Version classiqueVersion mobile

Diversidad y heterogeneidad en redes de colaboración científica

 | 
Luis Antonio Orozco Castro

Cuarta parte

Texte intégral

Todo el que ha leído un texto sobre el método científico conoce las relaciones, construidas idealmente, entre la teoría científica y la investigación aplicada. La teoría básica abarca conceptos fundamentales (variables y constantes), postulados, teoremas y leyes. La ciencia aplicada consiste simplemente en discernir: (a) las variables atinentes al problema que se tiene entre manos; (b) los valores de las variables, y (c) las relaciones uniformes entre esas variables, de acuerdo con el conocimiento anterior.
Merton (1977: 151).

La norma técnica de la prueba empírica adecuada y confiable es un requisito para la constante predicción verdadera; la norma técnica de la coherencia lógica es un requisito para la predicción sistemática y válida. Las normas de la ciencia poseen una justificación metodológica, pero son obligatorias, no sólo porque constituyen un procedimiento eficiente, sino también porque se las cree correctas y buenas. Son prescripciones morales tanto como técnicas.
Merton (1977: 358).

Todo discurso con pretensiones científicas sobre el mundo social debe contar con el estado de las representaciones concernientes a la cientificidad y de las normas que debe respetar prácticamente para producir efecto de ciencia, y aspirar a través de ello a la eficacia simbólica y a los beneficios sociales asociados a la conformidad con las formas exteriores de la ciencia.
Bourdieu (1984/2008: 44-45).

I. Metodología

1Esta investigación tiene como objetivo central responder a la pregunta: ¿cuál es la relación de la diversidad y la heterogeneidad de las redes de colaboración científica en el desempeño de las escuelas de administración en América Latina?

2Las hipótesis están desarrolladas en un marco de antecedentes y consecuencias de la diversidad y la heterogeneidad. Respecto de los antecedentes, las hipótesis proponen que las escuelas de administración presentan, de acuerdo con las presiones del entorno institucional, un isomorfismo en el grado de diversidad y heterogeneidad de las redes de colaboración científica. Respecto de las consecuencias, las hipótesis planteadas proponen que la diversidad y la heterogeneidad presentan una relación en forma de U invertida con el desempeño cienciométrico. Respecto de la consecuencia final, la última hipótesis propone que la relación entre el capital científico puro y el capital científico de tipo político presenta un crecimiento exponencial moderado por la diversidad y la heterogeneidad de las redes de colaboración científica que establecen las escuelas de administración de América Latina.

3En esta sección se presentan las fuentes de información, los datos, las definiciones operativas, así como los métodos estadísticos que permiten explorar la pregunta de investigación.

II. Datos

  • 1 Se realizó la siguiente consulta en el isi Web of Knowledge del Thomson Reuters: CU = (Argentina) (...)

4La población está conformada por las escuelas de administración de América Latina que publican en revistas indexadas en las categorías de management y business por el isi Thomson Reuters entre 2006 y 20111. De acuerdo con la imagen 1 presentada en la segunda parte, se puede ver que en el año 2006 se produce un quiebre en la producción científica de forma creciente. Por esta razón se analiza la producción desde 2006. Para definir la muestra se usan las escuelas escalafonadas por AméricaEconomía entre 2006 y 2011, entendiendo que en América Latina se viene consolidando una élite de escuelas de administración, por su trayectoria y resultados (Dávila, 1996; Blanc, 2008), en las que se concentran las capacidades para generar nuevo conocimiento de alta calidad internacional (Gómez y Pérez, 1986; Dávila, 1990, 1991: 27; Gantman, 2008).

5AméricaEconomía es un medio de comunicación reconocido en América Latina por presentar un escalafón de escuelas de administración, de donde se puede obtener una muestra representativa de las escuelas de la región en el campo de la investigación en administración (Blanc, 2008; Gantman, 2008, 2012).

