en la Enseñanza
Superior española, por lo que se tendrán en cuenta, por un lado, las tres misiones
principales de las universidades: educación, investigación y transferencia del
conocimiento, y por otro, las dos vertientes de la información, absoluta y relativa.
En este sentido se elaborarán dos tipos de clasificaciones, una en términos
absolutos que denominaremos por volumen y otra en términos relativos que
denominaremos por productividad. Y dentro de cada una de ellas se elaborarán 4
rankings, uno por cada misión principal de la universidad y otro global. De este modo
contaremos con 8 rankings sobre diferentes aspectos de las universidades españolas.
No se tendrán en cuenta las disciplinas en las que destacan cada una de las
universidades ni su orientación temática, dado que excede de los objetivos de este Trabajo
Fin de Máster.
4.1 Búsqueda y recogida de información
Dado que tratamos de elaborar clasificaciones lo más objetivas posible, y teniendo
en cuenta las cuestiones expuestas anteriormente como importantes a la hora de elaborar
un ranking, así como el análisis de otros rankings, detallamos cómo se lleva a cabo el
proceso de búsqueda y recogida de información, destacando algunos aspectos
considerados importantes a tener en cuenta para cumplir con nuestros objetivos.
Clasificación de Universidades Públicas Españolas
61
En primer lugar, buscamos información objetiva externa a las propias
universidades. Se ha encontrado información disponible en:
- Las Estadísticas e Informes Universitarios publicados por el Ministerio de
Educación Cultura y Deporte.
- Informes publicados por la Conferencia de Rectores de la Universidades
Españolas sobre las cifras de las universidades.
- Base de datos IUNE de la Actividad Investigadora en la Universidad Española.
En segundo lugar, se estudian los indicadores que utilizan los rankings
internacionales más consolidados. Se observa que cada ranking mide aspectos diferentes
de las universidades, utilizando indicadores muy diversos, y aun cuando utilizan
indicadores similares consideran pesos muy dispares para los mismos.
En tercer lugar, dado el caso de estudio que nos atañe son las universidades
españolas, algunos de los indicadores que utilizan otras clasificaciones no se consideran
oportunos para nuestra clasificación, por ejemplo los premios Nobel y medallas Fields de
antiguos alumnos y profesores, ya que no son representativos de la calidad de las
universidades españolas. Además, teniendo en cuenta que los indicadores han de ser lo
más objetivos posible, tampoco nos parece oportuno que nuestra clasificación se base en
opiniones de académicos ni empresas, debido al sesgo que se puede presentar en ellas.
En cuarto lugar, a modo orientativo, se procede a investigar sobre la disponibilidad
de la información relativa a los indicadores que utilizan algunos rankings internacionales
consolidados, o a indicadores similares, que se considera que pueden resultar interesantes
para este trabajo.
Se describen a continuación los indicadores que se utilizan principalmente en
algunas clasificaciones internacionales notorias, así como la disponibilidad sobre la
obtención de los datos, tanto para universidades públicas como para universidades
privadas, y el peso que se otorga a dichos indicadores en otras clasificaciones.
Espinosa Martín, M. Teresa
62
Indicador
Disponibilidad/ Observaciones
% Peso en otros rankings
Univ. Públicas
Univ. Privadas
ARWU THE QS HEEACT
Resultados sobre docencia, obtenidos en encuestas aplicadas a PDI
NO NO 15
Estudiantes grado admitidos/Nº PDI SI SI 4,5
Estudiantes grado totales/Nº PDI SI SI 20
Doctorados otorgados/Nº PDI SI SI 6 Doctorados otorgados/Licenciaturas (Nº Graduados)
SI SI 2,25
Antiguos alumnos con premios Nobel y medallas Fields
No Aplica No Aplica 10
Presupuestos para Docencia/Nº PDI NO NO 2,25 Profesores con premios Nobel y medallas Fields
No Aplica No Aplica 20
Reputación universidades según académicos NO NO 40
Artículos publicados en Nature y Science Laborioso Laborioso 20 Artículos indexados en Science Citation Index-Expanded y Social Science Citation Index
Similar (Web of Science)
NO 20
Resultados sobre investigación obtenidos en encuestas aplicadas a PDI
NO NO 19,5
Documentos publicados (Indexados en ISI Thomson Reuters) /Nº PDI
SI SI 4,5
Nº artículos de los últimos 11 años SI (10 años) SI (10 años) 10
Nº artículos año en curso SI (2014) SI (2014) 15
Investigadores con alto índice de citación en diversas materias
Similar (Promedio citas por Prof.)
Similar (Promedio citas
por Prof.) 20
Impacto de las citas Similar (Índice h, Citas recibidas)
Similar (Citas recibidas)
32,5 20
Nº citas de los últimos 11 años SI (10 años) SI (10 años) 15
Promedio citas de los últimos 11 años SI (10 años) SI (10 años) 10
Nº citas de los últimos 2 años SI (2014, 2013) SI (2014, 2013) 10
Índice h de los últimos 2 años SI (2005-2015) NO 10
Número de publicaciones ampliamente citadas Similar (Citas por Univ. y por Prof.)
Similar (Citas por Univ. y por
Prof.) 15
Nº de artículos del año en curso en publicaciones de alto impacto
SI (Q1, 3P Revistas Área)
SI (Q1, 3P Revistas Área)
15
Presupuesto para investigación/Nº PDI NO NO 5,25 Financiación pública para investigación/Financiación total para investigación
NO NO 0,75
% PDI internacionales/PDI nacionales SI SI 3 5
% Estudiantes internacionales/Estudiantes nacionales
SI SI 2 5
Recursos para investigación provenientes industria/Nº PDI
NO NO 2,5
Rendimiento académico per cápita de una institución
NO NO 10
Reputación universidades según empresarios NO NO 10
100 100 100 100
Tabla 23. Indicadores utilizados en algunos rankings internacionales con peso y disponibilidad.
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
63
En quinto lugar, dado que se pretende elaborar un ranking en términos absolutos
y otro en términos relativos que puedan ser comparados posteriormente, se pretende
seleccionar el mismo número de indicadores para cada una de estas clasificaciones, de
modo que cada uno de los indicadores considerados en la clasificación por volumen tenga
su equivalente en la clasificación por productividad.
En sexto lugar, teniendo en cuenta que se quieren valorar las tres misiones
principales de las universidades: investigación, docencia y transferencia de conocimiento,
se pretende seleccionar el mismo número de indicadores representativos de cada una de
las misiones.
En séptimo lugar, se buscan datos lo más actualizados posible y que todos ellos
hagan referencia a los mismos periodos de tiempo.
En octavo lugar, una vez que tenemos claro qué criterios deben cumplir los
indicadores que se utilizarán para elaborar nuestras clasificaciones, a fin de que sean lo
más objetivas posible, se indaga sobre la disponibilidad efectiva de estos datos para todas
las universidades españolas.
Tras un arduo trabajo de ordenación de datos, ante la imposibilidad de obtener en
un solo listado valores para todas las universidades en cada variable, en la mayoría de los
casos, se observa que bastantes de estos datos no se encuentran disponibles para un gran
número de universidades privadas, así como para las universidades consideradas
especiales (Internacional de Andalucía e Internacional Menéndez Pelayo).
Por este motivo, se decide elaborar las clasificaciones exclusivamente para las
universidades públicas españolas.
Durante el periodo de elaboración de este trabajo, los datos más actualizados
disponibles, que son los que se utilizan, corresponden al año 2014.
Espinosa Martín, M. Teresa
64
4.1.1 Universidades a analizar en nuestro ranking
Acrónimo Universidad Comunidad Tipo de
enseñanza
EHU País Vasco/Euskal Herriko Unib País Vasco Presencial
UA Alicante Comunitat Valenciana Presencial
UAB Autónoma de Barcelona Catalunya Presencial
UAH Alcalá Comunidad de Madrid Presencial
UAL Almería Andalucía Presencial
UAM Autónoma de Madrid Comunidad de Madrid Presencial
UB Barcelona Catalunya Presencial
UBU Burgos Castilla y León Presencial
UC3M Carlos III de Madrid Comunidad de Madrid Presencial
UCA Cádiz Andalucía Presencial
UCLM Castilla-La Mancha Castilla La Mancha Presencial
UCM Complutense de Madrid Comunidad de Madrid Presencial
UCO Córdoba Andalucía Presencial
UDC A Coruña Galicia Presencial
UDG Girona Catalunya Presencial
UDL Lleida Catalunya Presencial
UGR Granada Andalucía Presencial
UHU Huelva Andalucía Presencial
UIB Illes Balears (Les) Illes Balears Presencial
UJAEN Jaén Andalucía Presencial
UJI Jaume I de Castellón Comunitat Valenciana Presencial
ULL La Laguna Canarias Presencial
ULPGC Las Palmas de Gran Canaria Canarias Presencial
UM Murcia Región de Murcia Presencial
UMA Málaga Andalucía Presencial
UMH Miguel Hernández de Elche Comunitat Valenciana Presencial
UNAVARRA Pública de Navarra Comunidad Foral de Navarra Presencial
UNED Universidad Nacional Educación a Distancia Comunidad de Madrid No presencial
UNEX Extremadura Extremadura Presencial
UNICAN Cantabria Cantabria Presencial
UNILEON León Castilla y León Presencial
UNIOVI Oviedo Principado de Asturias Presencial
UNIRIOJA La Rioja La Rioja Presencial
UNIZAR Zaragoza Aragón Presencial
UPC Politécnica de Catalunya Catalunya Presencial
UPCT Politécnica de Cartagena Región de Murcia Presencial
UPF Pompeu Fabra Catalunya Presencial
UPM Politécnica de Madrid Comunidad de Madrid Presencial
UPO Pablo de Olavide Andalucía Presencial
UPV Politècnica de València Comunitat Valenciana Presencial
URJC Rey Juan Carlos Comunidad de Madrid Presencial
URV Rovira i Virgili Catalunya Presencial
US Sevilla Andalucía Presencial
USAL Salamanca Castilla y León Presencial
USC Santiago de Compostela Galicia Presencial
UV València (Estudi General) Comunitat Valenciana Presencial
UVA Valladolid Castilla y León Presencial
UVIGO Vigo Galicia Presencial
Tabla 24. Universidades públicas españolas. Fuente: Ministerio de Educación, Cultura y Deporte
Clasificación de Universidades Públicas Españolas
65
En la tabla anterior, se describe el nombre de las universidades públicas españolas
así como el acrónimo utilizado para describirlas, la comunidad autónoma a la que
pertenecen y el tipo de enseñanza que imparten.
Se observa que una de las universidades públicas españolas presenta
características diferentes al resto, ya que es la única con enseñanza no presencial, pero se
considera adecuado que permanezca en los análisis.
4.1.2 Indicadores a utilizar en la clasificación
Después de analizar los indicadores que se utilizan en otras clasificaciones de
universidades, y de tener claros los criterios que se van a considerar para seleccionar los
indicadores que formarán parte de nuestro estudio, a fin de elaborar la clasificación de
universidades públicas españolas que se pretende, se recogen los siguientes datos para
cada una de las universidades:
Nombre Variable Descripción
UNIVERSIDAD Nombre de la Universidad
UNI_ACRON Acrónimo de la Universidad
COMUNIDAD Comunidad a la que pertenece la Universidad
NATUR_JURIDICA Naturaleza Jurídica (Pública, Privada)
PRESENC Tipo de enseñanza (Presencial, No Presencial)
N_PDI Nº Total Personal Docente e Investigador
N_PDI_TCOMPLETO Nº Personal Docente e Investigador Equivalente a Tiempo Completo
Tabla 25. Variables relevantes de las universidades. Fuente: Elaboración propia.
Como ya hemos comentado, con el objetivo de elaborar un ranking por volumen
y un ranking por productividad, y de comparar las posiciones de cada una de las
universidades públicas en ambas clasificaciones, se estima oportuno considerar
indicadores adecuados en términos absolutos que tengan su correspondiente indicador en
términos relativos.
De este modo contamos con indicadores que miden características similares en el
ranking de volumen y en el ranking de productividad, y con el mismo número de
indicadores para elaborar cada una de estas clasificaciones.
Espinosa Martín, M. Teresa
66
A fin de poder valorar la calidad integral de las universidades, se escogen
indicadores que representen de forma equitativa las tres misiones de la universidad,
considerando el mismo número de indicadores para cada una de las misiones.
Teniendo en cuenta estos aspectos así como la disponibilidad real de datos, y la
utilización de datos actualizados tanto como sea posible, se estima oportuno considerar
los siguientes indicadores para llevar a cabo cada una de las clasificaciones.
4.1.2.1 Indicadores clasificación en términos absolutos o por volumen
Describimos a continuación los 15 indicadores que se tomarán como punto de
partida para elaborar la clasificación en términos absolutos o por volumen, así como la
misión con la que se relacionan, la fecha a la que pertenecen y el nombre de la variable:
Indicadores Absolutos o por Volumen Criterios/
Misión Subcriterios Indicadores Nombre variable
Fecha/
Curso
Docencia
Resultados/
Producción Estudiantes totales (Grado + 1º y 2º Ciclo) N_ESTUD_G12 2014
Resultados/
Producción Egresados totales (Grado + 1º y 2º Ciclo) N_EGRESAD_G12 2014
Resultados/
Producción Estudiantes totales Máster N_ESTUD_MASTER 2014
Resultados/
Producción Egresados totales Máster N_EGRESAD_MASTER 2014
Excelencia Nº total de PDI Doctores N_DOCTORES 2014
Investigación
Resultados/
Producción Tesis defendidas último año N_TESIS 2014
Resultados/
Producción Nº total publicaciones último año N_PUBLIC 2014
Excelencia/
Visibilidad
Nº total publicaciones Primer Cuartil
último año N_PUBLIC_Q1 2014
Excelencia/
Visibilidad
Nº total publicaciones 3 Primeras Revistas
de Cada Área último año N_PUBLIC_3PRA 2014
Impacto Nº citas del último año N_CITAS 2014
Transferencia
Resultados/
Producción Nº Total Patentes último año N_PATENT 2014
Resultados/
Producción Nº Extensiones Patentes últimos 9 años N_EXTENS_PCT_9A
2006-
2014
Resultados/
Producción Nº de Spin-Off últimos 9 años N_SPIN_OFF_9A
2006-
2014
Ingresos Ingresos por Licencias últimos 9 años ING_LICEN_9A 2006-
2014
Ingresos Importes Facturados por Prestación de
Servicios útimos 9 años ING_LIC_9A
2006-
2014
Tabla 26. Indicadores absolutos. Fuente: Elaboración propia.
Clasificación de Universidades Públicas Españolas
67
4.1.2.2 Indicadores clasificación en términos relativos o por productividad
Los indicadores en términos relativos se calcularán considerando como medida
del tamaño de las universidades el número de PDI (Personal Docente e Investigador) que
hay en cada universidad, considerado a tiempo completo.
Indicadores Relativos o por Productividad Criterios/
Misión Subcriterios Indicadores Nombre variable
Fecha/
Curso
Docencia
Resultados/
Producción
Estudiantes totales (Grado + 1º y 2º
Ciclo) /Nº PDI Tiempo Completo N_ESTUD_G12_PDITC 2014
Resultados/
Producción
Egresados totales (Grado + 1º y 2º
Ciclo) /Nº PDI Tiempo Completo N_EGRESAD_G12_PDITC 2014
Resultados/
Producción
Estudiantes totales Máster /
Nº PDI Tiempo Completo N_ESTUD_MASTER_PDITC 2014
Resultados/
Producción
Egresados totales Máster /
Nº PDI Tiempo Completo
N_EGRESAD_MASTER_PDI
TC 2014
Excelencia Nº total de PDI Doctores /
Nº PDI Tiempo Completo N_DOCTORES_PDITC 2014
Investigación
Resultados/
Producción
Tesis defendidas último año /
Nº PDI Tiempo Completo N_TESIS_PDITC 2014
Resultados/
Producción
Nº total publicaciones último año
/Nº PDI Tiempo Completo N_PUBLIC_PDITC 2014
Excelencia/
Visibilidad
Nº total publicaciones Primer Cuartil
último año /Nº PDI Tiempo
Completo
N_PUBLIC_Q1_PDITC 2014
Excelencia/
Visibilidad
Nº total publicaciones 3 Primeras
Revistas de Cada Área último año
/Nº PDI Tiempo Completo
N_PUBLIC_3PRA_PDITC 2014
Impacto Nº citas del último año /
Nº PDI Tiempo Completo N_CITAS_PDITC 2014
Transferencia
Resultados/
Producción
Nº Total Patentes último año/Nº PDI
Tiempo Completo N_PATENT_PDITC 2014
Resultados/
Producción
Nº Extensiones Patentes últimos 9
años/Nº PDI Tiempo Completo N_EXTENS_PCT_9A_PDITC
2006-
2014
Resultados/
Producción
Nº de Spin-Off últimos 9 años/Nº
PDITC último año N_SPIN_OFF_9A_PDITC
2006-
2014
Ingresos Ingresos por Licencias últimos 9
años/Nº PDITC último año ING_LICEN_9A_PDITC
2006-
2014
Ingresos
Importes Facturados por Prestación
de Servicios últimos 9 años/Nº
PDITC último año
ING_LIC_9A_PDITC 2006-
2014
Tabla 27. Indicadores relativos. Fuente: Elaboración propia.
Espinosa Martín, M. Teresa
68
4.1.3 Datos faltantes
Considerando los 30 indicadores que formarán parte de nuestra clasificación de
universidades públicas españolas, se observa que faltan los siguientes datos para los
indicadores en términos absolutos, y por tanto sus equivalentes para los indicadores en
términos relativos.
Universidad Nº Doctores
2014:
Nº Extensiones PCT
9 años
(2006-2014):
Nº Spin-Off
9 años:
Ingresos
Licencias
9 años:
Ingresos
Servicios
9 años:
EHU
UAH X
UAM X
UCA
UCM X
UCO X
UHU X
UJAEN X
ULL X X X
ULPGC X X
UNILEON X
UNIRIOJA X
UNIZAR X
UPCT X
USAL
UV X
UNED X
Tabla 28. Datos faltantes por universidad. Fuente: Elaboración propia.
Teniendo en cuenta que los indicadores son de diferente naturaleza, se hace un
análisis individualizado por cada uno de los indicadores y/o valores faltantes.
- Número de doctores
Para el indicador “Número de Doctores 2014” se analiza si se pueden aproximar
sus valores mediante una regresión lineal sobre el indicador “Número de PDI a tiempo
completo en 2014.”
Se observa para esta regresión un coeficiente de determinación 0.9636, por lo que
es muy buena la aproximación de los valores faltantes de este indicador a partir de la recta
de regresión del Nº de Doctores sobre el Nº de PDI a Tiempo Completo para las
universidades públicas españolas, cuya ecuación viene dada por y=0.7564 x – 54.353.
Clasificación de Universidades Públicas Españolas
69
Figura 7. Recta de regresión del Nº de Doctores sobre el Nº de PDI a Tiempo Completo, para las
universidades públicas españolas. Fuente: Elaboración propia.
- Número de extensiones PCT en los últimos 9 años
Del mismo modo, para el “Número de extensiones PCT en los últimos 9 años”, se
analiza si se pueden aproximar los valores faltantes a partir de una regresión lineal sobre
el “Número de patentes en 2014”.
Figura 8. Recta de regresión del Nº de Extensiones PCT en los últimos 9 años (2006-2014) sobre
el Nº de Patentes en 2014, para las universidades públicas españolas. Fuente: Elaboración propia.
y = 0,7564x - 54,353R² = 0,9636
0
500
1000
1500
2000
2500
3000
0 500 1000 1500 2000 2500 3000 3500 4000
Nº
Do
cto
res
(Y)
Nº PDI Tiempo Completo (X)
Nº DoctoresUniversidades Públicas 2014
y = 3,8735x - 0,2411R² = 0,6247
0
50
100
150
200
250
0 10 20 30 40 50 60
Nº
Exte
nsi
on
es P
CT
20
06
-20
14
Nº Patentes 2014
Nº Extensiones PCT 9 añosUniversidades Públicas 2006-2014
Espinosa Martín, M. Teresa
70
Se observa un coeficiente de determinación aceptable de 0.6247, por lo que se
realiza la aproximación indicada, a partir de la recta de regresión y = 3.8735x – 0.2411.
- Número de Spin-Off en los últimos 9 años
Para el número de Spin-Off, se hace una investigación para cada una de las
universidades que no tienen un valor diferente de cero.
En 2014 se crea la primera Spin-Off de la Universidad de la Laguna, “Wooptix
S.L.” (http://www.wooptix.com/). Dado que no se ha encontrado información sobre otras
empresas relacionadas con esta universidad, se considera adecuado asignar el valor 1.
Para la Universidad de la Rioja no aparece información sobre ninguna Spin-Off,
por lo que se asigna el valor 0.
Y por último, para la UNED se comprueba que hasta 2014 al menos existe
“SOIREM Research S.L.” que se creó en 2011, y que aunque aparece en algunos
documentos como la primera Spin-Off de la UNED
(http://portal.uned.es/portal/page?_pageid=93,644264&_dad=portal&_schema=PORTA
L&id_noticia=1414), en el propio portal de la universidad también aparece información
sobre de 2007 sobre “ADEX (Adaptive Predictive Expert Control) S.L.”
(http://portal.uned.es/portal/page?_pageid=93,644264&_dad=portal&_schema=PORTA
L&id_noticia=664). Dado que en la base de datos no se recoge ninguna y al menos está
documentada la creación de una empresa y otra dudosa, se considera adecuado asignar el
valor 1 para este indicador en la UNED.
- Ingresos por licencias en los últimos 9 años e Ingresos por servicios en los
últimos 9 años
Se ha realizado una búsqueda en otras bases de datos e informes para cada uno de
estos casos, a fin de contar con los valores más adecuados para el análisis.
Clasificación de Universidades Públicas Españolas
71
4.2 Análisis de datos
Una vez determinadas las variables y recogidos los datos, se procede a realizar un
análisis de los mismos.
Teniendo en cuenta que pretendemos elaborar clasificaciones tanto en términos
absolutos como en términos relativos, analizando de forma conjunta las variables
oportunas para cada uno de las clasificaciones, por lo que se utilizarán técnicas de Análisis
Multivariante.
Por un lado, con el fin de observar si una parte de la información recogida puede
ser redundante, se utilizan métodos multivariantes de reducción de la dimensión, los
cuales combinan las variables observadas a fin de obtener un número reducido de
variables ficticias que las representen.
Por otro lado, teniendo en cuenta que las universidades pueden presentar
características comunes, se pretende clasificar a las mismas en grupos que posean cierta
homogeneidad. Se utilizará para ello el Análisis Cluster o de Conglomerados, en el cual
los grupos serán configurados por las propias variables.
