Document Actions
Modelos de medición en comunidades científicas. Modelación de valor agregado y carreras académicas.
Desde el lunes 27 de abril hasta el viernes jueves 30 de abril de 2009. (Presencial)
Carolina Lopera Oquendo. Economista (Universidad de Antioquia. Facultad de Ciencias Económicas. - Medellín, Colombia). 2008- Profesora titular. Introducción a la economía. Facultad de Economía, Universidad del Rosario. Autora de artículos, documentos de trabajo y de divulgación y co-autora de varios libros; posee amplia experiencia en investigación.
Hernán Jaramillo Salazar. Economista. Decano Facultad de Economía, Universidad del Rosario (Colombia). Miembro de la Comisión Consultiva del Ministerio de Educación Nacional sobre Competencias en la Educación, Superior, 2008. Miembro del Consejo Asesor de la Red Iberoamericana de Indicadores de Ciencia y Tecnología - RICyT, Buenos Aires, Argentina, 1995 al presente. Miembro del Consejo Científico del Observatorio Colombiano de Ciencia y Tecnología, 1999 al presente. Miembro del Comité Consultivo del Proyecto de definición de Estándares y Evaluación de Competencias Básicas en la Educación Superior. Marzo – noviembre de 2008. Autor de artículos, libros, capítulos de libros, documentos de trabajo; ha presentado ponencias en congresos y ha participado en numerosos proyectos de investigación y realizado consultorías.
I. Justificación
La teoría de capital del conocimiento reconoce las relaciones implícitas entre los diferentes tipos de capital. En este sentido, se establece que la carrera del investigador es un proceso multivariado, debido a la interacción del individuo con múltiples instituciones en cada etapa de su proceso de formación y actuación. Dentro de este contexto, la evaluación de los recursos humanos permite evaluar de manera más concreta las capacidades científicas, debido a que trasciende el conteo de investigadores y su producción científica hacia la modelación de la complejidad de las relaciones del individuo con los contextos organizacionales en los que se inserta. En esta medida, la evaluación de los recursos humanos se convierte en una herramienta concreta para la gestión del conocimiento y la innovación dentro de las instituciones científicas y tecnológicas.
La medición de los recursos humanos en investigación desde esta perspectiva requiere la utilización de técnicas alternativas a las tradicionalmente utilizadas (análisis bivariado y mínimos cuadrados ordinarios) con el fin de evitar problemas de especificación e identificación en la estimación de los parámetros. Estas surgen debido a la asimetría y censura de los datos utilizados en el análisis de los Curriculum Vitae (CV) de los investigadores (Dietz y Bozeman, 2005). Por tanto, es necesario utilizar métodos de medición que reconozcan las características propias de los sistemas de formación de recursos humanos para la ciencia y la tecnología. En síntesis, el elemento central de la medición es el individuo y su relación diferencial con las diversas instituciones involucradas en su trayectoria académica y científica.
Los modelos de medición deben tener en cuenta que la trayectoria individual del investigador es una construcción histórica de relaciones tácitas y explícitas que permiten consolidar su proceso de formación y actuación en investigación. De esta manera, deben permitir caracterizar el aporte de cada institución con la que se relaciona a lo largo de su trayectoria y considerar el tiempo como variable y elemento constitutivo del análisis (Jaramillo, et. al, 2008a, 2008b).
Este seminario tiene como objetivo profundizar en las herramientas y conceptos básicos que permiten la modelación del comportamiento de los recursos humanos en diferentes contextos organizacionales. En este sentido, los temas impartidos permitirán a los estudiantes tener mejores herramientas para la elaboración o coordinación de estudios específicos sobre gestión y evaluación de los recursos humanos dentro de los organismos científicos y tecnológicos. Adicionalmente, las herramientas permitirán analizar concretamente los diferentes grados de desarrollo institucional de los recursos humanos en las diferentes áreas del conocimiento y avanzar hacia la creación de nuevos indicadores de ciencia y tecnología que tienen en cuenta el desarrollo de las carreras académicas y científicas de los recursos humanos. De esta manera, se contaran con metodologías e instrumentos más pertinentes para fortalecer y gestionar políticas de ciencia y tecnología sobre los recursos humanos en I&D.
