Taz TFG 2023 1525

Trabajo Fin de Grado
EXPLORANDO LA SALUD MENTAL.
Análisis econométrico de los factores
asociados al trastorno depresivo.
EXPLORING MENTAL HEALTH.

Econometric analysis of factors associated with depressive disorder.
Autor
MIREYA BARRAO DOMINGO
Directores
Javier Tapia Barcones
Elena Calvo Calzada
Facultad de Economía y Empresa. Universidad de Zaragoza
CURSO 2022-2023
2
Autor del trabajo: Mireya Barrao Domingo
Título del trabajo: Titulación: Grado en Economía
Directores del trabajo: Javier Tapia Barcones y Elena Calvo Calzada.
RESUMEN
El objetivo de este análisis es identificar las variables que afectan a la aparición de la

depresión utilizando la base de datos de la Encuesta Europea de Salud en España. Se ha
realizado una selección previa de posibles variables influyentes y se ha examinado su
significatividad mediante matrices de correlación y tablas de tabulación cruzada. Una vez
identificadas las variables consideradas significativas según este método, se procede a la
estimación de un Modelo Logit, realizando diversos ajustes y eliminando aquellas
variables que no presentan relación con la depresión. Finalmente, se obtiene el modelo
final, cuyos resultados se analizan con el fin de entender cuáles son los factores decisivos
en la aparición de la dolencia. Las principales conclusiones indican que el perfil de una
persona con trastorno depresivo más probable será aquella que padezca enfermedades
crónicas, ansiedad u otros problemas mentales, tiroides, asma y/o tome pastillas
relajantes, así como aquellas personas de mayor edad y/o con un estado civil diferente a
casado/a.
Palabras clave: Encuesta Europea de Salud en España (EESE), depresión, trastorno

depresivo, modelo logit.
3
ABSTRACT
The aim of this analysis is to identify variables affecting the occurrence of depression
using the European Health Survey database in Spain. A prior selection of possible
influential variables has been made and their significance has been examined by means
of correlation matrices and cross-tabulation tables. Once the variables considered
significant according to this method have been identified, we proceed to estimate Logit
Model, making various adjustments and eliminating those variables that were not related
to depression. Finally, the final model is obtained, the results of which are analyzed in
order to understand which are the decisive factors in the appearance of the disease. The
main conclusions indicate that the profile of a person with a depressive disorder is more
likely to be one who suffers from chronic illnesses, anxiety or other mental problems,
thyroid, asthma and/or takes relaxant pills, as well as those who are older and/or with a
marital status and/or married.
Keywords: European Health Survey in Spain (EESE), depression, depressive disorder,

logit model.
4
Agradecimientos
Con este Trabajo de Fin de Grado concluyo cuatro años de formación en el Grado de
Economía de la Universidad de Zaragoza.
Quisiera expresar mi más sincero agradecimiento a Elena Calvo y Javier Tapia por su
contribución y apoyo durante el desarrollo de mi TFG. Su orientación y guía han sido
fundamentales en este proyecto y me han proporcionado una experiencia enriquecedora.
Agradecer a Elena Calvo por su constante acompañamiento y dedicación desde el inicio
de mi carrera universitaria. Su disposición para ayudar a los estudiantes, así como su
pasión y entusiasmo por su trabajo, han sido una fuente de inspiración para mí. Su
experiencia y conocimientos han sido fundamentales para mi aprendizaje. Asimismo,
quiero expresar mi agradecimiento a Javier Tapia por sus amplios conocimientos en
econometría y su paciencia al guiarme en este campo. Su experiencia y habilidades en el
análisis de datos, así como su disposición para resolver mis dudas y su capacidad para
explicar conceptos complejos han sido incondicionales para la realización de mi trabajo.
Agradecer a mi madre Eva, mi hermano Jonatan, mi abuela Asunción y mi tío José Juan
por su constante apoyo y aliento durante todo este proceso. Su paciencia, comprensión y
ánimo han sido fundamentales para superar los momentos de dificultad y luchar por
conseguir mis objetivos. Además, quiero agradecer especialmente a mi novio por su
confianza en mis habilidades y el apoyo incondicional durante toda mi formación.
También me gustaría dar las gracias a todos los profesores de la Universidad de Zaragoza
que han formado parte de mi experiencia universitaria.
La oportunidad de realizar este trabajo en el ámbito del análisis de datos ha sido altamente
gratificante para mí. Ha despertado mi interés y me ha motivado a buscar una
especialización futura en este campo que se encuentra en constante desarrollo.
A todos aquellos que me han brindado su apoyo en este proceso, muchas gracias.
5
6
ÍNDICE DEL TRABAJO
1. INTRODUCCIÓN .................................................................................................... 1
2. SITUACIÓN ACTUAL DE LA SALUD MENTAL EN ESPAÑA ........................ 5
3. METODOLOGÍA..................................................................................................... 8
3.1 Base de Datos ..................................................................................................... 8
3.2 Tipo de Investigación ......................................................................................... 9
3.3 Selección de Variables ....................................................................................... 9
3.4 Análisis de Significatividad de las Variables .................................................. 19
3.5 Variables Significativas ................................................................................... 23
4. EL MODELO ......................................................................................................... 24
5. RESULTADOS ...................................................................................................... 28
5.1 Resultados descriptivos.................................................................................... 28
5.2 Resultados econométricos................................................................................ 31
5.3 Odds ratios ....................................................................................................... 34
6. CONCLUSIONES .................................................................................................. 39
7. BIBLIOGRAFÍA .................................................................................................... 44
8. ANEXO .................................................................................................................. 47
7
ÍNDICE DE FIGURAS
Figura 2.1: Indicadores de salud mental antes y durante la pandemia (hasta julio 2020) en función del sexo.
2019-2020. Fuente y elaboración: Instituto Nacional de Estadística.
Figura 2.2: Prevalencia de cuadros depresivos en 2014 y 2020 en personas mayores de 15 años. Fuente:
Instituto Nacional de Estadística. Elaboración: Propia.
Figura 3.1: Matriz de correlación (parte 1)
Figura 4.1: Modelo inicial
Figura 4.2: Modelo final
ÍNDICE DE TABLAS
Tabla 3.1: Posibles variables influyentes seleccionadas según la bibliografía
Tabla 5.1: Datos de identificación
Tabla 5.2: Características demográficas
Tabla 5.3: Estado de salud
Tabla 5.4: Dificultad para la realización de las actividades de la vida cotidiana.
Tabla 5.5: Consumo de medicamentos.
Tabla 5.6: Características físicas.
8
9
1. INTRODUCCIÓN
La Organización Mundial de la Salud (OMS, 2019) define la depresión como un trastorno

mental que afecta el estado de ánimo, las emociones, los pensamientos, el
comportamiento y la salud física de una persona. Se caracteriza por una variedad de
síntomas, que incluyen dificultad para concentrarse, culpa excesiva o baja autoestima,
sentimientos de inutilidad, falta de esperanza para el futuro, melancolía, pensamientos de
muerte o suicidio, dificultad para dormir, cambios en el apetito o el peso y fatiga notable
o sentimientos de insuficiencia de energía. La depresión no tiene una cauda concreta de
aparición, pudiendo ser causada por una gran variedad de factores, como la genética, el
estrés, la ansiedad, el trauma y los cambios hormonales entre otros. También puede estar
relacionada con problemas médicos, como enfermedades crónicas o deficiencias
nutricionales. La salud mental tiene un papel importante en nuestra sociedad. En concreto,
la depresión es un trastorno de salud mental que puede tener un impacto significativo en
la economía.
De acuerdo con Valladares et al. (2009), a continuación, se detallan algunas posibles