Para llevar a cabo el análisis de los datos se utiliza principalmente SPSS
(Statistical Package for the Social Sciences), apoyándonos en algunos momentos en la
hoja de cálculo Excel.
4.2.1 Ranking por volumen
Elaboramos a continuación las clasificaciones en términos absolutos o por
volumen.
4.2.1.1 Análisis descriptivo
Observamos los estadísticos descriptivos de las 15 variables seleccionadas para
llevar a cabo esta clasificación.
Espinosa Martín, M. Teresa
72
4.2.1.2 Análisis factorial
Dado que se dispone de un elevado número de datos sobre diferentes aspectos de
las universidades públicas españolas, recogidos en diferentes de variables originales, se
intenta resumir esta información.
Por este motivo, se utiliza la técnica de análisis factorial cuyo objetivo es definir
la estructura subyacente de un conjunto de datos, analizando la estructura de correlación
entre las variables mediante la definición de dimensiones subyacentes denominadas
Factores.
Para ello se llevarán a cabo los siguientes pasos:
Seleccionar las variables
Se seleccionan las variables que formarán parte del ranking por volumen y se
generan nuevas variables con los valores tipificados. Trabajaremos con las variables
tipificadas.
Par ello se utiliza el menú: Analizar/Estadísticos descriptivos/Descriptivos
Estadísticos descriptivos
48 4044 150205 24749,50 22783,398
48 619 11331 3934,54 2383,217
48 239 7871 1987,21 1496,000
48 122 3306 1053,21 730,868
48 253,16 3280,54 1089,5024 713,76834
48 38 806 223,15 190,180
48 86 5137 1226,60 1090,734
48 40 3185 673,38 651,425
48 21 4785 854,52 882,460
48 106 14215 3389,54 3715,859
48 1 53 13,27 11,031
48 1 215 51,17 53,990
48 0 123 19,54 24,516
48 ,00 4063,00 397,7500 687,96996
48 ,00 44524,00 6708,3125 10958,23
48
N_ESTUD_G12
N_EGRESAD_G12
N_ESTUD_MASTER
N_EGRESAD_MASTER
N_DOCTORES
N_TESIS
N_PUBLIC
N_PUBLIC_Q1
N_PUBLIC_3PRA
N_CITAS
N_PATENT
N_EXTENS_PCT_9A
N_SPIN_OFF_9A
ING_LICEN_9A
ING_SERVIC_9A
N válido (según lista)
N Mínimo Máximo Media Desv. típ.
Clasificación de Universidades Públicas Españolas
73
A continuación se utilizará el menú:
Analizar/Reducción de Datos/Análisis Factorial de SPSS.
Estructura adecuada al análisis factorial
Con el objetivo de verificar que el modelo factorial que se pretende utilizar es
adecuado, analizaremos los siguientes elementos:
- La matriz de correlaciones. A fin de comprobar que existe relación entre las
variables, dado que el objetivo es identificar variables relacionadas.
Es conveniente encontrar que los coeficientes de la matriz de correlaciones
sean la mayoría significativos, así como que el determinante de la matriz de
correlaciones sea bajo.
Estadísticos descriptivos
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Media
Desviación
típica N del análisis
Matriz de correlacionesa
1,000 ,698 ,880 ,633 ,540 ,446 ,344 ,307 ,284 ,227 ,249 ,296 ,154 ,086 ,129
,698 1,000 ,781 ,851 ,929 ,840 ,734 ,682 ,633 ,558 ,467 ,625 ,394 ,266 ,336
,880 ,781 1,000 ,859 ,649 ,641 ,568 ,534 ,531 ,396 ,276 ,442 ,235 ,268 ,294
,633 ,851 ,859 1,000 ,783 ,818 ,794 ,756 ,754 ,630 ,148 ,425 ,238 ,198 ,272
,540 ,929 ,649 ,783 1,000 ,843 ,766 ,717 ,644 ,609 ,507 ,673 ,502 ,338 ,346
,446 ,840 ,641 ,818 ,843 1,000 ,925 ,905 ,869 ,760 ,347 ,640 ,461 ,329 ,495
,344 ,734 ,568 ,794 ,766 ,925 1,000 ,995 ,973 ,866 ,145 ,549 ,361 ,371 ,565
,307 ,682 ,534 ,756 ,717 ,905 ,995 1,000 ,982 ,878 ,112 ,527 ,342 ,364 ,571
,284 ,633 ,531 ,754 ,644 ,869 ,973 ,982 1,000 ,847 ,051 ,471 ,269 ,333 ,563
,227 ,558 ,396 ,630 ,609 ,760 ,866 ,878 ,847 1,000 ,015 ,356 ,283 ,227 ,476
,249 ,467 ,276 ,148 ,507 ,347 ,145 ,112 ,051 ,015 1,000 ,791 ,670 ,481 ,393
,296 ,625 ,442 ,425 ,673 ,640 ,549 ,527 ,471 ,356 ,791 1,000 ,700 ,625 ,658
,154 ,394 ,235 ,238 ,502 ,461 ,361 ,342 ,269 ,283 ,670 ,700 1,000 ,378 ,478
,086 ,266 ,268 ,198 ,338 ,329 ,371 ,364 ,333 ,227 ,481 ,625 ,378 1,000 ,686
,129 ,336 ,294 ,272 ,346 ,495 ,565 ,571 ,563 ,476 ,393 ,658 ,478 ,686 1,000
,000 ,000 ,000 ,000 ,001 ,008 ,017 ,025 ,060 ,044 ,021 ,148 ,281 ,191
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,003 ,034 ,010
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,003 ,029 ,001 ,054 ,033 ,021
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,158 ,001 ,052 ,088 ,031
,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,009 ,008
,001 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,008 ,000 ,000 ,011 ,000
,008 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,162 ,000 ,006 ,005 ,000
,017 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,225 ,000 ,009 ,005 ,000
,025 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,000 ,366 ,000 ,032 ,010 ,000
,060 ,000 ,003 ,000 ,000 ,000 ,000 ,000 ,000 ,460 ,007 ,026 ,060 ,000
,044 ,000 ,029 ,158 ,000 ,008 ,162 ,225 ,366 ,460 ,000 ,000 ,000 ,003
,021 ,000 ,001 ,001 ,000 ,000 ,000 ,000 ,000 ,007 ,000 ,000 ,000 ,000
,148 ,003 ,054 ,052 ,000 ,000 ,006 ,009 ,032 ,026 ,000 ,000 ,004 ,000
,281 ,034 ,033 ,088 ,009 ,011 ,005 ,005 ,010 ,060 ,000 ,000 ,004 ,000
,191 ,010 ,021 ,031 ,008 ,000 ,000 ,000 ,000 ,000 ,003 ,000 ,000 ,000
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Correlación
Sig. (Unilateral)
ZN_ESTUD_
G12
ZN_
EGRESAD_
G12
ZN_ESTUD_
MASTER
ZN_
EGRESAD_
MASTER
ZN_
DOCTORES ZN_TESIS ZN_PUBLIC
ZN_
PUBLIC_Q1
ZN_PUBLIC_
3PRA ZN_CITAS ZN_PATENT
ZN_EXTENS_
PCT_9A
ZN_SPIN_
OFF_9A
ZING_LICEN_
9A
ZING_
SERVIC_9A
Determinante = 5,61E-013a.
Espinosa Martín, M. Teresa
74
En nuestro caso se observa que en la matriz de correlaciones existen
correlaciones altas entre variables que son significativas, encontrando un
número sustancial de correlaciones mayores que 0.3, y que el determinante de
la matriz de correlaciones es muy pequeño, situación que indica que el grado
de intercorrelación entre las variables es muy alto.
- La matriz anti-imagen. Cuando los elementos de la diagonal principal de la
matriz anti-imagen son grandes y la mayor parte de los elementos no
diagonales son pequeños, se puede decir que nos encontramos ante un buen
modelo factorial.
A la vista de la matriz anti-imagen podemos decir que se cumplen estas
condiciones, por lo que el modelo factorial es adecuado.
- La prueba KMO (Kaiser-Meyer-Olkin) que es una prueba de adecuación
muestral, para comprobar que las correlaciones parciales son pequeñas.
Compara la magnitud de los coeficientes de correlación observados con la
magnitud de los coeficientes de correlación parcial. Oscila entre 0 y 1, los
valores superiores a 0.5 o 0.6 indican que el análisis factorial es pertinente
para el conjunto de datos.
- La prueba de esfericidad de Bartlett para contrastar si la matriz de
correlaciones es una matriz identidad, es decir, que las variables están
incorreladas. Se realiza el siguiente contraste:
𝐻0: La matriz de correlaciones es la matriz identidad (No existe correlación
entre las variables)
𝐻1: La matriz de correlaciones es distinta de la matriz identidad
Si se rechaza la hipótesis nula, el modelo factorial es adecuado.
Matrices anti-imagen
,067 -,024 -,037 ,031 -,001 ,007 -,002 ,002 ,002 -,010 ,018 ,009 -,011 ,042 ,015
-,024 ,044 ,008 -,012 -,025 -,013 -,002 ,002 ,000 ,001 -,018 -,007 ,044 ,019 -,017
-,037 ,008 ,027 -,024 ,004 -,003 ,003 -,003 -6,95E-005 ,011 -,011 -,003 ,004 -,031 -,017
,031 -,012 -,024 ,029 -,003 ,000 -,004 ,004 -,005 -,013 ,017 ,000 -,010 ,019 ,028
-,001 -,025 ,004 -,003 ,060 ,010 -,004 ,001 ,010 -,008 -,023 -,003 -,019 -,019 ,041
,007 -,013 -,003 ,000 ,010 ,063 -,003 -,001 ,004 ,010 -,028 ,004 -,014 ,031 ,016
-,002 -,002 ,003 -,004 -,004 -,003 ,003 -,002 ,000 ,005 ,003 ,002 -,003 -,006 -,008
,002 ,002 -,003 ,004 ,001 -,001 -,002 ,003 -,003 -,009 ,001 -,004 ,000 ,002 ,008
,002 ,000 -6,95E-005 -,005 ,010 ,004 ,000 -,003 ,019 ,013 -,011 ,006 ,019 ,014 -,011
-,010 ,001 ,011 -,013 -,008 ,010 ,005 -,009 ,013 ,169 -,014 ,041 -,012 ,025 -,049
,018 -,018 -,011 ,017 -,023 -,028 ,003 ,001 -,011 -,014 ,126 -,063 -,069 -,037 ,000
,009 -,007 -,003 ,000 -,003 ,004 ,002 -,004 ,006 ,041 -,063 ,133 -,036 -,019 -,044
-,011 ,044 ,004 -,010 -,019 -,014 -,003 ,000 ,019 -,012 -,069 -,036 ,350 ,080 -,053
,042 ,019 -,031 ,019 -,019 ,031 -,006 ,002 ,014 ,025 -,037 -,019 ,080 ,325 -,087
,015 -,017 -,017 ,028 ,041 ,016 -,008 ,008 -,011 -,049 ,000 -,044 -,053 -,087 ,219
,615a -,438 -,890 ,699 -,023 ,101 -,163 ,114 ,062 -,097 ,197 ,093 -,074 ,287 ,122
-,438 ,864a ,236 -,334 -,482 -,245 -,141 ,160 ,013 ,008 -,247 -,096 ,356 ,155 -,176
-,890 ,236 ,688a -,867 ,089 -,076 ,339 -,286 -,003 ,166 -,185 -,043 ,039 -,335 -,227
,699 -,334 -,867 ,737a -,066 ,011 -,411 ,424 -,199 -,189 ,284 -,005 -,099 ,198 ,346
-,023 -,482 ,089 -,066 ,895a ,170 -,295 ,078 ,307 -,081 -,260 -,032 -,130 -,137 ,356
,101 -,245 -,076 ,011 ,170 ,953a -,196 -,037 ,102 ,099 -,310 ,044 -,095 ,213 ,135
-,163 -,141 ,339 -,411 -,295 -,196 ,821a -,860 -,019 ,208 ,185 ,092 -,106 -,212 -,333
,114 ,160 -,286 ,424 ,078 -,037 -,860 ,804a -,432 -,413 ,049 -,202 ,014 ,069 ,307
,062 ,013 -,003 -,199 ,307 ,102 -,019 -,432 ,910a ,237 -,235 ,120 ,234 ,183 -,173
-,097 ,008 ,166 -,189 -,081 ,099 ,208 -,413 ,237 ,897a -,099 ,277 -,051 ,108 -,255
,197 -,247 -,185 ,284 -,260 -,310 ,185 ,049 -,235 -,099 ,724a -,489 -,328 -,181 ,001
,093 -,096 -,043 -,005 -,032 ,044 ,092 -,202 ,120 ,277 -,489 ,901a -,168 -,089 -,256
-,074 ,356 ,039 -,099 -,130 -,095 -,106 ,014 ,234 -,051 -,328 -,168 ,841a ,237 -,191
,287 ,155 -,335 ,198 -,137 ,213 -,212 ,069 ,183 ,108 -,181 -,089 ,237 ,771a -,325
,122 -,176 -,227 ,346 ,356 ,135 -,333 ,307 -,173 -,255 ,001 -,256 -,191 -,325 ,782a
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Cov arianza anti-imagen
Correlación anti-imagen
ZN_ESTUD_
G12
ZN_
EGRESAD_
G12
ZN_ESTUD_
MASTER
ZN_
EGRESAD_
MASTER
ZN_
DOCTORES ZN_TESIS ZN_PUBLIC
ZN_
PUBLIC_Q1
ZN_PUBLIC_
3PRA ZN_CITAS ZN_PATENT
ZN_EXTENS_
PCT_9A
ZN_SPIN_
OFF_9A
ZING_LICEN_
9A
ZING_
SERVIC_9A
Medida de adecuación muestrala.
Clasificación de Universidades Públicas Españolas
75
En nuestro caso se obtiene que:
El estadístico KMO es 0.821, cercano a 1, por lo que podemos decir que es
bastante adecuado aplicar el análisis factorial a estos datos.
Al mismo tiempo, el contraste de la Prueba de esfericidad de Bartlett es
significativo (con Sig. 0.000), por lo que podemos rechazar la hipótesis nula y
aceptar la alternativa, es decir, la matriz de correlaciones es distinta de la
matriz identidad y por tanto las variables están correlacionadas. Situación que
indica que el modelo factorial es adecuado.
Dado que se ha obtenido que las pruebas de KMO y Barlett, así como el estudio
de la matriz anti-imagen resultan satisfactorias, además de la matriz de correlaciones
adecuada, se puede decir que el análisis factorial puede proporcionar buenos resultados.
Extraer y rotar los factores
Para extraer los factores se utilizará el método de componentes principales, el cual
consiste en realizar una combinación lineal de las variables, de forma que la primera
componente principal sea la combinación que más varianza explique, la segunda la
segunda que más varianza explique y que sea incorrelada con la primera, y así
sucesivamente.
Se calculan los autovalores y la varianza explicada:
KMO y prueba de Bartlett
,821
1161,255
105
,000
Medida de adecuación muestral de
Kaiser-Meyer-Olkin.
Chi-cuadrado
aproximado
gl
Sig.
Prueba de esfericidad
de Bartlett
Espinosa Martín, M. Teresa
76
En principio se tienen tantos autovalores como variables.
Se utiliza la regla de Kaiser para seleccionar los factores que se extraen, la cual
indica que se extraen aquellos con autovalores mayores que 1.
También se puede observar esta situación en el siguiente gráfico de
sedimentación:
Se extraen, por tanto, los tres primeros factores, que explican suficiente varianza,
el 84.957% de la varianza total.
Varianza total explicada
8,669 57,796 57,796 8,669 57,796 57,796 5,258 35,054 35,054
2,294 15,294 73,090 2,294 15,294 73,090 3,902 26,013 61,067
1,780 11,866 84,957 1,780 11,866 84,957 3,583 23,890 84,957
,836 5,576 90,532
,435 2,897 93,430
,268 1,788 95,218
,230 1,534 96,752
,143 ,953 97,705
,129 ,863 98,568
,100 ,668 99,236
,056 ,371 99,607
,034 ,227 99,834
,014 ,090 99,924
,010 ,066 99,990
,002 ,010 100,000
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
Autovalores iniciales
Sumas de las saturaciones al cuadrado
de la extracción
Suma de las saturaciones al cuadrado
de la rotación
Método de extracción: Análisis de Componentes principales.
Clasificación de Universidades Públicas Españolas
77
A fin de comprobar que las variables van a estar bien explicadas por la estructura
factorial elegida, comprobamos las comunalidades o proporción de la varianza que
quedaría explicada por los factores de cada una de las variables.
Las variables más explicadas por la estructura factorial son las relativas a
publicaciones: “Nº total de publicaciones” en primer lugar, seguida del número total de
publicaciones en el primer cuartil” y a continuación del “Nº total de publicaciones en las
3 primeras revistas de cada área”, todas ellas valoradas el último año.
Las variables menos explicada por la estructura factorial son “Ingresos por
licencias a lo largo de 9 años” seguida de “Nº de Spin-Off a lo largo de 9 años” y de
“Ingresos por servicios a lo largo de 9 años”.
La matriz de componentes contiene las cargas factoriales o pesos de cada variable
en cada componente, y corresponden a los coeficientes de correlación lineal de Pearson
entre la componente y la variable.
Para la interpretación de los factores, la mejor situación es que cada variable tenga
una carga factorial importante para un único factor y no dependa de varios.
Tras eliminar aquellas cargas con valor menor que 0.3, ya que se considera carecen
de interés, la matriz de componentes queda del siguiente modo:
Comunalidades
1,000 ,823
1,000 ,916
1,000 ,855
1,000 ,907
1,000 ,833
1,000 ,910
1,000 ,986
1,000 ,983
1,000 ,959
1,000 ,835
1,000 ,883
1,000 ,895
1,000 ,643
1,000 ,598
1,000 ,717
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Inicial Extracción
Método de extracción: Análisis de Componentes principales.
Espinosa Martín, M. Teresa
78
Se comprueba si se cumple el principio de estructura simple:
- Cada factor debe tener unos pocos pesos altos (variables saturadas en dicho
factor) y el resto próximos a cero.
- Cada variable no debe estar saturada en más de un factor.
- Dos factores distintos deben presentar distribuciones diferentes de saturaciones
altas y bajas.
Con el fin de mejorar esta situación en nuestro caso, se realizan las rotaciones
factoriales, a fin de realizar una mejor interpretación de los factores seleccionados.
La rotación mantiene la comunalidad y el porcentaje de varianza explicada por el
modelo, aunque no por cada eje.
Se efectúa una rotación ortogonal de los ejes factoriales, con el objetivo de
conseguir que la correlación de cada una de las variables sea próxima a 1 con sólo uno de
los factores y próxima a cero con los demás.
Se utiliza para ello el método Varimax, desarrollado por Kaiser en 1958, el cual
busca maximizar la varianza de las cargas factoriales.
La matriz de componentes rotados, utilizando este método y eliminando también
aquellos valores inferiores a 0.3, viene dada por:
Matriz de componentesa
,945
,922
,898 -,341
,887
,885 ,359
,860 -,362
,851 -,357
,763 -,314 -,393
,748 ,512
,742 ,586
,616 ,407 -,415
,439 ,778
,531 ,601
,481 ,555
,555 ,697
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_DOCTORES
ZN_EGRESAD_G12
ZN_PUBLIC_3PRA
ZN_EGRESAD_MASTER
ZN_CITAS
ZN_ESTUD_MASTER
ZN_EXTENS_PCT_9A
ZING_SERVIC_9A
ZN_PATENT
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZN_ESTUD_G12
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
3 componentes extraídosa.
Clasificación de Universidades Públicas Españolas
79
Se observa que se han simplificado las cargas factoriales con respecto a las
encontradas antes de la rotación, los factores vienen determinados por menos variables,
por lo que resultan más sencillos de interpretar.
Las puntuaciones de cada universidad en cada una de las componentes se calculan
a partir de la siguiente matriz de coeficientes:
Matriz de componentes rotadosa
,936
,929
,909 ,328
,893
,747 ,494 ,327
,905
,865
,439 ,793 ,309
,604 ,735
,488 ,656 ,404
,313 ,868
,855
,774
,729
,510 ,671
ZN_PUBLIC_3PRA
ZN_PUBLIC_Q1
ZN_PUBLIC
ZN_CITAS
ZN_TESIS
ZN_ESTUD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_G12
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
La rotación ha convergido en 5 iterac iones.a.
Matriz de transformación de las componentes
,702 ,552 ,450
-,405 -,211 ,890
-,586 ,807 -,076
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Matriz de coeficientes para el cálculo de las puntuaciones en
las componentes
-,154 ,367 -,068
-,034 ,225 ,004
-,076 ,296 -,053
,055 ,194 -,104
-,002 ,151 ,046
,118 ,042 ,007
,210 -,049 -,030
,228 -,075 -,034
,241 -,082 -,055
,247 -,101 -,065
-,198 ,088 ,312
-,049 ,001 ,265
-,060 -,026 ,261
,020 -,129 ,251
,115 -,186 ,208
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OFF_9A
ZING_LICEN_9A
ZING_SERVIC_9A
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Espinosa Martín, M. Teresa
80
A continuación se presenta la matriz de correlaciones reproducidas:
Se observa que sólo un 25% de los errores son mayores que 0.05, indicando una
bondad de ajuste del modelo factorial bastante coherente.
