Technology Rain Journal ISSN: 2953-464X  
Vol. 5 Núm. 2 (Julio – Diciembre 2026), e139  
Artículo de Investigación Original  
Análisis de los factores asociados a la deserción estudiantil en la Facultad de  
Administración de Empresas en una Universidad Pública del Ecuador  
Analysis of the factors associated with student dropout in the Faculty of Business  
Administration at a Public University in Ecuador  
Marco Antonio Santillán Tasigchana 1[0009-0005-3248-0410], Manuel Antonio Meneses Freire1,2[0000-0001-  
8182-3153]  
1 Universidad Politécnica Estatal del Carchi (UPEC), Posgrado, Tulcán - Ecuador, marco.santillan@upec.edu.ec  
1 Universidad Politécnica Estatal del Carchi (UPEC), Posgrado, Tulcán - Ecuador  
2 Universidad Nacional de Chimborazo (UNACH) – Facultad de Ingeniería – Carrera de Ingeniería en Telecomunicaciones,  
Ecuador, ameneses@unach.edu.ec  
CITA EN APA:  
Resumen. La deserción estudiantil en la educación superior constituye un  
fenómeno multidimensional influenciado por factores académicos, económicos  
Santillán Tasigchana , M. A.,  
&
y psicoemocionales. El objetivo de este estudio fue identificar los factores  
asociados al riesgo de deserción mediante técnicas inferenciales y modelos  
predictivos. Se desarrolló una investigación cuantitativa, no experimental y  
transversal con una muestra de 300 estudiantes universitarios. La información se  
recolectó mediante un cuestionario tipo Likert, validado con el coeficiente V de  
Aiken y evaluado mediante alfa de Cronbach. La estructura del instrumento se  
analizó mediante análisis factorial exploratorio con matrices de correlaciones  
policóricas y extracción MINRES, identificándose tres dimensiones principales:  
Meneses Freire, M. A. (2026).  
Análisis de los factores asociados a la  
deserción estudiantil en la Facultad de  
Administración de Empresas en una  
Universidad  
Pública  
del  
Ecuador. Technology  
Rain  
Journal, 5(2). Recuperado a partir de  
https://doi.org/10.55204/trj.v5i2.e139  
condiciones académico–económicas, condición psicoacadémica  
y
apoyo  
Recibido: 10 de abril-2026  
Aceptado: 24 de mayo-2026  
Publicado: 12 de junio-2026  
institucional y entorno. Posteriormente, se aplicó regresión logística multinomial  
y un modelo Random Forest multiclase. Los resultados evidenciaron que las  
condiciones académico–económicas representan el principal factor asociado al  
riesgo de deserción estudiantil.  
Technology Rain Journal  
ISSN: 2953-464X  
Palabras Clave: deserción, educación, factores, análisis, modelos predictivos.  
Abstract: Student dropout in higher education constitutes a multidimensional  
phenomenon influenced by academic, economic, and psycho-emotional factors.  
The aim of this study was to identify the factors associated with the risk of  
student dropout through inferential techniques and predictive models. A  
quantitative, non-experimental, and cross-sectional study was conducted with a  
sample of 300 university students. Data were collected through a Likert-type  
questionnaire, validated using Aiken’s V coefficient and assessed through  
Cronbach’s alpha. The structure of the instrument was analyzed using  
exploratory factor analysis with polychoric correlation matrices and MINRES  
extraction, identifying three main dimensions: academic–economic conditions,  
psycho-academic condition, and institutional support and environment.  
Subsequently, multinomial logistic regression and a multiclass Random Forest  
model were applied. The results showed that academic–economic conditions  
represent the main factor associated with the risk of student dropout.  
Los contenidos de este artículo están  
bajo una licencia de Creative  
Commons  
Attribution  
4.0  
International (CC BY 4.0 )  
Los autores conservan los derechos  
morales y patrimoniales de sus obras.  
Keywords: dropout, education, factors, analysis, predictive models.  
https://technologyrain.com.ar/  
2
1. INTRODUCCIÓN  
La deserción estudiantil en la educación superior constituye uno de los principales desafíos  
que enfrentan las universidades, debido a sus implicaciones académicas, sociales y económicas tanto  
para los estudiantes como para las instituciones educativas. En el contexto ecuatoriano, esta  
problemática adquiere especial relevancia en los cursos de nivelación universitaria, donde un  
número considerable de estudiantes presenta dificultades de adaptación al entorno académico y  
abandona sus estudios antes de iniciar formalmente su carrera profesional. Se estima que  
aproximadamente el 30 % de los estudiantes que ingresan a este nivel no logran culminarlo ni  
continuar su formación universitaria (Granda et al., 2024). Esta situación genera importantes  
repercusiones para el sistema educativo y para los propios estudiantes, quienes ven limitadas sus  
oportunidades de desarrollo profesional y personal (Romero et al., 2023).  
Diversos estudios han demostrado que la deserción estudiantil responde a una problemática  
multidimensional influenciada por factores académicos, económicos, personales e institucionales.  
En Ecuador, investigaciones desarrolladas durante la pandemia de COVID-19 evidenciaron que la  
escasez de recursos económicos, la falta de acceso a dispositivos tecnológicos, la limitada  
conectividad a internet, los problemas familiares y las dificultades laborales incidieron  
significativamente en la continuidad educativa de los estudiantes universitarios (Tene, 2022). Estas  
condiciones provocaron un deterioro en los procesos de aprendizaje y adaptación académica,  
ocasionando ausentismo y, en muchos casos, abandono definitivo de los estudios superiores.  
De igual manera, estudios realizados en otros contextos latinoamericanos coinciden en  
señalar que factores socioeconómicos, como la necesidad de trabajar y la insuficiencia de recursos  
financieros, incrementan significativamente el riesgo de deserción universitaria (Palacios, 2022).  
