TEMA 1.

INTRODUCCIÓN
1. Diseño de investigación
○ Causalidad (covariación vs relación causal)
○ Metodología experimental vs no experimental
● Experimentos
- Clásico
- Actual
● Cuasi-experimentos
● No experimentos
○ Validez de una investigación
2. Análisis de datos

1. DISEÑO DE INVESTIGACIÓN

CAUSALIDAD (covariación vs. relación causal)

La causalidad se trata de las relaciones causa-efecto entre dos o más variables. Para que exista relación entre dos
variables es suficiente con que exista covariación estadística, pero para establecer relaciones causales entre
variables es necesario que se cumplan estos 3 requisitos simultáneamente:

1. Covariación entre variables.

2. Precedencia temporal de la VI sobre la VD, de forma que la VI debe darse antes, producirse y anteceder
a la VD, y cuanto más inmediatamente siga la VD a la VI mejor será. Es decir, es importante e interesante
dejar el menor tiempo posible después de la variable independiente antes de medir la variable dependiente.
3. Descartar hipótesis alternativas a la causalidad. De acuerdo con el modelo lineal general se debe
minimizar lo máximo posible la varianza error y maximizar la varianza sistemática. Ejemplo: usar
aleatorización en la muestra para añadir más control y descartar más hipótesis alternativas. (Modelo Lineal
General: minimizar varianza error ↔ maximizar varianza sistemática).
Es necesario la manipulación de la variable independiente para que se trate de una investigación experimental.
Además, lo que diferencia a los verdaderos experimentos de los cuasiexperimentos se trata de la asignación
aleatoria (necesaria en los experimentos puros). Los experimentos puros tienen una mayor validez interna por
defecto, y se trata de un diseño paradigmático. No obstante, los cuasiexperimentos y la investigación no
experimental tienen menos validez interna por defecto. Por otro lado, en la investigación no experimental nos
encontramos con diseños descriptivos, relacionales o predictivos, comparativos, y teóricos o explicativos.

METODOLOGÍA EXPERIMENTAL VS. NO EXPERIMENTAL

Principal división dentro de la metodología cuantitativa.

- Estudios experimentales (y cuasiexperimentales): existe manipulación de la variable independiente,

asignación aleatoria a las condiciones en el caso de los experimentos puros y un elevado control, lo que se
entiende que es el objetivo fundamental para poder descartar hipótesis alternativas. Estos diseños permiten
establecer causales.

- Estudios no experimentales (“cajón de sastre” en donde incluimos todo tipo de estudios que no cumplen
alguno de los requisitos anteriores): el investigador selecciona o mide las VD, no existe asignación
aleatoria a las condiciones (puesto que no hay manipulación, no es posible), carecen de un adecuado
control. “Mantra”: no permiten establecer relaciones causales (¡OJO!, causalidad fuerte vs. débil →
Johnson, 2001).

- Dejamos de lado nomenclaturas como observacional o correlacional por solapamiento con técnicas.
Además, correlacional (investigación o diseño de carácter correlacional) es un término que parece estar
confundido en la cultura metodológica de muchos investigadores (Johnson, 2001).

Experimentos: [CLAVE: manipulación (VI) + aleatorización (de carácter experimental)]

→ EXPERIMENTO CLÁSICO: un solo factor o VI (experimento unifactorial)

○ Control del entorno → “laboratorio”.

○ Manipulación: tratamientos, intervenciones, condiciones de laboratorio (listado de
palabras, etc.)
○ Mucha tradición (algunos efectos muy claros y replicados).
○ Experimentos simples (con poco o nada control por diseño sobre otras variables).
○ Con sujetos distintos (muestras independientes – factor INTER-sujeto) o con los
mismos sujetos (muestras relacionadas – factor INTRA-sujeto).
○ Aleatorización de carácter experimental:
✓ Factor INTER → aleat. de participantes a niveles del factor.
✓ Factor INTRA → aleat. del orden de aplicación de los niveles del factor.
✓ Variable o factor experimental ≠ variable o factor INTER/INTRA.

