Analysis of the causes of dropouting a bachelor's degree in basic education

Predicción de activos financieros usando modelos ARIMA y Redes Neuronales Autorregresivas

The research aims to analyze the causes of desertion of students of the Bachelor of Basic Education with emphasis on Mathematics, Humanities and Spanish Language. The research design is framed in the mixed approach descriptive non-experimental, since it accounts for the causes of student dropout in the referred period and implicitly of the consequences. The causes of student dropout were analyzed by semesters and years, taking academic and non-academic causes as a starting point. Undergraduate students drop out of the program with the highest percentage according to statistical reference and classification of academic and non-academic causes of connotation to student regulations.

1. W. D. Lopera Hernández, Comparación de metodologías basadas en una red neuronal artificial y un modelo GARCH para el pronóstico de la volatilidad del precio de las acciones cotizados en la BVC, Tesis de Maestría, Universidad Nacional de Colombia, Medellín, Colombia, 2023. [En línea]. Disponible en: https://repositorio.unal.edu.co/handle/unal/84122
2. N. F. Carrillo Sandoval, J. A. Gómez Rodríguez y J. C. Guerrero González, Los factores Delta y Gamma en las opciones financieras, como medida de riesgo en el mercado accionario colombiano, Tesis de pregrado, Universidad Piloto de Colombia, Bogotá, Colombia, 2015.
3. D. Božanić, A. Ranđelović, M. Radovanović, y D. Tešić, "A hybrid LBWA-IR-MAIRCA multi-criteria decision-making model for determination of constructive elements of weapons," Facta Universitatis, Series: Mechanical Engineering, vol. 18, no. 3, pp. 399–418, 2020, doi: 10.22190/FUME200528033B.
4. B. Rodriguez-Satizabal, "Only one way to raise capital? Colombian business groups and the dawn of internal markets," in Varieties of Capitalism Over Time, Routledge, 2022, pp. 133–154, doi: 10.1080/00076791.2020.1796973.
5. A. Fournies, Modelos ARMA y Box and Jenkins, Universidad Técnica Federico Santa María, Chile, 2015. doi: 10.13140/RG.2.1.2907.0883.
6. E. Uriel y A. Peiró, Introducción al análisis de series temporales. Madrid, España: Paraninfo, 2000.
7. P. Rodó, "Agrupaciones de volatilidad," Economipedia, 2019. [En línea]. Disponible en: https://economipedia.com/definiciones/agrupaciones-de-volatilidad.htmlEconomipedia
8. W. Bao, Y. Cao, Y. Yang, H. Che, J. Huang y S. Wen, "Data-driven stock forecasting models based on neural networks: A review," Information Fusion, Art. no. 102616, 2024, doi: 10.1016/j.inffus.2024.102616.
9. F. Villada, N. Muñoz y E. García, "Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores," Información Tecnológica, vol. 23, no. 4, pp. 11–20, 2012, doi: 10.4067/S0718-07642012000400003.
10. J. Murillo S., Á. Trejos y P. Carvajal Olaya, "Estudio del pronóstico de la demanda de energía eléctrica, utilizando modelos de series de tiempo," Scientia et Technica, vol. 3, núm. 23, pp. 37–42, 2003.
11. E. L. Gómez-Ramos, F. Venegas-Martínez y H. Allier-Campuzano, "Análisis comparativo entre modelos GARCH y redes neuronales en el pronóstico de los índices bursátiles IPC y Dow Jones," Eseconomía: Revista de Estudios Económicos, Tecnológicos y Sociales del Mundo Contemporáneo, vol. 6, núm. 32, pp. 3–22, 2011.
12. E. Raffo Lecca, L. Ráez Guevara y C. Quispe Atúncar, "Aplicación de la metodología GARCH al precio de cierre en la Bolsa de Valores de Lima," Industrial Data, vol. 15, núm. 2, pp. 96–105, 2012, doi: 10.15381/idata.v15i2.6377.
13. E. L. Taylor-Conto y R. A. Conto-López, "Comportamiento de la UVR en el largo plazo," Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, vol. 24, núm. 1, pp. 21–34, 2023, doi: 10.24310/recta.24.1.2023.19860.
14. L. Y. Zapata Rodríguez, M. Medina Jiménez y R. A. Conto López, "Pronóstico de tasas USD/COP y EUR/COP mediante diferentes técnicas," Revista Ingeniería, Matemáticas y Ciencias de la Información, vol. 11, núm. 22, pp. 55–62, jul.–dic. 2024, doi: 10.21017/rimci.1077.