Innovación en evaluación longitudinal de percepciones económicas en universidades
DOI:
https://doi.org/10.55965/setp.6.12.a1Palabras clave:
evaluación longitudinal, percepciones económicas, estatus socioeconómico subjetivo, modelado de curva de crecimiento latente, objetivos de desarrollo sostenibleResumen
Contexto. La percepción de inflación (INF) y el estatus socioeconómico subjetivo (PSS) influyen en la experiencia de los estudiantes universitarios en escenarios de volatilidad económica.
Problema. La mayoría de las investigaciones se basan en diseños transversales, lo que restringe la comprensión de las dinámicas temporales y de las trayectorias individuales de cambio. ¿Cómo evolucionan longitudinalmente estos constructos en estudiantes universitarios y de qué manera el nivel socioeconómico objetivo (SES) condiciona sus trayectorias?
Objetivo. El presente estudio examina la dinámica temporal de la INF y el PSS mediante un modelo de crecimiento latente paralelo, aportando conocimiento multidisciplinario en consonancia con el Manual de Oslo de la OCDE y con los Objetivos de Desarrollo Sostenible 4 y 10.
Metodología. Se llevó a cabo un estudio longitudinal durante el semestre enero-junio de 2026 en la Universidad Autónoma de Aguascalientes (UAA), México, con 500 estudiantes universitarios durante 16 semanas (cinco olas). Se estimó un Modelo Condicional de Curva de Crecimiento Latente Paralelo (MLR, FIML), incorporando el SES como predictor exógeno de interceptos y pendientes.
Hallazgos. Teóricos (Scientia): La INF mostró un incremento lineal: μₛ = 0.658, p < .001; mientras que el PSS presentó un decrecimiento: μₛ = -0.862, p < .001; con variabilidad significativa en ambas pendientes: σ² = 0.038 (INF) y σ² = 0.045 (PSS). El SES se asoció positivamente con el nivel basal de PSS: β = 0.710, p < .001; pero, de manera paradójica, predijo negativamente su pendiente: β = -0.105, p = .002. El modelo alcanzó un ajuste marginal: CFI = 0.945, TLI = 0.938, RMSEA = 0.066 (IC90%: 0.059–0.073), SRMR = 0.050. El SES explicó el 50.4% de la varianza inicial del PSS (R² = 0.504), pero solo el 8.2% de su pendiente (R² = 0.082). Hallazgo práctico (Praxis): Los resultados permitieron orientar un monitoreo longitudinal y apoyos diferenciados según las trayectorias de percepción económica y estatus socioeconómico de los estudiantes.
Originalidad. La investigación articula la psicología económica, la econometría longitudinal y la política educativa mediante una innovación metodológica basada en un LGCM paralelo; la aplicación de un método longitudinal de seguimiento y análisis se alinea con los lineamientos de innovación de proceso del Manual de Oslo.
Conclusiones y limitaciones. El modelo presenta ajuste marginal, lo que sugiere la necesidad de incorporar covariables dinámicas en futuros estudios multidisciplinarios.
Descargas
Citas
Barenca-Sotelo, C. U., Maciel-Arellano, M. R., & Larios-Rosillo, V. M. (2026). Toward a sustainable innovation in the faculty evaluation process: A systematic review of AI, data science, and NLP applications in higher education. Scientia et PRAXIS, 6(11). https://doi.org/10.55965/setp.6.11.a1 DOI: https://doi.org/10.55965/setp.6.11.a1
Bruine de Bruin, W., van der Klaauw, W., & Topa, G. (2011). Expectations of inflation: The biasing effect of thoughts about specific prices. Journal of Economic Psychology, 32(5), 834-845. https://doi.org/10.1016/j.joep.2011.07.002 DOI: https://doi.org/10.1016/j.joep.2011.07.002
Chen, F. F. (2007). Sensitivity of goodness of fit indexes to lack of measurement invariance. Structural Equation Modeling, 14(3), 464-504. https://doi.org/10.1080/10705510701301834 DOI: https://doi.org/10.1080/10705510701301834
Cheung, G. W., & Rensvold, R. B. (2002). Evaluating goodness-of-fit indexes for testing measurement invariance. Structural Equation Modeling, 9(2), 233-255. https://doi.org/10.1207/S15328007SEM0902_5 DOI: https://doi.org/10.1207/S15328007SEM0902_5
Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Routledge. https://doi.org/10.4324/9780203771587 DOI: https://doi.org/10.4324/9780203771587
Coibion, O., Gorodnichenko, Y., & Weber, M. (2023). Monetary policy communications and their effects on household inflation expectations. Journal of Political Economy, 131(1), 153-207. https://doi.org/10.1086/720982 DOI: https://doi.org/10.1086/720982
D'Acunto, F., Malmendier, U., & Weber, M. (2019). What do the data tell us about inflation expectations? Journal of Economic Perspectives, 33(3), 199-228. https://doi.org/10.1257/jep.33.3.199
D'Acunto, F., Malmendier, U., & Weber, M. (2021). Gender roles produce divergent economic expectations. Proceedings of the National Academy of Sciences, 118(21), e2008534118. https://doi.org/10.1073/pnas.2008534118 DOI: https://doi.org/10.1073/pnas.2008534118
