Es la salida más buscada de SPSS y la que más se lee mal, y no por casualidad: tiene <strong>dos columnas que parecen la misma cosa</strong> y una que no significa lo que parece.
Coeficientes^a
Coeficientes no Coeficientes
estandarizados estandarizados
Modelo B Error est. Beta t Sig.
--------------------------------------------------------------------
1 (Constante) 12,430 2,117 5,872 ,000
Horas de sueño 1,842 ,461 ,318 3,996 ,000
Estrés percibido -,274 ,088 -,241 -3,114 ,002
Edad ,031 ,046 ,048 ,674 ,502
a. Variable dependiente: Rendimiento académicoCuánto cambia la variable dependiente por cada unidad que sube el predictor, en las unidades originales de las dos. Aquí, cada hora más de sueño se asocia a 1,84 puntos más de rendimiento.
No se puede comparar entre predictores. Que el B del sueño (1,842) sea mayor que el del estrés (−,274) no dice que el sueño pese más: dice que una hora y un punto de una escala de estrés no son la misma cantidad de cosa.
La imprecisión de ese B. Es lo que convierte el coeficiente en un contraste: t = B / error estándar, y de ahí sale el valor p. Con 1,842 y ,461 salen exactamente los 3,996 de la columna siguiente.
Es la cifra que hace falta para meter tu estudio en un metaanálisis y la que casi nadie reporta. Si vas a publicar solo una tabla, que lleve el error estándar o el intervalo de confianza.
El mismo efecto con todas las variables puestas en desviaciones típicas, para poder compararlas entre sí. Aquí el sueño (,318) pesa algo más que el estrés (−,241) dentro de este modelo.
Comparar Betas entre MODELOS o entre MUESTRAS distintas no vale: la estandarización usa las desviaciones típicas de esa muestra, así que el mismo efecto real da Betas distintos en dos estudios con distinta variabilidad. Para comparar entre estudios se usa B con su error estándar.
El coeficiente dividido por su error estándar. Es el estadístico del contraste de que ese predictor no aporta nada.
Sus grados de libertad NO están en esta tabla: están en la de ANOVA, y son N − k − 1, con k el número de predictores. Ese −1 de la constante es el que más se olvida al reportar.
El valor p a dos colas. Aquí, sueño y estrés se apartan de cero y la edad no (,502).
El «,000» no es cero: es un redondeo a tres decimales de algo menor que ,0005. Un valor p nunca es cero. Se escribe p < .001, y copiarlo como «p = ,000» es la objeción de revisor más barata que existe.
El valor predicho cuando todos los predictores valen cero. Aquí, el rendimiento de alguien con cero horas de sueño, cero estrés y cero años.
Casi nunca significa nada, y su significación tampoco. Interpretar la constante como un hallazgo es señal de que nadie ha centrado los predictores. Si quieres que signifique algo, centra las variables en su media y entonces la constante será el rendimiento de una persona promedio.
Cuánta varianza explica el modelo. Eso está en la tabla de Resumen del modelo, en la R cuadrado y la R cuadrado ajustada. Sin ella, la tabla de coeficientes es una lista de efectos sin contexto. Y si lo que necesitas es la f² para calcular potencia, sale de ahí: está en de R² a f² de Cohen.
Si el modelo se sostiene. Los supuestos —normalidad de los residuos, homocedasticidad, independencia— no salen en ninguna tabla: salen en los gráficos de residuos, que hay que pedir aparte y que casi nadie mira.
Si hay colinealidad. Con predictores correlacionados entre sí, los B se vuelven inestables y los errores estándar se disparan. SPSS lo da si se lo pides (Estadísticos → Diagnósticos de colinealidad): un FIV por encima de 5 ya merece un comentario en el texto.
Una regresión no se reporta pegando la tabla de SPSS: se reporta con una tabla propia que lleve B, su error estándar, Beta, el intervalo de confianza del 95 % y el valor p de cada predictor, más la R² del modelo y la F global con sus dos grados de libertad.
En el texto, una frase por predictor relevante: «las horas de sueño predijeron el rendimiento, B = 1,84, EE = 0,46, β = .32, p < .001». El intervalo importa más que el asterisco.
El formato completo, con la tabla montada, está en cómo reportar una regresión lineal en APA 7.
Que cada t cuadre. Divide B entre su error estándar: tiene que dar el t de la fila. Si no da, hay una errata en alguno de los tres números.
Que el p cuadre con el t. Con los grados de libertad del residuo, el valor p está determinado. Se comprueba en el valor p contra sus grados de libertad.
Que los grados de libertad cuadren con tu N. Son N − k − 1. Si implican menos casos de los que declaras, ahí hay perdidos sin contar: los grados de libertad contra la N.
No debería serlo en una regresión simple, donde Beta coincide con la correlación. En múltiple sí puede pasar, y casi siempre indica colinealidad fuerte entre predictores: mira los FIV antes de interpretar nada.
Sí, si las dos variables están en las mismas unidades (años, puntos de la misma escala, euros). Es más comparable que Beta entre estudios, porque no depende de la variabilidad de cada muestra.
Reportarlo. Quitarlo del modelo porque no salió es una decisión tomada después de ver los datos, y cambia todos los demás coeficientes. Si lo quitas, dilo y enseña los dos modelos.
Sí: aparece un bloque por cada paso y los coeficientes se mueven en cada uno. La regresión por pasos capitaliza el azar y está desaconsejada desde hace décadas; si la usas, hay que justificarlo y validar el modelo en otra muestra.