Asimismo, variables relacionadas con la salud emocional, las responsabilidades familiares, el bajo  
rendimiento académico y la falta de motivación académica también influyen en la decisión de  
abandonar los estudios. Desde el ámbito institucional, la calidad de los servicios universitarios, el  
acompañamiento académico y la orientación profesional representan elementos fundamentales para  
fortalecer la permanencia estudiantil (Palacios, 2022).  
En esta misma línea, Cusme et al. (2023), en un estudio realizado sobre la deserción  
estudiantil en la Nivelación ESPAM, resaltaron la importancia de considerar factores  
socioemocionales dentro del análisis del abandono universitario. Sus hallazgos identificaron que el  
estrés académico, la falta de vocación, las dificultades económicas y las relaciones interpersonales  
conflictivas constituyen elementos determinantes en la decisión de abandonar los estudios.  
Asimismo, el informe del Consejo de Educación Superior (CES, 2021) enfatiza la necesidad de  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
3
fortalecer políticas institucionales orientadas al apoyo académico, económico y psicoemocional de  
los estudiantes universitarios para reducir las tasas de deserción en el sistema de educación superior  
ecuatoriano.  
A pesar de los esfuerzos realizados por las universidades para disminuir los índices de  
abandono estudiantil, aún persisten limitaciones en la identificación temprana de estudiantes en  
situación de riesgo. Muchos estudios desarrollados sobre esta problemática se centran  
principalmente en análisis descriptivos o enfoques tradicionales, sin integrar técnicas estadísticas  
inferenciales y modelos predictivos que permitan comprender de manera más integral la  
complejidad del fenómeno y anticipar posibles escenarios de deserción.  
En este contexto, la presente investigación surge de la necesidad de identificar los factores  
asociados al riesgo de deserción estudiantil mediante un enfoque estadístico y predictivo. La  
motivación principal del estudio radica en generar evidencia empírica que contribuya a fortalecer la  
toma de decisiones institucionales y el diseño de estrategias orientadas a la permanencia estudiantil.  
El objetivo del estudio fue identificar los factores asociados al riesgo de deserción estudiantil  
en estudiantes universitarios mediante técnicas estadísticas inferenciales y modelos predictivos. La  
propuesta metodológica integra enfoques inferenciales y predictivos con el fin de proporcionar una  
visión más robusta del fenómeno de deserción estudiantil. Esta combinación metodológica no solo  
permite identificar los factores asociados al riesgo de abandono, sino también evaluar su capacidad  
predictiva para contribuir a la detección temprana de estudiantes vulnerables.  
2. METODOLOGÍA  
El presente estudio adoptó un enfoque cuantitativo, con un diseño no experimental,  
transversal y de alcance explicativo-predictivo, orientado a identificar los factores asociados al  
riesgo de deserción estudiantil en la educación superior. Este enfoque permitió analizar, desde una  
perspectiva inferencial y predictiva, la relación entre variables académicas, económicas,  
psicoemocionales y de apoyo institucional, así como su incidencia en los distintos niveles de riesgo  
de abandono.  
La población de estudio estuvo conformada por estudiantes universitarios matriculados en  
la Facultad de Administración de Empresas de una universidad pública del Ecuador, de los cuales  
se obtuvo una muestra de 300 participantes, seleccionada mediante un muestreo no probabilístico  
por conveniencia, considerando criterios de accesibilidad y disposición a participar. Este tamaño  
muestral resulta adecuado para la aplicación de técnicas multivariantes, particularmente para el  
análisis factorial exploratorio, al cumplir con las recomendaciones metodológicas que sugieren una  
relación mínima adecuada entre número de sujetos e ítems analizados.  
https://technologyrain.com.ar/  
4
La recolección de información se realizó mediante un cuestionario estructurado compuesto  
por ítems tipo Likert con cinco categorías de respuesta ordinal, diseñado para evaluar diferentes  
dimensiones asociadas al riesgo de deserción estudiantil. El instrumento incluyó variables  
relacionadas con las condiciones académico–económicas del estudiante, factores psicoacadémicos  
y elementos de apoyo institucional y entorno, en concordancia con los modelos teóricos sobre  
deserción estudiantil reportados en la literatura especializada.  
Previo a su aplicación, el instrumento fue sometido a un proceso de validación de contenido  
mediante el coeficiente V de Aiken, utilizando la evaluación de jueces expertos en el área educativa  
y metodológica, lo que permitió garantizar la pertinencia, claridad y representatividad de los ítems.  
La consistencia interna del instrumento fue evaluada mediante el coeficiente alfa de  
Cronbach, tanto a nivel global como por dimensiones. Los resultados evidenciaron niveles  
aceptables de fiabilidad. La dimensión condiciones académico–económicas presentó un alfa de  
0.77, la dimensión psicoacadémica obtuvo un alfa de 0.68, mientras que la dimensión apoyo  
institucional y entorno registró un alfa de 0.58. Aunque este último valor es ligeramente inferior a  
los niveles convencionales, se considera aceptable en estudios exploratorios con un número  
reducido de ítems, manteniéndose dentro de rangos reportados en investigaciones similares en el  
ámbito educativo.  
Con el objetivo de examinar la estructura subyacente del instrumento se aplicó un análisis  
factorial exploratorio (AFE). Considerando el carácter ordinal de los ítems del tipo Likert, el análisis  
se realizó mediante matrices de correlaciones policóricas, procedimiento recomendado cuando las  
variables observadas no cumplen los supuestos de continuidad ni de normalidad multivariante.  
Inicialmente, se evaluó la adecuación de los datos para la aplicación del análisis factorial  
exploratorio mediante el índice Kaiser–Meyer–Olkin (KMO) y la prueba de esfericidad de Bartlett.  