En este sentido, dentro del curso se hará énfasis en los supuestos fundamentales de cada técnica de medición, los argumentos empíricos y teóricos que se pueden utilizar para sustentar cada uno de dichos supuestos, y en la implementación práctica de los modelos de medición. De esta manera, se concentrará en el estudio, en primer lugar, de los modelos de análisis multinivel que permite determinar el aporte que las instituciones y los individuos, vistos separadamente, hacen a la explicación de los niveles de producción de estos últimos. Estos modelos analizan el efecto de las variables que conforman el capital conocimiento sobre la producción. Es decir, responden a la pregunta sobre cuáles son las prácticas, estructuras o procesos que pueden incidir sobre la producción en investigación1. En segundo lugar, se presentarán los modelos de elección discreta, utilizados para evaluar el efecto de los cambios en la carrera académica y científica de los investigadores sobre la producción individual. Finalmente, se presentarán las aplicaciones de modelos más sofisticados, como el caso de modelos de duración, panel de datos y análisis envolvente de datos (DEA).
II. Objetivo General
Brindar a los estudiantes las herramientas y conceptos básicos para el entendimiento teórico y aplicado de los métodos de medición econométrica que permiten la modelación del comportamiento de los recursos humanos en investigación.
III. Objetivos Específicos
- Familiarizar a los estudiantes con el uso de los conceptos básicos de estadística y econometría utilizados en la modelación empírica del comportamiento de los recursos humanos en investigación
- Presentar las principales técnicas cuantitativas utilizadas para la evaluación de los recursos humanos en ciencia y tecnología y las aplicaciones empíricas más relevantes dentro de la literatura internacional.
- Proveer un tratamiento comprensivo sobre la modelación del comportamiento individual y colectivo de los recursos humanos en ciencia y tecnología, principalmente a través de los modelos de análisis multinivel y variable dependiente limitada.
- Estudiar herramientas teóricas que permitan la elaboración de estudios específicos sobre gestión y evaluación de los recursos humanos dentro de los organismos científicos y tecnológicos
IV. Programa
1. La evaluación de recursos humanos en ciencia y tecnología desde la teoría del capital conocimiento. Supuestos teóricos
Se expondrán los supuestos fundamentales de la medición de recursos humanos en investigación basados en la teoría del capital conocimiento. Haciendo énfasis en la evaluación del tránsito hacia comunidades científicas, el estudio de las carreras académicas de los investigadores y la utilización de la información contenida en los CV como fuente principal para la evaluación de las capacidades científicas y tecnológicas.
Temas a desarrollar
1.1 La medición de los recursos humanos desde la teoría del capital conocimiento.
1.2 Información requerida para el análisis.
1.3 Utilización del los CV2 en los modelos de medición. Ventajas y limitaciones.
2. Introducción al análisis estadístico y econométrico
Se presentarán los principales supuestos de los modelos lineales básicos utilizados en el análisis econométrico, haciendo especial énfasis en:
Temas a desarrollar
2.1 Modelo lineal de regresión múltiple (OLS). Hipótesis, estimación, inferencia y predicción.
2.2 Pruebas de hipótesis.
2.3 Problemas en el incumplimiento de los supuestos: autocorrelación, heteroscedasticidad, multicolinealidad, no linealidad y normalidad.
3. Análisis Multinivel: Modelación del valor agregado
El análisis multinivel es una metodología para el análisis de datos con estructuras complejas de variabilidad, el cual hace énfasis en las fuentes de la variabilidad en cada nivel de agrupación de los datos (estudiantes en aulas, empleados en firmas, investigadores en grupos/instituciones, etc.). De esta manera, se asume que los datos obedecen a una estructura anidada, en la que las observaciones del primer nivel (estudiantes, empleados, investigadores, etc.) se encuentran agrupadas bajos estructuras de mayor jerarquía (escuelas, firmas, grupos/instituciones, etc.).
