Socioeconomic Factors and School Context in Math Admission Test Scores in Chile: A Multilevel Analysis
DOI:
https://doi.org/10.4151/07189729-Vol.64-Iss.3-Art.1617Keywords:
Mathematics education socioeconomic factors educational inequality higher education admission multilevel analysisAbstract
Mathematics admission test scores play a critical role in Chilean higher education access, yet their strong association with students' socioeconomic backgrounds and school contexts has raised persistent concerns about equity and fairness in university admissions. In the Chilean admission system for selective universities, standardized test performance carries substantial weight in determining student placement, particularly in mathematics, making it essential to understand how individual and contextual factors shape these outcomes. Despite the test's intended purpose to measure mathematical knowledge and skills aligned with the national curriculum, research evidence suggests that scores systematically reflect socioeconomic stratification rather than purely academic merit. In this context, this study examines the complex relationships between student-level socioeconomic attributes, school-level characteristics, and mathematics test performance in the 2022 Chilean higher education admission process, employing multilevel analysis techniques to disentangle individual and contextual influences.
Drawing on a comprehensive dataset of 253,380 students nested within 2,832 schools, this research quantifies both intra-school and inter-school variation in mathematics scores while examining how individual characteristics and school composition jointly predict math performance. The analytical approach utilized multilevel models that account for the nested structure of students within schools, allowing for simultaneous estimation of student-level effects (Level 1) and school-level contextual effects (Level 2). Key predictors included individual socioeconomic status, parental educational attainment, biological sex, school type, and school-level aggregates of these characteristics representing the socioeconomic and demographic composition of the student body.
Results revealed substantial and statistically significant effects across both levels of analysis. At the individual level, students from higher socioeconomic backgrounds, those with parents who attained higher education, and male students demonstrated significantly higher mathematics scores. These individual-level effects remained robust even after accounting for school-level variation, confirming their independent contribution to test performance. Critically, school-level analyses uncovered powerful contextual effects: schools with higher proportions of economically advantaged students, greater concentrations of parents with tertiary education, and increased representation of female students were associated with elevated mathematics scores for all students attending those institutions, independent of individual characteristics. These findings suggest that peer composition and the broader school environment exert considerable influence on math performance beyond individual student attributes.
The variance decomposition revealed that approximately 24% of the total variation in mathematics scores occurred between schools rather than within them, underscoring the substantial role of educational context in shaping achievement. The multilevel models explained considerable proportions of this variation, with school-level predictors accounting for approximately 77% of between-school variance and individual-level predictors explaining about 21% of within-school variance. These findings illuminate how Chilean schools function as socially stratified spaces where educational opportunities and outcomes are fundamentally shaped by institutional composition.
The study's findings carry significant implications for educational policy and university admissions in Chile. The documented associations between socioeconomic characteristics and mathematics test performance challenge assumptions of objectivity and meritocracy in the current admission system. Results suggest that the mathematics test may inadvertently perpetuate existing social inequalities by systematically advantaging students from privileged backgrounds and well-resourced schools while creating barriers for equally capable students from disadvantaged contexts
References
Alessandri, F., & Peñafiel, A. (2022). Análisis de brechas de puntajes en la PTU y prueba de transición. Acción Educar. https://accioneducar.cl/wp-content/uploads/2022/08/PDF-VF-Analisis-de-brechas-de-puntajes-en-la-PSU-y-la-PDT.pdf
Améstica, L., Gaete, H., & Llinas-Audet, X. (2014). Segmentación y clasificación de las universidades en Chile: Desventajas de inicio y efectos de las políticas públicas de financiamiento. Ingeniare. Revista Chilena de Ingeniería, 22(3), 384-397. https://doi.org/10.4067/S0718-33052014000300009
Antivilo, A., Poblete-Orellana, V., Hernández-Muñoz, J., García, C., & Contreras, P. (2017). Factores individuales, sociodemográficos e institucionales en el acceso de los egresados de la educación media técnico profesional a las instituciones de educación superior. Calidad en la Educación, 46, 96-132. https://doi.org/10.4067/S0718-45652017000100096
Arias, Ó. (2016). Brecha de género en matemáticas: El sesgo de las pruebas competitivas (evidencia para Chile). Facultad de Ciencias Físicas y Matemáticas, Universidad de Chile.
