Análisis de covarianza (ANCOVA) en la tesis: supuesto de pendientes homogéneas, medias ajustadas e interpretación en SPSS (2026)
El análisis de covarianza (ANCOVA) es una de las extensiones del ANOVA más utilizadas en ciencias sociales, psicología, ciencias de la salud y educación, y sin embargo uno de los más malinterpretados en el trabajo fin de grado y la tesis doctoral. La razón es sencilla: muchos investigadores lo aplican sin verificar su supuesto más crítico, el de la homogeneidad de las pendientes de regresión, lo que puede convertir unos resultados aparentemente limpios en una conclusión estadísticamente inválida.
Este artículo explica qué es el ANCOVA, cuándo y por qué usarlo, cómo comprobar el supuesto de pendientes homogéneas paso a paso en SPSS, cómo leer las medias ajustadas y, finalmente, cómo redactar los resultados con el formato APA 7 que exigen las revistas científicas y los comités de evaluación. Si ya conoces el ANOVA de un factor básico, este texto te mostrará cómo dar el siguiente paso metodológico con la misma rigurosidad.
Qué es el ANCOVA y para qué sirve
El análisis de covarianza (ANCOVA, del inglés Analysis of Covariance) es una técnica estadística que extiende el ANOVA incorporando una o más variables cuantitativas continuas —llamadas covariables o covariants— al modelo. El objetivo es doble:
- Eliminar el ruido estadístico: al controlar el efecto de la covariable sobre la variable dependiente, se reduce la varianza del error residual y aumenta la potencia estadística de la prueba F.
- Ajustar las diferencias preexistentes: en diseños cuasi-experimentales donde los grupos no se han asignado aleatoriamente, la covariable permite eliminar estadísticamente diferencias que existían antes de la intervención.
Un ejemplo concreto: un investigador de ciencias de la actividad física quiere saber si un programa de entrenamiento (variable independiente: dos grupos, experimental y control) mejora la capacidad aeróbica (VO₂ máx., variable dependiente). Sin embargo, los participantes tienen distintas edades y distinto nivel de condición física basal. Introducir el VO₂ máx. inicial como covariable permite comparar los grupos como si hubieran partido del mismo punto, eliminando ese factor confusor de la comparación.
Formalmente, el modelo ANCOVA de un factor con una covariable es:
Yij = μ + αj + β(Xij − X̄) + εij
Donde Yij es la puntuación del sujeto i en el grupo j, αj es el efecto del grupo, β es el coeficiente de regresión común de la covariable X sobre Y, y εij es el error residual. La clave está en ese coeficiente β común: el modelo asume que la relación entre la covariable y la variable dependiente es la misma en todos los grupos, lo que se conoce como el supuesto de pendientes homogéneas.
ANCOVA frente a ANOVA: cuándo añadir una covariable
El ANCOVA no siempre es la mejor opción. Antes de incorporar una covariable al modelo, conviene plantear tres preguntas:
| Criterio | ANOVA | ANCOVA |
|---|---|---|
| ¿Existe una variable cuantitativa relacionada con la VD? | No o desconocido | Sí y se puede medir |
| ¿La asignación a grupos fue aleatoria? | Sí (experimento puro) | No necesariamente (cuasi-experimental) |
| Objetivo principal | Comparar medias crudas | Comparar medias ajustadas controlando la covariable |
| Potencia estadística | Menor si hay covariable relevante | Mayor al reducir la varianza residual |
| Riesgo de error de interpretación | Bajo si el diseño es puro | Alto si no se verifican los supuestos |
Una covariable añade valor al modelo cuando su correlación con la variable dependiente es moderada o alta (r ≥ .30 en términos orientativos). Si la correlación es muy baja, incluir la covariable simplemente consume un grado de libertad sin reducir el error, lo que puede disminuir la potencia en lugar de aumentarla. Para seleccionar la prueba más adecuada a tu diseño, puede ser útil revisar el árbol de decisión para elegir la prueba estadística correcta en el TFG, que cubre desde el chi-cuadrado hasta los modelos de regresión múltiple.
Los cinco supuestos del ANCOVA
El ANCOVA comparte los supuestos paramétricos del ANOVA, pero añade otros específicos. Incumplir cualquiera de ellos compromete la validez de los resultados:
- Normalidad de los residuos. Los residuos del modelo deben distribuirse aproximadamente de forma normal. Se comprueba con la prueba de Shapiro-Wilk (para muestras pequeñas, n < 50) o Kolmogorov-Smirnov con corrección de Lilliefors. Dado que el ANCOVA, como el ANOVA, es relativamente robusto a la no normalidad con muestras grandes, una ligera desviación no es necesariamente invalidante.