maneras en las que estas enfermedades pueden afectar a la economía: Los trabajadores
que sufren de este trastorno pueden tener dificultades para concentrarse en sus tareas,
tomar decisiones, trabajar en equipo y completar tareas en el tiempo establecido. Esto
puede llevar a una disminución en la calidad y cantidad del trabajo realizado, lo que a su
vez puede afectar el rendimiento general de una empresa. Además, el absentismo laboral
puede resultar en una disminución en la producción y, en algunos casos, en costes
adicionales para la empresa para cubrir las ausencias y encontrar reemplazos temporales
tal y como explican LEAL, Enrique Castellón et al. en “El abordaje de la depresión en
el ámbito laboral” Los pacientes con esta patología pueden requerir tratamientos
médicos, terapéuticos y farmacológicos costosos, lo que genera un incremento en los
costes de atención médica. Por su parte, las empresas pueden tener que cubrir parte o la
totalidad de estos costos para sus empleados a través de seguros de salud y otros
programas de beneficios.
1
Según el informe "Mental health in the workplace: Introduction", elaborado por la
Oficina Internacional de Trabajo en Ginebra en el año 2020, se estima que en los países
de la Unión Europea se destina aproximadamente entre un 3% y un 4% del Producto
Interno Bruto (PIB) para abordar los problemas de salud mental. Este gasto refleja la
importancia que se le está otorgando a este tema en términos económicos. Además, se
observa un aumento en la incidencia de jubilaciones prematuras debido a problemas de
salud mental en diversos países. De hecho, esta causa se ha vuelto cada vez más común
para la asignación de pensiones por incapacidad. La creciente prevalencia de condiciones
de salud mental en el entorno laboral plantea desafíos tanto para los trabajadores como
para los sistemas de seguridad social, y destaca la necesidad de abordar adecuadamente
este problema en el ámbito laboral.
En resumen, la depresión puede tener un impacto negativo en la economía al disminuir la

productividad y la eficiencia laboral, aumentar los costos de atención médica y afectar la
producción económica general, generando además un aumento en la tasa de desempleo.
Por lo tanto, es importante que las empresas y las organizaciones reconozcan este tipo de
trastornos y proporcionen recursos y apoyo adecuados a sus empleados para ayudar a
prevenirlos y tratarlos.
Dentro de la depresión, según Retamal (1998), se reconocen diferentes tipos que

presentan una sintomatología común, pero se diferencian en la duración y gravedad del
trastorno:
Episodio depresivo mayor / menor: define situaciones en las que se experimentan

síntomas como tristeza constante, pesimismo, ansiedad, irritabilidad, apatía,
embotamiento emocional, empeoramiento matutino, disminución marcada del interés y
la capacidad de disfrutar, sentimientos de inutilidad e ideación de culpa, baja autoestima,
pensamientos recurrentes de muerte, pérdida de apetito, pérdida de peso, trastornos del
sueño, etc.
La depresión subclínica: en esta patología no se manifiesta directamente un estado de

ánimo deprimido ni incapacidad de disfrutar las cosas, pero sí que están presentes otros
2
síntomas como pesimismo, ansiedad, irritabilidad, apatía, pérdida de apetito, pérdida de
peso, alteraciones del sueño, etc.
Depresión enmascarada o “somatizada”: en este caso, los síntomas afectivos o

emocionales no se expresan por sí solos e incluso pueden ser negados por el
paciente. Predominan los síntomas corporales como dolores inespecíficos,
problemas gastrointestinales (ej.: estreñimiento o diarrea), respiratorios (ej.: sensación de
asfixia), genitourinarios (ej.: molestias al orinar o falta de menstruación).
Depresión con síntomas psicóticos: además de los síntomas depresivos también se

presentan ideas delirantes o alucinaciones. Los síntomas psicóticos pueden incluir
escuchar voces que no están presentes, tener creencias irracionales y falsas (delirios),
sentirse perseguido o tener pensamientos suicidas. Estos síntomas pueden hacer que la
vida diaria sea muy difícil y afectar negativamente las relaciones tanto laborales como
personales.
Los Trastornos Bipolares: están caracterizados por episodios de manía o hipomanía

manifestados mediante un estado de ánimo eufórico o irritado, aumento de la energía,
disminución de la necesidad de sueño, aumento de la actividad, comportamiento
impulsivo, pensamientos acelerados y una sensación de grandiosidad o autoestima
exagerada.
Trastorno Distímico: los síntomas se manifiestan durante un largo periodo de tiempo en

el que pueden alternarse etapas asintomáticas con etapas en las que reaparecen los
síntomas, estando en muchos momentos cansado y deprimido. Este tipo de depresión
suelen padecerla personas en edad adulta.
Trastorno adaptativo con estado de ánimo depresivo: aquí los síntomas emocionales,
como tristeza, desesperación, llantos y ánimo depresivo, se presentan como respuesta a
situaciones estresantes vividas en un periodo previo de unos tres meses.
En caso de que se experimenten estos síntomas es importante buscar ayuda de un

profesional de la salud mental. El tratamiento puede incluir terapia, medicamentos o una
3
combinación de ambos, y con el tratamiento adecuado, la mayoría de las personas con
depresión pueden recuperarse y mejorar su calidad de vida.
En esta introducción, se han explorado los diferentes tipos de depresión y se ha resaltado

su impacto tanto en la salud mental como en la economía de un país invita a un economista
a querer comprender mejor esta enfermedad. Como línea futura de investigación, se
propone que, a partir del conocimiento de los factores que afectan a la enfermedad, se
investigue y desarrollen estrategias eficaces para la prevención, diagnóstico y tratamiento
de la depresión, así como el impacto en la vida laboral.
El trabajo se ha organizado como sigue; se dedica el segundo apartado a realizar un

análisis de la salud mental en España. En el tercer apartado, se describirá, en detalle, la
metodología utilizada, centrando la atención en la base de datos y en el modelo
econométrico a aplicar. A continuación, en el cuarto y quinto apartado, se presentarán el
modelo y los resultados obtenidos, terminando con las conclusiones más significativas y
discusión.
Mediante este estudio, se busca contribuir al conocimiento y promover avances en la