→ EXPERIMENTO ACTUAL: más de un factor o VI (experimento factorial → mayor validez interna)

○ Control del entorno → “laboratorio”.

○ Al menos un factor experimental (manipulado y con asignación aleatoria de carácter
experimental). → ¿alcance?
○ Efecto interacción (modelos no aditivos).
○ Distintas denominaciones.
○ Generalmente, 2 factores:
✓ INTER x INTER → completamente aleatorizados – CA.
✓ INTRA x INTRA → medidas repetidas – MR (poco frecuentes).
✓ INTER x INTRA → mixtos.
Cuasi-experimentos: [CLAVE: manipulación (VI) sin aleatorización (de carácter experimental)]

○ No es posible aleatorizar participantes a condiciones (muy costoso, interrumpe dinámicas, etc.) → ↓

validez interna
○ Grupos naturales → ¿Control del entorno?, ↑ validez externa (ecológica)
○ Evaluación de programas (valorar algún tipo de intervención).
○ Importancia del nivel previo (PRE), comparación tras intervención (POST) y medidas de seguimiento.
○ Multitud de diseños con nombre propio: con grupo de control no equivalente, solo post, pre-post, doble
pre-test, VD no equivalentes, serie temporal interrumpida, discontinuidad en la regresión, N = 1, con
retirada de tratamiento (RX).
○ Predominio enfoque factorial mixto → INTER x INTRA: Diseño pre-post con grupo de control no
equivalente.

No experimentos: [CLAVE: solo medición de variables (sin manipulación → sin aleatorización)]

Johnson (2001): clasificación a partir de dos dimensiones. ↓ ↓ ↓ ↓ ↓ validez interna

OBJETIVO INVESTIGACIÓN DIMENSIÓN TEMPORAL

Descriptivo: ¿intenta el investigador describir el Transversal: Un único momento en el tiempo,

fenómeno como objetivo principal? ¿Intenta pudiendo establecer descripciones, así como relaciones
documentar las características del fenómeno? y comparaciones entre variables.

Relacional/predictivo: ¿Intenta el investigador Longitudinal retrospectivo: se parte de los datos de VD

establecer relaciones entre variables? En ocasiones, el (resultado, efecto) existentes, y se busca información
objetivo es establecer pronósticos. “hacia atrás” sobre los factores que ayudan a explicar
las diferencias actuales en VD.
Explicación: ¿Trata el investigador de desarrollar o
probar una teoría sobre el fenómeno para explicar Longitudinal prospectivo: Selección de participantes
cómo y por qué opera? ¿Trata de identificar los por presentar cierta característica (factor, fenómeno) y
factores que producen el cambio? se recoge información “hacia adelante” para registrar
los potenciales efectos.

○ Enfoque “Data Analytics”/“Big Data” vs. Enfoque “adquisición conocimiento científico”.

○ ¿Control del entorno?
○ Descriptivos: análisis de historias clínicas, estudios por encuesta (importancia del muestreo probabilístico),
estudios epidemiológicos, estudios demográficos. Estudios de tendencias/patrones (sujetos distintos),
estudios de panel (mismos sujetos).
○ Relacional/predictivos: Estudios caso-control (sujetos distintos), diseños de cohorte (mismos sujetos).
○ Explicativos: estudios descriptivos con fines explicativos, Modelos de Ecuaciones Estructurales (MEE),
dimensión latente o medición de constructos (Análisis Factorial), correlaciones con intervalos cruzados
(crosslagged) y medición repetida.
VALIDEZ DE UNA INVESTIGACIÓN

La calidad de una investigación y de las conclusiones que de ella se extraen se operativiza en Psicología y Ciencias
Sociales por medio del concepto de validez o validez experimental, siguiendo la concepción planteada por el grupo
de Campbell (Campbell y Stanley, 1966; Cook y Campbell, 1979; Shadish, Cook y Campbell, 2002).