6Por lo tanto, la muestra de esta disertación queda definida por las 55 escuelas de administración que aparecen en el escalafón de AméricaEconomía entre 2006 y 2011. Esta muestra se asemeja a la usada por otros estudios sobre el campo académico de la administración. Es importante recordar que Gordon y Howell reconocieron con ánimo predictivo que en el campo de la investigación en administración “relativamente pocas instituciones líderes serán los centros de investigación y formación avanzada” (Gordon y Howell, 1959: 378). Años más tarde, Porter y McKibbin (1988: 15) tomaron, de las 60 escuelas escalafonadas por BusinessWeek, una muestra de 44 (Byrne, 1995: 341). Para América Latina, Blanc (2008) presenta la información de 40 escuelas del AméricaEconomía en su edición de 2006 como muestra del campo. Finalmente, los estudios del profesor Ernesto Gantman analizan las escuelas de AméricaEconomía en su edición de 2004 (Gantman, 2008) y en su edición de 2010 y 2011 (Gantman, 2012) para un número similar de escuelas, con las que muestra una representación del panorama en investigación en administración en la región.

  • 2 Existen algunas escuelas de México y Brasil que tienen varias sedes que son consideradas por Améri (...)
  • 3 Los 281 son artículos únicos por escuela. 18 artículos fueron publicados en coautoría por dos escu (...)

7Para definir la producción científica de alta calidad internacional se cruzan los resultados de la consulta que determina la población con la lista de revistas del Journal Citation Reports 2006. Se relacionan los artículos resultantes con las escuelas que se encuentran en el escalafón de AméricaEconomía entre 2006 y 2011, verificando las afiliaciones institucionales de cada artículo2, y recogemos información sobre las escuelas que no están en el escalafón, pero que producen conocimiento de alta calidad en administración. En total, se identifican 281 artículos asociados a las 55 escuelas de administración escalafonadas por AméricaEconomía3.

III. Variables

Capital científico puro - KcPuro

  • 4 La acumulación de capital científico puro depende de la publicación y la citación en revistas cien (...)

8El capital científico puro se valora en esta investigación con el número de artículos publicados por las escuelas de administración en revistas indexadas como management o business en el jcr 2006 del isi Thomson4. Esta variable estima el esfuerzo investigativo de las escuelas en los medios de comunicación más prestigiosos internacionalmente. Como se resaltó en el capítulo 1, el conteo del número de artículos es menos restrictivo que el uso de otras medidas cienciométricas como las citaciones, el factor de impacto y el crown indicator.

Capital científico de tipo político-KcPolítico

9Para generar una variable que valore el capital científico de tipo político se realizó un análisis factorial con el número de acreditaciones y la posición promedio de las escuelas de administración en el escalafón de AméricaEconomía entre 2006 y 2011, el cual se detalla en el anexo 1. Con los valores obtenidos en el análisis factorial se define una escala para diferenciar las escuelas y crear grupos homogéneos de acuerdo con el capital científico de orden político en alto, medio y bajo.

Heterogeneidad-H y diversidad-D

10De cada artículo obtenemos los autores, sus afiliaciones y las organizaciones que participan en la investigación, teniendo en cuenta su aparición en la introducción, la metodología y los agradecimientos. Esto asegura que se incluyan otras organizaciones que no aparecen en la afiliación institucional, con el fin de dar coherencia al concepto de campo organizacional presentado en la primera parte.

  • 5 De esta forma, la expresión 1-Σ [nk (nk-1)/(n (n-1))] en un muestreo sin reemplazo puede verse com (...)

11La heterogeneidad se estima a partir del resultado del índice de Blau (1977) que permite tener una variable entre 0 y 1 para un número de categorías k que diferencian a n individuos. El índice fue propuesto por Simpson (1949) con la fórmula 1 - Σ [nk (nk-1)/(n (n-1))] –donde nk es el número de individuos de la categoría k y n es el número total de individuos en la población. Esta fórmula, en la que se controla el número de individuos en cada categoría al dividirse por el máximo valor teórico de individuos de una población, fue reemplazada por Blau (1977: 9) por la expresión: 1 - Σ pk2, donde pk es la proporción del número de individuos en la categoría k-ésima del total de individuos5.

12Entre más cercano a 1 sea el resultado del índice, mayor es la heterogeneidad-diversidad de la población analizada. En este caso etiquetamos las organizaciones de acuerdo con 10 tipos mutuamente excluyentes: 1 = escuela latinoamericana de administración; 2 = otras escuelas y universidades latinoamericanas; 3 = escuelas y universidades no latinoamericanas; 4 = empresas latinoamericanas; 5 = empresas no latinoamericanas; 6 = ongs latinoamericanas; 7 = ongs no latinoamericanas; 8 = entidad estatal o gubernamental latinoamericana; 9 = entidad estatal o gubernamental no latinoamericana; 10 = organización multilateral.

