Cómo hacer una regresión logística ordinal paso a paso cuando tu variable dependiente es una escala Likert (2026)

Tienes una variable dependiente que va de «nada de acuerdo» a «totalmente de acuerdo», o de «bajo» a «medio» a «alto». Quieres saber qué la predice. Y en cuanto abres el programa te encuentras con la misma bifurcación que atasca a media promoción: meterla tal cual en una regresión lineal como si fuera una temperatura, o partirla en dos y hacer una regresión logística binaria.

Las dos opciones pierden información y las dos son criticables en la defensa. La primera trata como iguales unos intervalos que no lo son —de «poco» a «bastante» no hay la misma distancia que de «bastante» a «mucho»—. La segunda tira a la basura el orden que precisamente hace valiosa a tu variable. El modelo que corresponde se llama regresión logística ordinal, y esta guía la recorre entera.

Paso 1. Confirma que tu variable dependiente es realmente ordinal

Antes de elegir modelo, clasifica tu variable dependiente. Este es el árbol corto:

Hay un matiz que decide muchos TFG. Un ítem Likert suelto es ordinal. La suma de varios ítems Likert de una misma escala validada suele tratarse como cuasi-continua, y en ese caso la regresión lineal es defendible. Si tu dependiente es «puntuación total de satisfacción, de 12 a 60», probablemente estés en el caso continuo; si es «¿recomendaría el servicio? nada / poco / bastante / mucho», estás en el ordinal. Si dudas, el árbol de decisión para elegir la prueba estadística te sitúa en el punto exacto, y la comparación entre escalas Likert de 5 y de 7 puntos aclara cómo afecta el número de categorías al análisis.

Paso 2. Entiende qué está modelando el modelo

La regresión logística ordinal no modela la probabilidad de caer en cada categoría por separado. Modela probabilidades acumuladas: la probabilidad de estar en la categoría j o por debajo de ella, frente a estar por encima.

Con cuatro categorías, el modelo estima tres cortes o umbrales (nada frente al resto; nada-o-poco frente al resto; nada-poco-o-bastante frente a mucho) y un único conjunto de coeficientes compartido por los tres cortes. Ese ahorro es la gran ventaja del modelo: en lugar de tres juegos de coeficientes que interpretar, tienes uno. Y también es su gran supuesto, que es lo siguiente.

Paso 3. El supuesto de odds proporcionales (o «líneas paralelas»)

Compartir coeficientes entre los cortes solo es legítimo si el efecto de cada predictor es el mismo en todos los cortes. Eso es el supuesto de odds proporcionales. En SPSS aparece bajo el nombre Prueba de líneas paralelas; en R se contrasta con una prueba de Brant o comparando el modelo con uno sin la restricción.

La lectura es contraintuitiva y conviene fijarla: quieres que esa prueba salga NO significativa. Un valor p alto significa que no hay evidencia de que las pendientes difieran, y por tanto que puedes seguir. Un valor p bajo significa que el supuesto no se sostiene.

Dos avisos honestos sobre esta prueba. El primero: es muy sensible al tamaño muestral; con muestras grandes se vuelve significativa ante desviaciones triviales. El segundo: que salga significativa no te deja sin salidas. Tienes cuatro, en orden de preferencia:

1. Modelo de odds proporcionales parciales, que relaja la restricción solo en los predictores que la incumplen.
2. Cambiar la función de enlace. Si tus respuestas se concentran en las categorías altas o en las bajas, el enlace logit no es el mejor; los enlaces log-log complementario y log-log negativo existen justamente para distribuciones asimétricas.
3. Colapsar categorías que apenas tengan casos, si tiene sentido sustantivo. Nunca solo porque «así funciona».
4. Pasar a multinomial, asumiendo que pierdes el orden y ganas complejidad interpretativa.

Elijas la que elijas, la decisión va escrita en la metodología con su justificación. Un tribunal perdona un supuesto incumplido bien gestionado; no perdona uno silenciado.