Loeb, E., & Hurd, N. M. (2019). Subjective Social Status, Perceived Academic Competence, and Academic Achievement Among Underrepresented Students. Journal of College Student Retention: Research, Theory & Practice, 21(2), 150–165. https://doi.org/10.1177/1521025117696821 DOI: https://doi.org/10.1177/1521025117696821
Di Tella, R., Haisken-De New, J., & MacCulloch, R. (2010). Happiness adaptation to income and to status in an individual panel. Journal of Economic Behavior & Organization, 76(3), 834–852. https://doi.org/10.1016/j.jebo.2010.09.016 DOI: https://doi.org/10.1016/j.jebo.2010.09.016
Hernández-Rodríguez, T. M., & Mora-Pérez, C. O. (2026). Gender, culture of peace and citizen participation as evidence-based social innovation for sustainable urban governance. Scientia et PRAXIS, 6(11). https://doi.org/10.55965/setp.6.11.a3 DOI: https://doi.org/10.55965/setp.6.11.a3
Jorgensen, T. D., Pornprasertmanit, S., Schoemann, A. M., & Rosseel, Y. (2022). semTools: Useful tools for structural equation modeling (R package version 0.5-6). https://CRAN.R-project.org/package=semTools
Lilly, K. J., Sibley, C. G., & Osborne, D. (2023). Examining the between- and within-person effects of relative deprivation: Results from a 7-year longitudinal panel sample. European Journal of Social Psychology, 53(3), 435–449. https://doi.org/10.1002/ejsp.2913 DOI: https://doi.org/10.1002/ejsp.2913
Little, R. J. A. (1988). A test of missing completely at random for multivariate data with missing values. Journal of the American Statistical Association, 83(404), 1198-1202. https://doi.org/10.1080/01621459.1988.10478722 DOI: https://doi.org/10.1080/01621459.1988.10478722
Matthews, K. A., & Gallo, L. C. (2011). Psychological Perspectives on Pathways Linking Socioeconomic Status and Physical Health. Annual Review of Psychology, 62, 501–530. https://doi.org/10.1146/annurev.psych.031809.130711 DOI: https://doi.org/10.1146/annurev.psych.031809.130711
McNeish, D. (2020). Should We Use F-Tests for Model Fit Instead of Chi-Square in Overidentified Structural Equation Models? Organizational Research Methods, 23(3), 487–510. https://doi.org/10.1177/1094428118809495 DOI: https://doi.org/10.1177/1094428118809495
Murillo-López, F. J. (2026). Emotions and machine learning in innovation within Mexico's sustainable used-vehicle market. Scientia et PRAXIS, 6(11). https://doi.org/10.55965/setp.6.11.a2 DOI: https://doi.org/10.55965/setp.6.11.a2
Navarro-Carrillo, G., Alonso-Ferres, M., Moya, M., & Valor-Segura, I. (2020). Socioeconomic status and psychological well-being: Revisiting the role of subjective socioeconomic status. Frontiers in Psychology, 11, 1303. https://doi.org/10.3389/fpsyg.2020.01303 DOI: https://doi.org/10.3389/fpsyg.2020.01303
OECD/Eurostat. (2018). Oslo Manual 2018: Guidelines for collecting, reporting and using data on innovation (4th ed.). OECD Publishing. https://doi.org/10.1787/9789264304604-en DOI: https://doi.org/10.1787/9789264304604-en
Pettigrew, T. F. (2016). In pursuit of three theories: Authoritarianism, relative deprivation, and intergroup contact. Annual Review of Psychology, 67, 1–21. https://doi.org/10.1146/annurev-psych-122414-033327 DOI: https://doi.org/10.1146/annurev-psych-122414-033327
Quon, E. C., & McGrath, J. J. (2014). Subjective socioeconomic status and adolescent health: A meta-analysis. Health Psychology, 33(5), 433–447. https://doi.org/10.1037/a0033716 DOI: https://doi.org/10.1037/a0033716
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Rosseel, Y. (2012). lavaan: An R Package for Structural Equation Modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02 DOI: https://doi.org/10.18637/jss.v048.i02
United Nations. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). United Nations. https://sdgs.un.org/2030agenda
Weber, M., D'Acunto, F., Gorodnichenko, Y., & Coibion, O. (2022). The subjective inflation expectations of households. Journal of Economic Perspectives, 60(3), 829-873. https://doi.org/10.1257/jep.36.3.157 DOI: https://doi.org/10.1257/jep.36.3.157
West, S. G., Wu, W., McNeish, D., & Savord, A. (2023). Model fit in structural equation modeling. In R. H. Hoyle (Ed.), Handbook of structural equation modeling (2nd ed., pp. 184–202). Guilford Press.
Yusoff, M. S. B. (2019). ABC of content validation and content validity index calculation. Education in Medicine Journal, 11(2), 49–54. https://doi.org/10.21315/eimj2019.11.2.6 DOI: https://doi.org/10.21315/eimj2019.11.2.6
Zell, E., Strickhouser, J. E., & Krizan, Z. (2018). Subjective social status and health: A meta-analysis of community and student samples. Health Psychology, 37(10), 945-956. https://doi.org/10.1037/hea0000667 DOI: https://doi.org/10.1037/hea0000667
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Francisco Jacobo Murillo-López, Oyuki María A. Calvillo-Félix
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
