Regresión Múltiple en TFG con SPSS: Ejemplo Paso a Paso e Interpretación (2026)
La regresión múltiple es la técnica estadística más utilizada en TFG y TFM cuantitativos que buscan explicar o predecir una variable de resultado a partir de varias variables predictoras. Si tu trabajo necesita responder preguntas como «¿qué factores predicen el rendimiento académico?» o «¿en qué medida la autoestima, el apoyo social y el estilo de estudio explican el bienestar psicológico?», la regresión múltiple es tu herramienta. Esta guía te lleva desde la comprensión teórica hasta la ejecución en SPSS y la interpretación de resultados en formato APA 7.
Muchos estudiantes llegan al análisis de resultados con datos en SPSS y no saben exactamente qué tablas mirar, qué números reportar ni cómo construir la interpretación narrativa. Este artículo resuelve exactamente ese problema con un ejemplo real de regresión múltiple para TFG que puedes adaptar a tu propio estudio.
¿Qué es la regresión múltiple y para qué sirve en un TFG?
La regresión lineal múltiple es un modelo estadístico que estima la relación entre una variable dependiente (Y) continua y dos o más variables independientes o predictoras (X₁, X₂, … Xₖ). El modelo tiene la forma:
Y = B₀ + B₁X₁ + B₂X₂ + … + BₖXₖ + ε
Donde B₀ es la constante (intersección con el eje Y), B₁…Bₖ son los coeficientes de regresión no estandarizados y ε es el término de error.
En el contexto de un TFG o TFM, la regresión múltiple responde a preguntas del tipo:
- «¿Predicen el tiempo de estudio, la asistencia y la motivación el rendimiento académico?»
- «¿Qué variables sociodemográficas y actitudinales explican la intención de uso de tecnología educativa?»
- «¿El nivel de estrés, el apoyo social y la autoeficacia predicen el bienestar psicológico en estudiantes universitarios?»
La diferencia con la correlación es que la regresión no solo mide la relación entre dos variables, sino que estima el peso explicativo único de cada predictor controlando el efecto de todos los demás.
Supuestos de la regresión múltiple que debes verificar
Antes de interpretar cualquier resultado, verifica que tus datos cumplen los supuestos del modelo. Si no los cumples, tus conclusiones pueden ser inválidas:
| Supuesto | Cómo verificarlo en SPSS | Qué hacer si se viola |
|---|---|---|
| Linealidad | Gráficos de dispersión de cada X con Y; gráfico de residuos vs. predichos | Transformar variables (logaritmo, raíz cuadrada) o incluir términos cuadráticos |
| Normalidad de residuos | Histograma y P-P plot de residuos estandarizados; test Kolmogorov-Smirnov | Con n>100, el TLC hace el test robusto. Con n pequeña, usar regresión robusta |
| Homocedasticidad | Gráfico de dispersión de residuos estandarizados vs. valores predichos | Errores estándar robustos (HC3) o transformación de la VD |
| Independencia de residuos | Estadístico Durbin-Watson (debe estar entre 1.5 y 2.5) | Regresión con errores robustos o modelos de efectos mixtos |
| Ausencia de multicolinealidad | Tolerancia (>0.10) y VIF (<10) | Eliminar el predictor redundante o usar regresión de cresta (ridge) |
| Ausencia de valores atípicos influyentes | Distancia de Cook (<1); residuos estandarizados (|z|<3.3) | Identificar y gestionar outliers; reportar análisis con y sin ellos |
Ejemplo práctico: regresión múltiple con SPSS paso a paso
Usaremos el siguiente ejemplo de TFG de Psicología: «Predicción del rendimiento académico (nota media del último semestre) a partir del bienestar psicológico, las horas semanales de estudio y el uso de redes sociales en estudiantes universitarios (n=120).»
Variables del modelo
- VD (Y): Nota media del semestre (continua, escala 0-10)
- VI 1 (X₁): Bienestar psicológico (puntuación Escala de Ryff, 1-6)
- VI 2 (X₂): Horas semanales de estudio (continua)
- VI 3 (X₃): Horas diarias en redes sociales (continua)
Pasos en SPSS
- Ve a Analizar → Regresión → Lineal
- Mueve la nota media a la casilla «Dependiente»
- Mueve las tres variables predictoras a «Independientes»
- Método: Intro (simultáneo) para comenzar
- En Estadísticos: marca Estimaciones, Intervalos de confianza, R al cuadrado, Colinalidad, Durbin-Watson
- En Gráficos: añade ZRESID en Y y ZPRED en X (gráfico de homocedasticidad) y marca Histograma y Gráfico P-P normal de residuos
- En Guardar: guarda los residuos estandarizados y los valores de distancia de Cook
- Clic en Aceptar
Las tablas de SPSS que debes interpretar
SPSS genera varias tablas. Estas son las que necesitas para tu TFG:
Tabla 1: Resumen del modelo
Contiene R (correlación múltiple), R² (coeficiente de determinación), R² corregida y el estadístico Durbin-Watson.