comprensión y manejo de la depresión, con el objetivo último de mejorar la calidad de
vida de las personas afectadas por esta enfermedad y su repercusión en el mundo laboral.
Además, derivado del primer estudio, se espera generar un mayor entendimiento sobre el
impacto económico de la depresión y cómo abordarlo de manera efectiva.
4
2. SITUACIÓN ACTUAL DE LA SALUD MENTAL EN ESPAÑA
La última Encuesta Europea de Salud en España (ESSE, 2020) tuvo lugar entre los meses
de julio de 2019 y 2020 y en ella se puede observar que los cambios en la vida social que
generó la pandemia de COVID-19, han tenido gran repercusión en la salud mental de la
población.
En base a los resultados del Boletín informativo del Instituto Nacional de Estadística
publicado en enero de 2021, se puede afirmar que durante el inicio de la pandemia se
incrementó la presencia de síntomas comunes en el trastorno de depresión, como se
observa en la figura 5.1, los problemas para dormir se incrementaron un 2% y la
desmotivación para hacer cosas un 3.3%. Sin embargo, otros síntomas como el cansancio
o sentirse mal con uno mismo experimentaron una caída del 5.1% y 1.7%
respectivamente. Antes de la pandemia, las mujeres partían de valores más altos que los
hombres, pero igualmente los cambios en estos indicadores son más destacados en el caso
de las mujeres que en el de los hombres.
Figura 2.1: Indicadores de salud mental antes y durante la pandemia (hasta julio 2020) en función del sexo.
2019-2020. Fuente y elaboración: Instituto Nacional de Estadística.
5
Como se observa en la Figura 2.2, en el año 2020 se registraron 39.974 personas con una
edad de 15 y más años que padecían este trastorno, de los cuales 976 padecían cuadros
depresivos mayores, 1.151 otros cuadros depresivos, 37.599 no presentaban cuadro
depresivo y del resto no constan datos. En comparación con los datos obtenidos en la
Encuesta Europea de Salud en 2014, la población total que padece este trastorno se
incrementó en 2020 en 1.014 personas, pero cabe destacar que los cuadros depresivos
mayor y otros cuadros depresivos se redujeron en 386 y 333 personas respectivamente y,
por el contrario, los pacientes sin cuadro depresivo concreto se han incrementado en 1.757
personas. La depresión prevalece en las mujeres, con un incremento de 1.519 mujeres con
respecto a 2014, sin embargo, la cantidad de hombres que padecen este trastorno se ha
reducido en 505.
Prevalencia de cuadros depresivos activos

2014 VS 2020
No consta 269,4
246,2
Sin cuadro depresivo alguno 35.842,2

37.599,9
Otros cuadros depresivos 1.484,9

1.151,3
Cuadro depresivo mayor 1.363,2

976,7
TOTAL 38.959,7
39.974,1
Cuadro Sin cuadro

Otros cuadros
TOTAL depresivo depresivo No consta
depresivos
mayor alguno
año 2014 38.959,7 1.363,2 1.484,9 35.842,2 269,4
año 2020 39.974,1 976,7 1.151,3 37.599,9 246,2
año 2014 año 2020
Figura 2.2: Prevalencia de cuadros depresivos entre 2014 y 2020 (en personas mayores de 15 años). Fuente:
Instituto Nacional de Estadística. Elaboración propia.
En los estudios de Sobocki et al. (2006) y Berto et al. (2000) se desarrollaron modelos
que combinaron datos epidemiológicos y económicos para estimar el coste de la
depresión en Europa. Estos modelos utilizaron datos recopilados de revisiones
6
bibliográficas que abarcaron la epidemiología y la carga económica de la depresión en
Europa. Los costes se calcularon como el coste anual por paciente, mientras que la
epidemiología se informó mediante estimaciones de prevalencia de 12 meses. Para este
trabajo en particular, nuestro enfoque se ha centrado en proponer un modelo
econométrico logit para determinar los factores más influyentes y poder clasificar las
variables según su peso específico o probabilidad de estar asociadas con la depresión.
Aunque nuestro enfoque no ha sido tan exhaustivo como los estudios previos, esperamos
obtener información relevante que contribuya a comprender mejor esta enfermedad y sus
factores determinantes.
Según la OMS más de 110 millones de personas viven con algún tipo de trastorno de
salud mental en Europa. La pandemia ha incrementado un 25% los casos de ansiedad y
depresión. En el informe “Headway Mental Health (2022)” España aparece como el
segundo país europeo con mayor número de trastornos de salud mental después de
Portugal, los dos únicos países que superan el 20% de casos lo que equivale a que 1 de
cada 5 personas tienen problemas psicológicos o psiquiátricos. En el mismo informe, se
observa que España se encuentra en el puesto 17 de los 27 países de la Unión Europea,
junto con Reino Unido, en términos de atención en salud mental. En cuanto a la
asignación presupuestaria, España destina solamente el 5% de su presupuesto en Sanidad
a los trastornos mentales, cifra considerablemente menor que el 14,5% de Francia y el
11,3% de Alemania. Sin embargo, las enfermedades mentales generan una factura
considerable en términos de costes directos e indirectos. En este sentido, España se ubica
como el octavo país europeo con los mayores costes asociados a este tipo de patologías,
las cuales representan el 4% del PIB en 2020.
7
3. METODOLOGÍA
Con el objetivo de obtener una visión integral de la carga económica de la depresión, es

fundamental contar con una sólida base de datos y un modelo adecuado para su análisis.
En este sentido, en el siguiente apartado se describirá detalladamente la base de datos
utilizada, que incluye información epidemiológica relevante. Asimismo, se presentará el
modelo econométrico empleado para estimar los factores que afectan a la depresión en
España. Estos componentes son fundamentales para obtener resultados precisos y
confiables que permitan comprender de manera más completa el impacto de esta
enfermedad en nuestra sociedad.
3.1 BASE DE DATOS
En este trabajo se analizan aquellas variables que pueden resultar influyentes en el

desarrollo del trastorno depresivo, a partir de los resultados obtenidos en la Encuesta
Europea de Salud en España (EESE, 2020).
La EESE es un estudio que se realiza periódicamente en España por el Instituto Nacional

de Estadística (INE) con el objetivo de obtener información sobre la salud y los hábitos
de vida de la población. Esta encuesta se enmarca en la Encuesta Europea de Salud, que
se realiza en todos los países de la Unión Europea (UE) y se lleva a cabo siguiendo unos
criterios y metodologías comunes en todos los países miembros, lo que permite comparar
los resultados obtenidos de forma estandarizada entre los diferentes países. Esta encuesta
se realiza mediante cuestionarios que incluyen una gran variedad de temas relacionados
con la salud, incluyendo aspectos físicos, mentales y sociales, así como el acceso a los
servicios de salud y el uso de estos. Estos cuestionarios son realizados a una muestra
representativa de la población, seleccionada aleatoriamente.
Los resultados de la EESE en España son utilizados por políticos y profesionales de la

