Todos los tutoriales de SPSS

Tutorial 35 de 44 Regresión

Regresión lineal múltiple en SPSS: VIF y coeficientes

Tu regresión dice que la experiencia no influye, pero se duplica con la edad. Aprende a correr la regresión lineal múltiple en SPSS y a leer el VIF.

Cuándo se usa

La regresión lineal múltiple evalúa cómo varias variables independientes, en conjunto, predicen una variable dependiente numérica. Es la prueba para hipótesis del tipo "la capacitación, la experiencia y la motivación explican la productividad".

Aporta lo que no dan varias correlaciones separadas: el efecto de cada predictora controlando el efecto de las demás, y cuál de ellas pesa más.

Corresponde cuando la dependiente es numérica y hay dos o más predictoras. Si la dependiente es de sí o no, la prueba es la regresión logística; si es un nivel ordinal, la regresión ordinal.

Antes de empezar (qué necesita tu base)

  • La variable dependiente con medida Escala.
  • Las predictoras numéricas. Una predictora categórica, como el sexo, necesita una codificación especial antes de entrar.
  • Sustento teórico para cada predictora. El modelo se arma con las variables de tu hipótesis.
  • Suficientes casos por cada predictora.
  • Datos perdidos declarados y valores extremos verificados.

El ejemplo es una tesis en una empresa de confecciones de Trujillo, con 120 operarios. La dependiente es la productividad, en prendas terminadas por día. Las predictoras son horas de capacitación, años de experiencia, edad y motivación.

Paso a paso en SPSS

  1. Ve a Analizar > Regresión > Lineal.
  2. Pasa Productividad a Dependiente.
  3. Pasa las predictoras a Independientes: Capacitacion, Experiencia, Edad y Motivacion.
  4. Deja el Método en Introducir.
  5. Haz clic en Estadísticos.
  6. Marca Estimaciones, Ajuste del modelo y Diagnósticos de colinealidad. Pulsa Continuar.
  7. Pulsa Aceptar.
  8. Lee el Resumen del modelo, la tabla ANOVA y la tabla Coeficientes, incluida la columna VIF.
  9. Si dos predictoras tienen un VIF alto, revisa su relación en Analizar > Correlacionar > Bivariadas.
  10. Con sustento teórico, retira una de las dos del recuadro Independientes y repite la regresión.

Cómo leer el resultado

Resumen del modelo. En regresión múltiple se reporta el R cuadrado ajustado, que penaliza cada predictora que se agrega sin aportar.

ANOVA. F y su Sig. indican si el modelo en conjunto es significativo.

Coeficientes. Cada predictora tiene una fila:

  • B: cuánto cambia la dependiente por cada unidad de esa predictora, con las demás constantes.
  • Sig.: si su aporte es significativo.
  • Beta: el coeficiente estandarizado. Sirve para comparar cuál pesa más, porque no depende de la unidad de medida.
  • VIF: el factor de inflación de la varianza. Mide cuánto se repite esa predictora con las otras. Mayor que 10 es grave, y varios autores alertan desde 5.

En el ejemplo, el primer modelo explicó el 45,8 % de la productividad (R cuadrado de 0,458). Capacitación y motivación salieron significativas. Experiencia salió con Sig. de 0,983 y edad con 0,154. La lectura directa sería que la experiencia no influye, algo difícil de sostener: un operario con diez años de oficio produce más que uno nuevo.

La columna VIF lo explica: 13,845 para experiencia y 13,823 para edad. La correlación entre ambas es de 0,963. Casi todos los operarios empezaron a coser a la misma edad, de modo que una variable repite a la otra. Eso es multicolinealidad: el modelo no puede separar el efecto de cada una, y sus coeficientes dejan de ser confiables.

Se retiró la edad y se conservó la experiencia, que es la que sustenta el marco teórico del estudio. En el nuevo modelo, experiencia tiene B de 0,526 con p < 0,001: cada año de experiencia suma algo más de media prenda al día. El VIF máximo es 1,007.

El R cuadrado casi no cambió: 0,449, con R cuadrado ajustado de 0,434 y F de 31,475, p < 0,001. La edad no aportaba información nueva.

Con las betas estandarizadas se compara el peso: capacitación 0,402, motivación 0,389 y experiencia 0,359. La capacitación es la que más explica.

Si tu marco teórico habla de edad y no de experiencia, la decisión sería la contraria.

Cómo redactarlo en tu tesis

Un párrafo modelo en formato APA 7:

Se realizó una regresión lineal múltiple para evaluar si la capacitación, la experiencia y la motivación predicen la productividad. La edad se excluyó del modelo por presentar colinealidad con la experiencia (r = 0,963; VIF > 10). El modelo final fue estadísticamente significativo, F(3, 116) = 31,48, p < 0,001, y explicó el 43,4 % de la variación de la productividad (R² ajustado = 0,434). Las tres variables fueron predictores significativos: capacitación (β = 0,402), motivación (β = 0,389) y experiencia (β = 0,359; B = 0,526, p < 0,001). No se observó multicolinealidad (VIF máximo = 1,007). Se rechaza la hipótesis nula.

La tabla lleva una fila por predictora con B, error estándar, beta, t, p y VIF. Se añade la ecuación del modelo y, aparte, la verificación de los supuestos.

Errores frecuentes

Concluir que una predictora no influye sin revisar el VIF. Dos variables que miden casi lo mismo se anulan entre sí. El riesgo es rechazar una hipótesis específica por un problema del modelo y no de los datos.

Correr una regresión simple por cada predictora. Cada resultado sale inflado, porque no controla el efecto de las demás, y las conclusiones no se sostienen.

Sacar predictoras y repetir hasta que todo salga significativo. Retirar variables por su valor p infla los resultados, y el jurado conoce la práctica. El modelo que se reporta es el que plantea la hipótesis.

Ingresar una variable categórica tal como está codificada. El coeficiente no significa nada si la variable no se codificó de forma adecuada.

Reportar el R cuadrado sin ajustar. Sobreestima lo que explica el modelo.

En MiTítulo, antes de una regresión múltiple revisamos tres cosas en tu base: que haya suficientes casos por cada predictora, que las predictoras no se correlacionen demasiado entre sí y que cada una tenga sustento en tu marco teórico.

Preguntas frecuentes

¿Reporto el R cuadrado o el ajustado?

En regresión múltiple se reporta el ajustado. Penaliza cada predictora que agregas sin que aporte.

¿Puedo incluir una variable como el sexo?

Sí, pero se codifica de forma especial. Si la ingresas tal cual, su coeficiente no significa nada.

¿Uso Introducir o pasos sucesivos?

Introducir, porque estás probando tu hipótesis. Con pasos sucesivos, es SPSS el que elige las variables por ti.

Dos variables que dicen lo mismo y tu hipótesis se cae sola. Escríbenos al WhatsApp y revisamos tu caso sin costo.

Escríbenos al WhatsApp
Diagnóstico sin costo