En este sentido, el reconocimiento de la estructura multinivel permite determinar el aporte que la macro unidad (grupo) y la micro unidad (investigador) vistos separadamente hacen a la explicación de los niveles de variabilidad de la variable dependiente. Y adicionalmente, permite establecer el aporte de las variables que explican las diferencias de los resultados entre y dentro de los grupos.
Este modelo se explica a partir de las relaciones descritas entre el primer nivel condicionado sobre los coeficientes aleatorios del segundo nivel. De esta manera, se estiman los efectos fijos y aleatorios que explican el comportamiento de los individuos y las instituciones. Estos efectos son calculados a partir de las desviaciones aleatorias del término de error. Para este propósito se estudiarán dos tipos de modelos: modelo de efectos fijos (modelo vacío) y modelo de efectos aleatorios. Adicionalmente, se hará énfasis en las aplicaciones empíricas utilizando información sobre recursos humanos en ciencias y tecnología y, principalmente, en la explicación de los niveles de productividad diferenciados en las comunidades científicas.
Temas a desarrollar
3.1 Teorías multinivel, muestras multiestado y modelos multinivel
3.2 Tratamiento estadístico de datos en clúster
3.3 Modelo de efectos fijos
3.4 Modelo de efectos aleatorios
3.5 Aplicaciones.
- Tránsito a comunidades científicas y académicas. Estudio de caso: Programa Jóvenes Investigadores.
- Recursos Humanos en Investigación clínica.
- Recursos Humanos en ciencias básicas biomédicas y salud pública.
Las carreras académicas y científicas de los investigadores representan un conjunto complejo de relaciones, lo que las convierte en trayectorias menos predecibles a las de otros profesionales. Sin embargo, dicha complejidad es una herramienta fundamental para el estudio del valor de conocimiento de una sociedad. De este modo, es posible alejarse de los modelos tradicionales sobre productividad y abordar desde la perspectiva amplia del capital conocimiento la evaluación de los sistemas de ciencia y tecnología (Dietz et al., 2000). Adicionalmente, la reciente literatura empírica a nivel internacional ha comenzado a validar el CV como una fuente de información valiosa para los estudios sobre ciencia y tecnología y, específicamente, en modelos sobre carreras académicas y evaluación de la investigación.
Por tanto, en esta sección del seminario se estudiarán los supuestos fundamentales de los modelos de medición y los resultados de los trabajos empíricos más relevantes sobre carreras académicas utilizando el CV como fuente de información principal. De esta manera, se tendrá especial cuidado en la presentación de las características de la información, el desarrollo conceptual de los estudios, la elección e implementación de los modelos medición y los resultados obtenidos.
Temas a desarrollar
4.1 Introducción a los modelación de carreras académicas
- Modelos de elección discreta.
- Modelos censurados y truncados.
- Modelos de duración
- Método de análisis: Análisis bivariado y mínimos cuadrados ordinarios –MCO–
* Impacto del financiamiento sobre la colaboración y productividad en carreras académicas incipientes (Lee, 2004)
- Método de análisis: Modelos de regresión logística
- Método de análisis: Modelos Tobit y Poisson
* Modelación de carreras académicas en salud: investigación clínica, ciencias básicas biomédicas y salud pública (Jaramillo, et. al 2008a, 2008b)
- Método de análisis: Modelos de duración y Análisis envolvente de datos
* Impacto del financiamiento en investigación en salud Colciencias 1970-2007 (Jaramillo, et.al, en desarrollo).
V. Programación por horas
VI. Metodología del curso
Los temas se desarrollaran de manera conceptual, haciendo énfasis en los supuestos básicos de los modelos de medición y en la implementación empírica de los temas más relevantes desde el punto de vista de la medición de recursos humanos en ciencia y tecnología.