Asociación de variables a factores
Después de la rotación se puede realizar la siguiente interpretación de las cargas
factoriales a partir de la matriz de factores rotados. Las variables se asignan a los
siguientes factores:
Al primer factor se asignan principalmente las variables:
- Nº de publicaciones en las 3 primeras revistas de cada área
- Nº publicaciones en el primer cuartil
- Nº de publicaciones totales
- Nº de citas
- Nº de tesis
El segundo factor se asignan principalmente las variables:
- Nº de estudiantes de grado (incluidos primer y segundo ciclo cuando
corresponde)
- Nº de estudiantes de máster
Matriz de covarianza de las puntuaciones de las
componentes
1,000 ,000 ,000
,000 1,000 ,000
,000 ,000 1,000
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Correlacion es repro ducidas
,823b ,753 ,804 ,698 ,637 ,500 ,354 ,303 ,276 ,204 ,312 ,323 ,184 ,004 -,018
,753 ,916b ,859 ,862 ,860 ,821 ,730 ,689 ,652 ,556 ,439 ,622 ,424 ,301 ,367
,804 ,859 ,855b ,822 ,769 ,695 ,586 ,542 ,512 ,426 ,338 ,459 ,284 ,137 ,175
,698 ,862 ,822 ,907b ,796 ,830 ,801 ,771 ,753 ,669 ,164 ,426 ,235 ,155 ,281
,637 ,860 ,769 ,796 ,833b ,822 ,752 ,718 ,679 ,586 ,470 ,676 ,483 ,389 ,467
,500 ,821 ,695 ,830 ,822 ,910b ,917 ,899 ,870 ,782 ,306 ,632 ,433 ,406 ,561
,354 ,730 ,586 ,801 ,752 ,917 ,986b ,983 ,966 ,889 ,141 ,543 ,352 ,383 ,591
,303 ,689 ,542 ,771 ,718 ,899 ,983 ,983b ,969 ,896 ,104 ,517 ,333 ,378 ,595
,276 ,652 ,512 ,753 ,679 ,870 ,966 ,969 ,959b ,892 ,041 ,458 ,281 ,336 ,559
,204 ,556 ,426 ,669 ,586 ,782 ,889 ,896 ,892 ,835b -,024 ,376 ,220 ,287 ,505
,312 ,439 ,338 ,164 ,470 ,306 ,141 ,104 ,041 -,024 ,883b ,787 ,698 ,574 ,466
,323 ,622 ,459 ,426 ,676 ,632 ,543 ,517 ,458 ,376 ,787 ,895b ,746 ,679 ,689
,184 ,424 ,284 ,235 ,483 ,433 ,352 ,333 ,281 ,220 ,698 ,746 ,643b ,591 ,575
,004 ,301 ,137 ,155 ,389 ,406 ,383 ,378 ,336 ,287 ,574 ,679 ,591 ,598b ,622
-,018 ,367 ,175 ,281 ,467 ,561 ,591 ,595 ,559 ,505 ,466 ,689 ,575 ,622 ,717b
-,055 ,077 -,065 -,097 -,053 -,009 ,004 ,008 ,023 -,064 -,027 -,030 ,082 ,146
-,055 -,077 -,011 ,069 ,019 ,004 -,008 -,019 ,003 ,028 ,003 -,030 -,034 -,032
,077 -,077 ,038 -,119 -,054 -,018 -,008 ,019 -,030 -,062 -,017 -,049 ,131 ,120
-,065 -,011 ,038 -,014 -,012 -,007 -,015 ,001 -,039 -,016 ,000 ,003 ,044 -,009
-,097 ,069 -,119 -,014 ,022 ,014 -,001 -,034 ,024 ,037 -,003 ,019 -,051 -,121
-,053 ,019 -,054 -,012 ,022 ,009 ,006 -,001 -,022 ,041 ,008 ,028 -,076 -,066
-,009 ,004 -,018 -,007 ,014 ,009 ,012 ,007 -,023 ,005 ,006 ,009 -,012 -,026
,004 -,008 -,008 -,015 -,001 ,006 ,012 ,013 -,018 ,007 ,010 ,009 -,014 -,023
,008 -,019 ,019 ,001 -,034 -,001 ,007 ,013 -,045 ,010 ,013 -,013 -,003 ,004
,023 ,003 -,030 -,039 ,024 -,022 -,023 -,018 -,045 ,038 -,020 ,063 -,060 -,029
-,064 ,028 -,062 -,016 ,037 ,041 ,005 ,007 ,010 ,038 ,004 -,027 -,093 -,073
-,027 ,003 -,017 ,000 -,003 ,008 ,006 ,010 ,013 -,020 ,004 -,046 -,054 -,031
-,030 -,030 -,049 ,003 ,019 ,028 ,009 ,009 -,013 ,063 -,027 -,046 -,213 -,098
,082 -,034 ,131 ,044 -,051 -,076 -,012 -,014 -,003 -,060 -,093 -,054 -,213 ,064
,146 -,032 ,120 -,009 -,121 -,066 -,026 -,023 ,004 -,029 -,073 -,031 -,098 ,064
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Correlación reproducida
Residuala
ZN_ESTUD_
G12
ZN_
EGRESAD_
G12
ZN_ESTUD_
MASTER
ZN_
EGRESAD_
MASTER
ZN_
DOCTORES ZN_TESIS ZN_PUBLIC
ZN_
PUBLIC_Q1
ZN_PUBLIC_
3PRA ZN_CITAS ZN_PATENT
ZN_EXTENS_
PCT_9A
ZN_SPIN_
OFF_9A
ZING_LICEN_
9A
ZING_
SERVIC_9A
Método de extracc ión: Análisis de Componentes principales .
Los residuos se calculan entre las correlac iones observ adas y reproducidas. Hay 27 (25,0%) res iduales no redundantes con v alores absolutos m ay ores que 0,05.a.
Com unalidades reproducidasb.
Clasificación de Universidades Públicas Españolas
81
- Nº de egresados de grado (incluidos primer y segundo ciclo cuando
corresponde)
- Nº de egresados de máster
- Nº de doctores
El tercer factor se asignan principalmente las variables:
- Nº de patentes
- Nº de extensiones PCT en 9 años
- Nº de spin-off en 9 años
- Ingresos por licencias en 9 años
- Ingresos por servicios en 9 años
El primer factor explica la mayor parte de la varianza (estará en función de más
variables) y los siguientes factores van explicando progresivamente menor porcentaje.
Dar nombre a los factores
Teniendo en cuenta las variables que se asignan a cada uno de los factores, se
otorgan los siguientes nombres a los factores:
Factor 1: Investigación por volumen
Factor 2: Docencia por volumen
Factor 3: Transferencia de conocimiento por volumen
Representamos las 3 componentes en un gráfico de dispersión en 3 dimensiones:
Espinosa Martín, M. Teresa
82
Resultados
Se asigna a cada universidad una puntuación global en función de los factores
extraídos y de la varianza explicada por cada uno de ellos, de modo que
G=35.054 * F1 + 26.013 * F2 + 23.890 * F3
Los valores obtenidos son los siguientes:
Universidad
Factor 1 Volumen:
Investigación (F1)
Factor 2 Volumen:
Docencia (F1)
Factor 3 Volumen:
Transferencia
conocimiento (F3)
Puntuación
Global por
Volumen (G)
Puntuación
Global por
Volumen
Tipificada 35.054%
Varianza explicada 26.013%
Varianza explicada 23.890%
Varianza explicada
EHU 0,422 1,05646 0,80159 61,4244671 1,23438
UA -0,51975 0,08982 0,28873 -8,98506914 -0,18056
UAB 3,272 -0,633 0,41332 108,104674 2,17246
UAH -0,337 -0,04184 -0,34815 -21,2188854 -0,42641
UAL -0,54992 -0,56773 -0,21623 -39,2109909 -0,78798
UAM 1,56785 -0,03866 0,73973 71,625901 1,43939
UB 3,9378 0,3334 -0,25678 140,573901 2,82496
UBU -0,65776 -0,80549 -0,44603 -54,6659871 -1,09856
UC3M -0,35223 0,00483 -0,27093 -18,6939453 -0,37567
UCA -0,70648 -0,14214 0,01116 -28,1958253 -0,56662
UCLM -0,13605 -0,11803 -0,41683 -17,7974798 -0,35766
UCM 1,19858 2,89939 -0,629 102,410045 2,05802
UCO -0,10607 -0,252 -0,47134 -21,5337664 -0,43275
UDC -0,65266 -0,08702 -0,16004 -28,9653505 -0,58209
UDG -0,1399 -0,74535 -0,54085 -37,2137507 -0,74784
UDL -0,25784 -0,88593 -0,61247 -46,7159288 -0,93879
UGR 0,83949 1,61156 0,55236 84,5448731 1,699
UHU -0,47444 -0,69158 -0,61313 -49,268766 -0,9901
UIB -0,26226 -0,62663 -0,41978 -35,5223324 -0,71385
UJAEN -0,53994 -0,37356 -0,37937 -37,7076223 -0,75777
UJI -0,18135 -0,56716 -0,75898 -39,2426082 -0,78862
ULL 0,35481 -0,5212 -0,76491 -19,3941658 -0,38974
ULPGC -0,49522 -0,35993 -0,65938 -42,4748892 -0,85357
UM -0,0139 0,34447 -0,40488 -1,19913569 -0,0241
UMA -0,56792 0,66027 0,23083 2,78226453 0,05591
UMH -0,38337 -0,28412 -0,23477 -26,4381208 -0,5313
UNAVARRA -0,41531 -0,89355 -0,40488 -47,4747761 -0,95405
UNED -1,79624 4,08022 -1,29107 12,3297036 0,24778
UNEX -0,46774 -0,09254 -0,26156 -25,0520694 -0,50344
UNICAN 0,31561 -1,17383 -0,0099 -19,7079579 -0,39605
UNILEON -0,6043 -0,36011 -0,46942 -41,7651174 -0,83931
UNIOVI 0,64042 -0,36374 -0,43745 2,53663356 0,05097
UNIRIOJA -0,71205 -0,95649 -0,33038 -57,7341533 -1,16022
UNIZAR 0,57112 -0,19187 0,67832 31,233991 0,62767
UPC -1,56347 0,50014 3,10655 32,4197439 0,65151
UPCT -0,70654 -0,97338 -0,35197 -58,4961504 -1,17554
UPF 0,41758 -0,45739 -0,70012 -13,9861036 -0,28106
UPM -0,34995 -0,39655 3,72107 66,3137599 1,33264
UPO -0,41002 -0,57604 -0,63283 -44,4756783 -0,89377
UPV 0,16849 -0,53396 2,91037 61,5450863 1,23681
URJC -0,55321 0,84722 -0,8485 -17,6241545 -0,35417
URV 0,00494 -0,76953 -0,19654 -24,5399577 -0,49316
US -0,49363 2,04088 1,54545 72,7065059 1,46111
USAL 0,34554 -0,04898 -0,38667 1,60089612 0,03217
USC 0,38302 -0,26873 0,94153 28,9290613 0,58136
UV 1,54888 1,33186 -0,58138 75,0509455 1,50822
UVA -0,5363 0,09959 0,11288 -13,5121223 -0,27154
UVIGO -0,0453 -0,10204 -0,54738 -17,3192209 -0,34805
Tabla 29. Puntuaciones globales y por factor en volumen
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
83
Las posiciones tanto globales como por cada uno de los factores son:
POSICIONES RANKINGS POR VOLUMEN
Universidad Acrónimo Invest. Doc. Trans. GLOBAL
Barcelona UB 1 11 20 1
Autónoma de Barcelona UAB 2 39 10 2
Complutense de Madrid UCM 5 2 41 3
Granada UGR 6 4 9 4
València (Estudi General) UV 4 5 38 5
Sevilla US 33 3 4 6
Autónoma de Madrid UAM 3 15 7 7
Politécnica de Madrid UPM 26 31 1 8
Politècnica de València UPV 15 34 3 9
País Vasco/Euskal Herriko Unib EHU 9 6 6 10
Politécnica de Catalunya UPC 47 9 2 11
Zaragoza UNIZAR 8 23 8 12
Santiago de Compostela USC 11 25 5 13
Universidad Nacional de Educación a Distancia UNED 48 1 48 14
Málaga UMA 40 8 12 15
Oviedo UNIOVI 7 29 32 16
Salamanca USAL 13 17 27 17
Murcia UM 17 10 28 18
Alicante UA 35 13 11 19
Valladolid UVA 36 12 13 20
Pompeu Fabra UPF 10 32 44 21
Vigo UVIGO 18 20 37 22
Rey Juan Carlos URJC 39 7 47 23
Castilla-La Mancha UCLM 20 21 30 24
Carlos III de Madrid UC3M 27 14 22 25
La Laguna ULL 12 33 46 26
Cantabria UNICAN 14 48 15 27
Alcalá UAH 25 16 24 28
Córdoba UCO 19 24 35 29
Rovira i Virgili URV 16 42 17 30
Extremadura UNEX 31 19 21 31
Miguel Hernández de Elche UMH 28 26 19 32
Cádiz UCA 44 22 14 33
A Coruña UDC 42 18 16 34
Illes Balears (Les) UIB 24 38 31 35
Girona UDG 21 41 36 36
Jaén UJAEN 37 30 26 37
Almería UAL 38 36 18 38
Jaume I de Castellón UJI 22 35 45 39
León UNILEON 41 28 34 40
Las Palmas de Gran Canaria ULPGC 34 27 43 41
Pablo de Olavide UPO 29 37 42 42
Lleida UDL 23 44 39 43
Pública de Navarra UNAVARRA 30 45 29 44
Huelva UHU 32 40 40 45
Burgos UBU 43 43 33 46
La Rioja UNIRIOJA 46 46 23 47
Politécnica de Cartagena UPCT 45 47 25 48
Tabla 30. Posiciones globales y por factor en volumen
Fuente: Elaboración propia
Espinosa Martín, M. Teresa
84
Análisis de resultados
Se representan en un diagrama de dispersión los resultados obtenidos por
universidad, utilizando colores diferentes para las universidades que pertenecen a
comunidades diferentes.
Se presentan a continuación las 10 universidades con mejores resultados tanto en
las puntuaciones globales como en las puntuaciones obtenidas por cada uno de los
factores.
Clasificación de Universidades Públicas Españolas
85
Universidades con mejores resultados en las puntuaciones globales por
volumen
Posición Universidad Global
Volumen
1 UB 140,573901
2 UAB 108,104674
3 UCM 102,410045
4 UGR 84,5448731
5 UV 75,0509455
6 US 72,7065059
7 UAM 71,625901
8 UPM 66,3137599
9 UPV 61,5450863
10 EHU 61,4244671
Tabla 31. Clasificación 10 universidades mejor valoradas Globalmente por volumen.
Fuente: Elaboración propia
Aparecen en primer lugar dos universidades de Cataluña, la Universidad de
Barcelona y la Universidad Autónoma de Barcelona, seguidas de la Universidad
Complutense de Madrid (Comunidad de Madrid), de la Universidad de Granada
(Andalucía) y de la Universidad de Valencia (Comunidad Valenciana).
Si hacemos un análisis por Comunidades Autónomas, quedaría del siguiente
modo:
- Cataluña (UB, UAB)
- Comunidad de Madrid (UCM, UAM, UPM)
- Andalucía (UGR, US)
- Comunidad Valenciana (UV, UPV)
- País Vasco (EHU)
Se observa que estos resultados son coherentes con los obtenidos en otros rankings
elaborados a nivel nacional e internacional.
Universidades con mejores resultados en cada factor
Se detallan a continuación las universidades que han quedado entre las 10
primeras en cada uno de los factores:
Espinosa Martín, M. Teresa
86
- En el Factor 1: Investigación por volumen
Posición Universidad
Factor 1
Volumen:
Investigación
1 UB 3,9378
2 UAB 3,272
3 UAM 1,56785
4 UV 1,54888
5 UCM 1,19858
6 UGR 0,83949
7 UNIOVI 0,64042
8 UNIZAR 0,57112
9 EHU 0,422
10 UPF 0,41758
Tabla 32. Clasificación 10 universidades mejor valoradas en Investigación por volumen.
Fuente: Elaboración propia
Se observa que las 6 primeras universidades de esta lista (Universidad de
Barcelona, Universidad Autónoma de Barcelona, Universidad Autónoma de Madrid,
Universidad de Valencia, Universidad Complutense de Madrid y Universidad de
Granada), las universidades con mejores resultados en investigación, aparecen en la lista
de las universidades con mejores resultados globales. También aparece en esta lista la
Universidad del País Vasco.
La mayoría de las universidades que aparecen en el Top 10 de Investigación por
Volumen aparezcan en el Top 10 de Global por Volumen. Otras universidades que
destacan en investigación son la Universidad de Oviedo, la Universidad de Zaragoza y la
Universidad Pompeu Fabra. El factor investigación es el que más varianza explica.
- En el Factor 2: Docencia por volumen
Posición Universidad
Factor 2
Volumen:
Docencia
1 UNED 4,08022
2 UCM 2,89939
3 US 2,04088
4 UGR 1,61156
5 UV 1,33186
6 EHU 1,05646
7 URJC 0,84722
8 UMA 0,66027
9 UPC 0,50014
10 UM 0,34447
Tabla 33. Clasificación 10 universidades mejor valoradas en Docencia por volumen.
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
87
La universidad que destaca bastante en docencia respecto a las demás es la
Universidad Nacional de Educación a Distancia.
A continuación se encuentran la Universidad Complutense de Madrid, la
Universidad de Sevilla, la Universidad de Granada, la Universidad de Valencia y la
Universidad de País Vasco, todas ellas aparecen en Top 10 global por volumen.
Otras universidades que destacan en docencia son la Universidad Rey Juan Carlos,
la Universidad de Málaga, la Universidad Politécnica de Cataluña y la Universidad de
Murcia.
El factor docencia explica menos varianza que el factor investigación.
- En el Factor 3: Transferencia de conocimiento por volumen
Posición Universidad
Factor 3
Volumen:
Transferencia
conocimiento
1 UPM 3,72107
2 UPC 3,10655
3 UPV 2,91037
4 US 1,54545
5 USC 0,94153
6 EHU 0,80159
7 UAM 0,73973
8 UNIZAR 0,67832
9 UGR 0,55236
10 UAB 0,41332
Tabla 34. Clasificación 10 universidades mejor valoradas en Transferencia de conocimiento por
volumen. Fuente: Elaboración propia
La lista de las mejores universidades en transferencia de conocimiento queda
claramente encabezada por Universidades Politécnicas (Universidad Politécnica de
Madrid, Universidad Politécnica de Cataluña y Universidad Politécnica de Valencia).
A continuación aparecen la Universidad de Sevilla, la Universidad de Santiago de
Compostela, la Universidad del País Vasco, la Universidad Autónoma de Madrid, la
Universidad de Zaragoza, la Universidad de Granada y la Universidad Autónoma de
Barcelona.
Siete de estas 10 universidades (UPM, UPV, US, EHU, UAM, UGR, UAB)
aparecen en el Top 10 global por volumen. Las universidades que destacan en
Espinosa Martín, M. Teresa
88
transferencia de conocimiento y no aparecen en el Top 10 global son la Universidad
Politécnica de Cataluña, que también se encuentra en el Top 10 de docencia, la
Universidad de Santiago de Compostela y la Universidad de Zaragoza, que también se
encuentra en el Top 10 de investigación.
El factor relativo a la transferencia de conocimiento es el que menos varianza
explica.
Relación entre dimensiones por volumen
Se presenta a continuación un diagrama con las diez universidades mejor
clasificadas por volumen en cada una de las misiones.
Se indica entre paréntesis la posición que ha obtenido cada una de estas
universidades en la clasificación global por volumen.
Figura 9. Clasificación 10 universidades mejor valoradas en volumen en cada factor
Fuente: Elaboración propia
Este diagrama permite apreciar cómo dos de las universidades se encuentran entre
las 10 mejores en las cuatro clasificaciones por volumen, la Universidad de Granada y la
Investigación
•UB (1)
•UNIOVI (16)
•UPF (21)
Docencia
•UNED (14)
•URJC (23)
•UMA (15)
•UM (18)
Transferencia conocimiento
•UPM (8)
•UPV (9)
•USC (13)
UGR (4)
EHU (10)
UPC (11)
US (6)
UCM (3)
UV (5)
UAB (2)
UAM (7)
UNIZAR (12)
Clasificación de Universidades Públicas Españolas
89
Universidad del País Vasco, ocupando las posiciones cuarta y décima respectivamente en
la clasificación global por volumen.
Del mismo modo, se observa cómo la Universidad Autónoma de Barcelona, la
Universidad Autónoma de Madrid y la Universidad de Zaragoza destacan tanto en
investigación como en transferencia de conocimiento, la Universidad Complutense de
Madrid y la Universidad de Valencia sobresalen en investigación y docencia, y la
Universidad Politécnica de Cataluña y la Universidad de Sevilla obtienen buenos
resultados tanto en docencia como en transferencia de conocimiento.
Representamos, además, cada par de factores en un diagrama de dispersión en 2
dimensiones.
- Investigación – Docencia por volumen
Teniendo en cuenta que el Factor 1 del ranking de volumen ha sido reconocido
como investigación y que el Factor 2 del ranking de volumen ha sido reconocido como
docencia, se presenta un gráfico de dispersión con estas variables.
Figura 10. Diagrama de dispersión Investigación-Docencia por volumen
Fuente: Elaboración propia
Espinosa Martín, M. Teresa
90
Si se traza la bisectriz del primer y tercer cuadrante, aquellas universidades que se
encuentran sobre ella tienen resultados similares en investigación y docencia, y serán
mejores cuanto más a la derecha se encuentran.
Las universidades que se encuentran por encima de dicha bisectriz obtienen
mejores resultados en investigación que en docencia y las que se encuentran por debajo
mejores resultados en docencia que en investigación.
De esta forma, las universidades de León, Vigo, País Vasco y Granada, obtienen
resultados similares en investigación y docencia, pero los resultados de la universidad de
Granada son mejores que los de las otras dos universidades.
Las dos universidades de Barcelona (UB y UAB) son las mejores en investigación,
seguidas de la Autónoma de Madrid, la Universidad de Valencia y la Universidad de
Granada.
La UNED destaca en docencia, seguida de la Universidad Complutense de
Madrid, la Universidad de Sevilla y la Universidad de Granada.
- Investigación – Transferencia de conocimiento por volumen
Figura 11. Diagrama de dispersión Investigación-Transferencia conocimiento por volumen
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
91
Se observa cómo destacan en transferencia de conocimiento las universidades
Politécnicas de Madrid, Cataluña y Valencia, en este orden. De ellas, la que obtiene
mejores resultados en investigación es la Politécnica de Valencia.
- Docencia – Transferencia de conocimiento por volumen
Figura 12. Diagrama de dispersión Docencia-Transferencia conocimiento por volumen
Fuente: Elaboración propia
Se observa claramente en este diagrama que destacan ampliamente en
investigación la Universidad Nacional de Educación a Distancia y la Universidad
Complutense de Madrid.
Del mismo modo, destacan ampliamente en transferencia de conocimiento la
Universidad Politécnica de Madrid, la Universidad Politécnica de Cataluña y la
Universidad Politécnica de Valencia.
Universidades que obtienen buenos resultados y equilibrados en ambas misiones
son la Universidad de Sevilla, la Universidad de Granada y la Universidad del País Vasco.
Espinosa Martín, M. Teresa
92
4.2.2 Ranking por productividad
4.2.2.1 Análisis descriptivo
Se realiza un análisis descriptivo de las variables utilizadas.
4.2.2.2 Análisis factorial
Seleccionar las variables
Se seleccionan las variables que formarán parte del ranking por productividad y
se generan nuevas variables con los valores tipificados, con las que se trabaja.
