Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión

En la temática de gobierno y gestión universitaria Abello (2018), Abello et al. (2018) y Abello et al. (2019) han demostrado que en promedio el nivel de divulgación de información de las universidades latinoamericanas es bajo y muy heterogéneo; también han demostrado que los atributos de los gobiern...

Descripción completa

Detalles Bibliográficos
Autores Principales: Mancilla, Claudio, Abello-Romero, Juan
Formato: Desconocido (Unknown)
Publicado: 2020
Materias:
Acceso en línea:http://hdl.handle.net/11634/30874
id ir-11634-30874
recordtype dspace
institution Universidad Santo Tomas
collection DSpace
topic regression trees
information disclosure
corporate governance
attributes of the highest collegiate bodies
árboles de regresión
divulgación de información
gobiernos corporativos
atributos de máximos cuerpos colegiados
spellingShingle regression trees
information disclosure
corporate governance
attributes of the highest collegiate bodies
árboles de regresión
divulgación de información
gobiernos corporativos
atributos de máximos cuerpos colegiados
Mancilla, Claudio
Abello-Romero, Juan
Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
description En la temática de gobierno y gestión universitaria Abello (2018), Abello et al. (2018) y Abello et al. (2019) han demostrado que en promedio el nivel de divulgación de información de las universidades latinoamericanas es bajo y muy heterogéneo; también han demostrado que los atributos de los gobiernos corporativos universitarios o máximos cuerpos colegidos (MCC) son determinantes de la divulgación de información. Aunque los datos de más de doscientas universidades que fueron utilizados en estos trabajos representan ser un elevado número de observaciones, solo son una proporción de todas las universidades latinoamericanas; asimismo, el levantamiento de información para determinar los niveles de divulgación de información pudiera llegar a complejo, emerge la necesidad predecir y estimar cuál sería el nivel esperado de divulgación de otras universidades. En atención a lo anterior, el presente trabajo tiene por objetivo predecir los niveles de divulgación de información de universidades latinoamericanas considerando los atributos de sus gobiernos corporativos universitarios o máximos cuerpos colegiados (MCC). Para lograr el objetivo anterior, se introduce con una técnica utilizada en otras disciplinas y con otros propósitos denominada árboles de regresión. Si bien existen otras técnicas, como las regresiones lineales, los árboles de clasificación y regresión son parte de técnicas de machine learning para construir modelos de predicción de desde los datos disponibles (Loh 2011). Así, para el propósito de este trabajo, los árboles de regresión pueden ser una metodología apropiada para predecir los niveles de divulgación de información de universidades latinoamericanas. La técnica generará nodos o ramificaciones de acuerdo a los atributos de los MCC, lo que permitirá tipificar las universidades para posteriormente realizar una predicción del nivel de divulgación de información considerando dichos atributos. El nombre de la técnica deriva de la práctica habitual de describir el proceso de partición de os datos mediante un árbol de decisiones y una, entre otras, de las ventajas de los árboles de regresión es que son fáciles de entender e interpretar (Hernández 2020). Los resultados del presente trabajo indican que las universidades cuyos MCC son más diversos y más independientes son las tienen los mayores índices de divulgación de información, mientras que por el lado contrario, las universidades cuyos MCC son menos diversos, el número de miembros son de 49 o menos, y además son MCC menos independientes, son las instituciones que tienen los menos índices de divulgación de información.
format Desconocido (Unknown)
author Mancilla, Claudio
Abello-Romero, Juan
author_facet Mancilla, Claudio
Abello-Romero, Juan
author_sort Mancilla, Claudio
title Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
title_short Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
title_full Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
title_fullStr Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
title_full_unstemmed Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
title_sort atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión
publishDate 2020
url http://hdl.handle.net/11634/30874
_version_ 1712104364394414080
spelling ir-11634-308742020-12-02T17:13:43Z Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión Mancilla, Claudio Abello-Romero, Juan regression trees information disclosure corporate governance attributes of the highest collegiate bodies árboles de regresión divulgación de información gobiernos corporativos atributos de máximos cuerpos colegiados En la temática de gobierno y gestión universitaria Abello (2018), Abello et al. (2018) y Abello et al. (2019) han demostrado que en promedio el nivel de divulgación de información de las universidades latinoamericanas es bajo y muy heterogéneo; también han demostrado que los atributos de los gobiernos corporativos universitarios o máximos cuerpos colegidos (MCC) son determinantes de la divulgación de información. Aunque los datos de más de doscientas universidades que