13Para construir la variable diversidad se consultó la información de la página personal de los autores en sus entidades, los datos que aparecen en el artículo y la información de redes sociales en investigación como LinkedIn.com y Academia.com. Con estas fuentes se definió el grado de formación para el componente de separación, la especialidad disciplinar para la variedad y el país donde se tituló el investigador para la disparidad. A continuación se calculó el índice de Blau para cada categoría iésima definida por el conjunto de personas que comparten los tres componentes de la diversidad. Por ejemplo, una categoría está dada por el número de personas con nivel doctoral en administración tituladas en un mismo país.

14Moody (2004: 221) encuentra que la mayoría de trabajos en ciencias sociales responden a coautorías con no más de 8 coautores. Un artículo con una alta coautoría refleja un tipo de colaboración científica en el que los resultados son la agregación del trabajo separado de varios investigadores que participan en grandes proyectos, más que una relación fuerte de construcción conjunta de conocimiento (McFadyen y Cannella, 2004; Shrum et al., 2007; Gonzalez-Brambila, Veloso y Krackhardt, 2008).

  • 6 En el estudio solo aparecen tres artículos con coautorías mayores a 8. En una entrevista que reali (...)

15Gonzalez-Brambila, Veloso y Krackhardt (2008) y Gonzalez-Brambila y Veloso (2007) excluyen en su investigación los artículos con más de 8 coautores; sin embargo, en este estudio, para los artículos con más de 8 coautores, se tienen en cuenta los autores principales y los autores de América Latina con el fin de aprovechar al máximo la información cienciométrica sin presentar sesgos sobre la concepción de la colaboración en redes científicas y su diferencia con otras formas de trabajo colectivo en ciencia6.

16Para la agregación cada escuela de administración presenta un número n de artículos publicados a su nombre. Cada artículo tiene un grado de diversidad y un grado de heterogeneidad que fue calculado como se describió anteriormente. Para calcular el grado de diversidad y de heterogeneidad de una escuela se puede realizar un promedio de los resultados obtenidos para cada uno de los artículos. Por ejemplo, para estimar las variables de una universidad, Shin y Cummings (2010) promedian las variables de cada facultad. Sin embargo, en este problema de investigación resulta importante tener en cuenta el número de actores que entran en interacción, para lo cual es pertinente usar un promedio ponderado, como lo hacen Kao y Pao (2008) en su estudio sobre la producción en administración en 168 universidades de Taiwán para la agregación de información de 1.762 profesores. Así se controla la diversidad a partir del número de coautores, y la heterogeneidad a partir del número de organizaciones que colaboran en cada uno de los artículos. Para la asignación de los pesos que entrarán a multiplicar los resultados de la diversidad se usa la proporción de autores de cada artículo sobre el total de autores de las publicaciones de cada escuela. El mismo procedimiento se realiza para la heterogeneidad.

Variables de control

17La gestión del conocimiento orientada a la creación y acumulación de capital intelectual es una de las actividades distintivas de las universidades en los últimos años (Leitner, 2004; Bucheli, Daza y Villaveces, 2007; Sánchez y Castrillo, 2009). Desde que el economista John Kenneth Galbraith introdujo el término capital intelectual en 1969, hasta su popularización en la década de 1990 gracias a los trabajos de Stewart, Nonaka y Edvinsson y Malone, se ha establecido que la integración entre recursos humanos, relacionales e infraestructurales genera las capacidades necesarias para crear nuevo conocimiento (Serenko y Bontis, 2004).

18La orientación de recursos para la creación de capital humano es la más importante para las organizaciones, definido en este caso por el cuerpo docente de las escuelas. Una planta de profesores, particularmente formados en el nivel doctoral, es la primera inversión que hacen las escuelas para crear capital científico. También las escuelas de administración realizan inversiones en la consecución y mantenimiento de relaciones interorganizacionales, que a través de los convenios de titulación representan un recurso valioso para dinamizar la investigación. Finalmente la antigüedad de la escuela permite valorar su trayectoria en el campo, entendiendo que en su evolución se ha invertido en la creación de un capital infraestructural que facilita la consolidación de los dos capitales anteriormente mencionados. De esta forma el capital humano, el capital relacional y la antigüedad – como indicador del capital infraestructural – representan variables que pueden dar cuenta de las capacidades para crear y acumular capital científico.

  • 7 Para el caso que no reporta un número de convenios asigno el valor de 0. Lo mismo hago para los do (...)