Ejemplo de resultados: R=.67, R²=.45, R² corregida=.43, DW=1.89
Interpretación: El modelo explica el 45% de la varianza en el rendimiento académico. La R² corregida (.43) es más conservadora y es la que debes reportar en la tesis cuando tu muestra tiene pocos casos por predictor. El DW=1.89 indica independencia de los residuos (sin autocorrelación).
Tabla 2: ANOVA del modelo
Indica si el modelo en su conjunto es estadísticamente significativo. Busca la fila «Regresión» y fíjate en F y Sig.
Ejemplo: F(3, 116)=31.82, p<.001
Interpretación: El modelo es globalmente significativo: las tres variables predictoras, en conjunto, predicen el rendimiento académico de forma estadísticamente significativa.
Tabla 3: Coeficientes
Esta es la tabla más importante. Contiene los coeficientes no estandarizados (B), los estandarizados (Beta), t, Sig., y los índices de multicolinealidad (Tolerancia y VIF).
| Predictor | B | Error típico | Beta | t | p | VIF |
|---|---|---|---|---|---|---|
| Constante | 3.21 | 0.48 | — | 6.69 | <.001 | — |
| Bienestar psicológico | 0.41 | 0.09 | .35 | 4.56 | <.001 | 1.24 |
| Horas de estudio | 0.18 | 0.04 | .42 | 4.50 | <.001 | 1.31 |
| Horas en redes sociales | -0.22 | 0.07 | -.25 | -3.14 | .002 | 1.18 |
Cómo interpretar R², F y los coeficientes Beta
R² corregida: varianza explicada
La R² corregida indica qué porcentaje de la varianza de la variable dependiente es explicado por el conjunto de predictores del modelo. En el ejemplo: R²c=.43, lo que significa que el bienestar psicológico, las horas de estudio y el uso de redes sociales explican conjuntamente el 43% de la varianza en el rendimiento académico. El 57% restante se atribuye a factores no incluidos en el modelo.
F del ANOVA: significación global del modelo
Si F es significativa (p<.05), el modelo en su conjunto predice la VD mejor que el azar. Si F no es significativa, ninguno de los predictores individualmente tiene un efecto real.
Coeficientes B: el efecto real en las unidades de medida originales
B₁=0.41 (bienestar psicológico): por cada punto adicional en bienestar psicológico, el rendimiento aumenta 0.41 puntos en la nota media, manteniendo constantes las otras variables.
B₃=-0.22 (redes sociales): por cada hora adicional diaria en redes sociales, la nota media disminuye 0.22 puntos, controlando el efecto de las otras variables.
Beta estandarizado: el peso relativo de cada predictor
Los Beta (β) permiten comparar la importancia relativa de los predictores porque están en la misma escala (desviaciones típicas). En el ejemplo:
- Horas de estudio: β=.42 → el predictor más importante
- Bienestar psicológico: β=.35 → segundo predictor en importancia
- Redes sociales: β=-.25 → tercer predictor (efecto negativo)
Cómo reportar los resultados en formato APA 7
Este es el párrafo de resultados que deberías incluir en tu TFG:
«Se llevó a cabo una regresión lineal múltiple para examinar si el bienestar psicológico, las horas semanales de estudio y el uso diario de redes sociales predecían el rendimiento académico. El análisis previo de supuestos confirmó normalidad de los residuos (p=.43), ausencia de autocorrelación (DW=1.89) y ausencia de multicolinealidad severa (todos los VIF < 1.4). El modelo fue estadísticamente significativo, F(3, 116)=31.82, p<.001, R²c=.43, explicando el 43% de la varianza en el rendimiento académico. Las horas de estudio (β=.42, p<.001), el bienestar psicológico (β=.35, p<.001) y el uso de redes sociales (β=-.25, p=.002) fueron predictores estadísticamente significativos. El predictor con mayor peso explicativo fue las horas de estudio (β=.42).»
Regresión jerárquica vs. stepwise vs. simultánea
Existen tres formas de introducir los predictores en el modelo:
Regresión simultánea (método Intro)
Todos los predictores entran al modelo a la vez. Es el método más recomendado cuando tienes hipótesis teóricas sobre qué variables incluir. Transparente y reproducible. El más adecuado para la mayoría de TFG.
Regresión jerárquica (bloques)
Los predictores se introducen en bloques secuenciales según su importancia teórica. El primer bloque puede incluir variables sociodemográficas (de control); el segundo bloque, los predictores de interés. Permite cuantificar cuánta varianza adicional explica cada bloque (ΔR²). Muy habitual en TFM y tesis doctorales.