De esta manera, durante las sesiones se llevará a cabo la discusión de los resultados empíricos y la implementación para el caso específico del sistema de ciencia y tecnología argentino y la información contenida en la Plataforma ScienTI. Se requiere un nivel básico de matemáticas y estadística, el cual es usualmente brindado por los cursos metodológicos cuantitativos. Adicionalmente, los estudiantes deben complementar las exposiciones magistrales con la lectura de la bibliografía seleccionada por tema, lo cual incrementará la discusión de los temas analizados.
VII. Evaluación del curso
El propósito de la evaluación es que los estudiantes utilicen las herramientas teóricas del curso para plantear una propuesta de investigación, que no debe exceder 8 páginas (no incluyen bibliografía), sobre un tema de interés en el campo de la medición en ciencia y tecnología. Esta propuesta debe incluir la introducción, objetivos (generales y específicos), revisión del estado del arte del tema a investigar, metodología, resultados esperados, dadas la información disponible y la metodología utilizada, y bibliografía.
VIII. Bibliografía por temas
4. La evaluación de recursos humanos en ciencia y tecnología desde la teoría del capital conocimiento. Supuestos teóricos
Arrow, K.J. (1994) “Methodological Individualism and Social Knowledge”, Richard T. Ely Lecture, Vol. 84, No 2.
Bozeman, B., Dietz, J.S., Gaughan, M. (1999) “Scientific and Technical Human Capital: An Alternative Model for Research Evaluation, paper prepared for presentation at the American Political Science Association”, Septiembre 5, Atlanta, Georgia.
David, P., Foray, D. (2002) “And Introduction to the Economy of the Knowledge”, International Social Science Journal, marzo, No 171, Unesco.
Jaramillo, H, Gutiérrez, B (2004). Interacción entre capital humano, capital social y capital intelectual, en el contexto del nuevo contrato social de la ciencia, Borradores de Investigación No 55, Facultad de Economía, Universidad del Rosario
Dietz, J.S., Chompalov, I., Bozeman, B., Lane, E.O., Park, J. (2000).Using the curriculum vita to study the career paths of scientists and engineers: an exploratory assessment. Scientometrics 49 (3), 419–442
Jaramillo, H., Piñeros, L., Lopera, C., Álvarez, J. M. (2006). “Aprender haciendo. Experiencia de formación de jóvenes investigadores en Colombia”. Colección Textos Economía, Facultad de Economía, Universidad del Rosario, Editorial Rosarista, Primera parte.
Jaramillo, Hernán, Lopera, Carolina y Albán, Maria. “Carreras académicas. Utilización del CV para la modelación de carreras académicas y científicas”. Borradores de Investigación. No. 96, Mayor, 2008. http://ideas.repec.org/p/col/000091/004671.html
Jaramillo, Hernán; Albornoz, Mario [compiladores] (1997) El universo de la medición. La perspectiva de la ciencia y la tecnología, Tercer Mundo Editores, Colciencias -RICyT, Bogotá.
5. Introducción al análisis estadístico y econométrico
Cameron A.C., Trivedi, P.K (2005). Microeconometrics. Methods and Applications. Cambriedge University Press. Capitulos 2 y 7
Wooldridge J.M (2003) Econometric Analysis of Cross Section and Panel Data. The MIT Press. Capitulo 4
6. Análisis Multinivel: Modelación del valor agregado
Burton, P.; Gurrin, L.; Sly, P (1998) “Extending the Simple Linear Regression Model to Account for Correlated Responses: an Introduction to Generalized Estimating Equations and Multilevel Mixed Modelling”, Statistics in Medicine, 17, pp. 1261-1291
Jaramillo, H., Piñeros, L., Lopera, C., Álvarez, J. M. (2006). “Aprender haciendo. Experiencia de formación de jóvenes investigadores en Colombia”. Colección Textos Economía, Facultad de Economía, Universidad del Rosario, Editorial Rosarista, 295 p
Jaramillo, H., Latorre, C., Albán, C., Lopera, C. (2008). “El Hospital como organización de conocimiento y espacio de investigación y formación”. Centro Editorial Rosarista, colección textos Economía, Facultad de Economía, Bogotá.
