ANOVA Factorial en el TFG: Guía Completa con Ejemplo Paso a Paso en SPSS (2026)
Cuando tu TFG o tesis estudia cómo dos o más variables independientes afectan simultáneamente a un resultado, el ANOVA factorial es la herramienta estadística más adecuada. A diferencia del ANOVA de un factor, que evalúa el efecto aislado de una sola variable, el ANOVA factorial permite analizar los efectos principales de cada factor y, crucialmente, la interacción entre ellos: ese fenómeno en que el efecto de una variable depende del nivel de la otra. Dominar este análisis no solo mejora la calidad metodológica de tu trabajo, sino que abre posibilidades interpretativas que ningún otro diseño univariante ofrece.
Esta guía cubre desde los fundamentos conceptuales hasta la ejecución paso a paso en SPSS, la interpretación de tablas y gráficos, la verificación de supuestos y la redacción de resultados conforme a normas APA 7. Está diseñada tanto para estudiantes de grado como para investigadores de máster y doctorado en ciencias sociales, salud, educación y psicología.
¿Qué es el ANOVA factorial?
El análisis de varianza factorial (ANOVA factorial) es una extensión del ANOVA de un factor que permite estudiar el efecto de dos o más variables independientes categóricas (factores) sobre una variable dependiente continua. La característica definitoria que lo distingue de ejecutar múltiples ANOVAs de un factor por separado es la capacidad de detectar la interacción.
La interacción A×B existe cuando el efecto del factor A sobre la variable dependiente es distinto en función del nivel del factor B. Matemáticamente, esto significa que el modelo no es aditivo: el efecto conjunto de A y B no es igual a la suma de sus efectos individuales. Como demostró Bobko (1986), la interacción es estadísticamente independiente de los efectos principales y no puede inferirse a partir de ellos.
Ventajas frente al ANOVA de un factor
- Mayor eficiencia estadística: al incluir más factores, se reduce el error experimental.
- Detección de interacciones: posibilidad única de estudiar fenómenos complejos que reflejan la realidad social y conductual.
- Economía de recursos: un único estudio responde varias preguntas de investigación simultáneamente.
- Mayor validez ecológica: los fenómenos reales rara vez tienen una única causa.
Tipos de diseños factoriales
Los diseños factoriales se clasifican por el número de niveles de cada factor:
| Notación | Descripción | N.º de efectos a analizar |
|---|---|---|
| 2×2 | Dos factores, dos niveles cada uno | 3 (A, B, A×B) |
| 2×3 | Factor A con 2 niveles, factor B con 3 | 3 (A, B, A×B) |
| 3×3 | Dos factores con tres niveles cada uno | 3 (A, B, A×B) |
| 2×2×2 | Tres factores, dos niveles cada uno | 7 (A, B, C, A×B, A×C, B×C, A×B×C) |
En TFG y TFM, los diseños más comunes son 2×2 y 2×3. Los diseños de tres factores son más propios de tesis doctorales o investigaciones con tamaño muestral elevado.
Diseños entre sujetos, intra-sujetos y mixtos
Otro criterio de clasificación es si los participantes son los mismos en todos los grupos (medidas repetidas) o grupos independientes (entre sujetos). Un diseño mixto combina ambos: un factor entre sujetos y otro intra-sujetos. En SPSS, el diseño entre sujetos se analiza con MLG Univariante; los diseños con medidas repetidas, con MLG Medidas repetidas.
Supuestos estadísticos y cómo verificarlos
Para que los resultados del ANOVA factorial sean válidos deben cumplirse cinco supuestos:
- Normalidad de residuos: La variable dependiente debe distribuirse normalmente en cada celda del diseño. Se verifica con la prueba de Shapiro-Wilk (n < 50 por grupo) o Kolmogorov-Smirnov-Lilliefors (n ≥ 50). El ANOVA es robusto a desviaciones moderadas de la normalidad con muestras grandes.
- Homogeneidad de varianzas (homocedasticidad): La varianza de la VD debe ser similar en todos los grupos. Se verifica con la prueba de Levene. Si se incumple (p < .05), se pueden usar los estadísticos de Welch o el ANOVA no paramétrico equivalente (Kruskal-Wallis).
- Independencia de observaciones: Cada sujeto pertenece a un único grupo. Este supuesto se garantiza en el diseño.
- Escala de medición: La variable dependiente debe ser continua (intervalo o razón).
- Ausencia de valores extremos graves: Los outliers univariantes pueden distorsionar las medias y el ANOVA. Se detectan con diagramas de caja (box plot) o con la distancia de Cook.
Ejemplo completo de ANOVA factorial 2×3 en un TFG
Imaginemos un TFG de Psicología Educativa que investiga el efecto del método de instrucción (A: tradicional vs. activo) y el nivel de motivación intrínseca (B: bajo, medio, alto) sobre el rendimiento académico (puntuación en un examen, escala 0-100) de 120 estudiantes universitarios.
Hipótesis de investigación
- H1: El método de instrucción tiene un efecto significativo sobre el rendimiento.
- H2: El nivel de motivación tiene un efecto significativo sobre el rendimiento.