Arias, Ó., Mizala, A., & Meneses, F. (2017). Brecha de género en matemáticas: El sesgo de las pruebas competitivas (evidencia para Chile). CONICYT–Chile. https://conicyt.cl/gendersummit12/wp-content/uploads/2017/12/Oscar-Arias.pdf
Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1-48. https://doi.org/10.18637/jss.v067.i01
Bellei, C. (2015). El gran experimento: Mercado y privatización de la educación chilena. LOM Ediciones.
Bellei, C., González, P., & Valenzuela, J. (2010). Fortalecer la educación pública: Un desafío de interés nacional. In C. Bellei, D. Contreras, & J. Valenzuela (Eds.), Ecos de la revolución pingüina (pp. 225-254). Universidad de Chile.
Bellei, C., Orellana, V., & Canales, M. (2020). Elección de escuela en la clase alta chilena: Comunidad, identidad y cierre social. Archivos Analíticos de Políticas Educativas, 28(5), 1-27. https://doi.org/10.14507/epaa.28.3884
Botella, M., & Ortiz, C. (2018). Efectos indeseados a partir de los resultados SIMCE en Chile. Revista Educación, Política y Sociedad, 3(2), 27-44. https://doi.org/10.15366/reps2018.3.2.002
Canales, M., Opazo, A., & Camps, J. P. (2016). Salir del cuarto: Expectativas juveniles en el Chile de hoy. Última Década, 24(44), 73-108. https://doi.org/10.4067/S0718-22362016000100004
Catalán, X., & Santelices, M. (2014). Rendimiento académico de estudiantes de distinto nivel socioeconómico en universidades: El caso de la Pontificia Universidad Católica de Chile. Calidad en la Educación, 40, 21-52. https://doi.org/10.4067/S0718-45652014000100002
Cerda, G., Ortega, R., Pérez, C., Flores, C., & Melipillán, R. (2011). Inteligencia lógica y rendimiento académico en matemáticas: Un estudio con estudiantes de educación básica y secundaria de Chile. Anales de Psicología, 27(2), 389-398. https://revistas.um.es/analesps/article/view/123011
Cervini, R., & Dari, N. (2009). Género, escuela y logro escolar en matemática y lengua de la educación media: estudio exploratorio basado en un modelo multinivel bivariado. Revista mexicana de investigación educativa, 14(43), 1051-1078.
Cervini, R., Dari, N., & Quiroz, S. (2015). Género y Rendimiento Escolar En América Latina: Los Datos Del SERCE En Matemática y Lectura. Revista Iberoamericana de Educación, 68, 99-116. https://doi.org/10.35362/rie680206
Curran, P., Lee, T., Howard, A., Lane, S., & MacCallum, R. (2012). Disaggregating Within-Person and Between-Person Effects in Multilevel and Structural Equation Growth Models. In J. Harring, & G. Hancock (Eds.), Advances in Longitudinal Methods in the Social and Behavioral Sciences (pp. 217-254). Information Age Publishing Inc. https://revistas.um.es/analesps/article/view/123011
Del Río, M., Strasser, K., & Susperreguy, M. (2016). ¿Son las habilidades matemáticas un asunto de género?: Los estereotipos de género acerca de las matemáticas en niños y niñas de Kínder, sus familias y educadoras. Calidad en la Educación, (45), 20-53. http://dx.doi.org/10.4067/S0718-45652016000200002
Departamento de Evaluación, Medición y Registro Educacional. (2022). Informe Técnico de las Pruebas de Admisión 2022. DEMRE.
