Tutorial 36 de 44 Regresión
Regresión logística binaria en SPSS: cómo leer Exp(B)
Tu regresión logística dice lo contrario de lo esperado porque SPSS modeló la otra categoría. Aprende a codificar la dependiente y a leer los Exp(B).
Cuándo se usa
La regresión logística binaria se usa cuando la variable dependiente tiene solo dos categorías: moroso o no moroso, aprueba o desaprueba, presenta la enfermedad o no la presenta, abandona o continúa. Evalúa qué variables aumentan o reducen la probabilidad de que ocurra el evento de interés.
Las predictoras pueden ser numéricas o categóricas. El resultado central de cada una es el Exp(B), que se interpreta como odds ratio.
No corresponde una regresión lineal con una dependiente de sí o no: predice valores fuera del rango de 0 a 1, que no tienen sentido.
Antes de empezar (qué necesita tu base)
- La dependiente codificada con 0 y 1, donde 1 es el evento que estudias.
- Las predictoras definidas. Las categóricas de tres o más categorías se declaran como tales dentro del análisis.
- El número de casos que presentan el evento. Se recomiendan al menos diez por cada predictora.
- Datos perdidos declarados.
El ejemplo es una tesis en una cooperativa de ahorro y crédito de Juliaca, con 200 socios, de los cuales 82 cayeron en morosidad. Las predictoras son el ingreso mensual, el número de créditos activos y si el socio recibió educación financiera.
Paso a paso en SPSS
Primero, la codificación de la dependiente:
- Abre la columna Valores de la dependiente. En el ejemplo, Moroso tiene 1 = Sí y 2 = No.
- Ve a Transformar > Recodificar en distintas variables.
- Pasa Moroso y nómbrala Moroso_R.
- En Valores antiguos y nuevos define: 1 a 1 y 2 a 0. Pulsa Continuar y Aceptar.
- En Vista de variables coloca las etiquetas: 0 = No, 1 = Sí.
Luego, el modelo:
- Ve a Analizar > Regresión > Logística binaria.
- Pasa Moroso_R a Dependiente.
- Pasa Ingreso, Creditos y EducFin a Covariables.
- Deja el Método en Introducir.
- Si alguna predictora tiene tres categorías o más, declárala en el botón Categórica.
- Haz clic en Opciones y marca Bondad de ajuste de Hosmer-Lemeshow e IC para exp(B) al 95 %. Pulsa Continuar.
- Pulsa Aceptar.
Cómo leer el resultado
Las tablas se leen en este orden.
Codificación de variable dependiente. Es la primera que hay que abrir, y casi nadie lo hace. Indica qué categoría recibió el valor interno 1, que es la que SPSS modela. Debe ser tu evento: Sí = 1.
Pruebas ómnibus de coeficientes de modelo. Chi cuadrado, gl y Sig. Si p es menor que 0,05, el modelo con las predictoras es mejor que el modelo sin ellas.
Resumen del modelo. El R cuadrado de Nagelkerke es un pseudo R cuadrado: una aproximación de cuánto explica el modelo, no un porcentaje exacto.
Prueba de Hosmer y Lemeshow. Aquí se busca una Sig. mayor que 0,05, que indica que el modelo ajusta bien a los datos.
Tabla de clasificación. El porcentaje global de casos que el modelo clasifica correctamente.
Variables en la ecuación. Para cada predictora: B, su Sig. y el Exp(B).
- Exp(B) mayor que 1: la predictora aumenta los odds del evento.
- Exp(B) menor que 1: los reduce.
- Si el intervalo de confianza del Exp(B) incluye el 1, no es significativa.
En el ejemplo, con la dependiente original (1 = Sí, 2 = No), la educación financiera salió con B de 0,848 y Exp(B) de 2,334. Leído así, educarse aumentaría la morosidad. La tabla de codificación mostraba Sí = 0 y No = 1: SPSS toma el código más alto como el evento, y el más alto era 2, no moroso. Todos los signos estaban invertidos.
Con Moroso_R: prueba ómnibus con chi cuadrado de 39,810, gl de 3 y p < 0,001; Nagelkerke de 0,243; Hosmer-Lemeshow con Sig. de 0,345, buen ajuste. La educación financiera tiene B de -0,848 y Exp(B) de 0,428: reduce los odds de morosidad en 57,2 %. Cada crédito activo adicional los multiplica por 1,829. El ingreso tiene Exp(B) de 0,998.
La tabla de clasificación dio 68,0 % en las dos corridas. Por eso no advierte del error de codificación.
Cómo redactarlo en tu tesis
Un párrafo modelo en formato APA 7:
Se realizó una regresión logística binaria para evaluar los factores asociados a la morosidad. El modelo fue estadísticamente significativo, χ²(3) = 39,81, p < 0,001, con un R² de Nagelkerke de 0,243, y presentó un ajuste adecuado según la prueba de Hosmer y Lemeshow (p = 0,345). El modelo clasificó correctamente al 68,0 % de los socios. Haber recibido educación financiera redujo los odds de morosidad en 57,2 % (OR = 0,428), mientras que cada crédito activo adicional los incrementó en 82,9 % (OR = 1,829). Se rechaza la hipótesis nula.
La tabla lleva, por predictora, B, error estándar, Wald, p, el OR y su intervalo de confianza al 95 %.
Errores frecuentes
No revisar la tabla de codificación de la dependiente. Si el evento no quedó con el valor 1, todos los coeficientes salen con el signo contrario. El riesgo es sustentar que un factor protector es un factor de riesgo.
Correr una regresión lineal con una dependiente de sí o no. El modelo predice valores imposibles y la elección de la prueba queda sin defensa.
Leer el Exp(B) como "veces que baja el riesgo". Escribir que con un Exp(B) de 0,428 el riesgo baja 0,428 veces es una lectura incorrecta, que cambia todo el resultado y que casi todos escriben mal.
Interpretar los coeficientes cuando Hosmer-Lemeshow es menor que 0,05. El modelo no ajusta, y el jurado lo observará.
Dejar como covariable una predictora de varias categorías. SPSS la trata como un número.
En MiTítulo, antes de una regresión logística revisamos tres cosas en tu base: cómo está codificada la dependiente, cuántos casos tienen el evento y si alguna predictora es categórica y hay que declararla.
Preguntas frecuentes
¿El R cuadrado de Nagelkerke es el porcentaje explicado?
No exactamente. Es un pseudo R cuadrado y se reporta como una aproximación.
¿Qué hago si Hosmer-Lemeshow sale menor que 0,05?
El modelo no ajusta bien. Si interpretas así tus coeficientes, tu jurado lo va a observar.
¿Cuántos casos con el evento necesito?
Se recomiendan al menos diez por cada predictora. En el ejemplo hay 82 morosos y tres predictoras, así que alcanza.
Un cero y un uno al revés y tu tesis dice lo contrario de lo que pasa. Escríbenos al WhatsApp y revisamos tu caso sin costo.
Escríbenos al WhatsApp