19El escalafón de AméricaEconomía presenta información normalizada sobre el porcentaje de doctores formados en el Norte del total de profesores de planta y el número de convenios de doble titulación que uso como variables de control. El año de fundación de las escuelas lo construí a partir de la información que aparece en sus sitios en internet. De esta forma las variables de control son la proporción de profesores con formación doctoral – % PhD, el número de convenios de doble titulación (cdt) y el año de fundación de la escuela de administración - F7 con los que se puede inferir la capacidad de las escuelas para la creación y acumulación de capital científico.

Tabla 1. Variables y fuentes de información

Variables

Rol en el modelo

Tipo de variable

Fuente de información

KcPuro

Dependiente

Aleatoria discreta

jcr 2006 y scci-Thomson isi

KcPolítico

Independiente

Aleatoria continua

AméricaEconomía 2006-2011

H

Independiente

Aleatoria continua

scci-Thomson isi e Internet

D

Independiente

Aleatoria continua

scci-Thomson isi e Internet

%PhD

Independiente

Aleatoria continua

AméricaEconomía 2006-2011

CDT

Independiente

Aleatoria continua

AméricaEconomía 2006-2011

F

Independiente

Aleatoria continua

Internet, url de la escuela

IV. Métodos

  • 8 De una parte, las políticas de ciencia y tecnología, así como una serie de propuestas normativas d (...)

20De acuerdo con la pregunta de investigación sobre cuál es el rol que juegan la diversidad y la heterogeneidad en la creación de capital científico, enmarcada en un problema de investigación que muestra fuerzas institucionales opuestas sobre la promoción de la integración de diferencias individuales y organizacionales para la investigación8, no existe un método de investigación establecido.

21Como se presentó en la introducción, hay una extensa literatura sobre la colaboración científica. Sin embargo, son escasos los estudios que analizan la colaboración científica en el campo de la investigación en administración (Amabile et al., 2001: 430; Acedo et al., 2006: 979), en especial para los países de América Latina (Malaver, 2006; Gantman, 2008, 2010), donde priman proposiciones normativas y argumentaciones deontológicas en relación con el rol de las redes de colaboración científica y el desempeño investigativo (Dávila, 1989, 1990, 1991).

22Esto presenta un problema pero también una oportunidad para explorar las relaciones entre las variables propuestas en la figura 1, combinando diferentes técnicas estadísticas para ampliar los métodos usados para este tipo de problemas de investigación.

23Inspirado en la epistemología de Feyerabend (1975), propongo el uso de diferentes técnicas de análisis multivariado, presentadas en el libro de Hair, Anderson, Tatham y Black (2006), para evaluar por varias vías las relaciones presentadas en el modelo de relaciones de la figura 1 de la tercera parte de este libro.

24Para explorar las hipótesis 1 y 3 se usó el análisis de redes neuronales, el análisis de conglomerados, el análisis discriminante y las gráficas de análisis de cercanías, consideradas como técnicas complementarias para evaluar la importancia de las variables independientes frente a las variables dependientes y diferenciar las observaciones a partir del comportamiento de las variables independientes (Hair et al., 2006: 721). Con estas técnicas estadísticas se examina si la diversidad y la heterogeneidad presentan comportamientos similares, de acuerdo con su capital científico de tipo político y puro, o, por el contrario, son variables que pueden diferenciar las escuelas.

  • 9 Y que son relevantes para justificar la dispersión en los modelos lineales generalizados que usan (...)

25El análisis de redes neuronales es una técnica de minería de datos que puede tratar, de forma inicial, los problemas que se analizan con las técnicas de regresión múltiple, análisis discriminante y análisis de conglomerados, que buscan la separación y clasificación de las observaciones de acuerdo con las variables de interés. Las redes neuronales se basan en un proceso de interacción y aprendizaje en el relacionamiento de las variables independientes y dependientes sin importar los supuestos de las técnicas multivariantes anteriormente mencionadas. La red neuronal presenta la ordenación de tres tipos de nodos o capas: los nodos de entrada, los nodos intermedios y los nodos de salida. Los nodos intermedios o capas recogen la varianza de las relaciones no lineales entre las variables independientes y dependientes de forma conjunta, reflejando la existencia de variables latentes no observadas en los modelos iniciales9.

  • 10 spss (sf). spss Neural Networks 17.0. Documento.