Paso 4. Ejecuta el modelo

En SPSS

La ruta es Analizar → Regresión → Ordinal, que ejecuta el procedimiento PLUM. La dependiente ordinal va en Dependiente, los predictores categóricos en Factores y los cuantitativos en Covariables. En Resultados marca la prueba de líneas paralelas, la bondad de ajuste y los estadísticos de resumen del modelo. En Opciones puedes cambiar la función de enlace.

En jamovi o R

En R el modelo se ajusta con polr() del paquete MASS o, mejor, con clm() del paquete ordinal, que da errores estándar y contrastes más completos y permite modelos de odds proporcionales parciales. jamovi cubre el caso estándar sin escribir código. La elección de programa no cambia el modelo, pero sí la etiqueta de cada tabla; si aún estás decidiendo, la comparativa de programas para analizar datos en la tesis resume qué ofrece cada uno.

Requisitos previos que sí debes comprobar

• Casos suficientes en cada categoría de la dependiente. Una categoría con cuatro respuestas desestabiliza la estimación entera.
• Ausencia de multicolinealidad grave entre predictores. Se comprueba igual que en una regresión lineal múltiple.
• Casillas vacías al cruzar predictores categóricos con la dependiente. Si el programa avisa de celdas con frecuencia cero, agrupa categorías antes de seguir.

Paso 5. Lee la salida sin equivocarte de signo

La salida trae varios bloques y cada uno responde a una pregunta distinta:

• Información de ajuste del modelo. Compara tu modelo con el modelo nulo. Un contraste significativo dice que tus predictores, en conjunto, aportan algo.
• Bondad de ajuste (Pearson y desviación). Aquí, de nuevo, no quieres significación: un valor p alto indica que el modelo es compatible con los datos. Con covariables continuas estos estadísticos son poco fiables, y conviene decirlo en lugar de fingir que lo son.
• Pseudo-R² (Cox y Snell, Nagelkerke, McFadden). No son varianza explicada. Se reportan como indicadores relativos y no se interpretan como el R² de una regresión lineal.
• Estimaciones de los parámetros. Se divide en dos partes: umbral y ubicación. Los umbrales son los puntos de corte del modelo y normalmente no se interpretan sustantivamente. Los coeficientes de ubicación son tus resultados.
• Prueba de líneas paralelas. El supuesto del paso 3.

El error de interpretación más frecuente es el del signo. Como el modelo trabaja con probabilidades acumuladas «de esta categoría hacia abajo», la dirección del coeficiente puede ser la contraria de la que esperas, y no es la misma en todos los programas. Antes de escribir una sola frase de resultados, contrasta el sentido del efecto con una tabla de contingencia simple entre el predictor y la dependiente. Si el modelo y la tabla cuentan historias opuestas, el equivocado eres tú, no el modelo.

El exponencial del coeficiente se interpreta como una odds ratio acumulada: cuánto se multiplican las probabilidades relativas de estar en una categoría más alta (o más baja, según la parametrización) por cada unidad del predictor. Si vienes del caso binario, la lógica de la regresión logística y su odds ratio se traslada casi entera; lo único que cambia es que aquí el «éxito» es un corte acumulado y no una categoría concreta.

Paso 6. Redacta los resultados en APA 7

Una tabla de resultados de un modelo ordinal debería llevar, por cada predictor: el coeficiente B, su error estándar, el estadístico de Wald con sus grados de libertad, el valor p, el exponencial del coeficiente y su intervalo de confianza al 95 %. En el texto, acompaña la tabla con el contraste global del modelo, el pseudo-R² que hayas elegido y una frase explícita sobre el supuesto de líneas paralelas.

Y no describas el resultado en jerga. «Por cada punto adicional en la escala de apoyo percibido, las probabilidades acumuladas de declarar mayor satisfacción se multiplican por 1,42» se entiende; «el logit acumulativo aumenta 0,35» no. Si te cuesta convertir la salida del programa en párrafos legibles, la guía sobre cómo redactar el capítulo de resultados a partir del output de SPSS cubre ese paso concreto.