Los resultados evidenciaron que la dimensión condiciones académico–económicas presentó una  
adecuada suficiencia muestral (KMO = 0.83), junto con una prueba de Bartlett estadísticamente  
significativa (p < 0.001), lo que confirma la existencia de correlaciones adecuadas entre los ítems  
para la aplicación del análisis factorial. En la dimensión psicoacadémica, las cargas factoriales  
mostraron una estructura coherente entre las variables ansiedad, orientación, adaptación y depresión,  
permitiendo identificar una dimensión latente asociada al estado psicoemocional del estudiante. Por  
su parte, la dimensión apoyo institucional y entorno presentó un índice KMO = 0.49 y una prueba  
de Bartlett significativa (p < 0.001). Aunque el valor de KMO se encuentra por debajo del umbral  
convencional recomendado, la significancia estadística de Bartlett evidenció la existencia de  
correlaciones entre los ítems, por lo que esta dimensión se mantuvo dentro del análisis como un  
constructo exploratorio de apoyo teórico.  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
5
La determinación del número de factores se basó en el análisis paralelo, considerado uno de  
los métodos más robustos para la identificación de estructuras factoriales. La extracción factorial se  
realizó mediante el método de Minimum Residuals (MINRES), empleando rotación oblimin cuando  
fue necesario, lo que permitió la correlación entre factores, en coherencia con la naturaleza  
multidimensional del fenómeno estudiado. A partir de los resultados del análisis factorial se  
identificaron tres dimensiones principales:  
• Condiciones  
académico–económicas  
(acceso,  
ingresos,  
trabajo,  
tiempo,  
conocimientos y comprensión de contenidos).  
• Condición psicoacadémica (ansiedad, adaptación, orientación y depresión).  
• Apoyo institucional y entorno (apoyo académico, apoyo institucional y condiciones  
del entorno académico).  
Posteriormente se construyeron puntajes compuestos por dimensión, calculados como el  
promedio de los ítems correspondientes. Estos puntajes fueron estandarizados mediante  
puntuaciones Z (z-scores) para facilitar la interpretación y la comparación de los coeficientes en los  
modelos estadísticos posteriores. Adicionalmente, se incorporó una variable de interacción entre las  
dimensiones académico–económica y psicoacadémica, con el fin de explorar posibles efectos  
combinados sobre el riesgo de deserción.  
La variable dependiente del estudio fue el riesgo de deserción estudiantil, operacionalizado  
en tres categorías ordinales: bajo, medio y alto, mediante la recodificación de las respuestas  
originales.  
Desde el enfoque inferencial, se estimó un modelo de regresión logística multinomial,  
tomando como categoría de referencia el nivel de riesgo bajo. Este modelo permitió evaluar la  
influencia de las dimensiones identificadas en la probabilidad de pertenecer a los niveles medios o  
altos de riesgo de deserción. Los resultados se interpretaron mediante odds ratios (OR) e intervalos  
de confianza del 95 %, lo que permitió analizar tanto la significancia estadística como la magnitud  
de los efectos estimados.  
De manera complementaria, con el propósito de fortalecer el análisis desde una perspectiva  
predictiva, se implementó un modelo de Random Forest multiclase, utilizando validación cruzada  
repetida para optimizar los hiperparámetros. Este enfoque permitió identificar posibles relaciones  
no lineales entre las variables y estimar la importancia relativa de cada dimensión en la predicción  
del riesgo de deserción. El desempeño del modelo se evaluó mediante la matriz de confusión y el  
área bajo la curva ROC (AUC) en un esquema one-vs-rest, y se reportó, además, el AUC macro  
como medida global de capacidad predictiva.  
Finalmente, el estudio se desarrolló conforme a los principios éticos de la investigación en  
ciencias sociales. La participación de los estudiantes fue voluntaria, anónima y confidencial. Los  
https://technologyrain.com.ar/  
6
participantes fueron informados sobre los objetivos del estudio y sobre el uso exclusivamente  
académico de la información, y otorgaron su consentimiento informado previo a la aplicación del  
instrumento. Los resultados se presentan de forma agregada, lo que garantiza la protección de la  
identidad de los participantes y el uso responsable de los datos.  
3. RESULTADOS  
El análisis realizado sobre los 300 estudiantes del curso de nivelación de la Facultad de  
Administración de Empresas de una universidad pública del Ecuador permitió evaluar la validez y  
fiabilidad del instrumento aplicado, identificar la estructura factorial de las dimensiones asociadas  
al riesgo de deserción estudiantil y modelar los factores con mayor incidencia en dicho fenómeno.  
En primer lugar, la validez de contenido del instrumento se evaluó mediante el coeficiente  
V de Aiken, lo que evidenció que la totalidad de los ítems superó el valor mínimo recomendado (V  
≥ 0.70), lo que confirma la pertinencia, claridad y representatividad de los reactivos utilizados para  
evaluar el riesgo de deserción estudiantil. De manera complementaria, la consistencia interna global  
del instrumento alcanzó un alfa de Cronbach de 0.75, valor considerado aceptable para  
investigaciones de carácter exploratorio en ciencias sociales y educación superior (Tabla 1).  
Tabla 1 Validez y consistencia interna global del instrumento.  
Parámetro  
Valor  
Alfa de Cronbach global  
Número de ítems  
0.75  
13  
Número de observaciones  
300  
Posteriormente, se evaluó la consistencia interna de las dimensiones identificadas  
teóricamente. La dimensión Condiciones académico–económicas obtuvo un alfa de Cronbach de  
0.77, reflejando una adecuada coherencia interna entre los ítems relacionados con acceso, ingresos,  
trabajo, tiempo, conocimientos y comprensión académica. La dimensión Condición psicoacadémica  
alcanzó un alfa de 0.68, valor considerado aceptable en estudios exploratorios. Finalmente, la  
dimensión Apoyo institucional y entorno presentó un alfa de 0.58, interpretado como una  
consistencia moderada, aunque suficiente para mantener el constructo dentro del análisis debido a  
su relevancia conceptual y teórica (Tabla 2).  