Analizar/Estadísticos descriptivos/Descriptivos
Estadísticos descriptivos
48 10,94 120,92 17,0475 15,61933
48 1,26 5,89 2,6628 ,79714
48 ,56 6,34 1,3890 ,91252
48 ,25 1,91 ,7326 ,36714
48 ,48 ,87 ,7056 ,08309
48 ,07 ,31 ,1384 ,05510
48 ,14 1,93 ,7745 ,35742
48 ,07 1,14 ,4211 ,23497
48 ,04 1,62 ,5362 ,33731
48 ,14 9,23 2,1116 1,89622
48 ,001 ,044 ,00972 ,007485
48 ,000 ,098 ,02991 ,022342
48 ,000 ,049 ,01239 ,011236
48 ,000 1,898 ,23429 ,335045
48 ,000 19,788 3,80503 5,020562
48
N_ESTUD_G12_PDITC
N_EGRESAD_G12_
PDITC
N_ESTUD_MASTER_
PDITC
N_EGRESAD_MASTER_
PDITC
N_DOCTORES_PDITC
N_TESIS_PDITC
N_PUBLIC_PDITC
N_PUBLIC_Q1_PDITC
N_PUBLIC_3PRA_PDITC
N_CITAS_PDITC
N_PATENT_PDITC
N_EXTENS_PCT_9A_
PDITC
N_SPIN_OFF_9A_PDITC
ING_LICEN_9A_PDITC
ING_SERVIC_9A_PDITC
N válido (según lista)
N Mínimo Máximo Media Desv. típ.
Estadísticos descriptivos
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
,0000000 1,00000000 48
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Media
Desviación
típica N del análisis
Clasificación de Universidades Públicas Españolas
93
Estructura adecuada al análisis factorial
Con el objetivo de verificar que el modelo factorial que se pretende utilizar es
adecuado, analizaremos los siguientes elementos:
- La matriz de correlaciones, para comprobar que existe relación entre las
variables.
En nuestro caso se observa que en la matriz de correlaciones existen
correlaciones altas entre variables, encontrando un número sustancial de
correlaciones mayores que 0.3, así como que el determinante de la matriz de
correlaciones es muy pequeño, situación que indica que el grado de
intercorrelación entre las variables es muy alto.
- La matriz anti-imagen. Posee los elementos de la diagonal principal grandes y
la mayor parte de los elementos no diagonales son pequeños, por lo que se
puede decir que nos encontramos ante un buen modelo factorial.
Matriz de correlacionesa
1,000 ,602 ,847 ,427 ,242 ,003 -,168 -,180 -,142 -,156 -,055 -,218 -,172 -,127 -,146
,602 1,000 ,565 ,428 ,235 ,167 -,011 -,048 ,034 -,140 ,029 -,227 -,136 -,097 -,155
,847 ,565 1,000 ,785 ,158 ,231 ,077 ,058 ,126 -,070 -,130 -,049 -,030 ,068 -,090
,427 ,428 ,785 1,000 ,085 ,418 ,359 ,324 ,428 ,097 -,279 -,060 ,055 ,077 -,165
,242 ,235 ,158 ,085 1,000 -,007 -,022 -,052 -,068 ,069 -,050 -,040 ,049 -,010 -,209
,003 ,167 ,231 ,418 -,007 1,000 ,788 ,782 ,798 ,477 -,153 ,321 ,242 ,237 ,305
-,168 -,011 ,077 ,359 -,022 ,788 1,000 ,991 ,960 ,696 -,338 ,176 ,098 ,310 ,358
-,180 -,048 ,058 ,324 -,052 ,782 ,991 1,000 ,964 ,729 -,333 ,180 ,087 ,320 ,359
-,142 ,034 ,126 ,428 -,068 ,798 ,960 ,964 1,000 ,646 -,378 ,172 ,098 ,299 ,323
-,156 -,140 -,070 ,097 ,069 ,477 ,696 ,729 ,646 1,000 -,276 ,022 ,014 ,158 ,383
-,055 ,029 -,130 -,279 -,050 -,153 -,338 -,333 -,378 -,276 1,000 ,168 ,161 ,055 ,074
-,218 -,227 -,049 -,060 -,040 ,321 ,176 ,180 ,172 ,022 ,168 1,000 ,553 ,546 ,577
-,172 -,136 -,030 ,055 ,049 ,242 ,098 ,087 ,098 ,014 ,161 ,553 1,000 ,254 ,331
-,127 -,097 ,068 ,077 -,010 ,237 ,310 ,320 ,299 ,158 ,055 ,546 ,254 1,000 ,513
-,146 -,155 -,090 -,165 -,209 ,305 ,358 ,359 ,323 ,383 ,074 ,577 ,331 ,513 1,000
,000 ,000 ,001 ,049 ,493 ,127 ,111 ,168 ,145 ,355 ,069 ,121 ,194 ,161
,000 ,000 ,001 ,054 ,128 ,471 ,374 ,411 ,171 ,422 ,060 ,179 ,255 ,147
,000 ,000 ,000 ,141 ,057 ,301 ,348 ,197 ,317 ,188 ,370 ,420 ,323 ,272
,001 ,001 ,000 ,282 ,002 ,006 ,012 ,001 ,256 ,027 ,343 ,355 ,300 ,131
,049 ,054 ,141 ,282 ,481 ,441 ,364 ,323 ,320 ,367 ,394 ,371 ,474 ,077
,493 ,128 ,057 ,002 ,481 ,000 ,000 ,000 ,000 ,149 ,013 ,049 ,052 ,018
,127 ,471 ,301 ,006 ,441 ,000 ,000 ,000 ,000 ,009 ,115 ,255 ,016 ,006
,111 ,374 ,348 ,012 ,364 ,000 ,000 ,000 ,000 ,010 ,110 ,278 ,013 ,006
,168 ,411 ,197 ,001 ,323 ,000 ,000 ,000 ,000 ,004 ,121 ,254 ,019 ,013
,145 ,171 ,317 ,256 ,320 ,000 ,000 ,000 ,000 ,029 ,441 ,463 ,141 ,004
,355 ,422 ,188 ,027 ,367 ,149 ,009 ,010 ,004 ,029 ,126 ,137 ,354 ,308
,069 ,060 ,370 ,343 ,394 ,013 ,115 ,110 ,121 ,441 ,126 ,000 ,000 ,000
,121 ,179 ,420 ,355 ,371 ,049 ,255 ,278 ,254 ,463 ,137 ,000 ,041 ,011
,194 ,255 ,323 ,300 ,474 ,052 ,016 ,013 ,019 ,141 ,354 ,000 ,041 ,000
,161 ,147 ,272 ,131 ,077 ,018 ,006 ,006 ,013 ,004 ,308 ,000 ,011 ,000
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Correlación
Sig. (Unilateral)
ZN_ESTUD_
G12_PDITC
ZN_
EGRESAD_
G12_PDITC
ZN_ESTUD_
MASTER_
PDITC
ZN_
EGRESAD_
MASTER_
PDITC
ZN_
DOCTORES_
PDITC
ZN_TESIS_
PDITC
ZN_PUBLIC_
PDITC
ZN_PUBLIC_
Q1_PDITC
ZN_PUBLIC_
3PRA_PDITC
ZN_CITAS_
PDITC
ZN_PATENT_
PDITC
ZN_EXTENS_
PCT_9A_
PDITC
ZN_SPIN_
OFF_9A_
PDITC
ZING_LICEN_
9A_PDITC
ZING_
SERVIC_9A_
PDITC
Determinante = 7,52E-008a.
Espinosa Martín, M. Teresa
94
- La prueba KMO (Kaiser, Meyer y Olkin) para comprobar la comprobar la
adecuación de la muestra.
- La prueba de esfericidad de Bartlett para contrastar si la matriz de
correlaciones es una matriz identidad, es decir, que las variables están
incorreladas. Se realiza el siguiente contraste:
𝐻0: La matriz de correlaciones es la matriz identidad (No existe correlación
entre las variables)
𝐻1: La matriz de correlaciones es distinta de la matriz identidad
Si se rechaza la hipótesis nula, el modelo factorial es adecuado.
En nuestro caso se obtiene que:
La medida de adecuación muestra de Kaiser-Meyer-Olkin en este análisis es
0.626, peor que el 0.821 obtenido en el ranking de volumen, pero sigue
indicando que el procedimiento es adecuado.
Al mismo tiempo, el contraste de la Prueba de esfericidad de Bartlett también
es significativo en este caso (con Sig. 0.000), por lo que podemos rechazar la
hipótesis nula y aceptar la alternativa, es decir, la matriz de correlaciones es
KMO y prueba de Bartlett
,626
675,281
105
,000
Medida de adecuación muestral de
Kaiser-Meyer-Olkin.
Chi-cuadrado
aproximado
gl
Sig.
Prueba de esfericidad
de Bartlett
Matrices anti-imagen
,067 -,024 -,037 ,031 -,001 ,007 -,002 ,002 ,002 -,010 ,018 ,009 -,011 ,042 ,015
-,024 ,044 ,008 -,012 -,025 -,013 -,002 ,002 ,000 ,001 -,018 -,007 ,044 ,019 -,017
-,037 ,008 ,027 -,024 ,004 -,003 ,003 -,003 -6,95E-005 ,011 -,011 -,003 ,004 -,031 -,017
,031 -,012 -,024 ,029 -,003 ,000 -,004 ,004 -,005 -,013 ,017 ,000 -,010 ,019 ,028
-,001 -,025 ,004 -,003 ,060 ,010 -,004 ,001 ,010 -,008 -,023 -,003 -,019 -,019 ,041
,007 -,013 -,003 ,000 ,010 ,063 -,003 -,001 ,004 ,010 -,028 ,004 -,014 ,031 ,016
-,002 -,002 ,003 -,004 -,004 -,003 ,003 -,002 ,000 ,005 ,003 ,002 -,003 -,006 -,008
,002 ,002 -,003 ,004 ,001 -,001 -,002 ,003 -,003 -,009 ,001 -,004 ,000 ,002 ,008
,002 ,000 -6,95E-005 -,005 ,010 ,004 ,000 -,003 ,019 ,013 -,011 ,006 ,019 ,014 -,011
-,010 ,001 ,011 -,013 -,008 ,010 ,005 -,009 ,013 ,169 -,014 ,041 -,012 ,025 -,049
,018 -,018 -,011 ,017 -,023 -,028 ,003 ,001 -,011 -,014 ,126 -,063 -,069 -,037 ,000
,009 -,007 -,003 ,000 -,003 ,004 ,002 -,004 ,006 ,041 -,063 ,133 -,036 -,019 -,044
-,011 ,044 ,004 -,010 -,019 -,014 -,003 ,000 ,019 -,012 -,069 -,036 ,350 ,080 -,053
,042 ,019 -,031 ,019 -,019 ,031 -,006 ,002 ,014 ,025 -,037 -,019 ,080 ,325 -,087
,015 -,017 -,017 ,028 ,041 ,016 -,008 ,008 -,011 -,049 ,000 -,044 -,053 -,087 ,219
,615a -,438 -,890 ,699 -,023 ,101 -,163 ,114 ,062 -,097 ,197 ,093 -,074 ,287 ,122
-,438 ,864a ,236 -,334 -,482 -,245 -,141 ,160 ,013 ,008 -,247 -,096 ,356 ,155 -,176
-,890 ,236 ,688a -,867 ,089 -,076 ,339 -,286 -,003 ,166 -,185 -,043 ,039 -,335 -,227
,699 -,334 -,867 ,737a -,066 ,011 -,411 ,424 -,199 -,189 ,284 -,005 -,099 ,198 ,346
-,023 -,482 ,089 -,066 ,895a ,170 -,295 ,078 ,307 -,081 -,260 -,032 -,130 -,137 ,356
,101 -,245 -,076 ,011 ,170 ,953a -,196 -,037 ,102 ,099 -,310 ,044 -,095 ,213 ,135
-,163 -,141 ,339 -,411 -,295 -,196 ,821a -,860 -,019 ,208 ,185 ,092 -,106 -,212 -,333
,114 ,160 -,286 ,424 ,078 -,037 -,860 ,804a -,432 -,413 ,049 -,202 ,014 ,069 ,307
,062 ,013 -,003 -,199 ,307 ,102 -,019 -,432 ,910a ,237 -,235 ,120 ,234 ,183 -,173
-,097 ,008 ,166 -,189 -,081 ,099 ,208 -,413 ,237 ,897a -,099 ,277 -,051 ,108 -,255
,197 -,247 -,185 ,284 -,260 -,310 ,185 ,049 -,235 -,099 ,724a -,489 -,328 -,181 ,001
,093 -,096 -,043 -,005 -,032 ,044 ,092 -,202 ,120 ,277 -,489 ,901a -,168 -,089 -,256
-,074 ,356 ,039 -,099 -,130 -,095 -,106 ,014 ,234 -,051 -,328 -,168 ,841a ,237 -,191
,287 ,155 -,335 ,198 -,137 ,213 -,212 ,069 ,183 ,108 -,181 -,089 ,237 ,771a -,325
,122 -,176 -,227 ,346 ,356 ,135 -,333 ,307 -,173 -,255 ,001 -,256 -,191 -,325 ,782a
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
ZN_ESTUD_G12
ZN_EGRESAD_G12
ZN_ESTUD_MASTER
ZN_EGRESAD_MASTER
ZN_DOCTORES
ZN_TESIS
ZN_PUBLIC
ZN_PUBLIC_Q1
ZN_PUBLIC_3PRA
ZN_CITAS
ZN_PATENT
ZN_EXTENS_PCT_9A
ZN_SPIN_OF F_9A
ZING_LICEN_9A
ZING_SERVIC_9A
Cov arianza anti-imagen
Correlación anti-imagen
ZN_ESTUD_
G12
ZN_
EGRESAD_
G12
ZN_ESTUD_
MASTER
ZN_
EGRESAD_
MASTER
ZN_
DOCTORES ZN_TESIS ZN_PUBLIC
ZN_
PUBLIC_Q1
ZN_PUBLIC_
3PRA ZN_CITAS ZN_PATENT
ZN_EXTENS_
PCT_9A
ZN_SPIN_
OFF_9A
ZING_LICEN_
9A
ZING_
SERVIC_9A
Medida de adecuación muestrala.
Clasificación de Universidades Públicas Españolas
95
distinta de la matriz identidad y por tanto las variables están correlacionadas.
Situación que indica que el modelo factorial es adecuado.
Dado que se ha obtenido que las pruebas de KMO y Barlett, así como el estudio
la matriz anti-imagen resultan satisfactorias, además de la matriz de correlaciones
adecuada, y se puede decir que el análisis factorial puede proporcionar buenos resultados.
Extraer y rotar los factores
Del mismo modo que para el ranking de volumen, para extraer los factores se
utilizará el método de componentes principales.
Calculo de los autovalores y de la varianza explicada:
Se presenta también el gráfico de sedimentación:
Varianza total explicada
4,898 32,655 32,655 4,898 32,655 32,655 4,477 29,846 29,846
3,196 21,304 53,959 3,196 21,304 53,959 2,961 19,738 49,584
2,004 13,357 67,316 2,004 13,357 67,316 2,592 17,282 66,867
1,018 6,790 74,106 1,018 6,790 74,106 1,086 7,240 74,106
,880 5,864 79,970
,839 5,590 85,561
,630 4,202 89,763
,487 3,245 93,008
,393 2,620 95,627
,248 1,650 97,277
,196 1,308 98,586
,148 ,985 99,571
,037 ,248 99,819
,023 ,152 99,971
,004 ,029 100,000
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
Autovalores iniciales
Sumas de las saturaciones al cuadrado
de la extracción
Suma de las saturaciones al cuadrado
de la rotación
Método de extracción: Análisis de Componentes principales.
Espinosa Martín, M. Teresa
96
Si se utiliza de nuevo la regla de Kaiser para seleccionar los factores que se
extraen, aquellos con autovalores mayores que 1, en este caso se obtienen 4 autovalores
mayores que 1, los cuales explican el 74.106 % de la varianza total, valor inferior al de la
varianza explicada en el ranking por volumen que era del 84.957% de la varianza total.
Se observa que el último factor aporta exclusivamente el 6.79% de la varianza,
por lo que extrayendo 3 factores se explicaría el 67.3% de la varianza.
A continuación se analiza lo que ocurre extrayendo 4 o 3 factores:
Si se extraen 4 factores:
Estos 4 factores explican el 74.106% de la varianza.
Las comunalidades La variable que está menos explicada por la estructura
factorial es “Nº de patentes por PDI a tiempo completo”.
La matriz de componentes, que contiene las cargas factoriales o correlación entre
el factor y la variable, viene dada por:
Comunalidades
1,000 ,783
1,000 ,592
1,000 ,923
1,000 ,733
1,000 ,951
1,000 ,738
1,000 ,951
1,000 ,961
1,000 ,942
1,000 ,666
1,000 ,380
1,000 ,787
1,000 ,552
1,000 ,527
1,000 ,629
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Inicial Extracción
Método de extracción: Análisis de Componentes principales.
Clasificación de Universidades Públicas Españolas
97
Se observa que la cuarta componente contiene una única variable, el “Nº de
doctores por PDI a tiempo completo”, la cual aparece con menor carga en la segunda
componente.
Con el fin de mejorar, si es posible, esta situación en nuestro caso, se realizan las
rotaciones factoriales. Realizamos una rotación utilizando el método Varimax. Después
de eliminar los valores inferiores a 0.3 obtenemos la siguiente matriz de componentes
rotados.
Matriz de componentesa
,955
,953
,947
,841
,716 -,330
,505 -,425 ,410
,852 ,389
,819 ,301
,737
,400 ,730
,362 -,439 ,680
,590
,451 ,510
-,329 ,450
,302 ,922
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_TESIS_PDITC
ZN_CITAS_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZN_PATENT_PDITC
ZN_DOCTORES_PDITC
1 2 3 4
Componente
Método de extracción: Análisis de componentes principales.
4 componentes extraídosa.
Matriz de componentes rotadosa
,964
,959
,950
,787
,759 ,323
-,496 ,357
,958
,853
,371 ,771
,746
,881
,713
,694
,693
,962
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_TESIS_PDITC
ZN_PATENT_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_SERVIC_9A_PDITC
ZING_LICEN_9A_PDITC
ZN_DOCTORES_PDITC
1 2 3 4
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
La rotación ha convergido en 5 iteraciones.a.
Espinosa Martín, M. Teresa
98
Resultando que:
El primer factor queda determinado principalmente por las variables:
- Nº publicaciones en el primer cuartil / PDI a tiempo completo
- Nº de publicaciones totales /PDI a tiempo completo
- Nº de publicaciones en las 3 primeras revistas de cada área /PDI a tiempo
completo
- Nº de citas /PDI a tiempo completo
- Nº de tesis /PDI a tiempo completo
El segundo factor queda determinado por las variables:
- Nº de estudiantes de máster /PDI a tiempo completo
- Nº de estudiantes de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
- Nº de egresados de máster /PDI a tiempo completo
- Nº de egresados de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
El tercer factor queda determinado principalmente por las variables:
- Nº de extensiones PCT en 9 años /PDI a tiempo completo
- Nº de spin-off en 9 años /PDI a tiempo completo
- Ingresos por servicios en 9 años /PDI a tiempo completo
- Ingresos por licencias en 9 años /PDI a tiempo completo
- Nº de patentes /PDI a tiempo completo
El cuarto factor queda determinado por la variable:
- Nº de doctores /PDI a tiempo completo
Matriz de transformación de las componentes
,923 ,084 ,371 -,057
,090 ,898 -,402 ,155
-,369 ,402 ,836 ,051
,058 -,157 ,042 ,985
Componente
1
2
3
4
1 2 3 4
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Clasificación de Universidades Públicas Españolas
99
La matriz de coeficientes para el cálculo de componentes vendría dada por:
Una vez realizado el análisis con los 4 factores extraídos, como uno de los
objetivos de este trabajo es realizar una comparativa entre las puntuaciones absolutas
obtenidas o por volumen y las puntuaciones relativas o por resultados, se analiza a
continuación lo que ocurre cuando sólo se extraen 3 factores.
Matriz de coeficientes para el cálculo de las puntuaciones en las
componentes
-,061 ,296 ,010 ,000
-,022 ,248 -,002 ,057
-,029 ,344 ,060 -,098
,060 ,263 -,004 -,095
,036 -,040 ,035 ,909
,147 ,074 ,081 ,001
,219 -,017 -,016 ,005
,221 -,026 -,020 -,013
,213 ,010 -,021 -,053
,205 -,107 -,065 ,167
-,154 ,017 ,194 -,030
-,067 ,013 ,368 ,030
-,057 ,003 ,312 ,226
-,018 ,046 ,277 -,040
-,001 -,004 ,256 -,170
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
1 2 3 4
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Matriz de covarianza de las puntuaciones de las componentes
1,000 ,000 ,000 ,000
,000 1,000 ,000 ,000
,000 ,000 1,000 ,000
,000 ,000 ,000 1,000
Componente
1
2
3
4
1 2 3 4
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Espinosa Martín, M. Teresa
100
Si se extraen 3 factores:
Estos 3 factores explican el 67.316 % de la varianza, como habíamos visto:
Y el gráfico de sedimentación queda:
Varianza total explicada
4,898 32,655 32,655 4,898 32,655 32,655 4,502 30,011 30,011
3,196 21,304 53,959 3,196 21,304 53,959 3,009 20,058 50,069
2,004 13,357 67,316 2,004 13,357 67,316 2,587 17,247 67,316
1,018 6,790 74,106
,880 5,864 79,970
,839 5,590 85,561
,630 4,202 89,763
,487 3,245 93,008
,393 2,620 95,627
,248 1,650 97,277
,196 1,308 98,586
,148 ,985 99,571
,037 ,248 99,819
,023 ,152 99,971
,004 ,029 100,000
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
Autovalores iniciales
Sumas de las saturaciones al cuadrado
de la extracción
Suma de las saturaciones al cuadrado
de la rotación
Método de extracción: Análisis de Componentes principales.
Clasificación de Universidades Públicas Españolas
101
A fin de comprobar que las variables van a estar bien explicadas por la estructura
factorial elegida, comprobamos las comunalidades o proporción de la varianza que
quedaría explicada por los factores de cada una de las variables.
Las comunalidades son las siguientes:
Se observa que la variable “Nº de doctores por PDI a tiempo completo”, variables
que aparecía explicada por un cuarto facto, no queda bien explicada por los 3 factores
extraídos en este modelo factorial.
En este caso, una vez eliminados los valores menores que 0.3, la matriz de
componentes viene dada por:
Comunalidades
1,000 ,780
1,000 ,592
1,000 ,900
1,000 ,715
1,000 ,101
1,000 ,738
1,000 ,951
1,000 ,961
1,000 ,940
1,000 ,628
1,000 ,379
1,000 ,785
1,000 ,496
1,000 ,526
1,000 ,604
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Inicial Extracción
Método de extracción: Análisis de Componentes principales.
Matriz de componentesa
,955
,953
,947
,841
,716 -,330
,505 -,425 ,410
,852 ,389
,819 ,301
,737
,400 ,730
,302
,362 -,439 ,680
,590
,451 ,510
-,329 ,450
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_TESIS_PDITC
ZN_CITAS_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZN_PATENT_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
3 componentes extraídosa.