Departamento de Evaluación, Medición y Registro Educacional. (2023). Informe Técnico de las Pruebas de Admisión 2023. PAES Regular. DEMRE. https://demre.cl/estadisticas/documentos/informes/2023-informe-resultados-paes-regular-admision-2023.pdf
Díaz, K., Ravest, J., & Queupil, J. P. (2019). Brechas de género en los resultados de pruebas de selección universitaria en Chile: ¿Qué sucede en los extremos superior e inferior de la distribución de puntajes? Pensamiento Educativo: Revista de Investigación Educacional Latinoamericana, 56(1), 1-19. https://doi.org/10.7764/PEL.56.1.2019.5
Donoso, P., Rico, N., & Castro, E. (2016). Creencias y concepciones de profesores chilenos sobre las matemáticas, su enseñanza y aprendizaje. Profesorado: Revista de Currículum y Formación de Profesorado, 20(2), 76-97. https://doi.org/10.30827/profesorado.v20i2.10409
Enders, C. K. (2022). Applied missing data analysis. Guilford Publications.
Espinoza, O. (2017). Privatización de la educación superior en Chile: Consecuencias y lecciones aprendidas. EccoS Revista Científica, 44, 175-202. https://doi.org/10.5585/eccos.n44.8070
Farías, M., & Carrasco, R. (2012). Diferencias en resultados académicos entre educación técnico-profesional y humanista-científica en Chile. Revista Calidad en la Educación, (36), 87-121. https://doi.org/10.31619/caledu.n36.118
Faúndez, R., Labarca, J., Cornejo, M., Villarroel, M., & Gil, F. (2017). Ranking 850: Transición a la educación terciaria de estudiantes con desempeño educativo superior y puntaje PSU insuficiente. Pensamiento Educativo, 54(1), 1-11. https://doi.org/10.7764/PEL.54.1.2017.2
Fernández, M., & Hauri, S. (2016). Resultados de aprendizaje en La Araucanía: La brecha de género en el Simce y el androcentrismo en el discurso de docentes de lenguaje y matemática. Calidad en la Educación, 45, 54-89. https://doi.org/10.4067/S0718-45652016000200003
Gayo, M., Otero, G., & Méndez, M. (2019). Elección escolar y selección de familias: Reproducción de la clase media alta en Santiago de Chile. Revista Internacional de Sociología, 77(1), e120. https://doi.org/10.3989/ris.2019.77.1.17.310
González, P., Arancibia, V., & Boyanova, D. (2017). Talento académico, vulnerabilidad escolar y resultados en la prueba de selección universitaria. Estudios Pedagógicos (Valdivia), 43(1), 171-191. https://dx.doi.org/10.4067/S0718-07052017000100011
González, R. (2017). Segregación educativa en el sistema chileno desde una perspectiva comparada. El primer gran debate de la reforma educacional: Ley de Inclusión Escolar, 48-91.
Hoffman, L. (2019). On the interpretation of parameters in multivariate multilevel models across different combinations of model specification and estimation. Advances in Methods and Practices in Psychological Science, 2(3), 288-311. https://doi.org/10.1177/2515245919842770
Hoffman, L., & Walters, R. (2022). Catching up on multilevel modeling. Annual Review of Psychology, 73, 659-689. https://doi.org/10.1146/annurev-psych-020821-103525
Hox, J., Moerbeek, M., & Van de Schoot, R. (2017). Multilevel Analysis: Techniques and Applications. Routledge. https://doi.org/10.4324/9781315650982
Inglés, C., Díaz, Á. G., Ruiz, C., Delgado, B., & Martínez, M. (2012). Auto-atribuciones académicas: Diferencias de género y curso en estudiantes de educación secundaria. Revista Latinoamericana de Psicología, 44(3), 53-64.
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning with Applications in R. Springer. https://doi.org/10.1007/978-1-4614-7138-7
Jarpa, C., & Rodríguez, C. (2017). Segmentación y exclusión en Chile: El caso de los jóvenes primera generación en educación superior. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud, 15(1), 327-343. https://doi.org/10.11600/1692715x.1512028032016
Kri, F., Gil, F., Maximo, G., & Lamatta, C. (2013). Ranking de notas como predictor del éxito en educación superior. Estudio de Caso Universidad de Santiago. Informe Final. Consejo Nacional de Educación.
