La regresión logística binaria en jamovi se ejecuta desde Regresión → Regresión logística → 2 resultados (binomial). Eliges la variable dependiente dicotómica, pasas las predictoras al panel de covariables y marcas las opciones de bondad de ajuste, odds ratios, intervalos de confianza y tabla de clasificación. En esta guía verás el proceso completo con un ejemplo de aprobar o suspender según horas de estudio y asistencia, cómo leer los coeficientes y los odds ratios, qué comprobar antes de fiarte del modelo y cómo redactar los resultados en APA.
Qué hace la regresión logística y cuándo usarla
La regresión logística modela la probabilidad de que ocurra un suceso dicotómico (aprueba/no aprueba, enferma/no enferma, compra/no compra) a partir de una o varias variables predictoras. Se usa cuando la variable dependiente tiene dos categorías y no quieres forzar una regresión lineal. La regresión lineal predice una cantidad continua; aquí predices una probabilidad, y por eso el modelo trabaja con log-odds en lugar de con la probabilidad directa.
Si tu variable dependiente es continua, esta no es tu técnica: usa la regresión lineal en jamovi. Si es politómica con más de dos categorías, necesitarás una regresión logística multinomial, que jamovi también incluye en el mismo menú.
El ejemplo que usaremos: aprobar según horas de estudio y asistencia
Imagina un estudio con 120 estudiantes de una asignatura. La variable dependiente es Aprobado (0 = suspenso, 1 = aprobado). Las predictoras son Horas_estudio (horas semanales dedicadas, variable continua) y Asistencia (porcentaje de clases a las que se ha asistido, también continua). Los datos son ficticios y sirven solo para ilustrar el procedimiento; no representan a ninguna población real.
Lo que queremos saber: si las horas de estudio y la asistencia predicen la probabilidad de aprobar, y en qué medida. El modelo devolverá coeficientes que indican cuánto cambia el log-odds de aprobar por cada unidad que aumenta cada predictora.
Prepara los datos antes de abrir jamovi
Antes de lanzar el análisis conviene revisar tres cosas en la hoja de datos:
- La variable dependiente debe estar codificada como 0 y 1 (o como dos categorías claras). Si la tienes como texto («sí»/«no»), jamovi la tratará como nominal y podrás elegir el nivel de referencia, pero es más limpio tenerla numérica.
- No debe haber valores perdidos en las variables del modelo. Si los hay, jamovi los excluye por defecto; comprueba cuántos casos se pierden.
- Las predictoras continuas no necesitan normalidad, pero sí conviene revisar que no haya valores extremos que distorsionen los coeficientes.
Pasos en jamovi: Regresión → Regresión logística → 2 resultados (binomial)
Con los datos cargados, abre el menú Regresión en la cinta superior y selecciona Regresión logística. Dentro verás varias opciones según el número de resultados; elige 2 resultados (binomial). Si tu versión de jamovi muestra otro nombre para esta entrada, busca la que indique dos categorías o binomial: la lógica es la misma.
- Arrastra la variable dependiente (Aprobado) al panel Resultado dependiente.
- Arrastra las predictoras (Horas_estudio y Asistencia) al panel Covariables. Si tienes variables categóricas, van a Factores.
- En el panel de opciones, marca Odds ratios y activa el intervalo de confianza (habitualmente al 95 %).
- Activa Tabla de clasificación para ver cuántos casos acierta el modelo.
- En Medidas de ajuste, marca al menos un pseudo R² (McFadden, Nagelkerke o Cox y Snell).
- Si quieres comparar modelos anidados, marca también la prueba de razón de verosimilitud o el criterio de información (AIC/BIC).
Al marcar estas opciones, jamovi genera varias tablas: coeficientes, odds ratios, bondad de ajuste y clasificación. Revisa que el número de casos analizados coincida con el que esperabas; si es menor, hay valores perdidos.