Espinosa Martín, M. Teresa
102
La matriz de componentes es similar a la obtenida para 4 factores salvo que la
variable “Nº de doctores por PDI a tiempo completo” se asigna a la componente 2 que es
la otra componente en la que aparecía, quedando con una aportación muy pequeña a dicha
componente.
Realizando la rotación utilizando el método Varimax, la matriz de componentes
rotados quedaría del siguiente modo:
Matriz de componentes rotadosa
,965
,960
,955
,773
,765 ,328
-,496 ,357
,943
,863
,762
,394 ,748
,311
,878
,703
,699
,695
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_TESIS_PDITC
ZN_PATENT_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_SERVIC_9A_PDITC
ZING_LICEN_9A_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
La rotación ha convergido en 5 iteraciones.a.
Matriz de coeficientes para el cálculo de las puntuaciones en
las componentes
-,053 ,293 ,016
-,018 ,255 ,001
-,014 ,323 ,071
,073 ,243 ,005
-,015 ,104 -,001
,149 ,069 ,082
,218 -,020 -,017
,221 -,032 -,021
,216 -,002 -,019
,192 -,082 -,074
-,152 ,012 ,196
-,069 ,014 ,367
-,070 ,035 ,303
-,015 ,035 ,279
,007 -,035 ,263
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Clasificación de Universidades Públicas Españolas
103
Resultando en esta situación que:
El primer factor queda determinado principalmente por las variables:
- Nº publicaciones en el primer cuartil /PDI a tiempo completo
- Nº de publicaciones totales /PDI a tiempo completo
- Nº de publicaciones en las 3 primeras revistas de cada área /PDI a tiempo
completo
- Nº de citas /PDI a tiempo completo
- Nº de tesis /PDI a tiempo completo
El segundo factor queda determinado por las variables:
- Nº de estudiantes de máster /PDI a tiempo completo
- Nº de estudiantes de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
- Nº de egresados de máster /PDI a tiempo completo
- Nº de egresados de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
- Nº de doctores /PDI a tiempo completo
El tercer factor queda determinado principalmente por las variables:
- Nº de extensiones PCT en 9 años /PDI a tiempo completo
- Nº de spin-off en 9 años /PDI a tiempo completo
- Ingresos por servicios en 9 años /PDI a tiempo completo
- Ingresos por licencias en 9 años /PDI a tiempo completo
- Nº de patentes /PDI a tiempo completo
Quedando la variable “Nº de doctores” asignada a la segunda componente, como
habíamos visto.
Matriz de covarianza de las puntuaciones de las
componentes
1,000 ,000 ,000
,000 1,000 ,000
,000 ,000 1,000
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Espinosa Martín, M. Teresa
104
A continuación se presenta la matriz de correlaciones reproducidas:
Se observa que un 36% de los errores son mayores que 0.05, indicando una bondad
de ajuste aceptable del modelo factorial.
Matriz de transformación de las componentes
,926 ,050 ,373
,107 ,915 -,389
-,361 ,401 ,842
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Correlaciones reproducidas
,780b ,672 ,795 ,588 ,281 ,033 -,161 -,191 -,113 -,266 -,032 -,205 -,100 -,113 -,294
,672 ,592b
,711 ,564 ,243 ,114 -,034 -,060 ,008 -,147 -,087 -,181 -,094 -,081 -,233
,795 ,711 ,900b
,740 ,287 ,286 ,093 ,062 ,143 -,094 -,094 -,056 ,012 ,052 -,128
,588 ,564 ,740 ,715b
,217 ,459 ,377 ,354 ,416 ,175 -,253 -,073 -,030 ,075 -,046
,281 ,243 ,287 ,217 ,101b ,017 -,048 -,059 -,031 -,086 -,023 -,085 -,046 -,048 -,112
,033 ,114 ,286 ,459 ,017 ,738b ,790 ,786 ,794 ,561 -,277 ,297 ,212 ,386 ,396
-,161 -,034 ,093 ,377 -,048 ,790 ,951b ,955 ,944 ,746 -,415 ,191 ,102 ,317 ,383
-,191 -,060 ,062 ,354 -,059 ,786 ,955 ,961b ,947 ,756 -,416 ,193 ,101 ,317 ,389
-,113 ,008 ,143 ,416 -,031 ,794 ,944 ,947 ,940b
,733 -,421 ,174 ,093 ,308 ,362
-,266 -,147 -,094 ,175 -,086 ,561 ,746 ,756 ,733 ,628b -,363 ,071 ,005 ,175 ,262
-,032 -,087 -,094 -,253 -,023 -,277 -,415 -,416 -,421 -,363 ,379b ,301 ,262 ,146 ,128
-,205 -,181 -,056 -,073 -,085 ,297 ,191 ,193 ,174 ,071 ,301 ,785b
,620 ,619 ,648
-,100 -,094 ,012 -,030 -,046 ,212 ,102 ,101 ,093 ,005 ,262 ,620 ,496b
,485 ,491
-,113 -,081 ,052 ,075 -,048 ,386 ,317 ,317 ,308 ,175 ,146 ,619 ,485 ,526b ,543
-,294 -,233 -,128 -,046 -,112 ,396 ,383 ,389 ,362 ,262 ,128 ,648 ,491 ,543 ,604b
-,071 ,052 -,161 -,039 -,031 -,006 ,011 -,029 ,110 -,023 -,013 -,073 -,014 ,148
-,071 -,146 -,137 -,008 ,052 ,023 ,012 ,026 ,006 ,116 -,046 -,041 -,017 ,078
,052 -,146 ,045 -,128 -,055 -,016 -,004 -,017 ,024 -,036 ,007 -,042 ,016 ,039
-,161 -,137 ,045 -,132 -,041 -,019 -,030 ,013 -,079 -,026 ,013 ,085 ,002 -,119
-,039 -,008 -,128 -,132 -,024 ,026 ,007 -,037 ,155 -,028 ,045 ,094 ,038 -,097
-,031 ,052 -,055 -,041 -,024 -,002 -,004 ,005 -,084 ,124 ,024 ,030 -,149 -,092
-,006 ,023 -,016 -,019 ,026 -,002 ,035 ,016 -,050 ,077 -,015 -,005 -,007 -,025
,011 ,012 -,004 -,030 ,007 -,004 ,035 ,017 -,027 ,083 -,013 -,014 ,003 -,030
-,029 ,026 -,017 ,013 -,037 ,005 ,016 ,017 -,086 ,042 -,002 ,005 -,008 -,039
,110 ,006 ,024 -,079 ,155 -,084 -,050 -,027 -,086 ,086 -,049 ,009 -,017 ,121
-,023 ,116 -,036 -,026 -,028 ,124 ,077 ,083 ,042 ,086 -,132 -,101 -,090 -,054
-,013 -,046 ,007 ,013 ,045 ,024 -,015 -,013 -,002 -,049 -,132 -,066 -,073 -,071
-,073 -,041 -,042 ,085 ,094 ,030 -,005 -,014 ,005 ,009 -,101 -,066 -,231 -,161
-,014 -,017 ,016 ,002 ,038 -,149 -,007 ,003 -,008 -,017 -,090 -,073 -,231 -,030
,148 ,078 ,039 -,119 -,097 -,092 -,025 -,030 -,039 ,121 -,054 -,071 -,161 -,030
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_DOCTORES_PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Correlación reproducida
Residuala
ZN_ESTUD_
G12_PDITC
ZN_
EGRESAD_
G12_PDITC
ZN_ESTUD_
MASTER_
PDITC
ZN_
EGRESAD_
MASTER_
PDITC
ZN_
DOCTORES_
PDITC
ZN_TESIS_
PDITC
ZN_PUBLIC_
PDITC
ZN_PUBLIC_
Q1_PDITC
ZN_PUBLIC_
3PRA_PDITC
ZN_CITAS_
PDITC
ZN_PATENT_
PDITC
ZN_EXTENS_
PCT_9A_
PDITC
ZN_SPIN_
OFF_9A_
PDITC
ZING_LICEN_
9A_PDITC
ZING_
SERVIC_9A_
PDITC
Método de extracción: Análisis de Componentes principales.
Los residuos se calculan entre las correlaciones observadas y reproducidas. Hay 38 (36,0%) residuales no redundantes con valores absolutos mayores que 0,05.a.
Comunalidades reproducidasb.
Clasificación de Universidades Públicas Españolas
105
Nos planteamos si estos resultados serían mejorables eliminando del estudio la
variable que representaba al cuarto factor, la variable “Nº de doctores por PDI a tiempo
completo”.
Si se elimina la variable del cuarto factor
Se observa que aumenta un poco la medida de adecuación muestral KMO,
pasando de 626 a 651, por lo que no mejora demasiado.
La prueba de esfericidad de Bartlett continua siendo significativa, indicando que
el modelo es adecuado.
En este caso, se extraen 3 factores los cuales explican el 71.626 % de la varianza
total, aumentando la varianza total explicada con respecto al caso en el que se incluía la
variable “Nº de doctores por PDI a tiempo completo”.
KMO y prueba de Bartlett
,651
662,362
91
,000
Medida de adecuación muestral de
Kaiser-Meyer-Olkin.
Chi-cuadrado
aproximado
gl
Sig.
Prueba de esfericidad
de Bartlett
Varianza total explicada
4,897 34,977 34,977 4,897 34,977 34,977 4,477 31,977 31,977
3,132 22,370 57,347 3,132 22,370 57,347 2,944 21,030 53,007
1,999 14,278 71,626 1,999 14,278 71,626 2,607 18,619 71,626
,882 6,301 77,927
,840 5,999 83,926
,638 4,559 88,485
,487 3,477 91,962
,406 2,903 94,865
,263 1,882 96,747
,237 1,690 98,437
,153 1,089 99,526
,038 ,270 99,796
,024 ,169 99,966
,005 ,034 100,000
Componente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado Total
% de la
varianza % acumulado
Autovalores iniciales
Sumas de las saturaciones al cuadrado
de la extracción
Suma de las saturaciones al cuadrado
de la rotación
Método de extracción: Análisis de Componentes principales.
Espinosa Martín, M. Teresa
106
El gráfico de sedimentación queda del siguiente modo:
Las comunalidades vienen dadas por:
Comunalidades
1,000 ,779
1,000 ,586
1,000 ,918
1,000 ,731
1,000 ,738
1,000 ,951
1,000 ,961
1,000 ,940
1,000 ,638
1,000 ,379
1,000 ,787
1,000 ,496
1,000 ,527
1,000 ,598
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Inicial Extracción
Método de extracción: Análisis de Componentes principales.
Clasificación de Universidades Públicas Españolas
107
La matriz de componentes viene dada por:
La matriz de componentes rotados es:
Matriz de componentesa
,955
,953
,947
,842
,716 -,340
,502 -,423 ,409
,854 ,406
,815 ,313
,403 ,735
,731
,360 -,455 ,671
-,318 ,579
,451 ,504
-,331 ,448
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_TESIS_PDITC
ZN_CITAS_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZN_PATENT_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
3 componentes extraídosa.
Matriz de componentes rotadosa
,965
,959
,952
,780
,757 ,327
-,496 ,357
,955
,856
,373 ,769
,754
,881
,704
,703
,696
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_TESIS_PDITC
ZN_PATENT_PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_EGRESAD_G12_
PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZING_SERVIC_9A_PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
La rotación ha convergido en 5 iteraciones.a.
Espinosa Martín, M. Teresa
108
Matriz de transformación de las componentes
,923 ,087 ,375
,086 ,903 -,421
-,375 ,421 ,826
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Matriz de coeficientes para el cálculo de las puntuaciones en
las componentes
-,061 ,298 ,009
-,025 ,258 -,005
-,024 ,335 ,065
,065 ,254 ,001
,146 ,076 ,081
,219 -,017 -,016
,222 -,028 -,019
,216 ,004 -,017
,196 -,087 -,073
-,154 ,013 ,195
-,070 ,017 ,366
-,071 ,035 ,301
-,017 ,038 ,278
,006 -,027 ,264
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
1 2 3
Componente
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Matriz de covarianza de las puntuaciones de las
componentes
1,000 ,000 ,000
,000 1,000 ,000
,000 ,000 1,000
Componente
1
2
3
1 2 3
Método de extracción: Análisis de componentes principales.
Método de rotación: Normalización Varimax con Kaiser.
Puntuaciones de componentes.
Clasificación de Universidades Públicas Españolas
109
La matriz de correlaciones reproducidas es en este caso:
Se observa que en esta situación aumenta en un 1% el número de errores que son
mayores que 0.05, pasando del 36% al 37%, por lo que no se mejora la situación
eliminando la variable “Nº de doctores por PDI a tiempo completo” que había salido en
el cuarto factor.
Correlaciones reproducidas
,779b ,668 ,803 ,598 ,035 -,163 -,191 -,109 -,281 -,029 -,208 -,111 -,116 -,283
,668 ,586b
,715 ,570 ,116 -,035 -,059 ,012 -,158 -,084 -,184 -,104 -,083 -,222
,803 ,715 ,918b
,757 ,289 ,090 ,060 ,146 -,113 -,091 -,061 ,001 ,049 -,118
,598 ,570 ,757 ,731b
,462 ,374 ,353 ,418 ,160 -,251 -,077 -,039 ,072 -,040
,035 ,116 ,289 ,462 ,738b ,790 ,786 ,794 ,559 -,277 ,296 ,210 ,385 ,397
-,163 -,035 ,090 ,374 ,790 ,951b ,956 ,943 ,749 -,415 ,192 ,104 ,318 ,381
-,191 -,059 ,060 ,353 ,786 ,956 ,961b ,946 ,759 -,417 ,193 ,104 ,317 ,387
-,109 ,012 ,146 ,418 ,794 ,943 ,946 ,940b
,733 -,421 ,174 ,094 ,308 ,360
-,281 -,158 -,113 ,160 ,559 ,749 ,759 ,733 ,638b -,364 ,074 ,009 ,177 ,262
-,029 -,084 -,091 -,251 -,277 -,415 -,417 -,421 -,364 ,379b ,300 ,262 ,146 ,128
-,208 -,184 -,061 -,077 ,296 ,192 ,193 ,174 ,074 ,300 ,787b
,621 ,620 ,648
-,111 -,104 ,001 -,039 ,210 ,104 ,104 ,094 ,009 ,262 ,621 ,496b
,485 ,494
-,116 -,083 ,049 ,072 ,385 ,318 ,317 ,308 ,177 ,146 ,620 ,485 ,527b ,544
-,283 -,222 -,118 -,040 ,397 ,381 ,387 ,360 ,262 ,128 ,648 ,494 ,544 ,598b
-,066 ,045 -,171 -,033 -,005 ,011 -,033 ,125 -,026 -,009 -,062 -,011 ,137
-,066 -,150 -,142 ,051 ,024 ,011 ,022 ,018 ,114 -,043 -,032 -,014 ,067
,045 -,150 ,028 -,058 -,013 -,002 -,021 ,042 -,039 ,012 -,030 ,020 ,029
-,171 -,142 ,028 -,044 -,016 -,029 ,010 -,063 -,029 ,017 ,094 ,005 -,125
-,033 ,051 -,058 -,044 -,002 -,004 ,004 -,082 ,124 ,025 ,032 -,148 -,092
-,005 ,024 -,013 -,016 -,002 ,035 ,016 -,053 ,077 -,015 -,007 -,007 -,024
,011 ,011 -,002 -,029 -,004 ,035 ,017 -,030 ,083 -,013 -,016 ,002 -,027
-,033 ,022 -,021 ,010 ,004 ,016 ,017 -,086 ,043 -,002 ,004 -,009 -,037
,125 ,018 ,042 -,063 -,082 -,053 -,030 -,086 ,088 -,052 ,005 -,018 ,121
-,026 ,114 -,039 -,029 ,124 ,077 ,083 ,043 ,088 -,132 -,101 -,091 -,054
-,009 -,043 ,012 ,017 ,025 -,015 -,013 -,002 -,052 -,132 -,067 -,074 -,071
-,062 -,032 -,030 ,094 ,032 -,007 -,016 ,004 ,005 -,101 -,067 -,232 -,163
-,011 -,014 ,020 ,005 -,148 -,007 ,002 -,009 -,018 -,091 -,074 -,232 -,031
,137 ,067 ,029 -,125 -,092 -,024 -,027 -,037 ,121 -,054 -,071 -,163 -,031
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
ZN_ESTUD_G12_PDITC
ZN_EGRESAD_G12_
PDITC
ZN_ESTUD_MASTER_
PDITC
ZN_EGRESAD_MASTER_
PDITC
ZN_TESIS_PDITC
ZN_PUBLIC_PDITC
ZN_PUBLIC_Q1_PDITC
ZN_PUBLIC_3PRA_
PDITC
ZN_CITAS_PDITC
ZN_PATENT_PDITC
ZN_EXTENS_PCT_9A_
PDITC
ZN_SPIN_OFF_9A_
PDITC
ZING_LICEN_9A_PDITC
ZING_SERVIC_9A_PDITC
Correlac ión reproducida
Residuala
ZN_ESTUD_
G12_PDITC
ZN_
EGRESAD_
G12_PDITC
ZN_ESTUD_
MASTER_
PDITC
ZN_
EGRESAD_
MASTER_
PDITC
ZN_TESIS_
PDITC
ZN_PUBLIC_
PDITC
ZN_PUBLIC_
Q1_PDITC
ZN_PUBLIC_
3PRA_PDITC
ZN_CITAS_
PDITC
ZN_PATENT_
PDITC
ZN_EXTENS_
PCT_9A_
PDITC
ZN_SPIN_
OFF_9A_
PDITC
ZING_LICEN_
9A_PDITC
ZING_
SERVIC_9A_
PDITC
Método de extracc ión: Análisis de Componentes principales.
Los res iduos se calculan entre las correlaciones observ adas y reproducidas. Hay 34 (37,0%) residuales no redundantes con v alores absolutos may ores que 0,05.a.
Comunalidades reproducidasb.
Espinosa Martín, M. Teresa
110
A la vista de los resultados obtenidos y teniendo en cuenta que uno de nuestro
objetivos es comparar los resultados obtenidos para cada una de las universidades en el
ranking de volumen con los resultados obtenidos por las mismas en el ranking de
productividad, se considera más adecuado utilizar a tal fin los resultados obtenidos a partir
de la extracción de 3 factores, sin eliminar la variable “Nº de doctores por PDI a tiempo
completo” del análisis.
Por un lado, porque no se considera adecuado realizar una comparación con 3
factores en volumen con otra con 4 factores en productividad.
Por otro lado, porque no se considera adecuado eliminar la variable “Nº de
doctores por PDI a tiempo completo” del análisis, ya que no mejoran los resultados de
error respecto a la extracción de 3 factores con todas las variables, y a fin de comparar
los resultados del ranking de productividad con los resultados del ranking de volumen, se
considera más adecuado dejar en el ranking de productividad variables correspondientes
a todas las utilizadas en el ranking de volumen.
Asociación de variables a factores
Teniendo en cuenta resultado obtenido a partir de la extracción de 3 factores sin
excluir ninguna variable, y tras la interpretación de las cargas factoriales a partir de la
matriz de factores rotados. Las variables se asignan a los siguientes factores:
El primer factor queda determinado principalmente por las variables:
- Nº publicaciones en el primer cuartil /PDI a tiempo completo
- Nº de publicaciones totales /PDI a tiempo completo
- Nº de publicaciones en las 3 primeras revistas de cada área /PDI a tiempo
completo
- Nº de citas /PDI a tiempo completo
- Nº de tesis /PDI a tiempo completo
El segundo factor queda determinado por las variables:
- Nº de estudiantes de máster /PDI a tiempo completo
- Nº de estudiantes de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
- Nº de egresados de máster /PDI a tiempo completo
Clasificación de Universidades Públicas Españolas
111
- Nº de egresados de grado (incluidos primer y segundo ciclo cuando
corresponde) /PDI a tiempo completo
- Nº de doctores /PDI a tiempo completo
El tercer factor queda determinado principalmente por las variables:
- Nº de extensiones PCT en 9 años /PDI a tiempo completo
- Nº de spin-off en 9 años /PDI a tiempo completo
- Ingresos por servicios en 9 años /PDI a tiempo completo
- Ingresos por licencias en 9 años /PDI a tiempo completo
- Nº de patentes /PDI a tiempo completo
Dar nombre a los factores
Teniendo en cuenta las variables que se asignan a cada uno de los factores, se
otorgan los siguientes nombres a los factores:
Factor 1: Investigación por productividad
Factor 2: Docencia por productividad
Factor 3: Transferencia de conocimiento por productividad
Se encuentran resultados similares a los obtenidos en el análisis factorial por
volumen.
Esta situación nos permite comparar los resultados obtenidos por volumen con los
resultados obtenidos por productividad.