- Homocedasticidad (igualdad de varianzas). Las varianzas del error deben ser iguales entre los grupos. Se evalúa con la prueba de Levene en SPSS. Un resultado no significativo (p > .05) indica que el supuesto se cumple.
- Independencia de las observaciones. Cada sujeto debe pertenecer a un único grupo y sus valores no deben estar correlacionados con los de otros sujetos. Este supuesto se garantiza mediante el diseño del estudio, no con un test estadístico.
- Linealidad de la relación entre covariable y variable dependiente. La covariable debe tener una relación lineal con la variable dependiente dentro de cada grupo. Se examina mediante diagramas de dispersión estratificados por grupo. Si la relación es curvilínea, puede ser necesario transformar la variable o considerar modelos no lineales.
- Homogeneidad de las pendientes de regresión. Este es el supuesto más específico y crítico del ANCOVA. Exige que el coeficiente de regresión β sea el mismo (o estadísticamente equivalente) en todos los grupos. Si las pendientes difieren significativamente, el modelo ANCOVA estándar no es válido, porque está asumiendo un efecto de la covariable uniforme para todos los grupos cuando en realidad ese efecto varía. Este supuesto se detalla en el apartado siguiente.
El supuesto de pendientes homogéneas: verificación en SPSS
El supuesto de homogeneidad de las pendientes de regresión —también denominado supuesto de homogeneidad de los coeficientes de regresión o de paralelismo de las rectas de regresión— establece que la relación entre la covariable y la variable dependiente debe ser constante a lo largo de todos los grupos definidos por la variable independiente. Visualmente, esto equivale a que las líneas de regresión de cada grupo sean paralelas entre sí.
Para comprobarlo en SPSS se introduce un término de interacción entre el factor y la covariable en el modelo lineal general (MLG). La lógica es la siguiente: si la interacción Factor × Covariable resulta no significativa (p > .05), se puede concluir que las pendientes no difieren de forma estadísticamente apreciable, y el supuesto se cumple. Si, por el contrario, la interacción es significativa (p ≤ .05), las pendientes son heterogéneas y el ANCOVA estándar no debe aplicarse.
Pasos en SPSS para verificar el supuesto de pendientes homogéneas
- Ir a Analizar → Modelo lineal general → Univariante.
- Colocar la variable dependiente en el campo correspondiente.
- Introducir el factor (variable independiente categórica) en Factores fijos.
- Introducir la covariable en el campo Covariante(s).
- Pulsar en Modelo y seleccionar Personalizado.
- Mover el factor al área del modelo, la covariable al área del modelo, y añadir también la interacción Factor*Covariable (seleccionar ambos y hacer clic en el botón de interacción).
- Hacer clic en Continuar y después en Aceptar.
En la tabla de Pruebas de efectos inter-sujetos, buscar la fila correspondiente a la interacción (p. ej., Grupo*Covariable). Si p > .05, el supuesto se cumple y se puede proceder con el ANCOVA completo sin el término de interacción. Si p ≤ .05, el supuesto se viola.
Interpretación del diagrama de dispersión
El diagrama estratificado por grupo ofrece una lectura rápida del cumplimiento del supuesto:
- Líneas paralelas: las pendientes son equivalentes. El ANCOVA es apropiado. La diferencia vertical entre las líneas refleja el efecto del factor una vez eliminado el efecto de la covariable.
- Líneas con pendientes claramente distintas o que se cruzan: la interacción es real. El ANCOVA estándar no es apropiado. En este escenario, la diferencia entre grupos depende del valor de la covariable —unas veces un grupo puntúa mejor y otras veces peor—, lo que hace que una media ajustada única sea engañosa.
Esta comprobación visual es especialmente importante en tesis de psicología experimental, ciencias de la salud o educación, donde la covariable suele ser una medida de línea base (pretest) y resulta habitual encontrar variabilidad en los efectos.
Pasos completos para ejecutar el ANCOVA en SPSS
Una vez verificado el supuesto de pendientes homogéneas, se procede a ejecutar el ANCOVA definitivo. A diferencia del modelo de comprobación, aquí el término de interacción se excluye del modelo:
- Ir a Analizar → Modelo lineal general → Univariante.
- Colocar la variable dependiente en su campo.
- Introducir el factor en Factores fijos y la covariable en Covariante(s).
- Hacer clic en Modelo y seleccionar Completo (o Full factorial): esto incluye el factor y la covariable, pero no la interacción.