Cinco errores que se ven una y otra vez

1. Interpretar los umbrales como si fueran efectos. No lo son: son los cortes de la escala latente.
2. Presentar el pseudo-R² como porcentaje de varianza explicada. No lo es, y un tribunal con formación cuantitativa lo detecta al instante.
3. No declarar la función de enlace utilizada. Si no es la logit por defecto, el lector necesita saberlo.
4. Ignorar los perdidos. El modelo elimina por defecto los casos incompletos; si has pasado de 210 a 148 casos, eso va en el texto.
5. Meter demasiados predictores para la muestra que tienes. Con categorías poco pobladas, un modelo saturado produce coeficientes enormes con intervalos de confianza absurdos. Es señal de separación, no de un hallazgo.

Cuando el modelo ordinal no es el camino

Si lo que te interesa no es predecir la respuesta sino comprobar que tus ítems miden un mismo rasgo latente y se ordenan por dificultad, el marco correcto es otro: el modelo de Rasch y la teoría de respuesta al ítem. Y si antes de nada necesitas demostrar que tu escala es fiable, eso se resuelve con el alfa de Cronbach, no con una regresión.

Pasa de la teoría a tu documento terminado

El modelo lo ejecutas en diez minutos; lo que cuesta es convertir tres tablas de salida en un apartado de resultados que un tribunal lea sin fruncir el ceño. Tesify transforma tus tablas en párrafos analíticos con la terminología correcta, mantiene el formato APA 7 en todo el documento y te ayuda a redactar la justificación metodológica del modelo elegido.

Empieza tu TFG con Tesify

Preguntas frecuentes

¿Puedo usar regresión lineal con una variable Likert como dependiente?

Con un ítem suelto de cuatro o cinco categorías, no es defendible: estarías asumiendo que las distancias entre categorías son iguales. Con una puntuación total obtenida sumando muchos ítems de una escala validada, sí suele aceptarse como cuasi-continua, siempre que lo justifiques.

¿Qué hago si la prueba de líneas paralelas sale significativa?

No abandones el análisis. Prueba un modelo de odds proporcionales parciales, cambia la función de enlace si la distribución es asimétrica, valora colapsar categorías con muy pocos casos o, en último término, pasa a multinomial. Documenta la decisión y su motivo.

¿Cuántas categorías debe tener la dependiente para usar este modelo?

Tres como mínimo, con orden natural. Con dos, el modelo que corresponde es la regresión logística binaria. Por arriba no hay tope teórico, pero categorías con muy pocos casos generan problemas de estimación.

¿Qué tamaño de muestra necesito?

No hay una cifra universal. Lo que manda no es el total, sino los casos por categoría de la dependiente y el número de predictores. Una muestra de 200 con una categoría de seis casos da más problemas que una de 120 bien repartida.

¿El exponencial del coeficiente es una odds ratio normal?

Es una odds ratio acumulada: compara estar por encima de un corte frente a estar en él o por debajo, y bajo el supuesto de proporcionalidad ese valor es el mismo en todos los cortes. Se interpreta parecido a la del caso binario, pero se nombra distinto.

¿Por qué el signo del coeficiente parece al revés?

Porque el modelo trabaja con probabilidades acumuladas y la parametrización no es idéntica en todos los programas. Comprueba siempre la dirección contra una tabla de contingencia entre el predictor y la dependiente antes de redactar.

¿Puedo incluir predictores continuos y categóricos a la vez?

Sí. En SPSS los categóricos van en Factores y los continuos en Covariables. Ten en cuenta que, con covariables continuas, los estadísticos de bondad de ajuste de Pearson y desviación pierden fiabilidad, y conviene advertirlo.

¿Cómo justifico en la metodología que elegí este modelo?

Con tres frases: naturaleza ordinal de la dependiente, inadecuación de la alternativa lineal por la desigualdad de intervalos, y comprobación del supuesto de odds proporcionales con el resultado obtenido. Eso es todo lo que se espera, y casi nadie lo escribe.