salud para identificar las necesidades y prioridades en la salud pública y poder diseñar
políticas y programas que mejoren la salud de la población. También son utilizados por
los investigadores para realizar estudios y análisis sobre diversos aspectos de la salud en
España y en Europa, como en el caso de este Trabajo de Fin de Grado.
8
3.2 TIPO DE INVESTIGACIÓN
El criterio empleado para analizar las variables de la EESE que influyen en el desarrollo
de la depresión puede variar dependiendo de la metodología y los objetivos del estudio
en cuestión.
En el siguiente punto se describirá detenidamente cada una de las variables que se van a
estudiar y cómo se miden. Una vez definidas las variables, se realizará un análisis de los
datos para identificar qué variables de las seleccionadas tienen una relación significativa
en el desarrollo del trastorno depresivo y qué variables no, para eliminar estas últimas del
modelo y poder realizar un análisis más preciso. A partir de las variables significativas
seleccionadas, se procederá al análisis de los datos empleando un modelo logit, el cual
permite analizar la influencia de variables en la depresión, ajustando un modelo a los
datos y estimando la relación entre las variables independientes y la probabilidad de
depresión. Este modelo es una herramienta valiosa para identificar los factores que
influyen en la depresión y proporcionar información para la prevención y el tratamiento
de esta enfermedad.
3.3 SELECCIÓN DE VARIABLES
Existen múltiples factores que pueden influir en la aparición del trastorno depresivo. En
este apartado se van a seleccionar las variables que diferentes expertos han considerado
influyentes en la depresión para comprobar si, con los datos disponibles en la encuesta,
realmente son variables significativas.
Edad: Según un estudio realizado por Blazer et al. (1994), la tasa de depresión aumenta
en la adolescencia y la adultez temprana, alcanzando su pico en la edad adulta media y
disminuyendo en la vejez. Esto puede deberse a una variedad de factores, como los
cambios hormonales, los desafíos de la vida adulta y el envejecimiento del cerebro.
Sexo: Kessler et al. (1994), afirman que la tasa de depresión es dos veces mayor en las
mujeres que en los hombres y señalan como posibles causas los cambios hormonales
durante el ciclo menstrual, la experiencia de la violencia y el abuso de género, y las
9
diferencias en la forma en que hombres y mujeres procesan el estrés. Además, también
puede deberse a factores sociales y culturales.
Estado civil: Según un estudio realizado por Drentea y Goldner (2009), las personas
solteras tienen una tasa más alta de depresión que las personas casadas. Esto puede
deberse a la falta de apoyo social y emocional que puede acompañar a la soltería, así
como a la percepción de aislamiento social y falta de sentido de pertenencia a una
comunidad. Además, en los casos de divorcio se generan desafíos financieros y legales
que favorecen al desarrollo de esta enfermedad. Por ello, tanto la soltería, el divorcio, la
viudedad y un matrimonio insatisfactorio representan situaciones estresantes que pueden
aumentar el riesgo de depresión.
Nivel de estudios: Lorant et al. (2003) demuestran que aquellas personas con un bajo
nivel de estudios tienen una tasa más alta de depresión que las personas con un nivel de
estudios más alto. Esto puede deberse a la menor capacidad de afrontamiento, a la falta
de oportunidades laborales, a la exposición a entornos estresantes y a la pobreza. Sin
embargo, según un estudio realizado por Lowenthal et al. (2009), las personas con un alto
nivel de estudios también pueden tener una tasa más alta de depresión que las personas
con un nivel de estudios más bajo. Esto puede deberse a la presión académica, a la
competencia, al estrés laboral, a la sobre exigencia personal y a la dificultad para
encontrar un trabajo en línea con su formación académica.
Enfermedades crónicas: Según un estudio realizado por Katon et al. (2010), las
enfermedades crónicas, como la diabetes, la enfermedad pulmonar obstructiva crónica
(EPOC), la enfermedad cardíaca, los trastornos autoinmunitarios, como la artritis
reumatoide y el lupus, entre muchas otras enfermedades crónicas, pueden aumentar el
riesgo de depresión como consecuencia de la carga emocional y física asociada con el
manejo de la enfermedad, así como a la percepción de falta de control sobre la enfermedad
y la pérdida de la calidad de vida.
Problemas de salud mental: Goldney et al. (2009) afirman que aquellas personas que
padecen otros problemas de salud mental, como la ansiedad o el trastorno bipolar entre
otros, son más propensas a padecer trastorno depresivo.
10
Consumo de alcohol: El alcohol tiene una influencia negativa en el desarrollo de esta
enfermedad. Grant et al. (2015) afirma que el consumo de alcohol puede generar
problemas de salud física y mental, así como a problemas sociales y económicos. Además
de afectar el equilibrio químico del cerebro, lo que genera mayor probabilidad de padecer
problemas de salud mental. Por otro lado, el consumo de alcohol puede ser una
consecuencia de padecer esta enfermedad ya que es una forma de afrontar el estrés o los
problemas depresivos.
Embarazo y maternidad: Según diversos estudios, la maternidad puede afectar a la

salud mental. La depresión posparto es una afección que puede desarrollarse después del
parto y afecta a alrededor del 10-15% de las mujeres. Según un estudio realizado por
O´hara y Swain (1996), los cambios hormonales y la falta de sueño, así como los cambios
significativos en su papel, sobre todo en embarazos primerizos, pueden generar
problemas de salud mental. Además, puede presentarse como consecuencia al desarrollo
de un trastorno de estrés postraumático (TEPT) asociado a una experiencia de parto
traumática, falta de apoyo social o problemas de salud mental previos.
Tabaquismo: Según un estudio publicado en la revista "American Journal of Psychiatry"

(2002), los fumadores tienen un mayor riesgo de desarrollar depresión en comparación
con los no fumadores. Los autores sugieren que esto puede deberse a los efectos
neuroquímicos del tabaco en el cerebro, así como a los factores sociales y ambientales
asociados con el hábito de fumar ya que tienen un mayor riesgo de experimentar síntomas
de ansiedad, como nerviosismo, irritabilidad y dificultad para concentrarse, ya que tienen
niveles más altos de cortisol, una hormona del estrés, en comparación con los no
fumadores.
Automedicación: la automedicación, como se define la toma de medicamentos sin la

supervisión de un profesional de la salud, puede tener graves consecuencias para la salud
física y mental. Esto puede llevar a la resistencia a los medicamentos, y a complicaciones
en el tratamiento de infecciones en el futuro. Además, los medicamentos pueden
interactuar entre sí, lo que puede resultar en efectos secundarios no deseados o incluso
peligrosos, así como aumentar el riesgo de dependencia y trastornos de abuso de
11
sustancias. Otro problema es que tomar medicamentos sin la supervisión de un
profesional de la salud puede enmascarar los síntomas de una enfermedad subyacente, lo
que puede retrasar el diagnóstico y el tratamiento adecuado.
Otras variables influyentes: Además de las variables mencionadas anteriormente, hay

otros factores que pueden influir en la aparición del trastorno depresivo, entre los que se
pueden citar: antecedentes personales de depresión, estado socioeconómico (factores
como el estrés financiero, la falta de acceso a los servicios de salud mental y la exposición
a entornos menos saludables), eventos estresantes de la vida (perder a un ser querido,
separarse de una pareja, perder el trabajo o experimentar un trauma) o factores
psicológicos (baja autoestima, pensamiento recurrente, la ansiedad o la falta de
habilidades para manejar el estrés).
Se han llevado a cabo varias modificaciones en la base de datos para poder importar los
datos a la aplicación Gretl (GNU Regression, Econometrics and Timeseries Library), un
software estadístico de código abierto que se utiliza comúnmente para realizar análisis
econométricos. En primer lugar, se han eliminado todas las celdas en blanco (que no son
reconocidas por la aplicación) y se les ha asignado un valor de punto ("."); en segundo
lugar, se han modificado todas las respuestas que indicaban "no sabe" o "no contesta" en
la encuesta, las cuales se les había asignado valores de "8 y 9" o "98 y 99", asignándoles
también un valor de punto (".") en todas ellas. Con estas modificaciones, se obtuvo la
tabla mostrada a continuación.
En la tabla 3.1 se encuentran las diferentes variables seleccionadas en función de las

afirmaciones de diferentes profesionales que han sido mencionadas anteriormente. En la
primera columna de la tabla se presenta la definición de las diversas variables,
identificándolas tal y como se les nombra en la EESE. En la segunda columna se detalla
el nombre que se ha asignado a cada variable con el fin de plantear el modelo en el
presente trabajo. Finalmente, la última columna proporciona una explicación detallada de
los distintos valores asociados a cada posible respuesta en la encuesta.
12
Tabla 3.1: Posibles variables influyentes seleccionadas según la bibliografía
DEFINICION VARIABLE NOMBRE VARIABLE VALORES
Identificación del adulto 1 HOMBRE

sex
seleccionado: Sexo 0 MUJER
Identificación del adulto

age 15 a 120 AÑOS
seleccionado: Edad
País de nacimiento del 1 Nacidos en España

country
adulto seleccionado 0 Nacidos en el extranjero
1 Soltero/a
2 Casado/a
Estado civil maritalstatus 3 Viudo/a
4 Separado/a
5 Divorciado/a
01 No procede (<10 años)