4 tipos:

A. INTERNA: garantías de atribución VI → VD.

B. EXTERNA: generalización a otros ámbitos.
C. DE CONSTRUCTO: garantías teóricas.
D. DE LAS CONCLUSIONES ESTADÍSTICAS: si éstas son derivadas adecuadamente.

2. ANÁLISIS DE DATOS

Ver esquema “Elección técnica estadística” en campus virtual

- Nivel de medida de las variables.

- Información descriptiva (estadística univariada).
- Contraste de hipótesis estadísticas.
- Supuestos estadísticos.
- Pruebas paramétricas y no paramétricas.
- Estadística multivariada (por ejemplo, Análisis Factorial, regresión múltiple, ...)
 TEMA 2. A NÁLISIS MIXTO DE LA VARIANZA

1. ANOVA DE 1 FACTOR DE MEDIDAS REPETIDAS

Los mismos sujetos en distintas condiciones.

- Distintas variables.
- Distintos momentos de medición.

Las medidas no son independientes entre sí.

VENTAJAS
- Menos sujetos
- Eliminar las diferencias entre los sujetos

INCONVENIENTES
- Supuestos más exigentes
- Vigilar los efectos de la repetición

En el ANOVA de un factor de medidas repetidas tenemos a los mismos sujetos a los que les pasamos distintas
condiciones experimentales. Nos podemos encontrar con dos opciones: distintas variables o distintos momentos de
medición. Todos los sujetos pasan por todas las categorías posibles, por lo que las medidas no son independientes
entre sí.

Este tipo de ANOVA presenta las ventajas de que son necesarios menos sujetos y elimina las diferencias entre los
sujetos. No obstante, surgen los inconvenientes de que los supuestos son más exigentes y se deben vigilar los
efectos de la repetición, como el aprendizaje o la fatiga.

ESTRUCTURA DE DATOS
A medida que voy añadiendo condiciones experimentales o momentos de medición, debemos añadir nuevas
columnas en la estructura de los datos; pero nunca filas, dado que son los mismos sujetos en distintas condiciones,
y no distintos sujetos.
DESCOMPOSICIÓN DE LA VARIANZA:
- Variabilidad intergrupos o intrasujeto
- Variabilidad intersujetos
- Variabilidad error

ESTADÍSTICO DE CONTRASTE:

El estadístico de contraste se trata del estadístico F de Fisher, de forma que a medida que sea más grande la F
mayor probabilidad hay de que se haya producido un efecto de las distintas mediciones.

SUPUESTOS DEL MODELO:

● Independencia de las puntuaciones entre los distintos sujetos.
● Normalidad de la distribución de los datos.
● Esfericidad o circularidad → Si se incumple: alternativas al estadístico F

En el caso de que no se cumplan estos supuestos deberemos buscar otras alternativas al estadístico F.
SPSS:

En el SPSS se calcula con el siguiente comando: Analizar -> Modelo Lineal General -> Medidas repetidas.
Metemos el número de niveles que tiene el factor intrasujetos y seleccionamos los distintos niveles en su lugar.
Pedimos un gráfico cuyo eje horizontal sea el factor intrasujeto. En medias marginales estimadas pedimos las
medias para todo, y que compare los efectos principales con la prueba de Bonferroni. Además, en opciones
pedimos los estadísticos descriptivos, estimaciones del tamaño del efecto, la potencia observada y la prueba de
homogeneidad. Por último, aceptamos todo para que el programa lo calcule.

Para la interpretación, en primer lugar, debemos observar las medias de cada grupo de tratamiento. A
continuación, nos vamos a las pruebas de efectos intra-sujetos. Dependiendo de si se cumple el supuesto de
esfericidad deberemos fijarnos en la fila “esfericidad asumida” o alguna de sus alternativas. Para comprobar este
supuesto observamos la tabla de “Prueba de esfericidad de Mauchly”. Si tenemos una significación mayor a 0,05
observamos los efectos intra-sujetos con esfericidad asumida.