Tabla 2 Consistencia interna del instrumento de las dimensiones del estudio.  
Dimensión / Factor  
Alfa de Cronbach  
Condiciones académico–económicas  
Condición psicoacadémica  
0.77  
0.68  
0.58  
Apoyo institucional y entorno  
La adecuación muestral y la factibilidad del análisis factorial exploratorio fueron evaluadas  
mediante el índice Kaiser–Meyer–Olkin (KMO) y la prueba de esfericidad de Bartlett. Los  
resultados evidenciaron que la dimensión Condiciones académico–económicas presentó una  
estructura factorial adecuada (KMO = 0.830), acompañada de una prueba de Bartlett altamente  
significativa (푋2= 711.40; gl = 15; p < 0.001). De igual manera, la dimensión Condición  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
7
psicoacadémica mostró una adecuación aceptable (KMO = 0.664; 푋2= 192.53; gl = 6; p < 0.001).  
Por su parte, la dimensión Apoyo institucional y entorno obtuvo un KMO inferior al valor  
recomendado (KMO = 0.496), aunque la prueba de Bartlett resultó significativa (푋2= 563.32; gl =  
3; p < 0.001), indicando la existencia de correlaciones entre los ítems, por lo que el factor fue  
conservado como índice compuesto de carácter teórico (Tabla 3).  
Tabla 3 Índice Kaiser–Meyer–Olkin (KMO) y prueba de esfericidad de Bartlett.  
Dimensión  
KMO  
Bartlett  
gl  
p-valor  
Condiciones académico–económicas  
Condición psicoacadémica  
0.830  
0.664  
0.496  
711.40  
192.53  
563.32  
15  
6
< 0.001  
< 0.001  
< 0.001  
Apoyo institucional y entorno  
3
El análisis paralelo confirmó la presencia de una estructura unidimensional dentro de cada  
bloque conceptual analizado, observándose que los autovalores reales superaron a los simulados  
únicamente en el primer componente. Este comportamiento se evidencia en las Figuras 1, 2 y 3,  
correspondientes a cada una de las dimensiones evaluadas.  
Fig. 1. Análisis paralelo de la dimensión Condiciones  
Fig. 2. Análisis paralelo de la dimensión Condiciones  
académico–económicas.  
psicoacadémica  
Fig. 3. Análisis paralelo de la dimensión Apoyo institucional y entorno.  
El análisis factorial exploratorio, realizado mediante matrices de correlaciones policóricas y  
utilizando el método de extracción MINRES, evidenció cargas factoriales adecuadas en la mayoría  
de los ítems. En la dimensión Condiciones académico–económicas destacaron las variables  
comprensión (0.859), conocimientos (0.726) e ingresos (0.702), indicando una fuerte relación con  
el constructo latente. En la dimensión Condición psicoacadémica sobresalieron ansiedad (0.938) y  
https://technologyrain.com.ar/  
8
orientación (0.917), mientras que en la dimensión Apoyo institucional y entorno las cargas más  
elevadas correspondieron a iluminación (0.998) y apoyo (0.923).  
Con base en las dimensiones identificadas, se construyeron puntajes compuestos  
estandarizados (z-scores) para estimar un modelo de regresión logística multinomial, considerando  
como variable dependiente el nivel de riesgo de deserción estudiantil categorizado en bajo, medio  
y alto.  
Los resultados del modelo evidenciaron que la dimensión Condiciones académico–  
económicas constituye el principal predictor del riesgo de deserción. En la comparación “Medio vs  
Bajo”, este factor presentó un OR = 54.21 (p < 0.001), indicando un incremento considerable en la  
probabilidad de pertenecer al nivel medio de riesgo conforme aumentan las dificultades académico–  
económicas. De igual forma, en la comparación “Alto vs Bajo”, la misma dimensión mostró un  
efecto altamente significativo (OR = 6.33E+32; p < 0.001), confirmando su fuerte asociación con  
los niveles elevados de riesgo de deserción (Tabla 4).  
Tabla 4 Resultados de la regresión logística multinomial.  
Comparación  
Predictor  
OR  
p-valor  
Medio vs Bajo  
Alto vs Bajo  
Condiciones académico–económicas  
54.21  
< 0.001  
< 0.001  
Condiciones académico–económicas  
Muy elevado  
La evaluación del desempeño del modelo multinomial mostró una exactitud global de 80.33  
% y un índice Kappa de 0.673, evidenciando una capacidad de clasificación sustancial. Asimismo,  
el modelo presentó una adecuada sensibilidad para identificar estudiantes en niveles bajo y alto de  
riesgo, lo cual resulta relevante para procesos de detección temprana y prevención institucional  
(Tabla 5).  
Tabla 5 Desempeño del modelo multinomial.  
Indicador  
Valor  
Accuracy  
Índice Kappa  
Sensibilidad riesgo  
bajo  
80.33 %  
0.673  
89.74 %  
62.92 %  
81.82 %  
Sensibilidad riesgo  
medio  
Sensibilidad riesgo  
alto  
Con el propósito de complementar el análisis inferencial desde una perspectiva predictiva,  
se implementó un modelo Random Forest multiclase con validación cruzada repetida. El desempeño  
del modelo evidenció una elevada capacidad discriminativa, alcanzando un AUC macro de 0.956.  
Las curvas ROC one-vs-rest muestran valores de AUC de 0.984 para riesgo bajo, 0.918 para riesgo  
medio y 0.967 para riesgo alto, lo que confirma un excelente desempeño predictivo del modelo  
(Figura 4).  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
9
Fig. 4. Curvas ROC one-vs-rest del modelo Random Forest multiclase..  