- H3: Existe interacción entre el método de instrucción y el nivel de motivación sobre el rendimiento.
Diseño y distribución de la muestra
| Factor B Factor A | Método Tradicional | Método Activo |
|---|---|---|
| Motivación baja | n=20, M=55.3 | n=20, M=58.7 |
| Motivación media | n=20, M=63.8 | n=20, M=72.4 |
| Motivación alta | n=20, M=68.1 | n=20, M=84.6 |
Ejecución paso a paso en SPSS
En SPSS, el ANOVA factorial entre sujetos se ejecuta mediante el procedimiento Modelo Lineal General (MLG) Univariante:
- Ir a Analizar → Modelo lineal general → Univariante.
- En el cuadro Variable dependiente, introducir la puntuación del examen.
- En Factores fijos, introducir ambas variables independientes (método e instrucción y motivación).
- Clic en Modelo: seleccionar Factorial completo para incluir efectos principales e interacción.
- Clic en Opciones: marcar Estadísticos descriptivos, Estimaciones del tamaño del efecto (η² parcial) y Prueba de homogeneidad de varianzas.
- Clic en Gráficos de perfil: colocar el factor B (motivación) en el eje horizontal y el factor A (método) como líneas separadas para visualizar la interacción.
- Clic en Post hoc: si el ANOVA es significativo, solicitar Bonferroni o Tukey para comparaciones por pares del factor con más de dos niveles.
- Hacer clic en Aceptar.
UNIANOVA ... /EMMEANS=TABLES(A*B) COMPARE(A) ADJ(BONFERRONI).
Interpretación de resultados: efectos principales e interacción
La tabla central de resultados en SPSS es la Tabla de Pruebas de efectos inter-sujetos. Recoge las siguientes columnas:
| Fuente | SC | gl | MC | F | p | η²p |
|---|---|---|---|---|---|---|
| Método (A) | 2847.3 | 1 | 2847.3 | 18.42 | <.001 | .137 |
| Motivación (B) | 7634.1 | 2 | 3817.1 | 24.70 | <.001 | .298 |
| Método × Motivación | 1843.2 | 2 | 921.6 | 5.96 | .003 | .093 |
| Error | 17589.0 | 114 | 154.3 | — | — | — |
La interpretación sigue esta secuencia lógica obligatoria:
- Comprobar primero la interacción: En nuestro ejemplo, A×B es significativa: F(2, 114) = 5.96, p = .003, η²p = .093 (efecto mediano). Esto indica que el efecto del método de instrucción sobre el rendimiento varía según el nivel de motivación.
- Interpretar efectos principales con cautela: Dado que la interacción es significativa, los efectos principales de A y B no pueden interpretarse de forma independiente. Se deben analizar los efectos simples.
- Si la interacción no fuera significativa: Se interpretarían directamente los efectos principales. El método activo supera al tradicional (p < .001, η²p = .137) y la motivación alta supera a la baja y media (p < .001, η²p = .298).
Magnitud del efecto: η² parcial
El estadístico η² parcial (eta cuadrado parcial) indica qué proporción de la varianza explicada corresponde a cada efecto, controlando los demás. Las convenciones de Cohen (1988) son:
- η²p = .01 → efecto pequeño
- η²p = .06 → efecto mediano
- η²p = .14 → efecto grande
Gráficos de perfil: la clave para visualizar la interacción
La interacción se comprende mejor visualmente. En un gráfico de perfil (también llamado interaction plot), se representan las medias de la VD en el eje Y, los niveles del factor B en el eje X, y líneas separadas para cada nivel del factor A.
Interpretación visual:
- Líneas paralelas: No hay interacción. El efecto de A es el mismo en todos los niveles de B.
- Líneas no paralelas pero que no se cruzan (interacción ordinal): Hay interacción, pero un nivel de A siempre supera al otro en todos los niveles de B.
- Líneas que se cruzan (interacción disordinal o cruzada): La superioridad de un nivel de A se invierte según el nivel de B. Esta es la forma más informativa y teóricamente relevante de interacción.
En el ejemplo, el gráfico mostraría que la diferencia entre método activo y tradicional es pequeña con motivación baja, moderada con motivación media y muy grande con motivación alta. El método activo «potencia» el efecto de la motivación alta.
Comparaciones post hoc y efectos simples
Pruebas post hoc para efectos principales (interacción no significativa)
Si la interacción no es significativa y un factor tiene 3 o más niveles, se realizan comparaciones post hoc:
- Tukey HSD: Recomendado cuando los tamaños de grupo son iguales. Controla el error tipo I familiar.
- Bonferroni: Más conservador. Apropiado cuando se realizan pocas comparaciones planificadas.
- Games-Howell: Cuando no se cumple la homogeneidad de varianzas.