26Con esta técnica es posible evaluar la importancia de las variables independientes en su covariación relacionada con la variable dependiente, identificando las que mejor predicen y se comportan proporcionalmente con la variable a explicar. Con el análisis de importancia que ofrece el paquete estadístico spss para las redes neuronales de percepción multicapa, disponemos de una primera valoración sobre el comportamiento de las variables independientes en relación con la variable dependiente. Entre mayor importancia presente la variable independiente se deduce que existe una conexión sistemática con la variable dependiente, permitiendo identificar las variables que más ayudan a la predicción de los modelos (spss, sf)10.

  • 11 dE(P1, P2 = √(x2-x1)2 - (y2-y1)2

27El análisis de conglomerados complementa el análisis de redes neuronales para evaluar, a partir de las medias, la agrupación de la variable independiente en relación con las variables dependientes. El análisis de conglomerados de medias usa la distancia euclidiana11 para separar las observaciones más disímiles y agrupar las que tienen mayor similitud (Hair et al., 2006). Con esta técnica se puede establecer la generación de conglomerados que agrupen las observaciones con medias altas y que se diferencien de las observaciones con medias bajas, esperando ver si las medias de la diversidad y la heterogeneidad en los conglomerados son similares o diferentes de acuerdo con el análisis Anova que evalúa la diferencia entre las medias de las variables entre los conglomerados.

28Posteriormente se realiza un análisis discriminante. Esta técnica estadística permite identificar las variables que discriminan o diferencian las observaciones, en este caso las escuelas, separándolas de acuerdo con los valores observados de las variables de interés (Hair et al., 2006). Esta técnica permite confirmar los resultados obtenidos con los procedimientos anteriores para evaluar si la diversidad y la heterogeneidad presentan comportamientos similares o diferentes en la medida que aumentan el capital científico de tipo político y el capital científico puro.

  • 12 ibm spss Statistics 19. Brief Guide (s.f.).

29El análisis discriminante se basa en la creación de unas medidas llamadas centroides, que resultan de la función discriminante de Fisher, incluida en el paquete estadístico SPSS, y que calcula, de forma similar a la distancia euclidiana, las puntuaciones medias para cada división de la muestra. El procedimiento compara los cálculos de las cargas discriminantes obtenidas para cada una de las variables con los centroides, permitiendo identificar cuáles son las variables que diferencian mejor las observaciones. En este caso se evalúan las cargas discriminantes de cada variable, teniendo como punto de discriminación valores mayores a 0,30 (Hair et al., 2006: 296), con el fin de identificar las variables que presentan comportamientos muy diferentes entre las observaciones. Esto es, que las variables con cargas superiores a 0,30 presentan diferentes comportamientos entre las escuelas de acuerdo con la variable dependiente. Finalmente, se crean las gráficas de cercanías entre las variables para apreciar mejor los resultados explorados con las técnicas anteriores. Las gráficas de cercanías ubican las observaciones de acuerdo con sus similitudes conjuntas con otros casos, evaluando el patrón de los casos en conjunto sin necesidad de evaluar las relaciones proporcionales o de correspondencia de los análisis de regresión (spss, sf)12.

30Para explorar las hipótesis 2,4 y 5 es necesario emplear una técnica de regresión que permita evaluar las relaciones entre las variables, a partir de los valores estimados para el KcPolítico, D y H. En la tabla 1 del Anexo 2 se presenta la prueba básica de normalidad de Kolmogorov-Smirnov para la variable dependiente, resulta que no es posible aplicar la técnica de regresión lineal basada en el cálculo de mínimos cuadrados ordinarios. Dado que la variable dependiente es el conteo de las publicaciones de las escuelas, los modelos lineales generalizados que usan la distribución de Poisson y la distribución binomial negativa son los más apropiados (Grimm, 1970; Lawless, 1987; Land, McCall y Nagin, 1996; Cameron y Trivedi, 1998; Manjarrés, 2009).

31Para identificar el tipo de regresión que se puede usar, primero se analiza que la variable dependiente se distribuya efectivamente como Poisson, lo cual se verifica con el histograma de frecuencias que se presenta a continuación.