- Hacer clic en Opciones:
- Marcar Medias marginales estimadas y mover el factor al cuadro de visualización.
- Marcar Estadísticos descriptivos.
- Marcar Eta al cuadrado parcial.
- Marcar Prueba de homogeneidad (Levene).
- Si el factor tiene más de dos niveles, hacer clic en Comparaciones post hoc y seleccionar el test deseado (Bonferroni o Sidak son los más habituales para controlar el error tipo I en comparaciones múltiples).
- Hacer clic en Continuar y después en Aceptar.
El output de SPSS incluirá varias tablas. Las más relevantes son: Pruebas de efectos inter-sujetos (que muestra si el factor y la covariable tienen un efecto significativo) y Medias marginales estimadas (que muestra las medias ajustadas de cada grupo).
Interpretación de las medias ajustadas
Las medias marginales estimadas (también llamadas medias ajustadas) son el resultado central del ANCOVA. Representan las medias que cada grupo habría tenido si todos los participantes hubieran obtenido la misma puntuación en la covariable —concretamente, la media global de la covariable en la muestra completa.
En otras palabras, las medias ajustadas responden a la pregunta: ¿cuál sería la diferencia entre los grupos si eliminásemos el efecto de la covariable? Esta es la principal ventaja del ANCOVA respecto a comparar simplemente las medias observadas (crudas): permite aislar el efecto del factor de interés de posibles confusores.
Las comparaciones post hoc sobre las medias ajustadas (Bonferroni, Sidak) permiten identificar qué pares de grupos difieren significativamente una vez controlada la covariable. Su interpretación es análoga a la de los post hoc del ANOVA. Para profundizar en la lógica de los contrastes y la comparación de medias en el ANOVA, puede resultar útil revisar el análisis completo del ANOVA de un factor: supuestos, ejemplo e interpretación, que sirve de fundamento directo para el ANCOVA.
Tamaño del efecto: eta cuadrado parcial
La significación estadística (el valor p) no informa sobre la magnitud del efecto: un resultado puede ser estadísticamente significativo con una muestra grande aunque el efecto sea trivial en la práctica. Por eso, APA 7 recomienda reportar siempre una medida de tamaño del efecto junto con el valor F y el nivel de significación.
En el ANCOVA, SPSS calcula automáticamente el eta cuadrado parcial (η²p), que indica qué proporción de la varianza de la variable dependiente —una vez eliminada la contribución de los demás efectos del modelo— es explicada por el factor de interés. Los umbrales convencionales de Cohen para interpretar η²p son:
| Valor de η²p | Magnitud del efecto | Descripción orientativa |
|---|---|---|
| .01 – .05 | Pequeño | El factor explica una porción pequeña de la varianza ajustada |
| .06 – .13 | Mediano | Efecto moderado, perceptible en la práctica |
| ≥ .14 | Grande | El factor tiene un peso sustancial en la varianza explicada |
Es importante distinguir el eta cuadrado parcial (η²p) del eta cuadrado clásico (η²). El primero es el que SPSS reporta por defecto en el MLG y el recomendado para diseños con varias fuentes de variación (factor + covariable), porque aísla la contribución de cada efecto por separado. El η² clásico calcula la proporción respecto a la varianza total del modelo, incluyendo todas las fuentes, lo que lo hace menos comparable entre estudios cuando el modelo tiene más componentes.
Al evaluar el significado práctico de los resultados, conviene acompañar el η²p con los intervalos de confianza del 95 % de las medias ajustadas (disponibles en la tabla de medias marginales estimadas de SPSS). Para comprender mejor la relación entre el valor p y el intervalo de confianza en el reporte de resultados, puede consultarse el artículo sobre intervalo de confianza frente a valor p en la tesis.
Cómo redactar los resultados en APA 7
El reporte de un ANCOVA en formato APA 7 debe seguir una secuencia lógica que incluye: verificación de los supuestos, estadístico F de la covariable, estadístico F del factor principal, medias ajustadas e intervalos de confianza, tamaño del efecto y, si procede, resultados de las comparaciones post hoc.