02 No sabe leer o escribir
03 Educación Primaria incompleta
04 Educación Primaria completa
05 Primera etapa de Enseñanza
Secundaria, con o sin título (2º ESO
Nivel de estudios del adulto
studies aprobado, EGB)
seleccionado
06 Estudios de Bachillerato
07 Enseñanzas profesionales de
grado medio o equivalentes
08 Enseñanzas profesionales de
grado superior o equivalentes
09 Estudios universitarios
Enfermedad o problema de 1 Sí
salud crónicos o de larga chronicdisease 0 No
duración "." Admite blanco
13
1 Muy bueno
2 Bueno
Estado de salud bucodental oralhealt 3 Regular
4 Malo
5 Muy malo
1 Sí
Ha padecido alguna vez:
arthrosis 0 No
Artrosis (excluyendo artritis)
"." Admite blanco
Ha padecido alguna vez: 1 Sí

Dolor de espalda crónico backpain 0 No
(cervical) "." Admite blanco

Asma (incluida asma asthma 0 No
alérgica) "." Admite blanco
1 Sí
diabetes 0 No
Diabetes
"." Admite blanco
1 Sí
cataracts 0 No
Cataratas
"." Admite blanco
1 Sí
pdepression 0 No
Depresión
"." Admite blanco
1 Sí
anxiety 0 No
Ansiedad crónica
"." Admite blanco
1 Sí
omentalprob 0 No
Otros problemas mentales
"." Admite blanco
1 Sí
Tumores malignos
maltumors 0 No
"." Admite blanco
14
1 Sí
Problemas de tiroides
thyroid 0 No
"." Admite blanco
Diagnóstico médico: 1 Sí
Problemas de próstata (solo prostate 0 No
hombres) "." Admite blanco

Problemas del periodo menopause 0 No
menopáusico (solo mujeres) "." Admite blanco
1 No, ninguna dificultad

Dificultad para actividades 2 Sí, alguna dificultad
básicas diarias: Alimentarse feedingaid 3 Sí, mucha dificultad
sin ayuda 4 No puedo hacerlo por mí mismo
"." Admite blanco
Dificultad para actividades 1 No, ninguna dificultad

básicas diarias: Sentarse, 2 Sí, alguna dificultad
levantarse de una silla o de helptogetup 3 Sí, mucha dificultad
una cama, acostarse sin 4 No puedo hacerlo por mí mismo
ayuda "." Admite blanco
Ingreso en hospital en los 1 Sí

últimos 12 meses debido a childbirth 0 No
parto o cesárea "." Admite blanco
Consumo de medicamentos 1 Sí
no recetados por un médico
nonprescriptiondrugs 0 No
durante las dos últimas
semanas "." Admite blanco
Tranquilizantes, relajantes, 1 Sí
pastillas para dormir sleepingpills 0 No
consumidos "." Admite blanco
1 Sí
Píldoras para no quedar
contraceptives 0 No
embarazada consumidas
"." Admite blanco
15
1 Sí
Medicamentos para adelgazar
consumidos
weightlosspills 0 No
"." Admite blanco
1 Sí
Productos naturistas
naturalprod 0 No
consumidos
"." Admite blanco
1 Sí
Falta de asistencia médica 2 No
debido a listas de espera en los lackmedicalcare 3 No he necesitado asistencia
últimos 12 meses médica
"." Admite blanco
Sedentarismo: tiempo que Valores 00 a 24 horas

permanece sentado a lo largo sedentarism
de un día normal. Horas "." Admite blanco
1 Una o más veces al día

2 De 4 a 6 veces a la semana
Frecuencia de consumo de 3 Tres veces a la semana
comida rápida (pollo frito,
fastfood 4 Una o dos veces a la semana
bocadillos, pizzas,
hamburguesas) 5 Menos de una vez a la
semana 6 Nunca
"." Admite blanco
1 Sí, fumo a diario

2 Sí fumo, pero no a diario
3 No fumo actualmente, pero
he fumado antes
¿Fuma actualmente? smoke
4 No fumo ni he fumado nunca

de manera habitual
"."Admite blanco
16
01 A diario o casi a diario

02 5-6 días por semana
05 2-3 días en un mes
Frecuencia de consumo de 06 Una vez al mes
alcohol en los últimos 12 alcohol
meses 07 Menos de una vez al mes
08 No en los últimos 12 meses,
he dejado de tomar alcohol
09 Nunca o solamente sorbos
para probarlo
"."Admite blanco
1 Peso insuficiente
Variable derivada: Índice de 2 Normo peso
BMI
masa corporal (IMC) 3 Sobrepeso
4 Obesidad
Valores 000 a 300
999 No contesta
*La equivalencia (en gramos

de alcohol puro) utilizada es:
- Cerveza con alcohol: 10 g

por unidad de bebida.
Variable derivada: Consumo - Vino o cava: 10 g por unidad

medio diario de alcohol de bebida.
semanal (lunes a domingo) weeklyalcohol
000 a 300 (3 enteros, 2 - Aperitivos con alcohol
decimales) (vermut, fino, jerez): 20 g por
unidad de bebida.
- Licores, anís, pacharán: 20 g

por unidad de bebida.
- Whisky, coñac, combinados:

20 g por unidad de bebida.
- Bebidas locales (sidra,

carajillo...): 10 g por unidad de
bebida.
17
Además de las modificaciones mencionadas anteriormente, es necesario llevar a cabo
otras modificaciones adicionales sobre ciertas variables. Se han llevado a cabo procesos
de dicotomización en las variables “marital status”, “studies”, “oralhealt” y “BMI”. El
proceso de dicotomización se refiere a la conversión de una variable continua o categórica
en una variable binaria o dicotómica, es decir, en una variable con n-1 valores.
En cuanto a la variable “marital status”, se han creado tres nuevas variables

dicotomizadas: "single", "married" y "sep/div", siendo la categoría "widowed (viudo)"
asignada en caso de que todas las anteriores sean 0. Respecto a la variable studies, se han
creado dos nuevas variables para dicotomizarla. En la primera variable, se han unificado
los valores del 1 al 4, considerándolos como "primaryedu". En la segunda variable, se
han considerado los valores 8 y 9 como "higheredu", siendo considerado como
"secondaryedu" en caso de que la respuesta sea 0 en las dos variables anteriores. En
cuanto a la variable oralhealt, se han creado dos nuevas variables, a saber: "healtminus"
y "healtplus". La primera variable agrupa los valores 1 y 2, mientras que la segunda
variable agrupa los valores 4 y 5, considerándose una salud bucodental regular en caso
de que ambas variables sean 0.
En lo que respecta a la variable “BMI”, se ha procedido a crear dos nuevas variables