Gráfico 1. Histograma de frecuencias de la variable dependiente

Gráfico 1. Histograma de frecuencias de la variable dependiente

32El gráfico 1 muestra una distribución que se asemeja a la distribución de Poisson (Land et al., 1996: 391), pero es necesario evaluar la sobredispersión, esto es, que la media sea igual a un coeficiente λ y que la varianza sea también igual a λ (Cameron y Trivedi, 1998). Por lo tanto, para que una variable x se distribuya como una Poisson se debe satisfacer la siguiente condición: E (x) = Varianza (x) = λ. Si se presenta esta condición, entonces el coeficiente de variación-CV debe ser igual a la unidad. El coeficiente de variación se estima de la siguiente manera:

33CV = Desviación estándar (x)/E(x)

34En este caso, el coeficiente de variación se puede calcular con los siguientes datos que se muestran en la tabla 2 del capítulo 3: media = 4.73 y desviación estándar = 7.457. El resultado para CV es de 1.57, lo cual significa que no es aconsejable usar una regresión de Poisson, ya que se evidencia la presencia de sobredispersión, o una varianza mayor a la media. De esta forma es necesario usar la regresión binomial negativa (Cameron y Trivedi, 1998).

35De acuerdo con Land et al. (1996: 394), la regresión binomial negativa fue propuesta por Greenwood y Yule (1920) para evaluar la predisposición a los accidentes, entendiendo que no todos los individuos tienen la misma tasa media de accidentalidad debido a características no observadas. La regresión binomial negativa permite evaluar la ocurrencia de un evento luego de varios ensayos previos a partir de una probabilidad fija establecida por la razón entre el número de éxitos y el total de ensayos.

36Esta regresión se empezó a aplicar a una gran serie de problemas en las ciencias sociales (Land et al., 1996). Se ha utilizado con la idea de que un éxito en varios ensayos aumenta la posibilidad de tener más éxitos en el futuro, esto es, el éxito después de varios ensayos supone que se irán presentando nuevos éxitos en la medida en que se aumenten los ensayos. También está presente la idea de que existen dificultades para obtener éxitos, por lo que es necesario un determinado número de ensayos.

37Finalmente, esta técnica tiene implícita la idea de que las observaciones o los individuos tienen diferentes posibilidades de obtener un éxito dado un número determinado de ensayos, de acuerdo con sus características tanto observadas –y que son tenidas en cuenta como variables en los modelos de regresión – como no observadas y omitidas en los análisis (Land et al., 1996; McCullagh y Nelder, 1989; Cameron y Trivedi, 1998), que también se pueden evidenciar en las capas latentes del análisis de redes neuronales.

38El uso de la regresión binomial negativa para evaluar el conteo de las publicaciones científicas se ha vuelto muy común en la literatura (Grimm, 1970; Gantman, 2008; Manjarrés, 2009), incluyendo los estudios sobre la producción científica en administración en América Latina (Gantman, 2008). Dado que la variable dependiente presenta sobredispersión y se tiene un número considerable de ceros, se presentan 8 modelos con la regresión binomial negativa para analizar los efectos del capital científico de tipo político, la diversidad y la heterogeneidad, usando como variables de control las características de las escuelas, a fin de evaluar las relaciones propuestas en las hipótesis de esta investigación.

39La lógica en la regresión binomial negativa es la siguiente: la evaluación realizada está planteada para el campo organizacional de las escuelas de administración, por lo que cada escuela representa un ensayo con un número asociado de éxitos o publicaciones. La probabilidad fija para el campo está dada por la razón entre el número de escuelas y el total de artículos del campo.

40Para estimar el modelo de regresión binomial negativa se debe partir del siguiente modelo (Land et al., 1996: 391-192, citando a Parzen, 1960, y Johnson y Kotz, 1969).

41Donde x es el número de casos k realizados antes de lograr el r ésimo éxito y n es el número de eventos o de escuelas. Por lo tanto, el número de pruebas x en las que se obtiene el primer éxito estaría dado por k + r.

42En esta distribución la media μ y la desviación estándar σ2 está dada por:

43La estimación de las variables β se hace por un método iterativo numérico de máxima verosimilitud para una variable dependiente con distribución binomial negativa, para la que también se estima un parámetro de dispersión α que resulta de la diferencia entre la varianza y la media, y que refleja las características no observadas cuando tiene un valor mayor a 0 (Lawless, 1987). A continuación se presentan las ecuaciones de la regresión binomial negativa en la que se realiza la estimación de los parámetros de las variables por el método de máxima verosimilitud (Lawless, 1987: 210):

44Donde y es la variable dependiente, x es la variable independiente, α es el parámetro de dispersión, μ es la media de x y Г denota la función gamma.