Plantilla de redacción
A continuación se presenta una plantilla comentada para redactar los resultados de un ANCOVA en la sección de resultados de la tesis:
“Se llevó a cabo un análisis de covarianza (ANCOVA) de un factor para examinar el efecto de [nombre del factor, p. ej., método de enseñanza] sobre [variable dependiente, p. ej., rendimiento en matemáticas], controlando el efecto de [covariable, p. ej., puntuación en aptitud matemática inicial]. Antes de ejecutar el análisis, se verificó el cumplimiento de los supuestos. La prueba de Levene no resultó significativa, F([gl₁], [gl₂]) = [valor], p = [valor], lo que indica homocedasticidad. El supuesto de homogeneidad de las pendientes de regresión se comprobó mediante la inclusión del término de interacción Factor × Covariable en el modelo: la interacción no fue significativa, F([gl₁], [gl₂]) = [valor], p = [valor], confirmando el cumplimiento del supuesto.
“La covariable [aptitud matemática inicial] mostró un efecto significativo sobre [rendimiento en matemáticas], F([gl₁], [gl₂]) = [valor], p = [valor], η²p = [valor]. El ANCOVA reveló un efecto [significativo / no significativo] del método de enseñanza sobre el rendimiento ajustado, F([gl₁], [gl₂]) = [valor], p = [valor], η²p = [valor]. Las medias marginales estimadas fueron M = [valor] (IC 95 %: [valor]–[valor]) para el grupo [A] y M = [valor] (IC 95 %: [valor]–[valor]) para el grupo [B]. [Si hubo más de dos grupos:] Las comparaciones post hoc de Bonferroni indicaron que [descripción de las diferencias específicas significativas].”
Esta estructura es directamente aplicable en tesis de ciencias de la salud, ciencias de la actividad física, psicología educativa y cualquier disciplina que use diseños cuasi-experimentales. Si tu tesis emplea modelos econométricos o de regresión más complejos, puede ser útil consultar también el artículo sobre TFG de Económicas con modelo econométrico: supuestos y validación, donde se desarrollan estrategias de validación de supuestos paralelas a las del ANCOVA.
Una advertencia importante sobre el uso de tablas en la tesis: nunca copies y pegues las tablas de SPSS directamente en el manuscrito. Las tablas de SPSS no siguen el formato APA 7. Elabora tablas propias con las medias ajustadas, los intervalos de confianza, los estadísticos F y los tamaños del efecto. Para la redacción del discurso de resultados, los valores estadísticos se insertan en el texto sin separar las cifras decimales con coma (en inglés se usa punto, aunque en español el APA admite la coma decimal según la edición y la institución; confirma con tu tutor o la guía de tu universidad).
Cuándo el ANCOVA no es apropiado
Existen varias situaciones en las que el ANCOVA estándar no debe aplicarse:
1. Cuando el supuesto de pendientes homogéneas se viola
Si la interacción Factor × Covariable resulta significativa, las rectas de regresión de los grupos no son paralelas. En ese caso, el efecto de la covariable sobre la variable dependiente varía según el grupo, lo que hace que una media ajustada única carezca de sentido. La alternativa más extendida en la literatura metodológica es la técnica de Johnson-Neyman, que establece regiones de significación: identifica los rangos del valor de la covariable en los que las diferencias entre grupos son (o no son) estadísticamente significativas. Esta técnica permite un análisis más matizado que simplemente descartar el ANCOVA.
2. Cuando la covariable no es independiente del factor
Si la asignación a grupos afectó a los valores de la covariable (es decir, la intervención modificó la covariable antes de medir la variable dependiente), la covariable ha dejado de ser un “controlador neutral” y se convierte en una variable mediadora o moderadora. Incluirla en un ANCOVA en ese caso puede generar sesgos graves.
3. Cuando la relación entre covariable y variable dependiente no es lineal
El ANCOVA asume linealidad. Si los diagramas de dispersión muestran una relación claramente curvilínea, es preferible transformar las variables (logarítmica, raíz cuadrada) o utilizar modelos de regresión más flexibles.
4. Cuando los grupos son muy desiguales en los valores de la covariable
Las medias ajustadas implican una extrapolación: se estima cómo estaría cada grupo si tuviese la media global de la covariable. Si un grupo tiene valores de la covariable muy alejados de esa media global, la extrapolación puede ser poco fiable. En diseños cuasi-experimentales con grupos muy distintos, la interpretación de las medias ajustadas debe hacerse con cautela.
Entender cuándo un análisis estadístico no es apropiado es tan importante como saber ejecutarlo. Si los supuestos paramétricos del ANCOVA no se cumplen y ninguna transformación los corrige, la alternativa no paramétrica más habitual para comparar más de dos grupos es la prueba de Kruskal-Wallis con post hoc de Dunn, que no exige normalidad ni homocedasticidad. Para el TFG con datos cuantitativos, la selección de la prueba correcta según el tipo de variables y el diseño queda resumida en el árbol de decisión para elegir la prueba estadística correcta en el TFG. El conocimiento de la correlación de Pearson y Spearman, que está en la base de la covariable, también resulta esencial: puede revisarse en la guía sobre correlación de Pearson vs Spearman en el TFG.