Efectos simples (interacción significativa)
Cuando la interacción es significativa, los efectos simples permiten entender dónde se producen las diferencias. Se ejecutan mediante la sintaxis SPSS:
UNIANOVA rendimiento BY metodo motivacion
/EMMEANS=TABLES(metodo*motivacion) COMPARE(metodo) ADJ(BONFERRONI)
/EMMEANS=TABLES(metodo*motivacion) COMPARE(motivacion) ADJ(BONFERRONI).Cómo redactar los resultados en APA 7
La redacción de resultados del ANOVA factorial en APA 7 debe incluir el estadístico F con sus grados de libertad, el valor p y el tamaño del efecto:
«Se realizó un ANOVA factorial 2 (método: tradicional vs. activo) × 3 (motivación: baja, media, alta) con el rendimiento académico como variable dependiente. Se detectó un efecto de interacción significativo entre el método y el nivel de motivación, F(2, 114) = 5.96, p = .003, η²p = .09. Los análisis de efectos simples indicaron que el método activo produjo un rendimiento significativamente mayor que el tradicional únicamente en los participantes con motivación alta (p < .001), pero no en los grupos de motivación baja (p = .621) ni media (p = .082).»
Errores frecuentes en TFG y cómo evitarlos
| Error | Consecuencia | Solución |
|---|---|---|
| Interpretar efectos principales cuando la interacción es significativa | Conclusiones engañosas o incompletas | Analizar siempre primero la interacción |
| No verificar homogeneidad de varianzas | F inflado o deflado según grupo dominante | Comprobar prueba de Levene; usar Welch si p < .05 |
| Diseño desequilibrado sin reconocerlo | Las SC tipo I y tipo III difieren; error de interpretación | Usar SC tipo III (por defecto en SPSS) y asegurar n igual por celda |
| Omitir el tamaño del efecto | Resultados incompletos para revisión por pares | Reportar siempre η²p en APA 7 |
Preguntas frecuentes
¿Cuántos participantes necesito para un ANOVA factorial 2×3?
Como mínimo se recomienda n = 20 por celda para un diseño 2×3, lo que equivale a 120 participantes en total. Con este tamaño, un efecto mediano (f = 0.25) se detecta con una potencia estadística de aproximadamente 0.80 al nivel α = .05. Puedes calcular el tamaño muestral exacto con G*Power introduciendo los parámetros de tu diseño (número de grupos, efecto esperado y potencia deseada).
¿Qué diferencia hay entre el η² (eta cuadrado) y el η²p (eta cuadrado parcial)?
El η² expresa la proporción de varianza total que explica cada efecto; el η²p la expresa sobre la varianza del efecto más la varianza del error, excluyendo la varianza de los otros efectos. En diseños factoriales, la suma de los η²p puede superar 1.0, por lo que comparar η²p entre estudios requiere cautela. APA 7 recomienda reportar η²p para diseños multifactoriales. Para comparaciones entre estudios, usa ω² o ε² (estimadores sin sesgo).
¿El ANOVA factorial sirve para datos ordinales como escalas Likert?
Técnicamente, el ANOVA factorial asume una VD en escala intervalo o razón. Las escalas Likert de 5 o 7 puntos suelen tratarse como pseudointerval en la práctica académica; si la distribución de los ítems sumados (escala total) es aproximadamente normal, el ANOVA es razonablemente robusto. Sin embargo, si los datos son claramente ordinales o no normales, considera el ANOVA no paramétrico de Scheirer–Ray–Hare (extensión del Kruskal-Wallis para dos factores) o modelos de regresión ordinal.
¿Cuándo usar ANCOVA en lugar de ANOVA factorial?
El ANCOVA (análisis de covarianza) se usa cuando existe una variable continua —la covariable— que correlaciona con la VD y cuya influencia quieres controlar estadísticamente para limpiar la estimación de los efectos del factor. El ANOVA factorial se usa cuando todas las variables independientes son categóricas y no hay covariables que controlar. Puedes combinar ambas lógicas con el MLG Univariante de SPSS introduciendo factores y covariables simultáneamente.
¿Cómo justificar el uso del ANOVA factorial en el apartado de metodología del TFG?
En el apartado metodológico debes indicar: (1) la naturaleza de tu VD (continua, escala intervalo/razón), (2) el número de factores y sus niveles, (3) la verificación de los supuestos (normalidad con Shapiro-Wilk y homogeneidad de varianzas con Levene), (4) el tipo de sumas de cuadrados usado (tipo III para diseños desequilibrados) y (5) el criterio de significación (α = .05 por defecto). Puedes citar Field (2018), Discovering Statistics Using SPSS, como referencia metodológica estándar.
Conclusión: el ANOVA factorial, una herramienta imprescindible en el TFG
El ANOVA factorial no es solo una prueba estadística más; es una ventana a la complejidad de los fenómenos que estudias. Al analizar simultáneamente varios factores y su interacción, produces conclusiones más ricas, más fieles a la realidad y más difíciles de refutar metodológicamente. Dominar su ejecución en SPSS, la interpretación de efectos simples y la redacción conforme a APA 7 te sitúa en el nivel de rigor que exige la comunidad académica española e internacional.
Si necesitas apoyo para estructurar el capítulo de resultados de tu TFG, Tesify te ofrece asistencia experta para redactar e interpretar tus análisis estadísticos con el rigor que tu investigación merece. Consulta también nuestros artículos sobre regresión múltiple en SPSS, diseño experimental en tesis y validación de instrumentos de investigación.
Deja una respuesta