Regresión stepwise (pasos sucesivos)
El software selecciona automáticamente qué predictores incluir o excluir según criterios estadísticos (forward, backward, stepwise). Metodológicamente cuestionado porque capitaliza el azar de la muestra y produce resultados difícilmente replicables. Evítalo salvo que tu director lo exija explícitamente y lo justifiques.
Detección y solución de multicolinealidad
La multicolinealidad ocurre cuando dos o más predictores están muy correlacionados entre sí (r > 0.80). Sus efectos son: coeficientes B inestables, errores típicos inflados y dificultad para interpretar el peso de cada predictor.
Criterios de diagnóstico en SPSS:
- Tolerancia > 0.10 (VIF < 10): sin multicolinealidad problemática
- Tolerancia 0.05–0.10 (VIF 10–20): multicolinealidad moderada; actuar con cautela
- Tolerancia < 0.05 (VIF > 20): multicolinealidad severa; es necesario actuar
Soluciones: eliminar uno de los predictores redundantes, combinarlos en un índice compuesto, centrar las variables antes de crear interacciones, o utilizar regresión de cresta (ridge regression) si necesitas mantener todos los predictores.
Errores frecuentes que debes evitar
- Interpretar R² sin R² corregida: la R² sobreestima la varianza explicada en muestras pequeñas. Siempre reporta la R² corregida.
- No verificar los supuestos: pasar directamente a interpretar los coeficientes sin comprobar normalidad, homocedasticidad y multicolinealidad invalida tus conclusiones.
- Confundir B y Beta: los coeficientes B sirven para la ecuación predictiva (en unidades originales); los Beta sirven para comparar la importancia relativa de los predictores (adimensionales).
- Afirmar causalidad con regresión correlacional: la regresión múltiple no prueba causalidad. Usa expresiones como «predice», «explica» o «se asocia», no «causa» o «determina».
- No reportar intervalos de confianza: APA 7 recomienda reportar siempre IC95% para cada coeficiente B, además del p-valor.
- Excluir predictores no significativos de la tabla: incluye todos los predictores en la tabla final aunque no sean significativos. La transparencia metodológica lo exige.
Para la redacción de la sección de resultados y la interpretación estadística, Tesify puede ayudarte a elaborar el texto con el lenguaje técnico correcto. Consulta también nuestro artículo sobre diseño experimental en tesis y validación de instrumentos de investigación.
Preguntas frecuentes
¿Cuántas variables puedo incluir en una regresión múltiple?
La regla general es disponer de al menos 10-20 participantes por cada predictor incluido en el modelo. Con n=120 puedes incluir entre 6 y 12 predictores de forma razonable. Incluir demasiados predictores con poca muestra produce sobreajuste: el modelo funciona bien con tus datos pero no generaliza a otras muestras. Si tienes muchos predictores potenciales, realiza primero un análisis de correlaciones bivariadas para seleccionar los más relevantes teóricamente.
¿Puedo incluir variables categóricas en la regresión múltiple?
Sí, mediante la creación de variables dummy (ficticias). Por ejemplo, si tienes la variable «sexo» (hombre/mujer), la codificas como 0 y 1. Para una variable con k categorías, creas k-1 variables dummy. SPSS puede hacer esto automáticamente: en el menú de regresión, haz clic en «Categóricas» y define los contrastes.
¿Qué hago si los residuos no son normales?
Con muestras grandes (n>100), el teorema central del límite hace que los estimadores de la regresión sean robustos a la no normalidad de los residuos. Con muestras pequeñas, puedes: (1) transformar la variable dependiente (logaritmo, raíz cuadrada), (2) identificar y gestionar los valores atípicos que distorsionan la distribución, o (3) usar métodos de regresión robusta que sean menos sensibles a outliers.
¿Con qué alternativa a SPSS puedo hacer la regresión múltiple?
R (gratuito) con la función lm() es la alternativa más potente y flexible. JASP (gratuito, interfaz gráfica) es muy accesible para estudiantes. Jamovi es similar a SPSS en su interfaz pero gratuito. Si tu universidad tiene licencia de SPSS, es la opción más cómoda. Para tesis doctorales, R es el estándar en muchas disciplinas por su reproducibilidad y transparencia.
¿Qué tamaño del efecto debo reportar para la regresión múltiple?
El tamaño del efecto estándar para la regresión múltiple es f² de Cohen, calculado como f²=R²/(1-R²). Según Cohen (1988): f²=0.02 (efecto pequeño), f²=0.15 (efecto mediano) y f²=0.35 (efecto grande). También puedes reportar directamente la R²c como medida del efecto global del modelo. Para cada predictor individual, reporta el coeficiente Beta estandarizado con su intervalo de confianza al 95%.
Fuentes de referencia: Dialnet — Regresión lineal múltiple con SPSS: ejemplo práctico | Universidad de Alicante — Análisis de Regresión Múltiple | Universidad de Granada — Teoría de Regresión con SPSS
Deja una respuesta