Para modelos más complejos, como cuando quieres controlar simultáneamente varios factores confusores o tus datos presentan una estructura jerárquica (alumnos dentro de aulas, pacientes dentro de hospitales), el ANCOVA da paso a los modelos multinivel jerárquicos para datos anidados, que ofrecen mayor flexibilidad y una mejor gestión de la dependencia entre observaciones. Cuando los factores confusores son simplemente múltiples covariables continuas sin estructura anidada, el recurso natural es la regresión lineal múltiple.
Preguntas frecuentes sobre el ANCOVA
¿Cuántas covariables se pueden incluir en un ANCOVA?
Técnicamente, el modelo puede admitir varias covariables simultáneamente (ANCOVA múltiple). Sin embargo, cada covariable consume un grado de libertad del error, por lo que incluir demasiadas covariables con escaso poder explicativo puede reducir la potencia estadística. Una regla orientativa es que cada covariable debería explicar una proporción de varianza de la variable dependiente que justifique el grado de libertad consumido (correlación r ≥ .30 con la VD). Además, las covariables no deben estar altamente correlacionadas entre sí (r > .70) para evitar multicolinealidad.
¿Es válido usar una medida pretest como covariable?
Sí, es el uso más habitual del ANCOVA en diseños cuasi-experimentales: el pretest se usa como covariable para controlar las diferencias iniciales entre grupos y comparar las medias ajustadas del postest. Sin embargo, hay que asegurarse de que la asignación a grupos (intervención vs. control) no modificó el pretest. Si el pretest fue medido antes de cualquier intervención, su uso como covariable es metodológicamente correcto. Si el pretest fue medido después de iniciar la intervención, podría estar contaminado y no cumplir el requisito de independencia respecto al factor.
¿Qué hago si el supuesto de pendientes homogéneas se viola?
Si la interacción Factor × Covariable resulta significativa, no se debe aplicar el ANCOVA estándar. Las alternativas incluyen: (1) la técnica de Johnson-Neyman, que identifica los rangos del valor de la covariable en los que los grupos difieren significativamente —permitiendo un análisis de moderación más preciso—; (2) analizar los grupos de forma separada con análisis de regresión individuales; (3) añadir el término de interacción al modelo y reportar el ANCOVA como un modelo de moderación. La elección depende de las preguntas de investigación y del marco teórico del estudio.
¿Es obligatorio el ANCOVA en tesis cuasi-experimentales?
No es obligatorio, pero sí es una práctica recomendada cuando los grupos difieren en variables que se sabe que influyen en la variable dependiente. La ausencia de ANCOVA en un diseño cuasi-experimental con diferencias preexistentes entre grupos puede ser señalada por el tribunal como una limitación metodológica importante, porque las medias crudas podrían reflejar diferencias preexistentes más que el efecto de la intervención. Si el diseño es experimental puro (asignación aleatoria), el ANCOVA puede igualmente usarse para aumentar la potencia, aunque no es imprescindible para controlar diferencias preexistentes.
¿Cómo se diferencia el eta cuadrado parcial del omega cuadrado en el ANCOVA?
El eta cuadrado parcial (η²p) es el estimador que SPSS calcula por defecto y el más utilizado en la literatura. Tiende a sobreestimar ligeramente el tamaño del efecto, especialmente en muestras pequeñas. El omega cuadrado parcial (ω²p) es un estimador corregido que proporciona valores más conservadores y menos sesgados. Aunque APA 7 acepta ambos, muchas revistas de metodología estadística recomiendan ω²p para tesis y artículos donde la muestra no es muy grande. SPSS no lo calcula directamente, pero existen fórmulas manuales y paquetes de R (como effectsize) que lo estiman a partir de los estadísticos F y los grados de libertad del output de SPSS.
¿Puede usarse el ANCOVA con más de un factor?
Sí. El ANCOVA factorial o ANCOVA de dos factores extiende el modelo para incluir dos variables independientes categóricas (y su interacción) controlando una o varias covariables. El análisis se realiza de la misma forma en SPSS, introduciendo ambos factores en el campo de factores fijos. El supuesto de pendientes homogéneas debe comprobarse para cada factor y para la interacción de factores, lo que añade complejidad a la verificación de supuestos.
Leave a Reply