Kuznetsova, A., Brockhoff, P., & Christensen, R. (2017). lmerTest Package: Tests in Linear Mixed Effects Models. Journal of Statistical Software, 82(13), 1-26. https://doi.org/10.18637/jss.v082.i13
Lamb, S., & Fullarton, S. (2002). Classroom and school factors affecting mathematics achievement: A comparative study of the US and Australia using TIMSS. Australian Journal of Education, 46(2), 154-171. https://doi.org/10.1177/000494410204600205
Larroucau, T., Ríos, I., & Mizala, A. (2015). Efecto de la incorporación del ranking de notas en el proceso de admisión a las universidades chilenas. Pensamiento Educativo: Revista de Investigación Latinoamericana (PEL), 52(1), 95-118. https://doi.org/10.7764/PEL.52.1.2015.8
León, V., & Salazar, A. (2014). Diferencias de género en matemática y lenguaje en alumnos de colegios adventistas en el sistema de medición de la calidad de la Educación (SIMCE) en Chile. Apuntes Universitarios. Revista de Investigación, 4(2), 81-106.
Manzi, J., & Carrasco, D. (2021). Validity Evidence of the University Admission Tests in Chile: Prueba de Selección Universitaria (PSU). In J. Manzi, M. García, & S. Taut (Eds.), Validity of Educational Assessments in Chile and Latin America (pp. 331-352). Ediciones Universidad Católica de Chile. https://doi.org/10.1007/978-3-030-78390-7_14
McNeish, D., & Kelley, K. (2019). Fixed effects models versus mixed effects models for clustered data: Reviewing the approaches, disentangling the differences, and making recommendations. Psychol Methods, 24(1), 20-35. https://dx.doi.org/10.1037/met0000182
Mizala, A. (2018). Género, cultura y desempeño en matemáticas. Revista Anales, 14, 127-150.
Muñoz, M., & Blanco, C. (2013). Una taxonomía de las universidades chilenas. Calidad en la Educación, 37, 181-213. https://doi.org/10.4067/S0718-45652013000100005
Muñoz, P., & Redondo, A. (2013). Desigualdad y logro académico en Chile. Revista de la CEPAL, 109, 107-123. https://doi.org/10.18356/5d9855fa-es
Organisation for Economic Co-operation and Development. (2019). PISA 2018 Results (Volume II): Where All Students Can Succeed. OECD Publishing. https://dx.doi.org10.1787/b5fd1b8f-en
Pincheira, L. (2010). La participación educativa de padre, madre y/o apoderado en el centro educativo: Mito o realidad. REXE: Revista de Estudios y Experiencias en Educación, 9(17), 107-114.
Posit team. (2023). RStudio: Integrated development environment for R. Posit Software, PBC. https://posit.co/
Raudenbush, S., & Bryk, A. (2002). Hierarchical linear models: Applications and data analysis methods (2nd ed.). Sage Publications.