Finalmente, el análisis de importancia de variables del modelo Random Forest confirmó  
nuevamente que la dimensión Condiciones académico–económicas representa el factor con mayor  
contribución en la predicción del riesgo de deserción estudiantil, seguida por la dimensión  
Condición psicoacadémica y la interacción entre variables académicas y emocionales. En contraste,  
la dimensión Apoyo institucional y entorno presentó una contribución limitada dentro del modelo  
predictivo (Tabla 6).  
Tabla 6 Importancia de variables en el modelo Random Forest.  
Variable  
Importancia  
Condiciones académico–económicas  
Interacción psicoacadémica-académica  
Condición psicoacadémica  
100  
9.53  
8.18  
0
Apoyo institucional y entorno  
La evaluación del desempeño del modelo multinomial, mediante la matriz de confusión,  
evidenció una exactitud global del 77.3 % y un índice Kappa de 0.62, lo que indica un nivel de  
concordancia sustancial entre las clasificaciones observadas y predichas (Tabla 7). Destaca  
especialmente la elevada capacidad del modelo para identificar correctamente a los estudiantes de  
alto riesgo, aspecto de particular relevancia para la implementación de estrategias institucionales de  
detección temprana y prevención de la deserción.  
Tabla 7 Matriz de confusión del modelo multinomial.  
Indicador  
Valor  
Exactitud (Accuracy)  
0.7733  
(0.7217 –  
0.8195)  
0.52  
Intervalo de confianza 95%  
No Information Rate (NIR)  
p-valor (Accuracy > NIR)  
Índice Kappa  
< 0.001  
0.6197  
0.03845  
McNemar p-valor  
https://technologyrain.com.ar/  
10  
En conjunto, los resultados obtenidos evidencian que el riesgo de deserción estudiantil  
responde a un fenómeno multidimensional, donde las condiciones académico–económicas  
constituyen el principal factor asociado al abandono universitario, complementado por variables  
psicoacadémicas y de apoyo institucional. La combinación de técnicas inferenciales y modelos  
predictivos permitió fortalecer la robustez de los hallazgos y aportar evidencia empírica relevante  
para el diseño de estrategias institucionales orientadas a mejorar la permanencia estudiantil en la  
educación superior.  
4. DISCUSION  
Los resultados del presente estudio confirman que la deserción estudiantil constituye un  
fenómeno complejo y multidimensional, en el que convergen factores académicos, económicos,  
emocionales y de apoyo institucional, tal como ha sido ampliamente documentado en la literatura  
especializada (Castro & Machuca, 2023; Granda et al., 2024). La adecuada validez de contenido y  
consistencia interna del instrumento, evidenciadas mediante el coeficiente V de Aiken y el alfa de  
Cronbach global (α = 0.751), respaldan la fiabilidad de los datos obtenidos y permiten interpretar  
con solidez los análisis factoriales, inferenciales y predictivos desarrollados en el estudio.  
A diferencia de aproximaciones tradicionales que asumen estructuras factoriales globales  
homogéneas, el presente estudio evidenció que la deserción estudiantil responde a dimensiones  
conceptualmente diferenciadas. En este sentido, el análisis factorial exploratorio realizado mediante  
matrices de correlaciones policóricas permitió identificar tres dimensiones principales: Condiciones  
académico–económicas, Condición psicoacadémica y Apoyo institucional y entorno. Esta estructura  
resulta coherente con investigaciones previas que sostienen que los factores asociados a la  
permanencia universitaria no pueden explicarse desde una única dimensión, sino mediante la  
interacción de múltiples constructos relacionados con el rendimiento académico, la estabilidad  
económica, el bienestar emocional y el soporte institucional (Palacios, 2022; Gutiérrez et al., 2021).  
La dimensión Condiciones académico–económicas presentó los mejores indicadores  
psicométricos del estudio (α = 0.770; KMO = 0.830), evidenciando una estructura factorial sólida y  
una adecuada coherencia interna entre variables como acceso, ingresos, trabajo, tiempo,  
conocimientos y comprensión académica. Estos resultados coinciden con estudios que destacan que  
las dificultades económicas, las limitaciones tecnológicas y las exigencias laborales influyen  
significativamente en el riesgo de abandono universitario, especialmente en contextos  
latinoamericanos caracterizados por desigualdades socioeconómicas y limitaciones de acceso a  
recursos educativos (Tene, 2022; Granda et al., 2024; González & Arce, 2021).  
Por otra parte, la dimensión Condición psicoacadémica mostró valores aceptables de  
consistencia interna (α = 0.682) y adecuación factorial (KMO = 0.664), integrando variables  
relacionadas con ansiedad, adaptación académica, orientación y depresión. Este hallazgo respalda  
investigaciones que relacionan el bienestar emocional y la adaptación universitaria con la  
permanencia estudiantil, particularmente en los primeros niveles de formación superior (Cusme et  
al., 2023; Cala et al., 2020; Velásquez et al., 2024). De manera similar, Seminara (2021) señala que  
los efectos emocionales derivados de situaciones académicas y sociales pueden influir  
significativamente en la continuidad educativa de los estudiantes universitarios.  
En contraste, la dimensión Apoyo institucional y entorno presentó una consistencia interna  
moderada (α = 0.576) y un índice KMO inferior al valor recomendado (KMO = 0.496). Sin embargo,  
la prueba de Bartlett resultó altamente significativa (p < 0.001), evidenciando la existencia de  
correlaciones entre los ítems analizados. Aunque esta dimensión no alcanzó una estructura factorial  
robusta, su conservación dentro del análisis se justifica desde el punto de vista teórico, debido a que  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
11  
el apoyo institucional, las condiciones físicas del entorno y el acompañamiento académico han sido  
reconocidos como factores protectores frente al abandono universitario (Ruffinatto et al., 2022;  
Rodríguez & Losada, 2020). Estos resultados sugieren que dichas variables podrían manifestarse de  
manera más heterogénea en la población estudiada, lo cual limita parcialmente su capacidad  
explicativa estadística.  