Cómo leer los coeficientes y los odds ratios
La tabla de coeficientes muestra, para cada predictora, el coeficiente (B), su error estándar, el estadístico z y el valor p. El coeficiente está en escala de log-odds: un valor positivo indica que al aumentar la predictora aumenta la probabilidad de que la variable dependiente valga 1 (aprobar, en nuestro ejemplo); uno negativo indica lo contrario.
Para interpretar de forma más intuitiva, usa los odds ratios (OR), que son la exponencial del coeficiente. Un OR de 1,5 significa que por cada unidad que aumenta la predictora, las odds de aprobar se multiplican por 1,5. Un OR de 1 no indica relación; por debajo de 1, la relación es inversa.
| Predictora | B (log-odds) | OR | IC 95 % del OR | p |
|---|---|---|---|---|
| Horas_estudio | 0,42 | 1,52 | 1,18 – 1,96 | <0,001 |
| Asistencia | 0,08 | 1,08 | 1,02 – 1,15 | 0,012 |
| Constante | -3,10 | 0,04 | — | <0,001 |
En este ejemplo ficticio, cada hora semanal adicional de estudio multiplica por 1,52 las odds de aprobar (IC 95 %: 1,18–1,96), y cada punto porcentual de asistencia las multiplica por 1,08 (IC 95 %: 1,02–1,15). Ambos intervalos excluyen el 1, lo que indica relación significativa. La constante no suele interpretarse; solo ajusta el nivel base del modelo.
Si quieres repasar la lógica de la odds y el odds ratio con más detalle, la tienes desarrollada en odds ratio.
Bondad de ajuste: pseudo R² y tabla de clasificación
La regresión logística no tiene una R² como la lineal. En su lugar se usan pseudo R², que no se interpretan igual: no indican proporción de varianza explicada, sino una mejora relativa del modelo frente a uno sin predictoras. Jamovi ofrece varios; McFadden y Nagelkerke son los más citados. Un valor bajo no invalida el modelo por sí solo, sobre todo si el objetivo es explicar relaciones y no predecir casos individuales.
La tabla de clasificación compara las predicciones del modelo con los valores observados. Muestra cuántos aciertos hay en cada categoría y el porcentaje global. Un modelo que clasifica bien no siempre es el mejor explicando; un modelo con coeficientes significativos puede clasificar regular. Mira las dos cosas por separado.
McFadden
Compara la verosimilitud del modelo con la del modelo nulo. Valores entre 0,2 y 0,4 se consideran un ajuste aceptable en muchas aplicaciones, aunque depende del área.
Nagelkerke
Corrige el rango de Cox y Snell para que llegue hasta 1. Es más fácil de leer como una proporción, pero no equivale a la R² lineal.
Supuestos y comprobaciones antes de fiarte del modelo
La regresión logística no exige normalidad ni homocedasticidad, pero sí algunas condiciones que conviene revisar:
- Tamaño de muestra suficiente. Como referencia práctica, al menos 10–15 casos por cada predictora en el grupo menos frecuente. Con 120 casos y dos predictoras, nuestro ejemplo va sobrado.
- Independencia de las observaciones: cada caso debe ser una unidad independiente. Si hay medidas repetidas, necesitas otro modelo.
- Multicolinealidad entre predictoras: si dos variables están muy correlacionadas, los coeficientes se vuelven inestables. Revisa la correlación o pide en jamovi los factores de inflación de la varianza (VIF) si tu versión los ofrece; si no, calcúlalos en un análisis aparte.
- Linealidad entre las predictoras continuas y el log-odds. Si sospechas que no es lineal, prueba a categorizar o a añadir un término cuadrático, aunque esto complica la interpretación.
- Valores atípicos o influyentes: revisa los residuales si tu versión de jamovi los muestra.
Regresión logística frente a regresión lineal
En una regresión lineal, la variable dependiente es continua y el modelo predice su media condicional. Los coeficientes se interpretan como cambios en esa media por unidad de la predictora. En la logística, la variable dependiente es binaria, el modelo predice la probabilidad de pertenecer a la categoría 1 y los coeficientes afectan al log-odds, no a la probabilidad directamente. Además, la logística no tiene una R² convencional ni asume normalidad en los residuos. Si usas una regresión lineal con una variable dependiente 0/1, los residuos no serán normales y las predicciones pueden salir fuera del rango 0–1.
