Si has metido tu <em>R</em>² directamente en la casilla de tamaño del efecto de G*Power, el cálculo de muestra que te ha salido está mal. G*Power pide <strong><em>f</em>²</strong>, que es otra cosa, y la conversión es una división.
f² = R² / (1 − R²)
El R² es la proporción de varianza explicada sobre el total: va de 0 a 1 y se lee como un porcentaje. Es la cifra que se reporta en el artículo.
El f² es la varianza explicada sobre la NO explicada: varianza de la señal partido por varianza del ruido. No tiene techo, y por eso sirve para calcular potencia, donde lo que importa es la relación entre efecto y error.
Son la misma información en dos escalas, igual que el eta cuadrado y la f de Cohen en un ANOVA. Pero los umbrales NO se parecen: R² pequeño es .02 y f² pequeño también es .02, mientras que R² = .26 (grande) es f² = .35.
Hay dos usos distintos y G*Power los distingue en dos pantallas diferentes:
El del modelo completo («Linear multiple regression: Fixed model, R² deviation from zero»): f² = R²/(1−R²), que es lo que calcula esta página. Contesta a si el modelo entero explica algo.
El del incremento («R² increase»): f² = (R²completo − R²reducido)/(1 − R²completo). Contesta a si ESE predictor aporta algo por encima de los demás, que casi siempre es la pregunta real de la hipótesis.
Usar el primero cuando la hipótesis es del segundo sobrestima la potencia y calcula una muestra menor de la que hace falta. Es el error más caro de este eje, porque no se ve hasta que el estudio ya está recogido.
El R² sube siempre que se añade un predictor, aunque sea ruido: con tantos predictores como casos, llega a 1 sin explicar nada. El ajustado penaliza por el número de predictores y puede incluso salir negativo, que es su forma de decir que el modelo no aporta.
Para la potencia se usa el R² sin ajustar, porque es el que corresponde a la fórmula. Para el artículo se reportan los dos, y si la diferencia entre ellos es grande, eso es información: significa que estás pagando muchos grados de libertad por poca explicación.
La comprobación de que tus grados de libertad de residuo cuadran con la muestra que declaras está en los grados de libertad contra la N — en regresión son N − k − 1, y ese −1 de la constante es el que más se olvida.
Las trece conversiones entre tamaños del efecto, agrupadas por para qué sirve cada una, están en el índice.
Si la usas en tu tesis o en un artículo, cítala: así quien lea tu Método sabe con qué se hizo el cálculo.
Ciudad-Fernández, V. (2026). Conversor de R cuadrado a f cuadrado de Cohen [Aplicación web]. Ciudad Science. Recuperado el 14 de octubre de 2026, de https://analisisdedatospsicologia.com/convierte/r2-a-f2-de-cohen
Para tu apartado de Método: El R² se convirtió en la f² de Cohen, con el Conversor de R cuadrado a f cuadrado de Cohen de Ciudad Science (Ciudad-Fernández, 2026).
@misc{ciudadfernandez2026convr2af2decohen,
author = {Ciudad-Fern{\'a}ndez, V{\'i}ctor},
title = {{Conversor de R cuadrado a f cuadrado de Cohen}},
year = {2026},
publisher = {Ciudad Science},
howpublished = {Aplicación web},
url = {https://analisisdedatospsicologia.com/convierte/r2-a-f2-de-cohen},
urldate = {2026-10-14},
note = {Consultado el 2026-10-14},
}Aritméticamente sí, pero el f² que sale ya no es el que espera G*Power, que está definido sobre el R² sin ajustar. Si lo haces, dilo, porque el número resultante es más conservador.
Que el f² se dispara: con .90 el f² es 9. Eso no es un error de la fórmula, es la escala: cuando queda poquísimo ruido, la razón señal-ruido se hace enorme. En ciencias sociales un R² de .90 es más motivo de sospecha que de celebración.
No. Los pseudo-R² (Nagelkerke, Cox-Snell, McFadden) no son proporciones de varianza y no se convierten con esta fórmula. G*Power tiene su propia pantalla para logística, y pide odds ratios.
Tampoco directamente: ahí hay varianza en cada nivel y hay que decidir cuál es el denominador. Los R² de Nakagawa (marginal y condicional) son la referencia habitual, y se interpretan por separado.