Desde el enfoque inferencial, los resultados de la regresión logística multinomial evidenciaron  
que la dimensión Condiciones académico–económicas constituye el principal predictor del riesgo  
de deserción estudiantil. Los elevados valores de odds ratio observados en las comparaciones  
“Medio vs Bajo” y “Alto vs Bajo” indican que el deterioro de las condiciones académicas y  
económicas incrementa significativamente la probabilidad de que los estudiantes se ubiquen en  
niveles superiores de riesgo. Este hallazgo coincide con investigaciones previas que reportan que el  
bajo rendimiento académico, las dificultades financieras y la incompatibilidad entre estudio y  
trabajo representan algunos de los principales factores asociados al abandono universitario (Castillo,  
2020; Gauto, 2021; Vera, 2023).  
Asimismo, las dimensiones psicoacadémicas mostraron una contribución complementaria en la  
explicación del fenómeno, lo que refuerza la idea de que la deserción estudiantil no responde a una  
causa única, sino a la acumulación progresiva de factores de diversa naturaleza (Chalela et al., 2020;  
Chalpartar et al., 2022). En este sentido, los resultados respaldan la necesidad de implementar  
estrategias institucionales integrales que combinen acompañamiento académico, apoyo psicológico  
y mecanismos de asistencia socioeconómica.  
La evaluación del desempeño predictivo del modelo multinomial mostró una exactitud global  
superior al 80 % y un índice Kappa de 0.673, evidenciando una adecuada capacidad de clasificación.  
Destaca particularmente la elevada sensibilidad del modelo para identificar estudiantes en niveles  
alto y bajo de riesgo, aspecto relevante para la implementación de programas institucionales de  
detección temprana y prevención de la deserción universitaria.  
De manera complementaria, el modelo Random Forest multiclase permitió fortalecer el análisis  
desde una perspectiva predictiva, obteniendo un AUC macro de 0.956, valor que evidencia un  
excelente desempeño discriminativo del modelo. Las curvas ROC one-vs-rest mostraron valores de  
AUC superiores a 0.90 en las tres categorías de riesgo, lo que confirma una elevada capacidad  
predictiva y una adecuada diferenciación entre estudiantes con distintos niveles de vulnerabilidad  
académica. Estos resultados coinciden con investigaciones recientes que destacan el potencial de  
los modelos de aprendizaje automático para identificar patrones complejos y relaciones no lineales  
asociadas al abandono estudiantil (Parra et al., 2023; Urbina et al., 2020).  
Adicionalmente, el análisis de importancia de variables del modelo Random Forest confirmó  
nuevamente el predominio de la dimensión Condiciones académico–económicas como principal  
variable explicativa del riesgo de deserción, seguida por la dimensión psicoacadémica y la  
interacción entre factores emocionales y académicos. Este comportamiento evidencia coherencia  
entre los enfoques inferenciales y predictivos utilizados, fortaleciendo la robustez metodológica del  
estudio y la validez de los hallazgos obtenidos.  
En conjunto, los resultados del estudio dialogan de manera consistente con los modelos teóricos  
clásicos y contemporáneos sobre permanencia y abandono universitario, aportando evidencia  
empírica relevante en el contexto de la educación superior ecuatoriana. La integración de técnicas  
estadísticas multivariantes y modelos predictivos basados en aprendizaje automático permitió no  
solo comprender los factores asociados al riesgo de deserción, sino también generar herramientas  
útiles para el diseño de políticas institucionales orientadas a fortalecer la permanencia estudiantil y  
mejorar los procesos de acompañamiento académico y socioemocional.  
https://technologyrain.com.ar/  
12  
Entre las principales limitaciones del estudio se encuentra el uso de un muestreo no  
probabilístico por conveniencia, lo que restringe la generalización de los resultados a otras  
poblaciones universitarias. Asimismo, algunas dimensiones presentaron niveles moderados de  
consistencia interna y adecuación factorial, particularmente en el bloque de apoyo institucional y  
entorno, por lo que los resultados deben interpretarse dentro de un contexto exploratorio. Futuras  
investigaciones podrían incorporar muestras probabilísticas, diseños longitudinales y modelos  
predictivos más robustos que permitan validar y ampliar los hallazgos obtenidos.  
5. CONCLUSIONES  
Los resultados del presente estudio permiten concluir que el riesgo de deserción estudiantil en  
la educación superior constituye un fenómeno multidimensional, en el que interactúan factores  
académicos, económicos, psicoemocionales y de apoyo institucional. La validación psicométrica  
del instrumento evidenció adecuados niveles de validez de contenido y consistencia interna global  
(α = 0.751), lo que respalda la fiabilidad de los datos y fortalece la solidez metodológica de los  
análisis realizados.  
El análisis factorial exploratorio, desarrollado mediante matrices de correlaciones policóricas y  
análisis por bloques conceptuales, permitió identificar tres dimensiones principales asociadas al  
riesgo de deserción estudiantil: Condiciones académico–económicas, Condición psicoacadémica y  
Apoyo institucional y entorno. Entre ellas, la dimensión Condiciones académico–económicas  
presentó los mejores indicadores psicométricos y el mayor peso explicativo dentro del modelo,  
evidenciando que las dificultades relacionadas con el desempeño académico, la disponibilidad de  
recursos económicos, el acceso a herramientas tecnológicas y la compatibilidad entre estudio y  
trabajo constituyen factores determinantes en el riesgo de abandono universitario.  
