Cómo se usa
- Pega los datos con una fila por caso y una columna por variable. Pon los nombres en la primera fila.
- Elige la variable dependiente (Y) y marca los predictores (X) que quieres incluir.
- Mira la ecuación, R² y la prueba F del modelo; luego el valor p de cada predictor en la tabla de coeficientes.
- Introduce valores de X en Predecir para obtener la Y predicha con su intervalo de predicción.
Opciones explicadas
- B y Beta
- B es el coeficiente en las unidades originales: al subir X una unidad, Y cambia B de media. Beta es el coeficiente tipificado, para comparar predictores medidos en unidades distintas.
- R² y R² ajustado
- R² es la proporción de la variación de Y que explica el modelo. Nunca baja al añadir predictores, así que compara modelos con el R² ajustado.
- FIV
- El factor de inflación de la varianza indica cuánto se explica un predictor con los demás. Por encima de 10 (algunos textos dicen 5) hay fuerte multicolinealidad, y los coeficientes individuales dejan de ser fiables.
- Durbin–Watson
- Comprueba si los residuos contiguos están correlacionados. Los valores cercanos a 2 son buenos. Solo tiene sentido si las filas están en orden temporal.
Un ejemplo práctico
La muestra tiene 10 filas, con Y como variable dependiente y X1 y X2 como predictores.
Ecuación: Y = 0,4023 + 0,7876 × X1 + 1,0054 × X2
| Resumen del modelo | Valor |
|---|---|
| R² | 0,9986 |
| R² ajustado | 0,9982 |
| Error estándar de la estimación | 0,1993 |
| F(2, 7) | 2462,4, p < 0,001 |
| Coeficiente | B | EE | Beta | t | p | FIV |
|---|---|---|---|---|---|---|
| (Constante) | 0,4023 | 0,1625 | 2,476 | 0,042 | ||
| X1 | 0,7876 | 0,0825 | 0,511 | 9,550 | < 0,001 | 14,13 |
| X2 | 1,0054 | 0,1082 | 0,497 | 9,290 | < 0,001 | 14,13 |
Los dos predictores son significativos, pero su FIV de 14,1 supera 10 porque X1 y X2 están muy correlacionados entre sí. El modelo predice bien igualmente; lo que cuesta es separar el efecto de cada predictor. Desmarca X2 para hacer una regresión simple: Y = 1,2267 + 1,5261 × X1, R² = 0,981. Con X1 = 11, la Y predicha es 18,01, con un intervalo de predicción del 95 % de 16,11 a 19,91.
Formato APA: R² = .999, F(2, 7) = 2462.39, p < .001.
Cómo leer los resultados
- Prueba F del modelo: p < 0,05 significa que el modelo en conjunto explica algo.
- R² o R² ajustado: cuánta de la variación de Y se explica.
- Valores p de los coeficientes: qué predictores siguen importando al controlar por los demás.
- Gráfico de residuos: lo que buscas es una banda sin forma alrededor de 0. Una curva indica que la relación no es lineal; un embudo, que la varianza no es constante.
- FIV: con varios predictores, comprueba la colinealidad.
Preguntas frecuentes
¿Coincide con SPSS y R?
Sí. Los coeficientes, errores estándar, t, p, R² y F coinciden con la regresión lineal de SPSS y con lm() de R; Beta es el «coeficiente estandarizado» de SPSS.
¿Qué pasa con las celdas vacías?
Se excluye la fila que tenga una celda vacía en cualquiera de las columnas elegidas (eliminación por lista). El resultado indica cuántas filas se descartaron.
¿Cómo incluyo un predictor categórico como el sexo o la región?
Codifícalo antes en columnas ficticias (dummy) de 0/1. Con k categorías haz k − 1 columnas y deja una categoría como referencia.
¿Qué significa «perfectamente colineales»?
Que una columna se puede calcular a partir de las demás, por ejemplo una puntuación total junto a sus partes, o dos columnas idénticas. Desmarca una de ellas.
¿Se suben mis datos?
No. El cálculo se hace en tu navegador.
Privacidad
Esta herramienta funciona por completo en tu navegador. Tus archivos y textos se procesan en tu dispositivo y nunca se suben a nuestros servidores.