Espinosa Martín, M. Teresa
112
Resultados
Asignando a cada universidad una puntuación global en función de los factores
extraídos y de la varianza explicada por cada uno de ellos, de modo que
G=30.011 * F1 + 20.058 * F2 + 17.247 * F3
Los valores obtenidos para cada una de las universidades son los siguientes:
Universidad
Factor 1
Productividad:
Investigación (F1)
Factor 2
Productividad:
Docencia (F2)
Factor 3
Productividad:
Transferencia
conocimiento (F3)
Global
Productividad:
(G)
30.011
Varianza explicada
20.058
Varianza explicada
17.247
Varianza explicada
EHU -0,20912 -0,6957 -0,2478 -24,5040575
UA -0,63859 0,00022 0,3841 -12,535739
UAB 2,97116 -0,22592 1,05826 102,88779
UAH -0,0884 0,26791 -0,29003 -2,28138103
UAL -0,65144 0,62476 0,81751 7,08066521
UAM 1,89376 -0,00841 0,99795 73,8765872
UB 2,48722 -0,15521 0,01274 71,750484
UBU -0,98089 -0,65969 -0,70586 -54,8435192
UC3M -0,08629 0,55559 0,1392 10,9551574
UCA -0,95677 -0,46713 -0,23028 -42,0549572
UCLM -0,3041 -0,60963 -0,84596 -35,9445758
UCM 0,22749 -0,04524 -0,88249 -9,30052656
UCO 0,47941 0,21586 -0,56096 9,04241627
UDC -0,80583 -0,48524 -0,68047 -45,6527741
UDG 0,39334 -0,4751 -0,51442 -6,5972308
UDL 0,29896 -0,48559 -0,37664 -7,26378574
UGR 0,2085 0,15425 -0,00556 9,25534668
UHU -0,36011 -0,20189 -0,87261 -29,9066755
UIB 0,16752 -0,30592 -0,21475 -4,81249389
UJAEN -0,55703 0,29678 -0,3522 -16,8386075
UJI 0,35359 -0,09009 -0,83943 -5,67308494
ULL 0,47086 -0,92003 -1,65593 -32,882807
ULPGC -0,72429 -0,72022 -1,30464 -58,683966
UM -0,0266 0,16942 -0,41703 -4,59258265
UMA -0,63843 0,12871 0,1301 -14,3344229
UMH 0,38815 1,41605 1,05729 58,2869812
UNAVARRA -0,37416 -0,3335 0,13488 -15,5919834
UNED -1,07771 5,38544 -0,59026 65,4977865
UNEX -0,57145 -0,67176 -0,71934 -43,030405
UNICAN 0,87621 -1,21491 0,60749 12,4046536
UNILEON -0,61451 0,94086 -0,73305 -12,2132031
UNIOVI 0,59328 -0,65392 -0,85803 -10,1098447
UNIRIOJA -0,96386 -0,57226 -0,34014 -46,2711881
UNIZAR -0,07371 -0,82411 0,08082 -17,3482067
UPC -1,86454 0,05989 3,16645 -0,14367317
UPCT -1,51894 -1,10305 0,12917 -65,4820903
UPF 2,92922 1,64336 0,36216 127,11751
UPM -0,88096 -0,49973 2,92516 13,9881596
UPO -0,11154 0,29048 -0,24233 -1,70044461
UPV -0,31512 -0,12727 2,85117 37,164281
URJC -0,41054 1,45468 -0,74874 3,94373672
URV 1,01675 -0,42494 0,72623 34,5155265
US -0,62651 -0,13853 0,33493 -15,8042886
USAL 0,29865 -0,17454 -0,63487 -5,48774106
USC 0,22464 -0,2074 1,24124 23,9893081
UV 0,8998 0,22287 -0,53213 22,2965782
UVA -0,75214 -0,39282 -0,37728 -36,9586053
UVIGO 0,00509 0,0626 -0,38363 -5,20807982
Tabla 35. Puntuaciones globales y por factor en productividad
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
113
Las posiciones tanto globales como por cada uno de los factores son:
POSICIONES RANKINGS POR PRODUCTIVIDAD
Universidad Acrónimo Invest. Doc. Trans. GLOBAL
Pompeu Fabra UPF 2 2 12 1
Autónoma de Barcelona UAB 1 28 5 2
Autónoma de Madrid UAM 4 19 7 3
Barcelona UB 3 24 19 4
Universidad Nacional de Educación a Distancia UNED 46 1 35 5
Miguel Hernández de Elche UMH 12 4 6 6
Politècnica de València UPV 28 22 3 7
Rovira i Virgili URV 5 32 9 8
Santiago de Compostela USC 17 27 4 9
València (Estudi General) UV 6 11 33 10
Politécnica de Madrid UPM 42 37 2 11
Cantabria UNICAN 7 48 10 12
Carlos III de Madrid UC3M 23 7 14 13
Granada UGR 18 14 20 14
Córdoba UCO 9 12 34 15
Almería UAL 38 6 8 16
Rey Juan Carlos URJC 31 3 41 17
Politécnica de Catalunya UPC 48 17 1 18
Pablo de Olavide UPO 25 9 23 19
Alcalá UAH 24 10 25 20
Murcia UM 21 13 31 21
Illes Balears (Les) UIB 19 29 21 22
Vigo UVIGO 20 16 30 23
Salamanca USAL 15 25 36 24
Jaume I de Castellón UJI 13 21 42 25
Girona UDG 11 34 32 26
Lleida UDL 14 36 28 27
Complutense de Madrid UCM 16 20 46 28
Oviedo UNIOVI 8 40 44 29
León UNILEON 34 5 40 30
Alicante UA 37 18 11 31
Málaga UMA 36 15 16 32
Pública de Navarra UNAVARRA 30 30 15 33
Sevilla US 35 23 13 34
Jaén UJAEN 32 8 27 35
Zaragoza UNIZAR 22 45 18 36
País Vasco/Euskal Herriko Unib EHU 26 43 24 37
Huelva UHU 29 26 45 38
La Laguna ULL 10 46 48 39
Castilla-La Mancha UCLM 27 39 43 40
Valladolid UVA 40 31 29 41
Cádiz UCA 43 33 22 42
Extremadura UNEX 33 42 39 43
A Coruña UDC 41 35 37 44
La Rioja UNIRIOJA 44 38 26 45
Burgos UBU 45 41 38 46
Las Palmas de Gran Canaria ULPGC 39 44 47 47
Politécnica de Cartagena UPCT 47 47 17 48
Tabla 36. Posiciones globales y por factor en productividad
Fuente: Elaboración propia
Espinosa Martín, M. Teresa
114
Análisis de resultados
Se representan en un diagrama de dispersión en 3 dimensiones los valores
obtenidos para cada uno de los factores extraídos.
Universidades con mejores resultados globales en productividad
Posición Universidad Global
Productividad
1 UPF 127,11751
2 UAB 102,88779
3 UAM 73,8765872
4 UB 71,750484
5 UNED 65,4977865
6 UMH 58,2869812
7 UPV 37,164281
8 URV 34,5155265
9 USC 23,9893081
10 UV 22,2965782
Tabla 37. Clasificación 10 universidades mejor valoradas Globalmente por productividad.
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
115
De nuevo aparecen en primer lugar dos universidades de Cataluña, la Universidad
Pompeu Fabra y la Universidad Autónoma de Barcelona, seguidas de la Universidad
Autónoma de Madrid (Comunidad de Madrid), y de nuevo otra universidad de Cataluña,
la Universidad de Barcelona.
Podemos destacar que la Universidad Pompeu Fabra no aparece en el Top 10
global por Volumen. Otras universidades que se encuentran en esta lista y no se
encuentran entre las 10 mejores por volumen son la Universidad Nacional de Educación
a Distancia, la Universidad Miguel Hernández, la Universidad Rovira y Vigil y la
Universidad Santiago de Compostela.
Si hacemos un análisis por Comunidades Autónomas, quedaría del siguiente
modo:
- Cataluña (UPF, UAB, UB, URV)
- Comunidad de Madrid (UAM, UNED)
- Comunidad Valenciana (UMH, UPV, UV)
- Galicia (USC)
Universidades con mejores resultados en cada factor
Se detallan a continuación las universidades que han quedado entre las 10
primeras en cada uno de los factores:
- En el Factor 1: Investigación por productividad
Posición Universidad
Factor 1
Productividad:
Investigación
1 UAB 2,97116
2 UPF 2,92922
3 UB 2,48722
4 UAM 1,89376
5 URV 1,01675
6 UV 0,8998
7 UNICAN 0,87621
8 UNIOVI 0,59328
9 UCO 0,47941
10 ULL 0,47086
Tabla 38. Clasificación 10 universidades mejor valoradas en Investigación por productividad.
Fuente: Elaboración propia
Espinosa Martín, M. Teresa
116
Del mismo modo que ocurría con los resultados obtenidos por volumen, se
observa que las 6 primeras universidades de esta lista (Universidad Autónoma de
Barcelona, Universidad Pompeu Fabra, Universidad de Barcelona, Universidad
Autónoma de Madrid, Universidad Rovira y Vigil y Universidad de Valencia), las
universidades con mejores resultados por productividad en investigación, aparecen en la
lista de las universidades con mejores resultados globales por productividad.
Otras universidades que destacan en investigación son la Universidad de
Cantabria, la Universidad de Oviedo, la Universidad de Córdoba y la Universidad de La
Laguna).
De nuevo, el factor investigación es el que más varianza explica.
- En el Factor 2: Docencia por productividad
Posición Universidad
Factor 2
Productividad:
Docencia
1 UNED 5,38544
2 UPF 1,64336
3 URJC 1,45468
4 UMH 1,41605
5 UNILEON 0,94086
6 UAL 0,62476
7 UC3M 0,55559
8 UJAEN 0,29678
9 UPO 0,29048
10 UAH 0,26791
Tabla 39. Clasificación 10 universidades mejor valoradas en Docencia por productividad.
Fuente: Elaboración propia
Igual que ocurría en el ranking de docencia por volumen, la universidad que
destaca bastante en docencia por productividad respecto a las demás es la Universidad
Nacional de Educación a Distancia.
A continuación se encuentran la Universidad Pompeu Fabra, la Universidad Rey
Juan Carlos, la Universidad Miguel Hernández, la Universidad de León, la Universidad
de Almería, la Universidad Carlos III de Madrid, la Universidad de Jaén, la Universidad
Pablo de Olavide y la Universidad de Alcalá.
El factor docencia explica menos varianza que el factor investigación.
Clasificación de Universidades Públicas Españolas
117
- En el Factor 3: Transferencia de conocimiento por productividad
Posición Universidad
Factor 3
Productividad:
Transferencia
conocimiento
1 UPC 3,16645
2 UPM 2,92516
3 UPV 2,85117
4 USC 1,24124
5 UAB 1,05826
6 UMH 1,05729
7 UAM 0,99795
8 UAL 0,81751
9 URV 0,72623
10 UNICAN 0,60749
Tabla 40. Clasificación 10 universidades mejor valoradas en Transferencia de conocimiento por
productividad. Fuente: Elaboración propia
De nuevo la lista de las mejores universidades en transferencia de conocimiento
la encabezan las Universidades Politécnicas (Universidad Politécnica de Cataluña,
Universidad Politécnica de Madrid y Universidad Politécnica de Valencia).
A continuación aparecen la Universidad de Santiago de Compostela, la
Universidad Autónoma de Barcelona, la Universidad Miguel Hernández y la Universidad
Autónoma de Madrid.
Seis de estas 10 universidades (UAB, UAM, UMH, UPV, URV, USC) se
encuentran en el Top 10 global por productividad.
Las universidades que destacan en transferencia de conocimiento y no aparecen
en el Top 10 global por productividad son la Universidad Politécnica de Cataluña, la
Universidad Politécnica de Madrid, la Universidad de Almería y la Universidad de
Cantabria, la cual también aparece en el Top 10 de investigación por productividad.
El factor relativo a la transferencia de conocimiento es el que menos varianza
explica.
Espinosa Martín, M. Teresa
118
Relación entre dimensiones por productividad
Se presenta un diagrama con las diez universidades mejor clasificadas por
productividad en cada una de las misiones.
Se indica entre paréntesis la posición que ha obtenido cada una de estas
universidades en la clasificación global por productividad.
Figura 13. Clasificación 10 universidades mejor valoradas en productividad en cada factor
Fuente: Elaboración propia
A diferencia de los resultados obtenidos por volumen, no existe ninguna
universidad pública española que se encuentre entre las 10 mejores posiciones en todas
las clasificaciones por productividad.
La Universidad Pompeu Fabra, que encabeza el ranking global por productividad,
por muy poco no se encuentra en esta situación, ya que ocupa la segunda posición en las
clasificaciones de investigación y docencia, y la posición 12 en la clasificación de
transferencia de conocimiento, todas ellas por productividad.
Investigación
•UB (4)
•UV (10)
•UCO (15)
•UNIOVI (29)
•ULL (39)
Docencia
•UNED (5)
•UC3M (13)
•URJC (17)
•UPO (19)
•UAH (20)
•UNILEON (30)
•UJAEN (35)
Transferencia conocimiento
•UPV (7)
•USC (9)
•UPM (11)
•UPC (18)
UPF (1)
UAB (2)
UAM (3)
URV (8)
UNICAN (12)
UMH (6)
UAL (16)
Clasificación de Universidades Públicas Españolas
119
Cabe señalar también cómo las Universidades Autónoma de Barcelona,
Autónoma de Madrid, Rovira y Vigil y la Universidad de Cantabria, destacan tanto en
investigación como en transferencia de conocimiento.
Al mismo tiempo, la Universidad Miguel Hernández y la Universidad de Almería,
obtienen buenas posiciones tanto en docencia como en transferencia de conocimiento.
Con el fin de observar con más detalle la relación de estos factores 2 a 2, se
representan además cada uno de los pares de factores en un diagrama de dispersión en 2
dimensiones.
- Investigación – Docencia por productividad
Figura 14. Diagrama de dispersión Investigación-Docencia por productividad
Fuente: Elaboración propia
Espinosa Martín, M. Teresa
120
Se observa claramente en este diagrama de dispersión que el grupo de
universidades que destacan ampliamente en investigación, y que al mismo tiempo tienen
resultados aceptables en docencia, son la Universidad Autónoma de Barcelona, la
Universidad Pompeu Fabra, la Universidad de Barcelona y la Universidad Autónoma de
Madrid.
Del mismo modo se observa que destaca ampliamente en docencia la Universidad
Nacional de Educación a Distancia.
- Investigación – Transferencia de conocimiento por productividad
Figura 15. Diagrama de dispersión Investigación-Transferencia de conocimiento por
productividad
Fuente: Elaboración propia
Igual que ocurría cuando analizábamos esta comparativa por volumen, se observa
como destacan en transferencia de conocimiento las universidades Politécnicas, en este
caso la primera de ellas es la Universidad Politécnica de Cataluña, a continuación la
Clasificación de Universidades Públicas Españolas
121
Universidad Politécnica de Madrid y después la Universidad Politécnica de Valencia. De
nuevo, entre ellas la que obtiene mejores resultados en investigación es la Politécnica de
Valencia.
También se aprecia claramente el grupo de universidades que destacan
ampliamente en investigación y tienen resultados aceptables en transferencia de
conocimiento, formado por la Universidad Autónoma de Barcelona, la Universidad
Pompeu Fabra, la Universidad de Barcelona y la Universidad Autónoma de Madrid.
- Docencia – Transferencia de conocimiento por productividad
Figura 16. Diagrama de dispersión Docencia-Transferencia de conocimiento por productividad
Fuente: Elaboración propia
Se aprecia también en este diagrama cómo destaca ampliamente en docencia la
Universidad Nacional de Educación a Distancia.
También podemos observar el grupo de las tres universidades politécnicas (UPC,
UPM y UPV) que destacan en transferencia de conocimiento.
Espinosa Martín, M. Teresa
122
Algunas de las universidades que obtienen buenos resultados y equilibrados en
ambas misiones son la Universidad Miguel Hernández y la Universidad de Almería.
4.2.3 Rankings por volumen versus rankings por productividad
Resulta interesante representar las puntuaciones obtenidas por cada universidad
para los indicadores absolutos y relativos encontrados tanto de forma global como por
cada una de las misiones de la universidad.
Si trazamos la bisectriz del primer y tercer cuadrante, podemos decir que aquellas
universidades que se encuentran sobre esta bisectriz han obtenido resultados similares en
términos de volumen y de productividad.
Del mismo modo, las que se encuentran por encima de dicha bisectriz es porque
han obtenido mejores resultados en volumen que en productividad y las que se encuentran
por debajo es porque han obtenido mejores resultados en productividad que en volumen.
4.2.3.1 Resultados globales
Figura 17. Diagrama de dispersión resultados globales Productividad-Volumen
Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
123
Este gráfico permite visualidad aquellas universidades que destacan globalmente
tanto en productividad como en volumen, es decir, aquellas que presentan mejores
valoraciones globales a nivel nacional. Estas universidades son la Universidad Autónoma
de Barcelona, la Universidad de Barcelona y la Universidad Autónoma de Madrid.
Además, el gráfico anterior muestra como destaca la Universidad Pompeu Fabra
en sus resultados por productividad, seguida de la Universidad Nacional de Educación a
Distancia, de la Universidad Miguel Hernández y de la Universidad Rovira y Vigil.
Las universidades Autónoma de Barcelona, Autónoma de Madrid y Santiago de
Compostela se encuentran prácticamente sobre la bisectriz del primer cuadrante, por lo
que tienen resultados equilibrados en volumen y productividad.
Las universidades que destacan en volumen son la Universidad de Barcelona, la
Universidad Complutense de Madrid y la Universidad de Granada, seguidas por la
Universidad de Valencia y la Universidad de Sevilla.
También podemos apreciar estos resultados en el siguiente diagrama, en el que se
presentan aquellas universidades que ocupan las 10 primeras posiciones de cada una de
las clasificaciones globales:
Figura 18. Universidades que ocupan 10 primeros lugares en las clasificaciones globales
Fuente: Elaboración propia
Volumen
•UCM
•UGR
•US
•UPM
•EHU
Productividad
•UPF
•UNED
•UMH
•URV
•USC
UAB
UB
UAM
UV
UPV
Espinosa Martín, M. Teresa
124
Se observa claramente cómo la Universidad Autónoma de Barcelona, la
Universidad de Barcelona, la Universidad Autónoma de Madrid, la Universidad de
Valencia y la Universidad Politécnica de Valencia, destacan tanto en volumen como en
productividad.
Estos resultados se corresponden con los obtenidos por los últimos rankings
internacionales publicados, por ejemplo:
El QS ranking acaba de publicar su ranking edición 2016-2017, en el que las tres
universidades españolas mejor clasificadas son la Universidad de Barcelona que ocupa la
posición160, la Universidad Autónoma de Barcelona en el lugar 203 y la Universidad
Autónoma de Madrid en el puesto 210 del ranking internacional.
El ARWU (Academic Ranking of World University) también conocido como
ranking de Shangai, también ha publicado recientemente su edición 2016, en el que la
universidad española mejor valorada también es la Universidad de Barcelona, seguida en
este caso de la Universidad de Granada y la Universidad Autónoma de Madrid. A
continuación se encuentran la Universidad Autónoma de Barcelona, la Universidad
Pompeu Fabra, la Universidad Complutense de Madrid
El THE (Times Higher Education) World en su última edición publicada en 2016
coloca en primer lugar a la Universidad Autónoma de Barcelona, y a continuación la
Universidad Pompeu Fabra, la Universidad de Barcelona y la Universidad Autónoma de
Madrid, con las siguientes posiciones respectivas a nivel europeo: 70, 80, 86 y 162.
También podemos decir que se corresponden con los resultados obtenidos en los
últimos rankings nacionales:
El ranking ISSUE en su última edición, recién publicada, presenta una
clasificación por volumen y una clasificación por productividad.
En la clasificación por productividad las universidades mejor valoradas son la
Universidad Pompeu Fabra, la Universidad Autónoma de Barcelona, la Universidad
Politécnica de Cataluña y la Universidad Politécnica de Valencia.
Y por volumen la Universidad Complutense de Madrid, la Universidad de
Barcelona, la Universidad de Granada y la Universidad de Valencia.
Clasificación de Universidades Públicas Españolas
125
4.2.3.2 Resultados de investigación
Figura 19. Diagrama de dispersión Investigación Productividad-Volumen
Fuente: Elaboración propia
La investigación de las universidades públicas españolas queda liderada por tres
universidades de Cataluña (UAB, UB y UPF), como se puede observar en este diagrama
de dispersión. La Universidad Pompeu Fabra destaca en productividad, la Universidad de
Barcelona destaca en volumen y la Universidad Autónoma de Barcelona aunque obtiene
mejores resultados en productividad que en volumen es más equilibrada.
Otras universidades que destacan en productividad son la Universidad Autónoma
de Madrid, la Universidad Rovira y Vigil y la Universidad de Cantabria, y en volumen
son la Universidad de Valencia, la Universidad Complutense de Madrid y la Universidad
de Granada.
En el siguiente diagrama se observa cómo cuatro de las universidades se
encuentran en las primeras posiciones de investigación tanto en volumen como en
productividad. Estas universidades son la Universidad Autónoma de Barcelona, la
Espinosa Martín, M. Teresa
126
Universidad de Barcelona, la Universidad Autónoma de Madrid y la Universidad de
Valencia.
Figura 20. Universidades que ocupan 10 primeros lugares en las clasificaciones de investigación
Fuente: Elaboración propia
4.2.3.3 Resultados de docencia
Figura 21. Diagrama de dispersión Docencia Productividad-Volumen.
Fuente: Elaboración propia
Volumen
•UCM
•UGR
•UNIOVI
•UNIZAR
•EHU
•UPM
Productividad
•UPF
•URV
•UNICAN
•UNIOVI
•UCO
•ULL
UAB
UB
UAM
UV
Clasificación de Universidades Públicas Españolas
127
En el caso de la docencia, se observa que queda liderada por la Universidad
Nacional de Educación a Distancia, la cual obtiene resultados equilibrados en volumen y
productividad.
Destacan en productividad la Universidad Pompeu Fabra, la Universidad Rey
Juan Carlos y la Universidad de Alcalá, entre otras, y en volumen la Universidad
Complutense de Madrid, la Universidad de Sevilla, la Universidad de Granada y la
Universidad de Valencia.
Figura 22. Universidades que ocupan 10 primeros lugares en las clasificaciones de docencia
Fuente: Elaboración propia
Destacan en las primeras posiciones de docencia, tanto en volumen como en
productividad, la Universidad Nacional de Educación a Distancia y la Universidad Rey
Juan Carlos.
Volumen
•UCM
•US
•UGR
•UV
•EHU
•UMA
•UPC
•UM
Productividad
•UPF
•UMH
•UNILEON
•UAL
•UC3M
•UJAEN
•UPO
•UAH
UNED
URJC
Espinosa Martín, M. Teresa
128
4.2.3.4 Resultados de transferencia de conocimiento
Figura 23. Diagrama de dispersión Transferencia Conocimiento Productividad-Volumen.
Fuente: Elaboración propia
La transferencia de conocimiento queda claramente liderada por las universidades
politécnicas, en concreto la Universidad Politécnica de Madrid que destaca en volumen y
las Universidades Politécnicas de Cataluña y Valencia con resultados más equilibrados
en volumen y productividad.
La Universidad de Santiago de Compostela y la Universidad Autónoma de Madrid
también presentan buenos resultados y equilibrados.
Al mismo tiempo, la Universidad de Sevilla destaca en volumen y las
universidades Autónoma de Barcelona y Miguel Hernández destacan en productividad.
Bastantes de las universidades que sobresalen en transferencia de conocimiento,
lo hacen generalmente tanto en volumen como en productividad, como se puede apreciar
en el siguiente gráfico, en el que seis de las universidades se encuentran entre las mejores
Clasificación de Universidades Públicas Españolas
129
posicionadas en ambas clasificaciones. Estamos hablando de las Universidades
Politécnicas de Madrid, Cataluña y Valencia, la Universidad Autónoma de Madrid, la
Universidad Autónoma de Barcelona y la Universidad de Santiago de Compostela.
Figura 24. Universidades que ocupan 10 primeros lugares en las clasificaciones de transferencia
de conocimiento. Fuente: Elaboración propia
4.2.4 Comunidades con las universidades mejor clasificadas
Se presentan a continuación las universidades que han quedado en las 10 primeras
posiciones de cada una de las clasificaciones, agrupadas por Comunidades Autónomas.
4.2.4.1 Resultados globales
Comunidad
Universidades clasificadas en las 10 primeras posiciones
Global
Volumen Productividad
Cataluña UB (1), UAB (2) UPF (1), UAB (2) , UB (4), URV (8)
Madrid UCM (3), UAM (7), UPM (8) UAM (2), UNED (5)
Valencia UV (5), UPV (9) UMH (6), UPV (7), UV (10)
Andalucía UGR (4), US (6)
Galicia USC (9)
País Vasco EHU (10)
Tabla 41. Universidades que ocupan las 10 primeras posiciones globales, por comunidad.