fueron utilizados en estos trabajos representan ser un elevado número de observaciones, solo son una proporción de todas las universidades latinoamericanas; asimismo, el levantamiento de información para determinar los niveles de divulgación de información pudiera llegar a complejo, emerge la necesidad predecir y estimar cuál sería el nivel esperado de divulgación de otras universidades. En atención a lo anterior, el presente trabajo tiene por objetivo predecir los niveles de divulgación de información de universidades latinoamericanas considerando los atributos de sus gobiernos corporativos universitarios o máximos cuerpos colegiados (MCC). Para lograr el objetivo anterior, se introduce con una técnica utilizada en otras disciplinas y con otros propósitos denominada árboles de regresión. Si bien existen otras técnicas, como las regresiones lineales, los árboles de clasificación y regresión son parte de técnicas de machine learning para construir modelos de predicción de desde los datos disponibles (Loh 2011). Así, para el propósito de este trabajo, los árboles de regresión pueden ser una metodología apropiada para predecir los niveles de divulgación de información de universidades latinoamericanas. La técnica generará nodos o ramificaciones de acuerdo a los atributos de los MCC, lo que permitirá tipificar las universidades para posteriormente realizar una predicción del nivel de divulgación de información considerando dichos atributos. El nombre de la técnica deriva de la práctica habitual de describir el proceso de partición de os datos mediante un árbol de decisiones y una, entre otras, de las ventajas de los árboles de regresión es que son fáciles de entender e interpretar (Hernández 2020). Los resultados del presente trabajo indican que las universidades cuyos MCC son más diversos y más independientes son las tienen los mayores índices de divulgación de información, mientras que por el lado contrario, las universidades cuyos MCC son menos diversos, el número de miembros son de 49 o menos, y además son MCC menos independientes, son las instituciones que tienen los menos índices de divulgación de información. In the area of university governance and management, Abello (2018), Abello et al. (2018) and Abello et al. (2019) have shown that on average the level of information disclosure by Latin American universities is low and very heterogeneous; they have also shown that the attributes of university corporate governments or maximum collegiate bodies (MCC) are determining factors in the disclosure of information. Although the data from more than two hundred universities that were used in this work represent a high number of observations, they are only a proportion of all Latin American universities; likewise, the collection of information to determine the levels of information disclosure could become complex, the need to predict and estimate what would be the expected level of disclosure from other universities emerges. In view of the above, this work aims to predict the levels of information dissemination of Latin American universities considering the attributes of their corporate university governments or top collegial bodies (MCC). To achieve the above objective, it is introduced with a technique used in other disciplines and for other purposes called regression trees. While there are other techniques, such as linear regressions, classification and regression trees are part of machine learning techniques to build predictive models from available data (Loh 2011). Thus, for the purpose of this work, regression trees may be an appropriate methodology to predict the levels of information dissemination in Latin American universities. The technique will generate nodes or branches according to the attributes of the CQI, which will allow typing the universities to later make a prediction of the level of information dissemination considering these attributes. The name of the technique derives from the common practice of describing the process of data partitioning by means of a decision tree and one of the advantages of regression trees is that they are easy to understand and interpret (Hernandez 2020). The results of this work indicate that the universities whose CQI are more diverse and more independent have the highest rates of information dissemination, while on the contrary, the universities whose CQI are less diverse, the number of members is 49 or less, and they are also less independent, are the institutions that have the lowest rates of information dissemination. http://unidadinvestigacion.usta.edu.co 2020-11-20T15:41:27Z 2020-11-20T15:41:27Z 2020-11-19 Apropiación Social y Circulación del Conocimiento: Evento científico con componente de apropiación Mancilla, C. & Romero, J. (2020). Atributos de gobiernos corporativos universitarios y predicción de los niveles de divulgación de información: una aplicación de árboles de regresión. [Ponencia]. VIII Congreso Iberoamericano en Investigación de Gobernanza Universitaria, Bogotá, Colombia. Repositorio- Universidad Santo Tomás http://hdl.handle.net/11634/30874 https://doi.org/10.15332/dt.inv.2020.01645 http://unidadinvestigacion.usta.edu.co Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ image/jpeg image/png video/mp4 application/pdf CRAI-USTA Bogotá
score 12,131701