45La función de verosimilitud es:

46Que puede expresarse por la transformación logarítmica en la siguiente ecuación de regresión (Ismail y Jemain, 2007: 109):

47La solución desarrollada por el método de estimación de máxima verosimilitud es un proceso en el que se estima α y β de forma simultánea en iteraciones secuenciales (Ismail y Jemain, 2007: 109). En la primera secuencia se usa un valor de α = 0 y la función L(β,α) se maximiza con respecto a β, generando β1 a partir de la primera derivada de la función con respecto a β. En la segunda secuencia se usa β 1 como parámetro fijo y la función L(β,α) se maximiza con respecto a α, produciendo α1. Las maximizaciones se hacen con el cálculo de la primera derivada de la función igualándola a 0. La iteración evalúa las soluciones tentativas repitiendo los cálculos hasta obtener la solución mejor ajustada a la convergencia de los datos y las variables que se usan en la regresión (Lawless, 1987; Ismail y Jemain, 2007). Lo anterior se hace para una variable, por lo que, en presencia de más variables, la ecuación se resuelve en una sumatoria de los resultados para cada variable.

48Los β se interpretan como los efectos parciales de las variables independientes sobre la variable dependiente. De esta manera, lo que se busca es observar el signo y la significancia estadística de cada una de las variables independientes en la explicación de la variable dependiente. Por ejemplo, si el coeficiente de regresión correspondiente a la variable xi, que se que es βi el, es positivo y significativo, entonces esto se debe interpretar de la siguiente manera: un aumento en la variable independiente xi se relaciona con el aumento de ocurrencia del fenómeno de interés. Por ejemplo, si x es 1, el valor espera de y es del estimador β (Lawless, 1987; Land et al., 1996). En Orozco y Villaveces (2015) se presenta un análisis econométrico más detallado.

49Volviendo a las hipótesis 2 y 4 en las que buscamos una relación de U invertida –cóncava– entre el capital científico puro y la diversidad y heterogeneidad respectivamente, se debe incluir en los modelos la diversidad y la heterogeneidad al cuadrado (Wooldridge, 2002: 68), esperando que el valor estimado sea negativo. La hipótesis 5 se evalúa usando la interacción entre D y H que resulta de su producto (Wooldridge, 2002: 190). Si el estimador de KcPolítico cambia en la regresión con la interacción, siendo esta significativa, se puede deducir un efecto moderador (Frazier, Tix y Barron, 2004). Finalmente, usamos los gráficos de estimación curvilínea en los que se presenta una regresión simple que permite evaluar el tipo de relación entre las variables para complementar los resultados observados con esta técnica de regresión de una forma gráfica.

Notes

1 Se realizó la siguiente consulta en el isi Web of Knowledge del Thomson Reuters: CU = (Argentina) OR CU = (Bolivia) OR CU = (Brazil) OR CU = (Colombia) OR CU = (Costa Rica) OR CU = (Chile) OR CU = (Cuba) OR CU = (Ecuador) OR CU = (El Salvador) OR CU = (Guatemala) OR CU = (Honduras) OR CU = (México) OR CU = (Nicaragua) OR CU = (Panama) OR CU = (Paraguay) OR CU = (Peru) OR CU = (Puerto Rico) OR CU = (Republica Dominicana) OR CU = (Uruguay) OR CU = (Venezuela). Refined by: Subject Areas = (management or business). Timespan = 2006-2011. Databases = scci.

2 Existen algunas escuelas de México y Brasil que tienen varias sedes que son consideradas por AméricaEconomía por separado en su escalafón. En contadas ocasiones los artículos muestran a cuál sede se le atribuye el producto. Por esta razón se usa la información promedio entre las dos sedes de acuerdo con los datos de AméricaEconomía y se adjudica la producción que aparece en la consulta a su nombre.

3 Los 281 son artículos únicos por escuela. 18 artículos fueron publicados en coautoría por dos escuelas y 1 por tres escuelas de América Latina. Esto significa que el total de artículos únicos de las escuelas para la muestra es de 262.

