ANÁLISIS ESTADÍSTICO MULTIVARIADO Y MACHINE LEARNING PARA LA DETECCIÓN TEMPRANA DE RIESGO DE DESERCIÓN ESCOLAR

Introducción: La deserción escolar constituye un problema complejo que afecta el desarrollo educativo y social, siendo el resultado de múltiples factores interrelacionados. En este contexto, el uso de técnicas analíticas avanzadas permite mejorar su comprensión y predicción temprana. Objetivo: Analizar la eficacia del análisis estadístico multivariado y de los modelos de machine learning en la detección temprana del riesgo de deserción escolar. Métodos: Se desarrolló un estudio cuantitativo de tipo predictivo, utilizando una base de datos de estudiantes que incluyó variables académicas, conductuales y sociodemográficas. Se aplicó regresión logística para el análisis estadístico multivariado y modelos de machine learning (árbol de decisión, Random Forest y SVM). El desempeño de los modelos fue evaluado mediante métricas de clasificación y curva ROC. Resultados: El rendimiento académico y la asistencia se identificaron como los principales predictores del riesgo de deserción. El modelo Random Forest presentó el mejor desempeño, con mayor exactitud y capacidad discriminativa (AUC = 0.91), superando a los demás modelos evaluados. Discusión: Los resultados confirman la relevancia de los factores académicos en la deserción escolar y evidencian la superioridad de los modelos de ensamble en la predicción de fenómenos complejos. Asimismo, se destaca la importancia de integrar enfoques estadísticos y computacionales para mejorar tanto la precisión como la interpretabilidad. Conclusión: La combinación de análisis estadístico multivariado y técnicas de machine learning constituye una estrategia eficaz para la detección temprana del riesgo de deserción escolar.