Desde el enfoque inferencial, la regresión logística multinomial evidenció que las Condiciones  
académico–económicas incrementan significativamente la probabilidad de que los estudiantes se  
ubiquen en niveles medio y alto de riesgo de deserción, confirmando que las limitaciones  
estructurales y académicas representan el principal componente asociado a la permanencia  
estudiantil. De manera complementaria, las dimensiones psicoacadémicas y de apoyo institucional  
aportaron efectos adicionales que contribuyen a comprender la complejidad del fenómeno desde  
una perspectiva integral.  
Asimismo, el modelo multinomial presentó una adecuada capacidad de clasificación,  
alcanzando niveles satisfactorios de exactitud y concordancia, especialmente en la identificación de  
estudiantes en riesgo alto. Este resultado otorga relevancia práctica al estudio, debido a que permite  
orientar procesos institucionales de detección temprana y focalización de estrategias preventivas  
dirigidas a estudiantes con mayor vulnerabilidad académica y socioeconómica.  
Desde la perspectiva predictiva, el modelo Random Forest multiclase evidenció un excelente  
desempeño discriminativo, alcanzando un AUC macro de 0.956. La alta capacidad predictiva  
observada confirma la utilidad de los modelos de aprendizaje automático para identificar patrones  
complejos asociados al riesgo de deserción estudiantil. Además, el análisis de importancia de  
variables corroboró nuevamente el predominio de la dimensión Condiciones académico–  
económicas como principal factor explicativo del riesgo, reforzando la coherencia entre los  
enfoques inferenciales y predictivos utilizados.  
En conjunto, los hallazgos obtenidos aportan evidencia empírica relevante para el diseño de  
políticas institucionales orientadas a fortalecer la permanencia estudiantil en la educación superior.  
Los resultados sugieren que las estrategias universitarias destinadas a reducir la deserción deben  
priorizar el fortalecimiento de las condiciones académicas y económicas de los estudiantes,  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
13  
complementadas con acciones de acompañamiento emocional, orientación académica y apoyo  
institucional, a fin de promover trayectorias educativas más sostenidas y exitosas.  
Finalmente, el estudio demuestra que la integración de técnicas estadísticas multivariantes y  
modelos predictivos basados en aprendizaje automático constituye una herramienta metodológica  
robusta para el análisis del riesgo de deserción estudiantil, permitiendo no solo comprender los  
factores asociados al abandono universitario, sino también generar insumos útiles para la toma de  
decisiones institucionales basadas en evidencia.  
CONFLICTO DE INTERESES  
Los Autores declaran que no existe conflicto de intereses, o lo que corresponda.  
CONTRIBUCIÓN DE AUTORÍA (Obligatorio)  
En concordancia con la taxonomía establecida internacionalmente para la asignación de créditos a autores de  
artículos científicos (https://credit.niso.org/). Los autores declaran sus contribuciones en la siguiente matriz:  
Participar activamente en:  
Conceptualización  
Análisis formal  
Adquisición de fondos  
X
X
X
X
X
X
X
X
X
X
X
X
X
Investigación  
Metodología  
Administración del proyecto  
Recursos  
Redacción –borrador original  
Redacción –revisión y edición  
La discusión de los resultados  
Revisión y aprobación de la versión final del trabajo.  
X
X
X
REFERENCIAS BIBLIOGRAFICAS  
Araneda, B., Villagrán, P., & Vera, J. (2023). Factores que influyen en la deserción universitaria: El caso de una  
universidad estatal chilena. Revista Portuguesa de Educação, 36(1), Article 1.  
https://doi.org/10.21814/rpe.23401  
Cala, L., García, J., Saldarriaga, A., Sandoval, J., Chávez, P., Badillo, M., & Pablo, J. (2020). Salud mental y  
deserción en una población universitaria con bajo rendimiento académico. Revista Virtual Universidad  
Católica del Norte, 60, Article 60.  
Castillo, D. (2020). Factores de deserción estudiantil: Un estudio exploratorio desde Perú. 45.  
https://www.redalyc.org/journal/339/33965363005/33965363005.pdf  
Castro, J., & Machuca, G. (2023). La deserción universitaria en América Latina: Una perspectiva ecológica. Estudios  
pedagógicos (Valdivia), 49(2), 87-108. https://doi.org/10.4067/S0718-07052023000200087  
Chalela, S., Valencia, A., Ruiz, G., & Cadavid, M. (2020). Factores psicosociales y familiares que influyen en la  
deserción en estudiantes universitarios en el contexto de los países en desarrollo. Revista Lasallista de  
Investigación, 17(1), 103-115. https://doi.org/10.22507/rli.v17n1a9  
Chalpartar, L., Fernández, A., Betancourth, S., & Gómez, Y. (2022). Deserción en la población estudiantil  
universitaria durante la pandemia, una mirada cualitativa. Revista Virtual Universidad Católica del Norte, 66,  
37-62. https://doi.org/10.35575/rvucn.n66a3  
https://technologyrain.com.ar/  
14  
Cusme, M., Santos, E., Loor, K., & López, M. (2023). Análisis de los factores socioemocionales incidentes en la tasa  
de deserción estudiantil de nivelación-ESPAM: Analysis of the socioemotional factors incident in the student  
dropout rate of nivelación-ESPAM. Maestro y Sociedad, 103-112.  
Dávila, R., Agüero, E., Portillo, H., & Quimbita, O. (2022). Deserción universitaria de los estudiantes de una  
universidad peruana. Revista Universidad y Sociedad, 14(2), 421-427.  