Por otro lado, si la significación aquí es menos de 0,05 (estadísticamente significativo) deberemos observar las
pruebas multivariantes para tomar una decisión. En caso de que no fuera significativo, es decir, la significación
de las pruebas multivariantes es mayor a 0,05 deberemos observar nuevamente la tabla de las pruebas de efectos
intra-sujetos. Si es estadísticamente significativo el efecto de la variable, nos vamos a las comparaciones por
pares o parejas, para comprobar entre qué grupos son significativas las diferencias. Además, nos podemos ayudar
con un gráfico para la interpretación. Podemos mirar a su vez la potencia y el eta cuadrado parcial para comprobar
la fuerza de las conclusiones estadísticas.
 2. ANOVA DE 2 FACTORES DE MEDIDAS REPETIDAS EN UNO

1 factor es intrasujeto y el otro, intersujeto.

Diseños factoriales mixtos.

En el ANOVA de dos factores con medidas repetidas en uno o el ANOVA factorial mixto nos encontramos con
un factor intrasujetos (en el que todos los individuos pasan por todas las condiciones de este factor) y un factor
intersujeto (en el que se dividen los individuos en las distintas condiciones de este factor).

VENTAJAS
- Menos sujetos que grupos aleatorios (2 factores intersujeto).
- Los efectos de aprendizaje, fatiga son menores que con dos factores intrasujeto (MMRR en ambos
factores).

Como ventajas nos encontramos con menos sujetos que con grupos aleatorios o dos factores intersujeto y menores
efectos de aprendizaje y fatiga que con dos factores intrasujeto.

DESCOMPOSICIÓN DE LA VARIANZA
- Varianza asociada al factor A
- Varianza asociada al factor B
- Varianza asociada a la interacción AB
- Variabilidad error, que se divide a su vez en:
- Variabilidad intersujetos S
- Debida a la interacción B x S

ESTADÍSTICO DE CONTRASTE

SUPUESTOS DEL MODELO

● Independencia: es decir, se trata de un muestreo aleatorio
● Normalidad: se comprueba mediante la prueba de Kolmogorov-Smirnov
● Varianzas iguales: este supuesto es para el factor intersujeto, y se comprueba mediante la prueba de Levene
● Esfericidad multi-muestra: se trata de la esfericidad de las matrices varianzas-covarianzas (para los J
niveles del factor intersujeto) e igualdad de esas matrices. Se calcula para el factor intrasujeto mediante la
prueba de Mauchly y la prueba de Box.
SPSS: Analizar → Modelo lineal general → Medidas repetidas

Definimos la variable intrasujetos y la intersujetos. En opciones le pedimos estadísticos descriptivos, tamaño del
efecto, potencia observada y pruebas de homogeneidad. En medias marginales estimadas metemos todos los
factores y pedimos los efectos principales con la prueba de Bonferroni. Pedimos un gráfico. Le damos a PEGAR,
nunca ACEPTAR. Copiamos la parte del código que no aparece.

En primer lugar, observamos la información descriptiva, para comprobar las medias de cada grupo de tratamiento
en cada momento temporal. Empezamos observando la prueba de Box para analizar si se cumple el supuesto de
esfericidad multi-muestra. Si la significación está por encima de 0,05 entonces se cumplirá el principio de
esfericidad multi-muestra. A continuación, vamos a la prueba de Mauchly para comprobar la esfericidad. Si esto
se cumple, asumimos esfericidad. Si no se cumple el supuesto (significación menor a 0,05) deberemos utilizar
estadísticos F alternativos.