4 La acumulación de capital científico puro depende de la publicación y la citación en revistas científicas de reconocido prestigio, que generalmente se encuentran en sistemas de indexación y resumen de revistas. Estos sistemas son un buen punto de partida para delimitar la producción que puede ser estudiada como científica, de acuerdo con las concepciones del campo y la institución de la ciencia expuestas anteriormente. Existe una gran variedad de sistemas de indexación y resumen en el mundo, así como organizaciones que brindan información para realizar mediciones bibliométricas, entre los que se encuentran Publindex, Redalyc y Scielo en América Latina, Scopus y Scimago en Europa, y Google Scholar e isi Thomson en Estados Unidos. Pero, como argumenta Leydesdorff (2009), los criterios de selección y medición que aseguren la calidad de la información incluida en los diversos sistemas de información científica son aún objeto de un amplio debate. La calidad de un artículo científico depende de que sea evaluado por pares y de que, a su vez, la revista en la que circula también sea evaluada con criterios de calidad editorial para ser indizada. Así mismo, la importancia de una revista y de un artículo depende de las citaciones que se reciben. Uno de los medios más aceptados para estudiar la publicación en sus estancias de arbitramento, circulación en la comunidad científica y citación como reconocimiento de la importancia de su contenido, es el uso de las bases de datos del antiguo Institute of Scientific Information - isi (Merton, 1977; Bourdieu, 2003; Garfield, 2004, 2009). El isi Web of Knowledge y sus Citation Index, pioneros en el mundo, son la fuente de información científica más importante desde hace más de 50 años (Cronin y Atkins, 2000). Rafols, Porter y Leydesdorff (2010: 14) reconocen que, si bien hay ventajas y desventajas de acuerdo a la fuente de información usada para realizar estudios cienciométricos, la información del isi Thomson Reuters es la más adecuada para la realización de estudios que desarrollen un panorama sobre las dinámicas de la ciencia en el nivel internacional. Los productos de isi Thomson Reuters, como el isi Web of Knowledge y el Journal Citation Reports, permiten delimitar la producción científica de alta calidad internacional garantizada por un sistema de indexación estricto en la evaluación y control de calidad de las revistas científicas con revisión de pares (Cronin y Atkins, 2000).

5 De esta forma, la expresión 1-Σ [nk (nk-1)/(n (n-1))] en un muestreo sin reemplazo puede verse como Σ [(nk/n) ((nk-1)/n-1))], que, si 1 <<nk, entonces es igual a Σ [(nk/n). (nk/n)]; y si hacemos pk = (nk/n), entonces el índice se puede expresar como 1-Σ pk2. El 1 que resta la sumatoria se explica porque si se tiene una sola categoría, la sumatoria da 1, por tanto la heterogeneidad/diversidad es 0. Para una detallada explicación del índice original, cfr. Simpson (1949).

6 En el estudio solo aparecen tres artículos con coautorías mayores a 8. En una entrevista que realicé al profesor Jaime Ruiz, de la Universidad de los Andes (Colombia), quien es coautor de dos artículos con más de 8 coautores, indagamos sobre la creación de relaciones fuertes en el grupo. El profesor reveló que trabaja muy de cerca con sus colegas latinoamericanos y que mantiene una relación constante con los coautores de primera línea en los artículos, ya que ellos lideran la investigación, no así con el resto de coautores.

7 Para el caso que no reporta un número de convenios asigno el valor de 0. Lo mismo hago para los dos casos que no reportan el porcentaje de doctores de la escuela.

8 De una parte, las políticas de ciencia y tecnología, así como una serie de propuestas normativas de autores y organizaciones, animan y promueven la generación de redes diversas y heterogéneas, con la idea de que la integración de diferencias mejora las capacidades de hacer aportes relevantes para el avance de la ciencia. De otra parte, el campo de la administración, a través de sus revistas, ha mostrado una tendencia a generar una identidad para su disciplina, presionando por la homogeneidad; al mismo tiempo que se reconoce que el establecimiento de relaciones entre diferentes investigadores y diferentes tipos de organizaciones representa un problema de manejo de redes que se explica por el aumento de los costos de transacción, así como los problemas de entendimiento epistemológico, haciendo que sea más fácil establecer redes con baja diversidad y heterogeneidad para generar resultados en investigación.

9 Y que son relevantes para justificar la dispersión en los modelos lineales generalizados que usan la distribución binomial negativa que se expone más adelante.

10 spss (sf). spss Neural Networks 17.0. Documento.

11 dE(P1, P2 = √(x2-x1)2 - (y2-y1)2

12 ibm spss Statistics 19. Brief Guide (s.f.).

© Universidad externado de Colombia, 2015

Conditions d’utilisation : http://www.openedition.org/6540

Acheter

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search