dicotómicas: “normalweight”, creada a partir de la combinación de las categorías de
“normopeso” y “sobrepeso”, dado que se ha considerado que en España es común que
las personas con sobrepeso sigan estando dentro de los valores considerados sanos.
Asimismo, se ha creado una segunda variable denominada “underweight”, considerando
que las personas con peso insuficiente son más propensas a padecer depresión que las
personas con obesidad. En caso de que ambas variables tengan un valor de 0, se ha
concluido que el paciente presenta obesidad.
En adición, se han agrupado los valores asignados a las respuestas de las variables
“feedingaid” y “helptogetup”. En ambos casos, se ha considerado como 1 la respuesta
indicando que no se necesita ayuda y como 0 la respuesta indicando que se necesita
cualquier tipo de ayuda, agrupando los valores 2, 3 y 4. En la variable “lackmedicalcare”,
se ha considerado como 1 la respuesta indicando que se ha experimentado falta de
18
asistencia médica, mientras que se ha considerado como 0 la respuesta indicando que no
se ha necesitado asistencia médica o que se ha recibido dicha asistencia. Por último, en la
variable “smoke”, se han agrupado las respuestas en dos valores: 1 para los pacientes que
indican que fuman, y 0 para los pacientes que indican que no fuman. Una vez efectuadas
todas las modificaciones pertinentes en la base de datos, se puede considerar que los datos
están preparados para ser importados a Gretl y proceder a realizar el análisis
correspondiente.
3.4 ANÁLISIS DE SIGNIFICATIVIDAD DE LAS VARIABLES
En el siguiente apartado se va a proceder al análisis de significatividad de las variables

seleccionadas en el apartado anterior, es decir, se va a determinar si las variables
independientes incluidas en el modelo estadístico tienen un efecto significativo sobre la
variable dependiente, en este caso, el diagnóstico de depresión. Para ello, se va a emplear
de nuevo el programa Gretl y en este caso, para analizar la significatividad de las
variables, se va a analizar la “Matriz de correlaciones” y la “Tabla de tabulación cruzada”.
Los coeficientes de correlación que se muestran en la “matriz de correlaciones” varían

entre “-1” y “1”, y representan el grado de asociación lineal entre dos variables. Un
coeficiente de correlación cercano a “1” indica una correlación positiva fuerte, mientras
que un valor cercano a “-1” indica una correlación negativa fuerte. Por otro lado, un valor
cercano a “0” indica que no hay una asociación lineal entre las variables. Los valores de
“p” que se muestran en la tabla representan la probabilidad de que la correlación
observada se deba al azar. Si el valor de “p” es menor que el nivel de significancia
establecido (emplearemos nivel 0.05), se puede concluir que la correlación es
significativa y que es poco probable que se deba al azar. En cambio, si el valor de “p” es
mayor que el nivel de significancia 0.05, se puede concluir que la correlación no es
significativa y que es probable que se deba al azar. Para interpretar la significatividad en
la matriz de correlaciones, se deben buscar aquellos valores de “p” que son menores al
nivel de significancia establecido y que corresponden a coeficientes de correlación
cercanos a “1” ó “-1”. Esto indica que hay una fuerte asociación lineal entre las variables
y que la correlación es significativa. A continuación, se van a presentar diferentes
matrices que muestra las relaciones entre las variables y la depresión. En la Figura 3.1,
19
se puede observar que todas las variables tienen cierta relación con la depresión, excepto
la variable "Country". Es importante destacar que las variables "age" y "chronicdisease"
presentan un valor “p” superior al resto, específicamente con unos valores de 0.1520 y
0.2293 respectivamente, lo que sugiere que tienen una influencia positiva en el desarrollo
de este trastorno.
En la Figura 3.2 se puede observar que todas las variables, excepto "asthma", tienen
cierta relación con la depresión no nula. Entre ellas, destaca la variable "anxiety" con un
valor “p” de 0.468, lo que sugiere que existe una fuerte relación entre la ansiedad y la
depresión. Asimismo, es importante destacar otros valores, como "healthplus" con un
valor “p” de -0.155, lo que indica que tener una buena salud bucodental puede reducir el
riesgo de padecer depresión; y "arthrosis" con un valor “p” de 0.220, lo que sugiere una
relación entre la artrosis y la depresión.
20
En la figura 3.3, la variable “helptogetup” presenta una correlación negativa con la
depresión, esto se debe a que se le asigna el valor “0” a no necesitar ayuda y el valor “1”
a necesitar ayuda, por lo tanto, a medida que la no necesidad de una persona para
levantarse con ayuda disminuye, es decir, a medida que una persona necesita ayuda para
levantarse, se incrementa la posibilidad de padecer depresión.
En la Figura 3.4, se puede observar que las únicas variables que presentan relación son
"sleepingpills" y "lackmedicalcare", aunque esta última presenta una correlación muy
pequeña, por lo tanto, únicamente se selecciona la variable “sleepingpills”.
En la siguiente matriz se puede observar que la depresión presenta una relación positiva
con "fastfood" y "alcohol", y una relación negativa con "normalweight". Esto significa
que, según los datos representados en la matriz, existe una asociación entre la depresión
21
y el consumo de alimentos poco saludables y alcohol, mientras que tener un peso normal
se asocia con un menor riesgo de depresión.
Después de realizar el análisis de las matrices de correlación, se puede concluir que las
variables que presentan una mayor correlación con la depresión son "age",
"chronicdisease", "healthplus", "arthrosis", "anxiety", "helptogetup" y "sleepingpills".
Esto significa que, según los datos analizados, estas variables están más relacionadas con
la depresión en comparación con las demás variables.
A continuación, se procederá a analizar las tablas de tabulación cruzada para valorar la

inclusión de posibles variables adicionales que pudieran presentar una relación
significativa con el desarrollo de este trastorno. Para analizar la significatividad en una
“tabla de tabulación cruzada”, se deben interpretar los valores que se muestran en la
tabla y realizar una prueba de significatividad. En general, una tabla de tabulación cruzada
muestra el número de casos que se recogen en cada categoría de dos variables categóricas
diferentes. En primer lugar, se debe examinar la frecuencia con la que aparecen los casos
en cada una de las categorías para ambas variables y a continuación, realizando un test
chi-cuadrado se puede determinar si existe una relación significativa entre dos variables
categóricas. Si el estadístico de chi-cuadrado es mayor que el valor crítico, se puede
concluir que hay una relación significativa entre las variables. Por el contrario, si el test
no muestra una relación significativa, se puede concluir que no hay una asociación entre
las variables.
22
En la tabulación cruzada, se considera hipótesis nula (Ho) aquella en que las variables
son independientes e hipótesis alternativa (Ha) aquella en que las variables son
dependientes. En el Anexo de este trabajo se pueden observar los contrastes
correspondientes a todas variables consideradas dependientes, ya que presentan un valor
p menor a 0,05, lo que significa que podemos rechazar la hipótesis nula. Las variables
"childbirth", "nonprescriptiondrugs" y "naturalprod" han sido descartadas debido a que
presentaron un valor “p” mayor a 0,05, lo que sugiere que no hay suficiente evidencia
para rechazar la hipótesis nula y no se consideran estadísticamente significativas en
relación con la variable de la depresión.
3.5 VARIABLES SIGNIFICATIVAS
En última instancia, en caso de que, tras realizar los dos análisis anteriores, se determine
que una variable independiente no presenta una relación estadísticamente significativa
con el trastorno depresivo, se puede contemplar su eliminación del modelo con el fin de
simplificarlo y hacerlo más interpretable. Por tanto, se van a consideran para el modelo
únicamente las variables que han demostrado una correlación significativa con el
trastorno depresivo en los análisis de las matrices de correlación y de tabulación cruzada
previamente realizados, que son las siguientes: “Sex”, “age”, “country”, “single”,
“married”, “sepdiv”, “primaryedu”, “higheredu”, “chronicdisease”, “healthplus”,
“healthminus”, “arthrosis”, “backpain”, “asthma”, “diabetes”, “cataracts”,
“anxiety”, “othermentalprob”, “maltumors”, “thyroid”, “menopause”, “feedingaid”,
“helptogetup”, “sleepingpills”, “contraceptives”, “weightlosspills”,
“lackmedicalcare”, “sedentarism”, “fastfood”, “smoke”, “alcohol”, “underweight”,
“normalweight” y “weeklyalcohol”.
23
4. EL MODELO
El análisis con modelo logit es una metodología econométrica que se va a emplear para
analizar la influencia de variables en la depresión. Este modelo permite determinar la
relación entre una variable dependiente binaria (en este caso, la presencia o ausencia de
depresión) y el resto de las variables independientes (aquellas que influyen en la
depresión e incluidas en la tabla 3.1).
El análisis efectuado a continuación se utiliza para estimar la probabilidad de que una

