Clasificación de las Universidades Públicas Españolas ...

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

http://www.google.es/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0ahUKEwj6-Jar0t7OAhWGWRoKHTWaBuUQjRwIBw&url=http://masteres.ugr.es/ugrme/pages/logougr&psig=AFQjCNHXR0rETZ1jb0uhZBQeX2zWGvU--g&ust=1472285831409687

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.


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


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.


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 Impacto

Prestigio

Rendimiento per Cápita


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


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



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


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




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


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.


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.


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


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


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


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



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



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


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


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.


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.


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%


Ranking QS

Docencia


Prestigio


http://www.topuniversities.com/


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.


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)


Docencia Ratios Estudiantes/Profesores 20 20

Investigación Impacto Impacto de las citas (Scopus) 20 20


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


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.


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.


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)


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


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.


25,00%

Investigación Impacto35,00%

Investigación Excelencia

40,00%

Ranking HEEACT





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


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).

http://www.webometrics/


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



29

Figura 6. Resumen pesos medios por criterios en Rankings Internacionales


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%


23,75%

Investigación Impacto26,88%


10,00%

Prestigio17,50%


Financiación de la

industria0,63%

Renta per Cápita/Tamaño

2,50%

% Pesos Medios en Principales Rankings

Docencia




Prestigio



Renta per Cápita/Tamaño


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.


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).


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


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.


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.

http://www.u-ranking.es/

http://www.u-ranking.es/


35

Tabla 18. Indicadores Docencia Ranking ISSUE. Fuente: Ranking ISSUE.


36

Tabla 19. Indicadores Investigación Ranking ISSUE. Fuente: Ranking ISSUE.


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


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


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.


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


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

http://pre.umultirank.org/cms/wp-content/uploads/2014/10/Bibliometric-Analysis-in-U-Multirank-2015.pdf

http://pre.umultirank.org/cms/wp-content/uploads/2014/10/Bibliometric-Analysis-in-U-Multirank-2015.pdf

http://pre.umultirank.org/cms/wp-content/uploads/2014/05/Patent-Analysis-in-U-Multirank.pdf

http://pre.umultirank.org/cms/wp-content/uploads/2014/05/Patent-Analysis-in-U-Multirank.pdf


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.


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.


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.


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”.


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.


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


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:


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.


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.


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.


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.


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.


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.


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


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.


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 .


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.


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.


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.


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


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.


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


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.


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.


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.


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.


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


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.

http://www.wooptix.com/

http://portal.uned.es/portal/page?_pageid=93,644264&_dad=portal&_schema=PORTAL&id_noticia=1414





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.


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.


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.


,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.


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)



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_


ZN_

PUBLIC_Q1

ZN_PUBLIC_


ZN_EXTENS_

PCT_9A

ZN_SPIN_

OFF_9A

ZING_LICEN_

9A

ZING_

SERVIC_9A

Medida de adecuación muestrala.


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


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


% 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.


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



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.


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 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



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



Puntuaciones de componentes.


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




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_


ZN_

PUBLIC_Q1

ZN_PUBLIC_


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.


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:


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



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



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.


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.


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:


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.


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


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.



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


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


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


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)


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



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



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


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.


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


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.


,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


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


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


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.


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)



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


,626

675,281

105

,000


Kaiser-Meyer-Olkin.

Chi-cuadrado

aproximado

gl

Sig.


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_


ZN_

PUBLIC_Q1

ZN_PUBLIC_


ZN_EXTENS_

PCT_9A

ZN_SPIN_

OFF_9A

ZING_LICEN_

9A

ZING_

SERVIC_9A

Medida de adecuación muestrala.


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:


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


% de la


% de la




de la extracción


de la rotación



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


Inicial Extracción



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.


,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


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




,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_LICEN_9A_PDITC

ZN_DOCTORES_PDITC

1 2 3 4

Componente



La rotación ha convergido en 5 iteraciones.a.


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


corresponde) /PDI a tiempo completo

- Nº de egresados de máster /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


,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




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


1 2 3 4

Componente




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





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:


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


% de la


% de la




de la extracción


de la rotación



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


Inicial Extracción



,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


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




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:


,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_LICEN_9A_PDITC

1 2 3

Componente





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


1 2 3

Componente





103

Resultando en esta situación que:


- Nº publicaciones en el primer cuartil /PDI a tiempo completo



completo

















Quedando la variable “Nº de doctores” asignada a la segunda componente, como

habíamos visto.


componentes

1,000 ,000 ,000

,000 1,000 ,000

,000 ,000 1,000

Componente

1

2

3

1 2 3





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.


,926 ,050 ,373

,107 ,915 -,389

-,361 ,401 ,842

Componente

1

2

3

1 2 3



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


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


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


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.


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”.


