Comparación del rendimiento de la regresión múltiple y la red neuronal artificial en la determinación del orden de importancia de los predictores en la investigación educativa

Abstract

Se comparan los rendimientos de los métodos regresión múltiple (RM) y la red neuronal artificial (RNA), ampliamente utilizados en investigaciones educativas, para determinar el orden de importancia de las variables predictoras, continuas y discretos, sobre conjuntos de datos reales y de simulación de diferentes tamaños de muestra. Para ello, se utilizan dos conjuntos de datos reales de tres escuelas secundarias diferentes en Turquía, el primero compuesto por 445 estudiantes para medir el orden de importancia de los métodos cuando las variables predictoras son continuas, las expectativas competencia académica, expectativa de competencia social y expectativa de competencia emocional, el segundo formado por 992 estudiantes, para medir el orden de los métodos cuando las variables predictoras son discretos de género, ingreso familiar, nivel educativo del padre y nivel educativo de la madre. Y se utilizan datos de simulación generados al considerar las relaciones en estos conjuntos de datos. Se utilizan sesgos relativos absolutos y errores cuadráticos medios (ECM) para comparar el rendimiento de los métodos. Los instrumentos usados son: la Escala de flexibilidad cognitiva, la Escala de estrategias de afrontamiento y la Escala de expectativa de competencia de Toprak y Kalkan (2019a)(las expectativas competencia académica, expectativa de competencia social y expectativa de competencia emocional). Los resultados muestran que los métodos desempeñan el mismo orden de importancia si los predictores son continuas y desempeñan un orden de importancia bastante similar si los predictores son discretos. El aumento en el tamaño de la muestra tuvo un efecto de mejora en los sesgos relativos absolutos y errores cuadráticos medios de los métodos. Además, si los predictores son continuos, se puede recomendar a los investigadores que elijan regresión múltiple o red neuronal artificial. Sin embargo, en los casos en que los predictores sean discretos y el número de predictores sea tres o más, se recomienda el uso de redes neuronales artificiales. Para obtener estimaciones óptimas con ambos métodos, se recomienda utilizar un tamaño de muestra de al menos 200.