persona tenga depresión a partir de las variables independientes seleccionadas. En el caso
del modelo logit, se utiliza la función logística para modelar la relación entre la
probabilidad de depresión y las variables independientes. Una vez ajustado el modelo, se
pueden obtener estimaciones de los coeficientes de las variables independientes, que
indican la magnitud y la dirección de la relación entre cada variable y la probabilidad de
depresión. Estos coeficientes se utilizan para calcular las probabilidades de depresión en
función de las variables independientes. Es importante destacar que el modelo logit asume
que la relación entre las variables independientes y la probabilidad de depresión es lineal.
A continuación, se procede a estimar el modelo con todas las variables mencionadas y

como se observa en la Figura 3.6, el tamaño muestral es considerablemente más pequeño,
con n=394, que el original, ya que implica la ausencia de 21.235 observaciones en el
modelo. Esto es debido a que, únicamente los valores en los que todas y cada una de las
variables involucradas (endógena y exógenas) son valores conocidos, distintos de no
contestados, missing o sin sentido. Se destaca que el coeficiente “R cuadrado corregido”,
presenta un valor relativamente bajo de 0.153, lo cual indica la necesidad de realizar
ciertas correcciones o ajustes.
24
Modelo Inicial: Logit, usando las observaciones 28-21656 (n = 394)
Se han quitado las observaciones ausentes o incompletas: 21235
Variable dependiente: pdepression. Desviaciones típicas basadas en el
Hessiano
Coeficiente Desv. Típica z valor p
const −18,7667 13942,7 −0,001346 0,9989
age −0,0541379 0,0540366 −1,002 0,3164
country −0,695508 0,575147 −1,209 0,2266
single 0,321887 0,580624 0,5544 0,5793
married −0,214282 0,454434 −0,4715 0,6373
sepdiv 0,136458 0,514533 0,2652 0,7909
primaryedu 0,0593317 0,343034 0,1730 0,8627
higheredu −0,754999 0,414223 −1,823 0,0684 *
chronicdisease 17,3309 13942,7 0,001243 0,9990
Healtplus 0,0411601 0,336327 0,1224 0,9026
Healtminus 0,0351018 0,446499 0,07862 0,9373
arthrosis 0,514270 0,343086 1,499 0,1339
backpain 1,61393 0,836635 1,929 0,0537 *
asthma 0,433938 0,440492 0,9851 0,3246
diabetes 0,723347 0,449661 1,609 0,1077
cataracts −0,614100 0,453379 −1,354 0,1756
anxiety 1,98005 0,313780 6,310 <0,0001 ***
omentalprob 1,21656 1,58828 0,7660 0,4437
maltumors 0,117846 0,497242 0,2370 0,8127
thyroid −0,0516098 0,352361 −0,1465 0,8836
menopause 0,130766 0,387364 0,3376 0,7357
feedingaid 1,99890 1,07912 1,852 0,0640 *
helptogetup −1,00852 0,522688 −1,929 0,0537 *
sleepingpills 1,03854 0,310665 3,343 0,0008 ***
lackmedicalcare −0,134321 0,321712 −0,4175 0,6763
sedentarism −0,00240854 0,00688302 −0,3499 0,7264
fastfood 0,00660025 0,182875 0,03609 0,9712
smoke −0,0457149 0,333323 −0,1371 0,8909
alcohol −0,0155633 0,0936080 −0,1663 0,8680
underweight 0,867382 0,976637 0,8881 0,3745
normalweight 0,281809 0,379868 0,7419 0,4582
weeklyalcohol 0,000190554 0,000434341 0,4387 0,6609
Media de la vble. dep. 0,274112 D.T. de la vble. dep. 0,446633
R-cuadrado de McFadden 0,291673 R-cuadrado corregido 0,153383
Log-verosimilitud −163,9057 Criterio de Akaike 391,8115
Criterio de Schwarz 519,0547 Crit. de Hannan-Quinn 442,2313
Número de casos 'correctamente predichos' = 323 (82,0%)
f(beta'x) en la media de las variables independientes = 0,447
Contraste de razón de verosimilitudes: Chi-cuadrado(31) = 134,985 [0,0000]
Figura 4.1: Modelo inicial
Se depuran aquellas variables no significativas, es decir, las que presentan un p-valor

elevado, consiguiendo a su vez ir incrementando el número de casos involucrados, hasta
25
llegar al modelo de la figura 4.2. Una vez eliminadas estas variables, se alcanza un
modelo en el que todas las variables presentan una gran significatividad.
A continuación, se inicia el proceso contrario, donde se incluye cada una de las variables
previamente eliminadas que se subjetivamente se consideran altamente relacionadas, ya
que presentan significatividad al incluirlas en el modelo ajustado, y que son las siguientes:
“age”, “thyroid” y “normalweight”. Finalmente se obtiene el siguiente modelo, que se
considera el más apropiado.
Modelo Final: Logit, usando las observaciones 8-22046 (n = 8285)
Se han quitado las observaciones ausentes o incompletas: 13754
Variable dependiente: pdepression
Desviaciones típicas QML
Coeficiente Desv. Típica z valor p
const −1,70200 0,388049 −4,386 <0,0001 ***
age −0,0155942 0,00394900 −3,949 <0,0001 ***
married −0,327840 0,0748219 −4,382 <0,0001 ***
higheredu −0,265528 0,108986 −2,436 0,0148 **
chronicdisease 1,05375 0,219692 4,797 <0,0001 ***
anxiety 2,03227 0,0915961 22,19 <0,0001 ***
omentalprob 0,397206 0,179454 2,213 0,0269 **
thyroid 0,206540 0,110499 1,869 0,0616 *
helptogetup −0,575317 0,110681 −5,198 <0,0001 ***
sleepingpills 1,47546 0,0783741 18,83 <0,0001 ***
normalweight −0,315396 0,0825574 −3,820 0,0001 ***
asthma 0,359797 0,134312 2,679 0,0074 ***
Media de la vble. dep. 0,152565 D.T. de la vble. dep. 0,359589