Cómo redactar los resultados en APA
Un párrafo de resultados podría quedar así, siempre adaptado a tus datos reales:
Se ajustó una regresión logística binaria para predecir la probabilidad de aprobar a partir de las horas de estudio semanales y la asistencia a clase. El modelo fue estadísticamente significativo, χ²(2) = 18,42, p < 0,001, y explicó una proporción relevante de la variación según el pseudo R² de Nagelkerke = 0,28. Las horas de estudio (B = 0,42, OR = 1,52, IC 95 % [1,18, 1,96], p < 0,001) y la asistencia (B = 0,08, OR = 1,08, IC 95 % [1,02, 1,15], p = 0,012) fueron predictoras significativas. La tabla de clasificación mostró un 76 % de aciertos globales.
Incluye siempre: el tipo de modelo, las variables, la prueba global (si la pides en jamovi), el pseudo R², los coeficientes con OR e intervalos, y los valores p. No inventes el valor de χ² ni los grados de libertad: cópialos de la salida de jamovi. Si tu versión no muestra la prueba global en el mismo panel, puedes obtenerla con la diferencia de verosimilitudes entre el modelo con y sin predictoras.
Plantilla para recoger los resultados de tu modelo
Esta tabla te sirve para volcar los datos de jamovi y tenerlos ordenados antes de pasarlos a tu TFG. Úsala como registro: copia los valores de la salida y completa una fila por predictora.
Rellena una fila por cada predictora y añade una fila para el modelo global.
| Predictora | B | Error estándar | OR | IC 95 % inferior | IC 95 % superior | p |
|---|---|---|---|---|---|---|
Errores frecuentes al hacer esta regresión en jamovi
- Olvidar marcar los odds ratios y los intervalos de confianza, y quedarse solo con los coeficientes en log-odds, que son difíciles de interpretar.
- Confundir el nivel de referencia de una variable categórica: el OR se interpreta respecto a la categoría que jamovi toma como base. Compruébala en la salida.
- No revisar cuántos casos se han excluido por valores perdidos. Un modelo con la mitad de la muestra inicial no es el mismo modelo.
- Presentar el pseudo R² como si fuera la R² de una regresión lineal. No lo es y los revisores lo notan.
- Incluir predictoras muy correlacionadas sin comprobar la multicolinealidad, y luego extrañarse de que los signos de los coeficientes no tengan sentido.
Preguntas frecuentes
¿Qué diferencia hay entre «2 resultados (binomial)» y la opción multinomial?
La binomial es para variables dependientes con dos categorías. La multinomial, para tres o más. Si eliges mal, jamovi puede ejecutar el análisis pero la interpretación de los coeficientes cambia.
¿Puedo usar variables categóricas como predictoras?
Sí. Se colocan en el panel de factores y jamovi crea variables dummy internamente. El OR se interpreta respecto a la categoría de referencia, que puedes cambiar en las opciones.
¿Qué hago si el modelo no clasifica bien?
Revisa si las predictoras son relevantes, si hay valores atípicos o si el tamaño de muestra es suficiente. También puedes probar a añadir o quitar variables y comparar con el criterio de información (AIC/BIC) si lo has marcado.
¿Necesito pedir la prueba de Hosmer-Lemeshow?
Es una prueba de bondad de ajuste clásica, pero no siempre está disponible en jamovi. Si tu versión no la incluye, no la inventes: usa el pseudo R² y la tabla de clasificación como medidas de ajuste y menciónalo en las limitaciones si tu tribunal lo espera.
Para seguir con otras técnicas en el mismo programa, consulta el resto de guías de jamovi; encontrarás la regresión lineal, comparaciones de medias y análisis de fiabilidad, entre otras.