,651

662,362

91

,000


Kaiser-Meyer-Olkin.

Chi-cuadrado

aproximado

gl

Sig.


de Bartlett


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


% de la


% de la




de la extracción


de la rotación



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


Inicial Extracción



107

La matriz de componentes viene dada por:

La matriz de componentes rotados es:


,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


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




,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


ZN_SPIN_OFF_9A_

PDITC

ZING_LICEN_9A_PDITC

1 2 3

Componente





108


,923 ,087 ,375

,086 ,903 -,421

-,375 ,421 ,826

Componente

1

2

3

1 2 3




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


1 2 3

Componente





componentes

1,000 ,000 ,000

,000 1,000 ,000

,000 ,000 1,000

Componente

1

2

3

1 2 3





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


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


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.


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:


- Nº publicaciones en el primer cuartil /PDI a tiempo completo



completo









111










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.


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



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



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.



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


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.



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


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.


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.


117

- En el Factor 3: Transferencia de conocimiento por productividad


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.


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


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)


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



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


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


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


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


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.


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



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


Volumen

•UCM

•UGR

•US

•UPM

•EHU

Productividad

•UPF

•UNED

•UMH

•URV

•USC

UAB

UB

UAM

UV

UPV


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


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.


125

4.2.3.2 Resultados de investigación

Figura 19. Diagrama de dispersión Investigación Productividad-Volumen


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


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


4.2.3.3 Resultados de docencia

Figura 21. Diagrama de dispersión Docencia Productividad-Volumen.


Volumen

•UCM

•UGR

•UNIOVI

•UNIZAR

•EHU

•UPM

Productividad

•UPF

•URV

•UNICAN

•UNIOVI

•UCO

•ULL

UAB

UB

UAM

UV


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


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


128

4.2.3.4 Resultados de transferencia de conocimiento

Figura 23. Diagrama de dispersión Transferencia Conocimiento Productividad-Volumen.


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


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.


Volumen

•US

•EHU

•UNIZAR

•UGR

Productividad

•UMH

•UAL

•URV

•UNICAN

UPM

UPC

UPV

UAM

UAB

USC


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


Investigación


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.


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.


131

4.2.4.3 Resultados de docencia

Comunidad


Docencia


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.


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


Transferencia de conocimiento


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.


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


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


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.


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


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


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


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.


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.


142

El historial de conglomeración para el análisis realizado sin incluir a la UNED,

viene dado por:


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


143

Y el dendograma correspondiente quedaría de la siguiente forma:



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


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


3 UPC, UPM, UPV

4




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:


145


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


146

Y el dendograma:



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


147

Se generan en este caso los siguientes grupos:

Grupo Universidades 1 UAB, UB, UAM, UPF, UNICAN, URV, UNIZAR, USC


3 UPC, UPM, UPV

4 UNED

5




UPO, UMH, ULL, UNIOVI, USAL

Tabla 49. Clusters de universidades públicas españolas a partir de factores extraídos.


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).


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


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.


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.


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.

http://spp.oxfordjournals.org/content/36/10/763.short

http://www.psicothema.com/pdf/3631.pdf



http://www.dendramedica.es/revista/v11n1/Como_se_cocinan_los_rankings_universitarios.pdf

http://www.dendramedica.es/revista/v11n1/Como_se_cocinan_los_rankings_universitarios.pdf

http://dialnet.unirioja.es/servlet/articulo?codigo=2700208


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.

http://www.elconfidencial.com/alma-corazon-vida/2013-07-08/las-mejores-universidades-publicas-espanolas-por-productividad-y-resultados_195828/

http://www.elconfidencial.com/alma-corazon-vida/2013-07-08/las-mejores-universidades-publicas-espanolas-por-productividad-y-resultados_195828/

http://redc.revistas.csic.es/index.php/redc/article/view/726

http://www.usc.es/economet/journals2/eers/eers12311.pdf

http://www.ugr.es/~aepc/XIIFECIESWEB/PROCEEDING/3.pdf


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.

http://www.mecd.gob.es/educacion-mecd/areas-educacion/universidades/estadisticas-informes.html

http://www.mecd.gob.es/educacion-mecd/areas-educacion/universidades/estadisticas-informes.html

http://www.arwu.org/

http://www.rankingcyd.org/

http://nturanking.lis.ntu.edu.tw/

http://www.rankinguniversidades.es/

http://www.u-ranking.es/index2.php


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.

http://www.topuniversities.com/university-rankings

http://www.timeshighereducation.com/world-university-rankings


http://hdl.handle.net/10481/18680


http://www.tandfonline.com/doi/abs/10.1080/03797720701618831

Clasificación de las Universidades Públicas Españolas ...

Documents

Transcript of Clasificación de las Universidades Públicas Españolas ...