Si la prueba de Mauchly es estadísticamente significativa, es decir, no se cumple el supuesto, deberemos mirar la

tabla de pruebas multivariantes para ver si la F es significativa (menor de 0,05) o no, y por tanto si hay un efecto
de las variables o no. Si es significativa (menor de 0,05) podemos afirmar que las diferencias de medias son
significativas. Por otro lado, si no es significativo (mayor de 0,05) deberemos mirar las pruebas alternativas a F en
pruebas de efectos intrasujetos, donde observaremos alguno de los tres estadísticos sin esfericidad asumida para
ver si el factor intra o la interacción tienen efecto estadísticamente significativo (medias distintas) o se consideran
medias iguales.

Además, tanto si comprobamos la F en Pruebas de efectos intrasujetos como si lo hacemos en Pruebas

multivariantes, deberemos analizar cómo es el eta cuadrado parcial y la potencia observada, para ver las
garantías de los resultados.

En cuanto a la igualdad de varianzas, debemos mirar la prueba de Levene para comprobar si se cumple el
principio de homocedasticidad. Si la significación de la prueba de Levene es menor de 0,05 no podemos calcular un
estadístico alternativo más robusto en SPSS, por lo que no podremos comprobar el efecto del factor intersujeto. Si
la significación es mayor de 0,05podremos asegurar que se cumple el supuesto de homocedasticidad. En ese caso
iremos a las Pruebas de efectos intersujetos y comprobamos si este factor tiene efectos significativos
(significación menor de 0,05). En caso de que tenga efectos significativos deberemos observar el eta cuadrado
parcial y la potencia observada para ver las garantías de los resultados.

Posteriormente sólo comprobamos las tablas de comparaciones por pares de los factores que hayan salido
significativos, para comprobar cómo son esas diferencias de medias y entre qué grupos. Por último, interpretamos
el gráfico para una mejor visualización de los resultados
 TEMA 3. A NÁLISIS DE REGRESIÓN CURVILÍNEA

1. DEFINICIÓN Y USOS

En cursos anteriores hemos estudiado la regresión lineal (y la correlación lineal de Pearson), pero ese es solo un
caso particular de relación entre dos variables.

A veces, buscar una relación lineal nos puede llevar a la conclusión equivocada.

- Ejemplo: Para estudiar el efecto de la ansiedad en el rendimiento en una tarea, medimos ambas variables en
una muestra de 25 participantes. Mediante la correlación habitual de Pearson vemos que r = ,213, r2 =
,045, p = ,306. La relación no es estadísticamente significativa, y la ansiedad solo explica el 4,5% de las
puntuaciones de rendimiento.

Es un resultado extraño, ya que sabemos que ambas variables están normalmente relacionadas. Entonces, ¿qué está
pasando?

En ocasiones, buscar una relación lineal nos puede llevar a realizar una conclusión equivocada, por eso puede ser
importante buscar una relación curvilínea.

Cuando esto ocurre, es decir, hay una relación curvilínea, el gráfico de dispersión muestra que los puntos no se
ajustan a la recta dibujada por la ecuación del modelo lineal. Sin embargo, los puntos dibujan un claro patrón de
relación, pero que no es lineal. La relación curvilínea se representa por una ecuación no lineal que produce una
línea curva. Nos encontramos con varias ecuaciones curvilíneas para ajustarse a diferentes patrones.

Trabajaremos únicamente con un predictor, de forma que r^2 es el tamaño del efecto, que se trata de la correlación
de las variables al cuadrado.
 2. ESTIMANDO LA REGRESIÓN CURVILÍNEA

SPSS ofrece 11 modelos distintos, de los cuales 10 son de estimación curvilínea. Nosotros utilizaremos el modelo
cuadrático, que presenta forma de U o de U invertida, dependiendo de las variables que se estudien.

En el SPSS ponemos Analizar → Regresión → Estimación curvilínea. En variable dependiente metemos la

variable criterio, que es aquella de la que queremos predecir el resultado, mientras que en la variable
independiente metemos la variable predictora, que es aquella de la que manejamos información y a partir de la
cual queremos predecir el valor de la otra variable. Pedimos el modelo lineal, logarítmico y cuadrático. Pedir tabla
de ANOVA.