Fuente: Elaboración propia
Volumen
•US
•EHU
•UNIZAR
•UGR
Productividad
•UMH
•UAL
•URV
•UNICAN
UPM
UPC
UPV
UAM
UAB
USC
Espinosa Martín, M. Teresa
130
A nivel global sobresale la comunidad de Cataluña, cuyas universidades obtienen
los mejores en las dos clasificaciones realizadas. También en ambas clasificaciones se
encuentran bien posicionadas las universidades de la Comunidad de Madrid, y después
las de la Comunidad Valenciana.
Destacan también en volumen global la Comunidad de Andalucía seguida de la
del País Vasco, y en productividad global Galicia.
4.2.4.2 Resultados de investigación
Comunidad
Universidades clasificadas en las 10 primeras posiciones
Investigación
Volumen Productividad
Cataluña UB (1), UAB (2), UPF (10) UAB (1), UPF (2), UB (3), URV (5)
Madrid UAM (3), UCM (5) UAM (4)
Valencia UV (4) UV (6)
Andalucía UGR (6) UCO (7)
Asturias UNIOVI (7) UNIOVI (8)
Aragón UNIZAR (8)
Cantabria UNICAN (7)
País Vasco EHU (9)
Canarias ULL (10)
Tabla 42. Universidades que ocupan las 10 primeras posiciones en investigación, por comunidad.
Fuente: Elaboración propia
La investigación también queda liderada por las universidades de Cataluña,
ocupando sus universidades los primeros puestos tanto en volumen como en
productividad.
A continuación, igual que en la clasificación global, se encuentran la Comunidad
de Madrid, la Comunidad Valenciana y Andalucía. También aparece el País Vasco.
Otras comunidades que destacan en investigación aunque no aparecen en los
rankings globales son Asturias, Aragón, Cantabria y Canarias.
Clasificación de Universidades Públicas Españolas
131
4.2.4.3 Resultados de docencia
Comunidad
Universidades clasificadas en las 10 primeras posiciones
Docencia
Volumen Productividad
Madrid UNED (1), UCM (2), URJC (7) UNED (1), URJC (3), UC3M (7), UAH (10)
Andalucía US (3), UGR (4), UMA (8) UAL (6), UJAEN (8)
Cataluña UPC (9) UPF (2), UPO (9)
Valencia UV (5) UMH (4)
Castilla y León UNILEON (5)
País Vasco EHU (6)
Murcia UM (10)
Tabla 43. Universidades que ocupan las 10 primeras posiciones en docencia, por comunidad.
Fuente: Elaboración propia
La clasificación de docencia tanto en términos absolutos como relativos queda
encabezada por la Comunidad de Madrid.
Andalucía destaca a continuación, por el número de universidades que aparecen
en los primeros puestos de ambas clasificaciones.
Cataluña ocupa el siguiente puesto, seguida de la Comunidad Valenciana.
Otras comunidades que destacan son Castilla y León en productividad, y País
Vasco y Murcia en volumen.
4.2.4.4 Resultados de transferencia de conocimiento
Comunidad
Universidades clasificadas en las 10 primeras posiciones
Transferencia de conocimiento
Volumen Productividad
Cataluña UPC (2), UAB (10) UPC (1), UAB (5), URV (9)
Madrid UPM (1), UAM (7) UPM (2), UAM (7)
Valencia UPV (3) UPV (3), UMH (6)
Andalucía US (4), UGR (9) UAL (8)
Galicia USC (5) USC (4)
País Vasco EHU (6)
Aragón UNIZAR (8)
Cantabria UNICAN (10)
Tabla 44. Universidades que ocupan las 10 primeras posiciones en transferencia de
conocimiento, por comunidad. Fuente: Elaboración propia
La transferencia de conocimiento queda liderada de manera casi pareja por
Cataluña y la Comunidad de Madrid, con muy buenos resultados tanto en términos
absolutos como relativos.
Espinosa Martín, M. Teresa
132
Tras estas comunidades se encuentran la Comunidad Valenciana, Andalucía y
Galicia, también con resultados equilibrados en ambas clasificaciones.
Cabe destacar también los resultados en volumen del País Vasco y Aragón, y en
productividad de Cantabria.
4.2.4.5 Resultados por Comunidad Autónoma
Teniendo en cuenta los datos recogidos anteriormente para cada una de las
Comunidades Autónomas, observamos a continuación cuales y cuántas son las
universidades que pertenecen a cada Comunidad Autónoma, señalando cuáles de estas
universidades han aparecido en las primeras posiciones de alguna de las clasificaciones
elaboradas.
Comunidad
Universidades que
Aparecen en alguna
Clasificación
(10 primeras)
Universidades que No
Aparecen en ninguna
Clasificación
(10 primeras)
Nº total
Universidades
Andalucía UAL, UCO, UGR, UJAEN,
UPO, US UCA, UHU, UMA 9
Aragón UNIZAR 1
Canarias ULL ULPGC 2
Cantabria UNICAN 1
Castilla La
Mancha UCLM 1
Castilla y León UNILEON UBU, USAL, UVA 4
Catalunya UAB, UB, UPC, UPF, URV UDG, UDL 7
Comunidad de
Madrid
UAH, UAM, UC3M, UCM,
UNED, UPM, URJC 7
Comunidad Foral
de Navarra UNAVARRA 1
Comunitat
Valenciana UMH, UPV, UV UA, UJI 5
Extremadura UNEX 1
Galicia USC UDC, UVIGO 3
Illes Balears UIB 1
La Rioja UNIRIOJA 1
País Vasco EHU 1
Principado de
Asturias UNIOVI 1
Región de Murcia UM UPCT 2
Tabla 45. Universidades que aparecen o no entre las 10 primeras posiciones en alguna de las
clasificaciones elaboradas, por comunidad. Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
133
La siguiente tabla recoge por Comunidades Autónomas y por cada una de las
clasificaciones realizadas, los acrónimos de las universidades de la comunidad que
ocupan alguna de las 10 primeras posiciones de dicha clasificación, recogiendo entre
paréntesis el puesto que ocupa en la misma.
En ella también se especifica el número de universidades con las que cuenta la
comunidad.
Comunidad
(Nº
Universidades)
Universidades que ocupan las 10 primeras posiciones
de cada clasificación por Comunidades
GLOBAL Investigación Docencia Transferencia
conocimiento
Vol. Prod. Vol. Prod. Vol. Prod. Vol. Prod.
Andalucía (9) UGR (4),
US (6) UGR (6) UCO (7)
US (3),
UGR (4), UMA (8)
UAL (6),
UJAEN (8)
US (4),
UGR (9) UAL (8)
Aragón (1) UNIZAR
(8)
UNIZAR
(8)
Canarias (2) ULL (10)
Cantabria (1) UNICAN
(7)
UNICAN (10)
Castilla La
Mancha (1)
Castilla y León (4) UNILEON
(5)
Catalunya (7) UB (1),
UAB (2)
UPF (1),
UAB (2) ,
UB (4), URV (8)
UB (1),
UAB (2),
UPF (10)
UAB (1),
UPF (2),
UB (3), URV (5)
UPC (9) UPF (2),
UPO (9)
UPC (2),
UAB (10)
UPC (1),
UAB (5),
URV (9)
Comunidad de
Madrid (7)
UCM (3),
UAM (7),
UPM (8)
UAM (3), UNED (5)
UAM (3), UCM (5)
UAM (4)
UNED (1),
UCM (2),
URJC (7)
UNED (1),
URJC (3), UC3M (7),
UAH (10)
UPM (1), UAM (7)
UPM (2), UAM (7)
Comunidad Foral
de Navarra (1)
Comunitat
Valenciana (5) UV (5),
UPV (9)
UMH (6), UPV (7),
UV (10)
UV (4) UV (6) UV (5) UMH (4) UPV (3) UPV (3),
UMH (6)
Extremadura (1)
Galicia (3) USC (9) USC (5) USC (4)
Illes Balears (1)
La Rioja (1)
País Vasco (1) EHU (10) EHU (9) EHU (6) EHU (6)
Principado de
Asturias (1)
UNIOVI
(7)
UNIOVI
(8)
Región de Murcia
(2) UM (10)
Tabla 46. Universidades que aparecen entre las 10 primeras posiciones en cada una de las
clasificaciones elaboradas, por comunidad. Fuente: Elaboración propia
Espinosa Martín, M. Teresa
134
Se observa que Catalunya, la Comunidad de Madrid y la Comunitat Valenciana
tienen universidades posicionadas entre las 10 mejores en todas las clasificaciones
realizadas.
Entre ellas sobresale Catalunya ocupando las dos primeras posiciones de las dos
clasificaciones globales y de las dos sobre investigación, así como la segunda en
productividad de docencia, la segunda en volumen de transferencia de conocimiento y la
primera en productividad de transferencia de conocimiento. Estas posiciones son
alcanzadas por 5 de sus 7 universidades, entre las cuales merecen especial consideración
por sus resultados la Universidad de Barcelona, la Universidad Autónoma de Barcelona
y la Universidad Pompeu Fabra.
A continuación se encuentra la Comunidad de Madrid, cuyas universidades
aparecen en todas las clasificaciones elaboradas, y ocupan los puestos 2 y 5 en
productividad global y 3, 7 y 8 en volumen global. Al mismo tiempo, se encuentra en los
dos primeros puestos de docencia por volumen y en el primero y tercero de docencia por
productividad, así como en el primero de transferencia de conocimiento por volumen y
en el segundo por productividad. A pesar de que las universidades de la Comunidad de
Madrid no ocupan las mejores posiciones de la mayoría de los rankings, podemos decir a
favor de esta comunidad que todas sus universidades se encuentran entre las 10 mejores
en alguna de las clasificaciones, destacando entre ellas principalmente la Universidad
Autónoma de Madrid y la Universidad Complutense de Madrid.
La Comunitat Valenciana ocupa el tercer lugar y sus universidades también
aparecen entre los 10 primeros puestos de todas las clasificaciones elaboradas. Posiciones
conseguidas por 3 de sus 5 universidades, que son la Universidad de Valencia, la
Universidad Politécnica de Madrid y la Universidad Miguel Hernández de Elche.
Andalucía se clasifica a continuación de estas Comunidades Autónomas, dado que
sus universidades también se encuentran en las 10 primeras posiciones de cada una de las
clasificaciones que se han elaborado, excepto de la global por producción. Estas
posiciones son alcanzadas por 5 de sus 9 universidades, entre las cuales sobresale la
Universidad de Granada que alcanza las primeras posiciones en todas las clasificaciones
por volumen, y a continuación la Universidad de Sevilla.
Clasificación de Universidades Públicas Españolas
135
Otra comunidad a destacar es el País Vasco, con una única universidad, las cual
se encuentra siempre entre las 10 primeras en las clasificaciones realizadas en términos
absolutos.
Galicia alcanza buenos resultados en productividad global con la Universidad de
Santiago de Compostela.
Por su parte, las comunidades de Aragón, Cantabria y Principado de Asturias, las
cuales cuentan todas con una única universidad, ocupan buenas posiciones en algunas
clasificaciones.
137
4.2.5 Agrupación de universidades
Una vez elaboradas las clasificaciones para las universidades públicas españolas,
nos planteamos estudiar si realmente existe homogeneidad entre las universidades
analizadas.
Utilizando una de las técnicas de Análisis Multivariante, el Análisis Cluster o de
Conglomerados, se pretende agrupar a las universidades formando conglomerados
(clusters) con un alto grado de homogeneidad interna y heterogeneidad externa.
Realizamos con SPSS un análisis de conglomerados jerárquicos:
Analizar/Clasificar/Conglomerados jerárquicos
Se clasifican casos (universidades) etiquetando por el acrónimo de cada
Universidad.
El método de clasificación utilizado es el Método de Ward con medida de
Distancia Euclidea al Cuadrado.
Realizamos este estudio a partir de las 30 variables iniciales consideradas, 15 de
ellas utilizadas para elaborar la clasificación por volumen y otras 15 utilizadas en la
elaboración de la clasificación por productividad.
Posteriormente se compararán estos resultados con los obtenidos a partir de los 6
factores extraídos en el análisis factorial, 3 extraídos en el análisis por volumen y otros 3
extraídos en el análisis por productividad.
4.2.5.1 A partir de las variables iniciales
Resumen del procesamiento de los casos(a)
Casos
Válidos Perdidos Total
N Porcentaje N Porcentaje N Porcentaje
48 100,0 0 ,0 48 100,0
a Vinculación de Ward
Espinosa Martín, M. Teresa
138
Se obtiene el siguiente historial de conglomeración:
Historial de conglomeración
14 29 ,686 0 0 3
15 16 1,843 0 0 13
10 14 3,055 0 1 15
4 9 4,372 0 0 10
18 23 6,108 0 0 12
11 47 8,272 0 0 15
19 21 10,820 0 0 9
22 32 14,077 0 0 19
19 27 17,369 7 0 13
4 13 20,786 4 0 14
24 48 24,759 0 0 18
8 18 28,898 0 5 21
15 19 33,260 2 9 22
4 20 37,689 10 0 18
10 11 42,127 3 6 21
2 25 47,219 0 0 28
34 45 52,984 0 0 37
4 24 58,839 14 11 23
22 44 65,207 8 0 33
1 17 72,166 0 0 29
8 10 79,229 12 15 25
15 39 86,650 13 0 34
4 41 95,013 18 0 28
12 46 104,806 0 0 35
8 36 115,465 21 0 36
3 7 126,133 0 0 42
26 42 137,750 0 0 34
2 4 149,369 16 23 30
1 43 161,532 20 0 35
2 5 175,937 28 0 38
35 38 191,451 0 0 40
31 33 210,678 0 0 36
22 30 230,519 19 0 37
15 26 251,734 22 27 38
1 12 276,081 29 24 44
8 31 301,614 25 32 41
22 34 328,390 33 17 43
2 15 358,798 30 34 41
6 37 389,478 0 0 42
35 40 428,730 31 0 46
2 8 478,997 38 36 43
3 6 540,289 26 39 44
2 22 606,977 41 37 45
1 3 719,393 35 42 46
2 28 879,141 43 0 47
1 35 1041,666 44 40 47
1 2 1410,000 46 45 0
Etapa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
Conglom
erado 1
Conglom
erado 2
Conglomerado que se
combina
Coeficientes
Conglom
erado 1
Conglom
erado 2
Etapa en la que el
conglomerado
aparece por primera
vez
Próxima
etapa
Clasificación de Universidades Públicas Españolas
139
El dendograma de agrupación jerárquica obtenido es el siguiente:
Dendrogram using Ward Method
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
UDC 14
UNEX 29
UCA 10
UCLM 11
UVA 47
UHU 18
ULPGC 23
UBU 8
UPCT 36
UNILEON 31
UNIRIOJA 33
UA 2
UMA 25
UM 24
UVIGO 48
UAH 4
UC3M 9
UCO 13
UJAEN 20
URJC 41
UAL 5
UDG 15
UDL 16
UIB 19
UJI 21
UNAVARRA 27
UPO 39
UMH 26
URV 42
UNIZAR 34
USC 45
ULL 22
UNIOVI 32
USAL 44
UNICAN 30
UNED 28
UPC 35
UPM 38
UPV 40
UCM 12
UV 46
EHU 1
UGR 17
US 43
UAB 3
UB 7
UAM 6
UPF 37
Espinosa Martín, M. Teresa
140
A partir de este dendograma se observan los siguientes 5 grupos que analizaremos:
Grupos Universidades 1 UAB, UB, UAM, UPF
2 UCM, UV, EHU, UGR, US
3 UPC, UPM, UPV
4 UNED
5
UDC, UNEX, UCA UCLM, UVA, UHU, ULPGC, UBU, UPCT,
UNILEON, UNIRIOJA, UA, UMA, UM, UVIGO, UAH, UC3M,
UCO, UJAEN, URJC, UAL, UDG, UDL, UIB, UJI, UNAVARRA,
UPO, UMH, URV, UNIZAR, USC, ULL, UNIOVI, USAL,
UNICAN
Tabla 47. Clusters de universidades públicas españolas. Fuente: Elaboración propia
Grupo 1: Formado por las 4 universidades que ocupan las primeras posiciones
tanto de la clasificación global de productividad, como de la clasificación de
productividad en investigación, por lo que podemos decir que se trata de universidades
con buenos resultados en productividad tanto de investigación como global.
Recordemos que el factor investigación es el que más varianza explica.
Grupo 2: Formado por universidades consolidadas de tamaño mediano con
buenos resultados globales en volumen, que no se encuentran en el grupo 1. Las 5
universidades aparecen tanto en el Top 10 global por volumen: UCM (3), UGR (4), UV
(5), US (6), EHU (10), como en el Top 10 de docencia por volumen: UCM (2), US (3),
UGR (4), UV (5), EHU (6), y cuatro de ellas en el Top 10 de investigación por volumen:
UV (4), UCM (5), UGR (6), EHU (9).
Grupo 3: Formado por universidades politécnicas con buenos resultados en
transferencia de conocimiento, las cuales ocupan las primeras posiciones en las
clasificaciones tanto absolutas como relativas. En volumen ocupan las posiciones: UPM
(1), UPC (2) y UPV (3), y en productividad UPC (1), UPM (2) y UPV (3).
Grupo 4: Formado por universidades con buenos resultados en docencia. En
nuestro caso se trata de la única universidad pública a distancia, la cual encabeza los
rankings de docencia, por volumen y por productividad.
Grupo 5: Formado por universidades que no destacan sobradamente en
ninguna de las misiones de la universidad.
Clasificación de Universidades Públicas Españolas
141
Además del método de agrupación de Ward, se han utilizado otros métodos de
agrupación, tanto jerárquicos como no jerárquicos, obteniendo resultados similares
En la agrupación obtenida aparece un cluster con una única universidad, pero
teniendo en cuenta las características diferenciadoras de las UNED con el resto de
universidades, ya que se trata de la única universidad pública a distancia y el resto de las
universidades que forman parte del análisis son presenciales, el resultado se considera
adecuado.
No obstante, realizamos de nuevo el análisis cluster teniendo en cuenta sólo a las
universidades presenciales, con el fin de observar si se presenta alguna diferencia de
agrupación para las universidades presenciales.
Tenemos ahora 47 casos:
Resumen del procesamiento de los casosa
47 100,0 0 ,0 47 100,0
N Porcentaje N Porcentaje N Porcentaje
Válidos Perdidos Total
Casos
Vinculación de Warda.
Espinosa Martín, M. Teresa
142
El historial de conglomeración para el análisis realizado sin incluir a la UNED,
viene dado por:
Historial de conglomeración
14 29 ,686 0 0 3
15 16 1,843 0 0 13
10 14 3,055 0 1 15
4 9 4,372 0 0 10
18 23 6,108 0 0 12
11 47 8,272 0 0 15
19 21 10,820 0 0 9
22 32 14,077 0 0 19
19 27 17,369 7 0 13
4 13 20,786 4 0 14
24 48 24,759 0 0 18
8 18 28,898 0 5 21
15 19 33,260 2 9 22
4 20 37,689 10 0 18
10 11 42,127 3 6 21
2 25 47,219 0 0 28
34 45 52,984 0 0 37
4 24 58,839 14 11 23
22 44 65,207 8 0 33
1 17 72,166 0 0 29
8 10 79,229 12 15 25
15 39 86,650 13 0 34
4 41 95,013 18 0 28
12 46 104,806 0 0 35
8 36 115,465 21 0 36
3 7 126,133 0 0 42
26 42 137,750 0 0 34
2 4 149,369 16 23 30
1 43 161,532 20 0 35
2 5 175,937 28 0 38
35 38 191,451 0 0 40
31 33 210,678 0 0 36
22 30 230,519 19 0 37
15 26 251,734 22 27 38
1 12 276,081 29 24 44
8 31 301,614 25 32 41
22 34 328,390 33 17 43
2 15 358,798 30 34 41
6 37 389,478 0 0 42
35 40 428,730 31 0 45
2 8 478,997 38 36 43
3 6 540,289 26 39 44
2 22 606,977 41 37 46
1 3 719,393 35 42 45
1 35 881,918 44 40 46
1 2 1251,766 45 43 0
Etapa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
Conglom
erado 1
Conglom
erado 2
Conglomerado que se
combina
Coeficientes
Conglom
erado 1
Conglom
erado 2
Etapa en la que el
conglomerado
aparece por primera
vez
Próxima
etapa
Clasificación de Universidades Públicas Españolas
143
Y el dendograma correspondiente quedaría de la siguiente forma:
Dendrogram using Ward Method
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
UDC 14
UNEX 29
UCA 10
UCLM 11
UVA 47
UHU 18
ULPGC 23
UBU 8
UPCT 36
UNILEON 31
UNIRIOJA 33
UA 2
UMA 25
UM 24
UVIGO 48
UAH 4
UC3M 9
UCO 13
UJAEN 20
URJC 41
UAL 5
UDG 15
UDL 16
UIB 19
UJI 21
UNAVARRA 27
UPO 39
UMH 26
URV 42
UNIZAR 34
USC 45
ULL 22
UNIOVI 32
USAL 44
UNICAN 30
UPC 35
UPM 38
UPV 40
UCM 12
UV 46
EHU 1
UGR 17
US 43
UAB 3
UB 7
UAM 6
UPF 37
Espinosa Martín, M. Teresa
144
A partir de este dendograma para clasificar las universidades públicas
presenciales, se obtienen 4 grupos con las siguientes universidades:
Grupo Universidades 1 UAB, UB, UAM, UPF
2 UCM, UV, EHU, UGR, US
3 UPC, UPM, UPV
4
UDC, UNEX, UCA UCLM, UVA, UHU, ULPGC, UBU, UPCT,
UNILEON, UNIRIOJA, UA, UMA, UM, UVIGO, UAH, UC3M,
UCO, UJAEN, URJC, UAL, UDG, UDL, UIB, UJI, UNAVARRA,
UPO, UMH, URV, UNIZAR, USC, ULL, UNIOVI, USAL,
UNICAN
Tabla 48. Clusters de universidades públicas españolas presenciales. Fuente: Elaboración propia
Se observa que no existe ningún cambio en la agrupación de las universidades
presenciales respecto a la agrupación anterior.
4.2.5.2 A partir de los factores extraídos
Con el fin de comprobar si los factores extraídos en el análisis factorial aportan
resultados similares a los obtenidos con las variables iniciales, realizamos de nuevo el
análisis cluster con estos 6 factores: los 3 factores extraídos en el análisis por volumen y
los 3 factores extraídos en el análisis por productividad. De nuevo se utiliza el método de
Ward con la distancia euclidea al cuadrado.