Díaz, B., Suárez, A., Santos, M., & Martínez, R. (2024). Competencias transversales y factores de riesgo asociados a  
la deserción de estudiantes de Fisioterapia y Enfermería | Anais SEV7N.  
https://sevenpublicacoes.com.br/anais7/article/view/5240  
Erazo, X., & Rosero, E. (2021). Orientación vocacional y su influencia en la deserción universitaria.  
http://repositorio.cidecuador.org/jspui/handle/123456789/1009  
Gauto, M. (2021). Factores condicionantes de la deserción universitaria. Ciencia Latina Revista Científica  
Multidisciplinar, 5(4), Article 4. https://doi.org/10.37811/cl_rcm.v5i4.691  
González, A., & Arce, R. (2021). Factores personales y de acceso que inciden sobre la permanencia y deserción  
universitaria en estudiantes de pedagogía en una universidad chilena de zona geográfica extrema. Sophia  
Austral, 27. https://doi.org/10.29393/ac62-pejc10001  
González, A., & Centella, D. (2022). Competencias cognitivas y factores de riesgo asociados a deserción estudiantil  
en una universidad pública peruana. Investigación e Innovación: Revista Científica de Enfermería, 2(1), Article  
1. https://doi.org/10.33326/27905543.2022.1.1364  
Granda, L., Yautibug, F., & Copa, R. (2024). Deserción en la Educación Superior en Ecuador, Causas y  
Consecuencias. Ciencia Latina Revista Científica Multidisciplinar, 8(3), Article 3.  
https://doi.org/10.37811/cl_rcm.v8i3.12472  
Guirland, S. (2024). Deserción universitaria en estudiantes de postgrado: Revisión bibliográfica. Revista Científica  
Multidisciplinaria Jetypeka, 4(1), Article 1.  
Gutiérrez, D., Díaz, J., & López, J. (2021). Indicadores de deserción universitaria y factores asociados. EducaT:  
Educación virtual, Innovación y Tecnologías, 2(1), Article 1. https://doi.org/10.22490/27452115.4738  
Naranjo, A. (2020). Deserción y retención: Retos en la educación superior. Revista Científica Retos de la Ciencia,  
4(9), Article 9.  
Palacio, L., Vargas, J., & Monroy, S. (2020). Análisis bibliométrico de estudios sobre factores socioeconómicos en  
estudiantes universitarios. Educación y Educadores, 23(3), 355-375. https://doi.org/10.5294/edu.2020.23.3.1  
Palacios, Y. (2022). Factores asociados a la deserción en estudiantes de Educación Superior en Colombia por  
modalidad y nivel de estudio entre los años 2009-2020 a través de una revisión documental [Thesis,  
Corporación Universitaria Minuto de Dios]. https://repository.uniminuto.edu/handle/10656/16040  
Parra, J., Torres, I., & Martínez, C. (2023). Factores explicativos de la deserción universitaria abordados mediante  
inteligencia artificial. Revista electrónica de investigación educativa, 25.  
https://doi.org/10.24320/redie.2023.25.e18.4455  
Rascón, A. (2022). Deserción Universitaria; un estudio preliminar en los Programas Educativos de Administración y  
Contaduría Pública. Revista de Investigaciones Universidad del Quindío, 34(2), Article 2.  
https://doi.org/10.33975/riuq.vol34n2.969  
Rivas, F. (2023). Factores que incidieron en la deserción universitaria en Latinoamérica durante y un año después de  
la emergencia sanitaria por la COVID-19—Revisión documental. [Thesis, Corporación Universitaria Minuto  
de Dios]. https://repository.uniminuto.edu/handle/10656/18155  
Rodríguez, O., & Losada, A. (2020). Retención y deserción universitaria. Revista Neuronum, 6(3), Article 3.  
https://technologyrain.com.ar/  
Technology  
Rain  
Journal  
ISSN:  
2953-464X  
(2023)  
15  
Rodríguez, S., & Torres, E. (2023). Factores predisponentes de deserción universitaria en la carrera de medicina.  
Revista UNIDA Científica, 7(2), Article 2.  
Romero, J., Rivera, M., & Domínguez, N. (2023). Adaptación de la Escala de Deserción Estudiantil Universitaria: Un  
modelo tridimensional. Entorno, 1(76), Article 76. https://doi.org/10.5377/entorno.v1i76.17165  
Ruffinatto, F., Pereno, G., & Juaneu, L. (2022). Factores institucionales: Deserción estudiantil en Psicología de la  
Universidad Nacional de Córdoba. EDU REVIEW. International Education and Learning Review / Revista  
Internacional de Educación y Aprendizaje, 10(2), Article 2. https://doi.org/10.37467/gkarevedu.v10.3240  
Seminara, P. (2021). De los efectos de la pandemia COVID -19 sobre la deserción universitaria: Desgaste docente y  
bienestar psicológico estudiantil. Revista Educación Superior y Sociedad (ESS), 33(2), 402-421.  
Tene, J. (2022). La deserción escolar y el aprendizaje en educación a distancia en época de pandemia en el CECIB  
“Luis Felipe Torres” de la comunidad Zula del cantón Alausí provincia de Chimborazo 2020 – 2021  
[bachelorThesis, Riobamba]. http://dspace.unach.edu.ec/handle/51000/9023  
Urbina, A., Camino, J., & Cruz, R. (2020). Deserción escolar universitaria: Patrones para prevenirla aplicando minería  
de datos educativa. RELIEVE - Revista Electrónica de Investigación y Evaluación Educativa, 26(1).  
https://doi.org/10.7203/relieve.26.1.16061  
Velásquez, M., López, M., & Contreras, X. (2024). Factores Socioemocionales y Deserción Universitaria. Análisis  
correlacional en grupos desertores en los años 2021 y 2022. European Public & Social Innovation Review, 10,  
1-15. https://doi.org/10.31637/epsir-2025-1173  
Vera, E. (2023). Factores asociados a la deserción universitaria en la Licenciatura en Administración de Empresas y  
Contaduría Pública, en el Paraguay: Factors associated with university desertion in the Bachelor of Business  
Administration and Public Accounting, in Paraguay. LATAM Revista Latinoamericana de Ciencias Sociales y  
Humanidades, 4(1), Article 1. https://doi.org/10.56712/latam.v4i1.340  
https://technologyrain.com.ar/