Vamos modelo a modelo observando el análisis. Observamos a cuánto equivale el R cuadrado, para ver que
porcentaje de la varianza de la variable criterio se ve explicada por la variable predictora. Se observa en la tabla del
ANOVA si ese tamaño del efecto es estadísticamente significativo o no. Finalmente nos quedamos con el modelo
que tenga un R cuadrado más alto y una significación más baja, dado que se trata del que mejor predice la variable
criterio. A su vez, en caso de que dos modelos tengan un tamaño del efecto muy similar, deberemos quedarnos con
aquel que resulta más simple.

Por último, nos ayudamos de los gráficos para observar cómo son los datos y se ajustan a los distintos modelos de
regresión.
 TEMA 4. REGRESIÓN LOGÍSTICA BINARIA

1. ÍNDICES DE RIESGO (RR) Y ODDS RATIO (OR)

Más que saber si hay relación entre un factor y la respuesta, interesa cuantificar la relación existente, comparando
lo que ocurre con sujetos expuestos y no expuestos al factor. Estos datos se pueden analizar en primer lugar
mediante la prueba chi-cuadrado. Si ambas variables categóricas están relacionadas, entonces tiene sentido tratar de
cuantificar la relación.
Conviene diferenciar entre tipo de diseños / datos:

La regresión logística binaria se suele aplicar en estudios de corte longitudinal:

- Estudios longitudinales prospectivos o de cohortes: se clasifica a los sujetos en dos grupos dependiendo de
la presencia/ausencia de algún factor de interés. Por ejemplo: el hábito de fumar. Se hace seguimiento
durante un período de tiempo para determinar la proporción de sujetos de cada grupo en los que se da la
respuesta o desenlace objeto de estudio (por ejemplo, infarto).

En este caso, el riesgo de sufrir infarto entre los fumadores es 3 veces más grande que el riesgo de sufrirlo entre los
no fumadores (riesgo relativo). Si los valores se encuentran entre 0 y 1, el riesgo se interpreta en el sentido
contrario, de forma que en lugar de aumentar el riesgo el cociente indica que el riesgo disminuye. Si se trata de un
valor de 1, entonces el riesgo es el mismo estando expuesto que estando no expuesto al factor.

Deberemos establecer intervalos de confianza al 95% para establecer hasta qué punto el riesgo relativo (RR) es
estadísticamente significativo, para lo que el 1 deberá quedar fuera. El criterio es dejar fuera el valor 1 (aquel que
indica una comparación entre proporciones iguales: cociente = 1 → RR = 1”)
- Estudios longitudinales retrospectivos o de casos-controles: se forman dos grupos de sujetos a partir de la
presencia/ausencia de la respuesta o desenlace objeto de estudio (por ejemplo, sujetos sanos frente a
sujetos que han sufrido un infarto), y se hace un seguimiento hacia atrás intentando encontrar información
sobre la proporción en la que aparece en cada grupo un determinado factor de interés (por ejemplo, el
hábito de fumar).

En estos estudios, a partir de las historias clínicas indagamos sobre un potencial factor. Este grupo se
denomina “casos”. Debemos coger también otro grupo de personas que no hayan tenido el resultado. Lo
ideal es componer un grupo que comparta el mayor número de características respecto a los casos, excepto
por el resultado final. Este nuevo grupo se trata de los “controles”. Lo normal es utilizar entre 1-4 controles
por cada caso que incluyamos en el estudio. Cuando el riesgo relativo es inadecuado calcularlo,
calcularemos el Odds Ratio, que se trata de la razón de ventajas o de productos cruzados.