El histograma de conglomeración viene dado por:
Clasificación de Universidades Públicas Españolas
145
Historial de conglomeración
15 16 ,033 0 0 6
14 29 ,101 0 0 11
10 47 ,185 0 0 23
8 33 ,275 0 0 19
4 48 ,369 0 0 7
15 19 ,489 1 0 18
4 24 ,631 5 0 14
20 39 ,798 0 0 16
13 21 ,985 0 0 21
2 25 1,191 0 0 23
11 14 1,453 0 2 17
32 44 1,731 0 0 21
18 23 2,081 0 0 17
4 9 2,445 7 0 26
30 42 2,921 0 0 34
20 31 3,400 8 0 26
11 18 3,935 11 13 33
15 27 4,513 6 0 31
8 36 5,161 4 0 33
38 40 5,866 0 0 35
13 32 6,584 9 12 27
1 17 7,334 0 0 30
2 10 8,142 10 3 38
5 26 9,078 0 0 37
34 45 10,042 0 0 34
4 20 11,076 14 16 32
13 22 12,329 21 0 31
3 7 13,908 0 0 43
12 46 15,523 0 0 39
1 43 17,617 22 0 39
13 15 19,789 27 18 40
4 41 22,088 26 0 37
8 11 24,395 19 17 38
30 34 26,730 15 25 36
35 38 30,040 0 20 47
6 30 33,628 0 34 41
4 5 37,218 32 24 40
2 8 40,975 23 33 42
1 12 47,280 30 29 44
4 13 55,732 37 31 42
6 37 64,711 36 0 43
2 4 73,801 38 40 45
3 6 91,862 28 41 44
1 3 116,688 39 43 45
1 2 162,660 44 42 46
1 28 215,255 45 0 47
1 35 282,000 46 35 0
Etapa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
Conglom
erado 1
Conglom
erado 2
Conglomerado que se
combina
Coeficientes
Conglom
erado 1
Conglom
erado 2
Etapa en la que el
conglomerado
aparece por primera
vez
Próxima
etapa
Espinosa Martín, M. Teresa
146
Y el dendograma:
Dendrogram using Ward Method
Rescaled Distance Cluster Combine
C A S E 0 5 10 15 20 25
Label Num +---------+---------+---------+---------+---------+
UDG 15
UDL 16
UIB 19
UNAVARRA 27
UCO 13
UJI 21
UNIOVI 32
USAL 44
ULL 22
UAL 5
UMH 26
UAH 4
UVIGO 48
UM 24
UC3M 9
UJAEN 20
UPO 39
UNILEON 31
URJC 41
UCA 10
UVA 47
UA 2
UMA 25
UDC 14
UNEX 29
UCLM 11
UHU 18
ULPGC 23
UBU 8
UNIRIOJA 33
UPCT 36
UCM 12
UV 46
EHU 1
UGR 17
US 43
UAB 3
UB 7
UNICAN 30
URV 42
UNIZAR 34
USC 45
UAM 6
UPF 37
UNED 28
UPM 38
UPV 40
UPC 35
Clasificación de Universidades Públicas Españolas
147
Se generan en este caso los siguientes grupos:
Grupo Universidades 1 UAB, UB, UAM, UPF, UNICAN, URV, UNIZAR, USC
2 UCM, UV, EHU, UGR, US
3 UPC, UPM, UPV
4 UNED
5
UDC, UNEX, UCA UCLM, UVA, UHU, ULPGC, UBU, UPCT,
UNILEON, UNIRIOJA, UA, UMA, UM, UVIGO, UAH, UC3M,
UCO, UJAEN, URJC, UAL, UDG, UDL, UIB, UJI, UNAVARRA,
UPO, UMH, ULL, UNIOVI, USAL
Tabla 49. Clusters de universidades públicas españolas a partir de factores extraídos.
Fuente: Elaboración propia
Comprobamos que los resultados obtenidos a partir de los factores extraídos son
similares a los obtenidos a partir de las variables iniciales, sólo existe una pequeña
variación en el Cluster 1 dado que contiene más universidades que en la situación anterior.
Teniendo en cuenta que las variables iniciales aportan información más precisa
que los factores extraídos, consideramos las agrupaciones generadas a partir de las
variables iniciales para posteriores análisis.
4.2.5.3 Rankings de universidades por grupos
Teniendo en cuenta los grupos de universidades obtenidos, se realiza una
clasificación de las universidades dentro de cada grupo (cluster).
Espinosa Martín, M. Teresa
148
4.2.5.3.1 Ranking por volumen
RANKING POR VOLUMEN
Clusters Universidad Acrónimo Posición
Ranking
Posición
Cluster
1
Barcelona UB 1 1
Autónoma de Barcelona UAB 2 2
Autónoma de Madrid UAM 7 3
Pompeu Fabra UPF 21 4
2
Complutense de Madrid UCM 3 1
Granada UGR 4 2
València (Estudi General) UV 5 3
Sevilla US 6 4
País Vasco/Euskal Herriko Unib EHU 10 5
3
Politécnica de Madrid UPM 8 1
Politècnica de València UPV 9 2
Politécnica de Catalunya UPC 11 3
4
Zaragoza UNIZAR 12 1
Santiago de Compostela USC 13 2
Málaga UMA 15 3
Oviedo UNIOVI 16 4
Salamanca USAL 17 5
Murcia UM 18 6
Alicante UA 19 7
Valladolid UVA 20 8
Vigo UVIGO 22 9
Rey Juan Carlos URJC 23 10
Castilla-La Mancha UCLM 24 11
Carlos III de Madrid UC3M 25 12
La Laguna ULL 26 13
Cantabria UNICAN 27 14
Alcalá UAH 28 15
Córdoba UCO 29 16
Rovira i Virgili URV 30 17
Extremadura UNEX 31 18
Miguel Hernández de Elche UMH 32 19
Cádiz UCA 33 20
A Coruña UDC 34 21
Illes Balears (Les) UIB 35 22
Girona UDG 36 23
Jaén UJAEN 37 24
Almería UAL 38 25
Jaume I de Castellón UJI 39 26
León UNILEON 40 27
Las Palmas de Gran Canaria ULPGC 41 28
Pablo de Olavide UPO 42 29
Lleida UDL 43 30
Pública de Navarra UNAVARRA 44 31
Huelva UHU 45 32
Burgos UBU 46 33
La Rioja UNIRIOJA 47 34
Politécnica de Cartagena UPCT 48 35
5 Universidad Nacional de Educación a Distancia UNED 14 1
Tabla 50. Ranking por volumen en cada cluster. Fuente: Elaboración propia
Clasificación de Universidades Públicas Españolas
149
4.2.5.3.2 Ranking por productividad
RANKING POR PRODUCTIVIDAD
Clusters Universidad Acrónimo Posición
Ranking
Posición
Cluster
1
Pompeu Fabra UPF 1 1
Autónoma de Barcelona UAB 2 2
Autónoma de Madrid UAM 3 3
Barcelona UB 4 4
2
València (Estudi General) UV 10 1
Granada UGR 14 2
Complutense de Madrid UCM 27 3
Sevilla US 33 4
País Vasco/Euskal Herriko Unib EHU 36 5
3
Politècnica de València UPV 7 1
Politécnica de Madrid UPM 11 2
Politécnica de Catalunya UPC 18 3
4
Miguel Hernández de Elche UMH 6 1
Rovira i Virgili URV 8 2
Santiago de Compostela USC 9 3
Cantabria UNICAN 12 4
Carlos III de Madrid UC3M 13 5
Córdoba UCO 15 6
Almería UAL 16 7
Rey Juan Carlos URJC 17 8
Pablo de Olavide UPO 19 9
Alcalá UAH 20 10
Murcia UM 21 11
Illes Balears (Les) UIB 22 12
Salamanca USAL 23 13
Jaume I de Castellón UJI 24 14
Girona UDG 25 15
Lleida UDL 26 16
Oviedo UNIOVI 28 17
León UNILEON 29 18
Alicante UA 30 19
Málaga UMA 31 20
Pública de Navarra UNAVARRA 32 21
Jaén UJAEN 34 22
Zaragoza UNIZAR 35 23
Huelva UHU 37 24
La Laguna ULL 38 25
Castilla-La Mancha UCLM 39 26
Valladolid UVA 40 27
Cádiz UCA 41 28
Extremadura UNEX 42 29
A Coruña UDC 43 30
La Rioja UNIRIOJA 44 31
Burgos UBU 45 32
Las Palmas de Gran Canaria ULPGC 46 33
Politécnica de Cartagena UPCT 47 34
Vigo UVIGO 48 35
5 Universidad Nacional de Educación a Distancia UNED 5 1
Tabla 51. Ranking por productividad en cada cluster. Fuente: Elaboración propia
151
5 Conclusiones
A fin de elaborar una clasificación de universidades objetiva, es necesario
seleccionar adecuadamente tanto los indicadores utilizados como sus respectivos pesos,
así como las técnicas de análisis.
Los indicadores deben ser representativos de las funciones que se pretenden
valorar, con datos objetivos y no manipulables, tomados en la misma fecha y lo más
actualizados posible. Y los pesos otorgados a cada indicador no deben ser designados por
opiniones que puedan estar sesgadas.
Es necesario utilizar técnicas estadísticas de análisis que permitan comprobar si
los indicadores propuestos realmente representan a las funciones que se pretende evaluar,
así como que faciliten los pesos que deben ser designados a cada uno de los indicadores
para elaborar las clasificaciones.
Por otro lado, dado que la información sobre la se interesan cada uno de los
colectivos que envuelven la actividad universitaria es distinta, es recomendable elaborar
clasificaciones que cubran diferentes aspectos. Resulta interesante considerar alguna
medida del tamaño de las universidades que aporte información no sólo absoluta de los
resultados sino también relativa.
Siguiendo estos criterios se ha elaborado una clasificación objetiva de
universidades públicas españolas en dos vertientes, por un lado en términos absolutos o
de volumen y, por otro, en términos relativos o de productividad, a partir de 15
indicadores equivalentes en cada vertiente, con el objetivo de valorar la calidad de las
universidades en función de sus tres misiones principales: la investigación, la docencia y
la transferencia de conocimiento. Cada una de las misiones viene representada por 5
indicadores.
Tras realizar un análisis factorial se ha comprobado que, tanto en términos
absolutos como en términos relativos, el factor investigación es el que más varianza
explica, seguido del factor docencia y a continuación del factor que representa la
transferencia de conocimiento.
Espinosa Martín, M. Teresa
152
Aquellas universidades que destacan globalmente tanto en productividad como en
volumen son la Universidad Autónoma de Barcelona, la Universidad de Barcelona y la
Universidad Autónoma de Madrid.
Las universidades mejor valoradas globalmente en términos absolutos son dos
universidades de Cataluña, la Universidad de Barcelona (1) y la Universidad Autónoma
de Barcelona (2), seguidas de la Universidad Complutense de Madrid (3), la Universidad
de Granada (4) y de la Universidad de Valencia (5).
En términos relativos igualmente aparecen en primer lugar dos universidades de
Cataluña, la Universidad Pompeu Fabra (1) y la Universidad Autónoma de Barcelona (2),
seguidas de la Universidad Autónoma de Madrid (3), y de nuevo otra universidad de
Cataluña, la Universidad de Barcelona (4).
La investigación, por su parte, también queda liderada por la misma comunidad,
tanto en volumen donde se encuentran en los primeros puestos la Universidad de
Barcelona (1) y la Universidad Autónoma de Barcelona (2), como en productividad que
aparecen la Universidad Autónoma de Barcelona (1), Universidad Pompeu Fabra (2) y
Universidad de Barcelona (3). La tercera posición en la clasificación global por volumen
la ocupa la Universidad Autónoma de Madrid.
En volumen de docencia ocupan los primeros puestos la Universidad Nacional de
Educación a Distancia y la Universidad Complutense de Madrid, seguidas por dos
universidades de Andalucía, la Universidad de Sevilla y la Universidad de Granada. La
productividad también queda encabezada por la UNED seguida de la Universidad
Pompeu Fabra y de la Universidad Rey Juan Carlos.
En transferencia de conocimiento las primeras posiciones de ambas
clasificaciones están ocupadas por las Universidades Politécnicas: Universidad
Politécnica de Madrid, Universidad Politécnica de Cataluña y Universidad Politécnica de
Valencia.
Merecen consideración especial la Universidad de Granada y la Universidad del
País Vasco, las cuales aparecen entre las 10 mejor valoradas en todas las clasificaciones
elaboradas por volumen. Sin embargo, en las clasificaciones elaboradas por
productividad, no hay ninguna universidad pública española que aparezca en todas ellas.
Por Comunidades Autónomas se puede decir que los mejores resultados son para
Cataluña, seguida de la Comunidad de Madrid, la Comunidad Valenciana y Andalucía.
Clasificación de Universidades Públicas Españolas
153
Además, a partir de los 30 indicadores seleccionados y aplicando el análisis cluster
o de conglomerados, se encuentra que las universidades públicas españolas se pueden
distribuir en los siguientes 5 grupos con un alto grado de homogeneidad interna y
heterogeneidad externa:
- Universidades con muy buenos resultados en productividad tanto de
investigación como global (UAB, UB, UAM, UPF).
- Universidades con buenos resultados en volumen tanto de investigación
como globales (UCM, UV, EHU, UGR, US).
- Universidades Politécnicas con buenos resultados en transferencia de
conocimiento (UPC, UPM, UPV).
- Universidades con buenos resultados en docencia (UNED).
- Universidades que no destacan ampliamente en ninguna de las tres
misiones (UDC, UNEX, UCA UCLM, UVA, UHU, ULPGC, UBU, UPCT,
UNILEON, UNIRIOJA, UA, UMA, UM, UVIGO, UAH, UC3M, UCO, UJAEN, URJC,
UAL, UDG, UDL, UIB, UJI, UNAVARRA, UPO, UMH, URV, UNIZAR, USC, ULL,
UNIOVI, USAL, UNICAN).
Por último, podemos decir que a la vista de las numerosas coincidencias que
existen entre nuestros resultados y los obtenidos en otros rankings de prestigio a nivel
internacional, cuyos datos corresponden a fechas similares a las de este trabajo, se
considera que tanto las variables utilizadas en este trabajo como las clasificaciones
obtenidas son adecuadas.
155
6 Referencias bibliográficas
BONACCORSI, Andrea & DARAIO, Cincia (2009): Characterizing the European
university system: a preliminary classification using census microdata. Science and
Public Policy, 36(10), 763-775. Disponible en
http://spp.oxfordjournals.org/content/36/10/763.short. Consultado en marzo de 2016.
BUELA-CASAL, Gualberto, BERMÚDEZ, Mª Paz, SIERRA, Juan Carlos, QUEVEDO-
BLASCO, Raúl y CASTRO, Ángel (2009): Ranking de 2008 en productividad en
investigación de las universidades públicas españolas. Psicothema 2009. Vol. 21, nº 2,
pp. 309-317. Disponible en http://www.psicothema.com/pdf/3631.pdf. Consultado en
agosto de 2016.
BUELA-CASAL, Gualberto, BERMÚDEZ, Mª Paz, SIERRA, Juan Carlos, QUEVEDO-
BLASCO, Raúl y CASTRO, Ángel (2010): Ranking 2009 en investigación de las
universidades públicas españolas. Psicothema 2010. Vol. 22, nº 2, pp. 171-179.
Disponible en http://www.psicothema.com/pdf/3712.pdf. Consultado en abril de 2016.
BUELA-CASAL, Gualberto, QUEVEDO-BLASCO, Raúl y GUILLÉN-RIQUELME,
Alejandro (2015): Ranking 2013 de investigación de las universidades públicas
españolas. Psicothema 2015, Vol. 27, No. 4, 317-326. Disponible en
http://www.psicothema.com/pdf/4269.pdf. Consultado en marzo de 2016.
DELGADO LÓPEZ-CÓZAR, Emilio (2012): Cómo se cocinan los rankings
universitarios. Dendra Médica. Revista de Humanidades 2012; 11 (1): 43-58. Disponible
en
http://www.dendramedica.es/revista/v11n1/Como_se_cocinan_los_rankings_universitar
ios.pdf. Consultado en diciembre de 2015.
DOCAMPO, Domingo (2008): Rankings internacionales y calidad de los sistemas
universitarios. Revista de Educación, número extraordinario 2008, 149-176. Disponible
en http://dialnet.unirioja.es/servlet/articulo?codigo=2700208. Consultado en enero de
2016.
Espinosa Martín, M. Teresa
156
DOCAMPO, Domingo, HERRERA, Francisco, LUQUE-MARTÍNEZ, Teodoro y
TORRES-SALINAS, Daniel (2012): Efecto de la agregación de universidades españolas
en el Ranking de Shanghai (ARWU): Caso de las comunidades autónomas y los campus
de excelencia. El profesional de la información, v. 21, n 4.
DOCAMPO, Domingo y TORRES-SALINAS, Daniel (2013): La nueva lista de
investigadores altamente citados de Thomson Reuters y el Ranking Shanghai: Situación
de España y mapa universitario. El profesional de la información, v. 22, n 3.
EL CONFINDENCIAL (2013): “Las mejores universidades públicas españolas por
productividad y resultados”. El Confidencial 08/07/2013. Disponible en
http://www.elconfidencial.com/alma-corazon-vida/2013-07-08/las-mejores-
universidades-publicas-espanolas-por-productividad-y-resultados_195828/. Consultado
en febrero de 2016.
GARCÍA-ARACIL, Adela& PALOMARES-MONTERO, Davinia (2012): Indicadores
para la evaluación de las instituciones universitarias: validación a través del método
Delphi. Revista española de Documentación Científica, Vol 35, No 1. Disponible en
http://redc.revistas.csic.es/index.php/redc/article/view/726. Consultado en julio de 2016.
GÓMEZ-GALLEGO, Juan Cándido, PÉREZ CÁRCELES, María Concepción &
GÓMEZ-GARCÍA, Juan (2012): Métodos multivariantes de obtención de rankings
Aplicación al caso de las universidades públicas españolas. Regional and Sectoral
Economic Studies. Vol. 12-3. Disponible en
www.usc.es/economet/journals2/eers/eers12311.pdf. Consultado en enero de 2016.
GÓMEZ-GALLEGO, Juan Cándido, GÓMEZ-GALLEGO, María, PÉREZ-
CÁRCELES, María Concepción & GÓMEZ-GARCÍA, Juan (2014): Rankings de
productividad en las universidades públicas españolas. El Método DEA-PROFIT.
Proceedings del X Foro Internacional sobre Evaluación de la Calidad de la Investigación
y la Educación Superior, pp. 11-15. Disponible en
http://www.ugr.es/~aepc/XIIFECIESWEB/PROCEEDING/3.pdf. Consultado en junio
de 2016.
Clasificación de Universidades Públicas Españolas
157
LÓPEZ GARCÍA, Ana María y PÉREZ ESPARRELLS, Carmen (2007): Los rankings
universitarios: estado de la cuestión y posibles aplicaciones al caso español.
Investigaciones de economía de la educación. V.2, pp. 109-119.
LIU, Nian Cai, CHENG, Ying (2005): Academic Ranking of World Universities. High
Education in Europe; 30(2): 127-136.
MINISTERIO DE EDUCACIÓN CULTURA Y DEPORTE: Estadísticas e Informes
Universitarios. Disponible en http://www.mecd.gob.es/educacion-mecd/areas-
educacion/universidades/estadisticas-informes.html. Consultado en julio de 2016.
ORDUÑA MALEA, E. (2012): Propuesta de un modelo de análisis redinformétrico
multinivel para el estudio sistémico de las universidades españolas (Tesis doctoral,
2010). Valencia: Universidad Politécnica de Valencia.
PÉREZ ESPARRELLS, Carmen y LÓPEZ GARCÍA, Ana María (2009): “Estado de la
cuestión de los rankings universitarios nacionales e internacionales”. Documentos de
Trabajo UNIVNOVA.
PÉREZ-ESPARRELLS, Carmen y GÓMEZ-SANCHO J.M. (2010): Los ranking
internacionales de las instituciones de educación superior y las clasificaciones
universitarias en España: Visión panorámica y prospectiva de futuro. Fundación de las
Cajas de Ahorros (FUNCAS). Documento de Trabajo nº 559/2010.
RANKING ARWU. Academic Ranking of World Universities. Disponible en
www.arwu.org. Consultado en diciembre de 2015.
RANKING CYD. Disponible en http://www.rankingcyd.org/. Consultado en enero de
2016.
RANKIIN HEEACT. Higher Education Evaluation & Accreditation Council of Taiwan.
Disponible en http://nturanking.lis.ntu.edu.tw/. Consultado en febrero de 2016.
RANKING I-UGR. Disponible en www.rankinguniversidades.es. Consultado en
diciembre de 2015.
RANKING ISSUE. Disponible en www.u-ranking.es/index2.php. Consultado en
diciembre de 2015.
Espinosa Martín, M. Teresa
158
RANKING QS. World University Rankings. Disponible en
www.topuniversities.com/university-rankings. Consultado en febrero de 2016.
RANKING THE. Times Higher Education Ranking. Disponible en
www.timeshighereducation.com/world-university-rankings. Consultado en marzo de
2015.
ROMERO, Julia y PASTOR, José María (2012): Las universidades españolas bajo la
influencia de los rankings. Regional and Sectoral Economics Studies. Vol.12, n. 3.
Disponible en http://www.usc.es/economet/journals2/eers/eers1238.pdf. Consultado en
abril de 2016.
TORRE GARCÍA, Eva María, CASANI, Fernando y PÉREZ-ESPARRELLS, Carmen
(2015): ¿Existen diferentes tipologías de universidades en España? Una primera
aproximación. Investigaciones de economía de la educación. V. 10, pp. 231-252.
TORRES-SALINAS, D., MORENO-TORRES, J. G., DELGADO-LOPEZ-CÓZAR, E.
and HERRERA, F. (2011a): A methodology for institution-field rankings based on a
bidimensional analysis: the IFQ2A index. Scientometrics, 2011, 88, 771–786. Consultado
en junio de 2016.
TORRES-SALINAS, Daniel, DELGADO-LÓPEZ-CÓZAR, Emilio, GARCÍA-
MORENO-TORRES, José & HERRERA, Francisco (2011b): Rankings ISI de las
universidades españolas según campos científicos: descripción y resultados. El
profesional de la información, v.20, n.1. Disponible en http://hdl.handle.net/10481/18680.
Consultado en diciembre de 2015.
URUEÑA GUTIÉRREZ, Baudelio y MARTÍN CRUZ, Natalia (2012): La evaluación de
la eficiencia en las universidades: Análisis de inputs y outputs por áreas de conocimiento.
Vol.12, n. 3. Disponible en http://www.usc.es/economet/journals2/eers/eers12314.pdf.
Consultado en julio de 2016.
USHER, A., SAVINO, M. (2007): A Global Survey of University Ranking and League
Tables. Higher Education in Europe, v. 32, n. 1, 5-15. Disponible en
www.tandfonline.com/doi/abs/10.1080/03797720701618831. Consultado en enero de
2016.
Top Related