Reardon, S. F., & Owens, A. (2014). 60 Years After Brown: Trends and Consequences of School Segregation. Annual Review of Sociology, 40, 199-218. https://doi.org/10.1146/annurev-soc-071913-043152
Rights, J., & Sterba, S. (2019). Quantifying explained variance in multilevel models: An integrative framework for defining R-squared measures. Psychological Methods, 24, 309-338. https://doi.org/10.1037/met0000184
Rights, J., & Sterba, S. (2023). On the common but problematic specification of conflated random slopes in multilevel models. Multivariate Behavioral Research, 58(6), 1-28. https://doi.org/10.1080/00273171.2023.2174490
Rodríguez, C., Espinosa, D., Padilla, G., & Suazo, C. (2022a). Entre el talento académico y la segmentación socioeducativa: Admisión universitaria de estudiantes Top 10% ranking en Chile. Revista Cubana de Educación Superior, 41(2), 2-14. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0257-43142022000200004
Rodríguez, C., Espinosa, D., Padilla, G., & Suazo, C. (2022b). Trayectoria escolar y procesos de admisión universitaria en Chile: Entre el talento académico y la reproducción de brechas. Estudios Pedagógicos, 48(3), 227-241. https://doi.org/10.4067/S0718-07052022000300227
Rodríguez, C., & Jarpa, C. (2015). Capacidad predictiva de las notas en enseñanza media sobre el rendimiento en pruebas de selección universitaria: El caso chileno. Aula Abierta, 43(2), 61-68. https://doi.org/10.1016/j.aula.2015.03.002
Rodríguez, C., & Padilla, G. (2016). Trayectoria escolar y selección universitaria: Comportamiento del ranking como factor de inclusión a la educación superior. Sophia, 12(2), 195-206. https://doi.org/10.18634/sophiaj.12v.2i.376
Rodríguez, C., Padilla, G., & Espinosa, D. (2021). No todo es prueba de selección universitaria: El ranking como vía de inclusión a la universidad en Chile. Sophia, 17(2), 1-15. https://doi.org/10.18634/sophiaj.17v.2i.1026
Rodríguez, C., Padilla, G., & Suazo, C. (2020). Medición de calidad educativa en Chile: Lo que reportan los indicadores de desarrollo cognitivo, personal y social en la escuela. Revista Pilquen, 17(1), 34-48. https://revele.uncoma.edu.ar/index.php/psico/article/view/2647
Sánchez, A., Reyes, F., & Villarroel, V. (2016). Participación y expectativas de los padres sobre la educación de sus hijos en una escuela pública. Estudios Pedagógicos, 42(3), 347-367. https://doi.org/10.4067/S0718-07052016000400019
Schleicher, A. (2019). PISA 2018: Insights and interpretations. OECD Publishing. https://www.educationduepuntozero.it/wp-content/uploads/2020/01/tabelleOCSEFierli.pdf
Shaw, M., Rights, J., Sterba, S., & Flake, J. (2023). r2mlm: An R package calculating R-squared measures for multilevel models. Behavior Research Methods, 55(4), 1942-1964. https://doi.org/10.3758/s13428-022-01841-4
Snijders, T. A. B., & Bosker, R. J. (2012). Multilevel analysis: An introduction to basic and advanced multilevel modeling (2nd ed.). Sage Publications.
United Nations Educational, Scientific and Cultural Organization. (2020). Global education monitoring report 2020: Inclusion and education—All means all. UNESCO Publishing. https://unesdoc.unesco.org/ark:/48223/pf0000373718
Vargas, C., & Matus, C. (2022). Brechas persistentes de género en matemáticas en las pruebas nacionales chilenas SIMCE. Estudios Pedagógicos, 48(1), 389-400. https://doi.org/10.4067/S0718-07052022000100389
Vergara, G., & Peredo, H. (2017). Relación del desempeño académico de estudiantes de primer año de universidad en Chile y los instrumentos de selección para su ingreso. Revista Educación, 41(2), 95-104. http://dx.doi.org/10.15517/revedu.v41i2.21514
Villalobos, C., Wyman, I., Schiele, B., & Godoy, F. (2016). Composición de género en establecimientos escolares chilenos: ¿Afecta el rendimiento académico y el ambiente escolar? Estudios Pedagógicos, 42(2), 379-394. https://doi.org/10.4067/S0718-07052016000200022
Yaremych, H., Preacher, K., & Hedeker, D. (2023). Centering categorical predictors in multilevel models: Best practices and interpretation. Psychol Methods, 613-630. https://doi.org/10.1037/met0000434
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 1969 Geraldo Bladimir Padilla Fuentes, Lesa Hoffman, Claudia Alexandra Suazo Ruiz
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
The authors grant an exclusive licence, without time limit, for the manuscript to be published in the Perspectiva Educacional journal, published by the Pontificia Universidad Católica of Valparaíso (Chile), through the School of Pedagogy.