Jaramillo H, Lopera C. (2008) “Análisis de las comunidades científicas y académicas de las ciencias básicas médicas y de la salud pública en Colombia ¿Una diferencia?” Facultad de Economía, Universidad del Rosario, Mimeo.
Snijders and Bosker (1999). Multilevel Analysis. An introduction to basic and advanced multilevel modeling. SAGE Publications. Capitulos 1 al 5.
7. Modelos de Carreras Académicas
Bonzi, S. (1992). “Trends in research productivity among senior faculty”. Information Processing and Management 28 (1), 111–120.
Bozeman, B., Dietz, J.S., Gaughan, M.(2001). Scientific and technical human capital: an alternative approach to R&D evaluation. International Journal of Technology Management 22 (8), 716–740.
Cameron A.C., Trivedi, P.K (2005). Microeconometrics. Methods and Applications. Cambriedge University Press. Capitulos 14, 15, 16 y 17
Dietz, J.S., Bozeman B (2005). “Academic careers, patents, and productivity: industry experience as scientific and technical human capital”. Research Policy 34, 349–367
Dietz, J.S., Chompalov, I., Bozeman, B., Lane, E.O., Park, J. (2000). “Using the curriculum vita to study the career paths of scientists and engineers: an exploratory assessment”. Scientometrics 49 (3), 419–442.
Jaramillo, H., Piñeros, L., Lopera, C., Álvarez, J. M. (2006). “Aprender haciendo. Experiencia de formación de jóvenes investigadores en Colombia”. Colección Textos Economía, Facultad de Economía, Universidad del Rosario, Editorial Rosarista, 295 p
Jaramillo, H., Latorre, C., Albán, C., Lopera, C. (2008). “El Hospital como organización de conocimiento y espacio de investigación y formación”. Centro Editorial Rosarista, colección textos Economía, Facultad de Economía, Bogotá.
Jaramillo H, Lopera C. (2008) “Análisis de las comunidades científicas y académicas de las ciencias básicas médicas y de la salud pública en Colombia ¿Una diferencia?” Facultad de Economía, Universidad del Rosario, Mimeo.
Lee, S. (2004). What happens after career’s first research grants? Assessing the impact of research grants on collaboration and publishing productivity in the early career of scientists. Working paper
Lee, S., Bozeman, B., (2005). The effects of scientific collaboration on productivity. Social Studies of Science. 35/5(October 2005) 673–702
Wooldridge J.M (2003) Econometric Analysis of Cross Section and Panel Data. The MIT Press. Capitulos 15 y 16
Destinatarios
Directivos y profesionales de las empresas, responsables de departamentos de investigación y desarrollo, de la ejecución de proyectos de innovación o interesados en el desarrollo de la vinculación universidad-empresa. Funcionarios, investigadores, tecnólogos y profesionales de las universidades públicas y privadas, en especial los vinculados con las áreas de gestión de investigación y desarrollo, la dirección de centros de investigación y la provisión de servicios de asistencia técnica y consultoría, entre otros.
Duración: 24 hs. reloj
Cupos limitados - Antes de efectuar el pago, por favor, confirme la disponibilidad de vacantes.
Arancel: $300 (PESOS TRESCIENTOS)
Investigadores de CONICET y alumnos de la Maestría en Gestión de la Ciencia, la Tecnología y la Innovación de la Universidad Nacional de General Sarmiento (UNGS): 15% de descuento.
Para mayor información:
Contactar a Luciana Guglielmo en cursos@caicyt.gov.ar
Saavedra 15 - Piso 1 (C1083ACA) - Ciudad Autónoma de Buenos Aires
Te. (54 11) 4951-6975, 3490 y 4954-5467 - Interno 13
URL: http://www.caicyt.gov.ar/cursos