​ Odds Ratio se trata de una estimación del riesgo relativo cuando trabajamos con diseños retrospectivos o
de casos-control. En este caso, obtenemos que la proporción de fumadores que sufren un infarto es 3,27
veces mayor que la que se registra entre los no fumadores que también sufren un infarto. Si los valores se
encuentran entre 0-1 el riesgo se interpreta en el sentido contrario, de forma que la proporción disminuye.
Si se trata de un valor de 1, entonces el riesgo es el mismo estando expuesto que estando no expuesto al
factor. Deberemos establecer intervalos de confianza al 95% para establecer hasta qué punto el riesgo
relativo es estadísticamente significativo, para lo que el 1 deberá quedar fuera.
 2. CARACTERÍSTICAS DEL MODELO

¿CUANDO UTILIZAR REGRESIÓN LOGÍSTICA BINARIA?

La regresión logística binaria busca pronosticar los valores de una variable dependiente (VD) o criterio dicotómica
a partir de una o más variables independientes (VI) o predictoras, que son categóricas o cuantitativas.

- La VD es dicotómica, definiendo dos grupos. Es la variable cuyos valores se desea pronosticar. Por
ejemplo, presencia o ausencia de una determinada enfermedad, síntoma, recuperación, recaída, etc.

- Clasificamos a los sujetos en una de las dos categorías de la VD: «Sí» o «No». RECOMENDABLE: 0 –
NO (ausencia) / 1 – SÍ (presencia).

- No distinguimos entre estudios longitudinales prospectivos y retrospectivos. Si así lo desea el/la

investigador/a, existen fórmulas que permiten traducir (en ciertas condiciones) valores OR en valores RR.

¿POR QUÉ ESTE MODELO DE REGRESIÓN?

La relación entre variables cuantitativas suele estudiarse mediante regresión lineal.

Cuando la VD/criterio es dicotómica (toma valores 0 y 1) la regresión lineal no es apropiada porque una variable
dicotómica no puede ajustarse a una distribución normal, sino que se ajusta a una binomial.

Aplicar un modelo lineal llevaría a obtener pronósticos imposibles (menores que 0 y mayores que 1).

La regresión logística por otro lado permite ajustar el modelo a este tipo de respuestas o valores adoptados por la
variable criterio (0/1).
 3. REGRESIÓN LOGÍSTICA BINARIA CON SPSS

En SPSS le damos Analizar → Regresión → Logística binaria.

En dependientes metemos la variable dependiente y el covariables la predictora. Le damos a categórica y metemos

la variable independiente y pedimos un contraste indicador y en categoría de referencia “Primero”. En opciones
pedimos bondad de ajuste e intervalo de confianza al 95%. Pedimos visualización en cada paso.

Para analizar los resultados, en primer lugar, nos fijamos en como están codificadas las variables. Para ello, vamos
a “Codificaciones de variables categóricas”, de forma que la variable que tenga un valor de 0 será la categoría de
referencia, a partir de la cual se realizarán las comparaciones. A continuación, vamos al bloque 1 a la “prueba
ómnibus” y comprobamos la significación, para ver si el modelo tiene valor predictivo. Después, en el “resumen
del modelo” se interpreta el R cuadrado de Nagelkerke, que se trata del porcentaje en que mejora el ajuste
respecto al modelo nulo. A mayor R cuadrado mejor ajuste tendremos.

Posteriormente nos fijamos en la “Prueba de Hosmer y Lemeshow”, que comprueba como de grandes son los
residuos, pero solo se utiliza en regresión multivariada. Luego observamos la “tabla de clasificación”, donde nos
informa del predictor teniendo en cuenta el pronóstico. Observamos únicamente el porcentaje global, que se trata
de la clasificación correcta.

Observamos la tabla “variables de la ecuación” e interpretamos los exponenciales de B, que se trata de la Odds
ratio, la razón de ventajas de la categoría que estoy valorando respecto a la categoría de referencia. Si la
significación es menor de 0,05 entonces podemos asegurar que el coeficiente es estadísticamente significativo
distinto de 1. Y observamos en el intervalo de confianza si el valor de 1 queda fuera.