R-cuadrado de McFadden 0,262500 R-cuadrado corregido 0,259109
Log-verosimilitud −2609,858 Criterio de Akaike 5243,717
Criterio de Schwarz 5327,983 Crit. de Hannan-Quinn 5272,509
Número de casos 'correctamente predichos' = 7270 (87,7%)

f(beta'x) en la media de las variables independientes = 0,360
Contraste de razón de verosimilitudes: Chi-cuadrado (11) = 1857,87 [0,0000]
Figura 4.2: Modelo final
26
Depnj= α+ β1(agej)+ β2(marriedj)+ β3(highereduj)+ β4(chronicdiseasej)+ β5(anxietyj)+ β6(omentalprobj)+
β7(thyroidj)+ β8(helptogetupj)+ β9(sleepingpillsj)+ β10(normalweightj)+ β11(asthmaj)+ εnj
Se efectúa contraste de multicolinealidad sobre el modelo estimado y se obtiene un factor

de inflación de la varianza (VIF) en un rango menor a 10 para todas las variables del
modelo, tal y como se sugiere en Schamel (2012), lo que significa que no existe
multicolinealidad entre las variables explicativas del modelo.
27
5. RESULTADOS
5.1 RESULTADOS DESCRIPTIVOS
El segundo análisis propuesto consiste en presentar los resultados descriptivos

correspondientes a las preguntas formuladas en la Encuesta de Salud, para aquellas
variables incorporadas en el modelo final. Se detallará la frecuencia y el porcentaje de las
variables analizadas, y se incluirá el número de observaciones ausentes para identificar
las preguntas a las que los encuestados son más adversos a contestar. Además, el análisis
se dividirá en diferentes tablas que describen los siguientes aspectos: datos de
identificación, características demográficas, estado de salud, dificultad para la realización
de las actividades de la vida cotidiana, consumo de medicamentos y características físicas.
Tabla 5.1: Datos de identificación

VARIABLE VALORES FRECUENC. %
sex 0 Mujer 11663 52,90%
1 Hombre 10383 47,10%
15-25 1733 7,86%
26-35 1930 8,75%
age 36-45 3819 17,32%
45-55 3857 17,50%
55-65 3899 17,69%
más de 65 6808 30,88%
married 0 No 10755 48,78%
1 Sí 11291 51,22%
El análisis de la encuesta revela que ha habido una participación equitativa entre hombres
y mujeres, lo que indica que ambos grupos han respondido en proporciones iguales.
Además, se observa una tendencia interesante relacionada con la edad de los encuestados,
ya que a medida que aumenta la edad, se presenta mayor tasa de respuesta.
Adicionalmente, se destaca que aproximadamente la mitad de la población encuestada se
encuentra casada.
28
Tabla 5.2: Características demográficas

0 No 15927 72,24%
higheredu
1 Sí 6119 27,76%
Al analizar la variable educación en la encuesta, se destaca que aproximadamente un

cuarto de la población encuestada presenta un nivel de educación superior. Este dato
muestra una disparidad en términos de nivel de estudios dentro de la población
encuestada.
Tabla 5.3: Estado de salud

0 No 8622 39,11%
chronicdisease 1 Sí 13410 60,83%
. Ausente 14 0,06%
0 No 20240 91,81%
anxiety 1 Sí 1791 8,12%
. Ausente 15 0,07%
0 No 21622 98,08%
omentalprob 1 Sí 418 1,90%
. Ausente 6 0,03%
0 No 20453 92,77%
thyroid 1 Sí 1566 7,10%
. Ausente 27 0,12%
0 No 20822 94,45%
asthma 1 Sí 1210 5,49%
. Ausente 14 0,06%
Se observa que más de la mitad de los encuestados presentan enfermedades crónicas, lo

que indica una prevalencia significativa de este tipo de condiciones médicas en la
muestra. En cuanto a enfermedades específicas, el 8.12% de los encuestados presenta
ansiedad, seguido por un 7.10% con problemas de tiroides. Además, un 5.49% de los
encuestados padecen problemas de asma, y un 1.90% otros problemas de salud mental
distintos a la depresión o ansiedad. Es relevante destacar que, al analizar las tasas de no
29
respuesta, se observa que los problemas de tiroides registran la menor tasa de respuesta.
Sin embargo, en general, todas las variables relacionadas con el estado de salud presentan
tasas de respuesta elevadas, lo que indica una buena participación de los encuestados en
cuanto a proporcionar información sobre su estado de salud.
Tabla 5.4: Dificultad para la realización de las actividades de la vida cotidiana.

0 Sí 1128 5,12%
helptogetup 1 No 9953 45,15%
. Ausente 10965 49,74%
Al examinar la variable “helptogetup”, se observa que un 5.12% de los encuestados

requieren de asistencia para levantarse o moverse. Esto implica que una proporción
significativa de la población encuestada enfrenta limitaciones físicas que requieren ayuda
adicional para llevar a cabo actividades de la vida cotidiana. Es importante destacar que
esta variable es la que presenta la menor tasa de respuesta entre todas las variables
seleccionadas en el modelo. Se registraron un total de 10.965 valores ausentes para esta
variable, lo cual indica que un número considerable de encuestados no proporcionó
información sobre su necesidad de ayuda para levantarse o moverse.
Tabla 5.5: Consumo de medicamentos.

0 No 11211 50,85%
sleepingpills 1 Sí 2985 13,54%
. Ausente 7850 35,61%
Con relación al consumo de pastillas relajantes, se observa que un 35.61% de los

encuestados no proporcionaron respuesta a esta pregunta. Esta alta tasa de no respuesta
puede deberse a diversos factores, como la sensibilidad de la información personal o la
falta de conocimiento sobre el tema. Sin embargo, es relevante destacar que un 13.54%
de los encuestados afirmaron consumir este tipo de medicamentos.
30
Tabla 5.6: Características físicas.
0 No 3785 17,17%
normalweight 1 Sí 17108 77,60%
. Ausente 1153 5,23%
En relación con la variable BMI, se observa que un 5.23% de los encuestados optaron por
abstenerse de proporcionar respuesta. Es importante destacar que un 77.60% de los
encuestados presentan un BMI dentro de la categoría de "normalweight" variable en la
cual se incluyen a personas con normopeso u obesidad.
5.2 RESULTADOS ECONOMÉTRICOS
A continuación, se procede a explicar la relación de cada una de las variables con la

variable exógena depresión en función de los coeficientes y p-valores obtenidos en el
modelo final estimado:
De acuerdo con la afirmación de Blazer et al. (1994), la variable “age” presenta un

coeficiente negativo de -0.0155, lo que indica que conforme se incrementa esta variable,
disminuye la probabilidad de padecer depresión. Esta disminución en la probabilidad
puede estar influenciada por diversos factores, como las experiencias de bullying
experimentadas durante la época escolar y la presión académica a la que los individuos
son expuestos en esa etapa de sus vidas.
El estado civil “married” presenta un coeficiente de -0.3278, lo cual sugiere que las
personas casadas tienden a presentar generalmente menor probabilidad de padecer
depresión. Varios factores pueden generar esta relación, como el apoyo emocional y
social que se experimenta en una relación matrimonial, aprobación general de las
personas casadas, frente a los solteros/viudos que dan una impresión social de haber
fracasado en las relaciones, o la posibilidad de compartir responsabilidades y enfrentar
los desafíos de la vida en pareja. Este resultado respalda la afirmación realizada por
Drentea y Goldner (2009) en la que dicen que tanto la soltería, el divorcio, la viudedad
31
como un matrimonio insatisfactorio, representan situaciones estresantes que pueden
aumentar el riesgo de depresión.
De acuerdo con lo expuesto en el estudio realizado por Lorant et al. (2003); la variable
“higheredu” presenta un coeficiente negativo con la depresión con un valor de -0.2655,
lo que sugiere que posiblemente personas con una educación superior tienen, menos
probabilidad de desarrollar la enfermedad. Esta relación inversa permite afirmar que una
educación superior esté asociada con una reducción en el riesgo de padecer depresión. La
relación inversa puede ser explicada por diversos factores, como un menor estrés
económico, debido a que pueden optar a sueldos más elevados junto con un acceso más
flexible al mercado laboral y una mayor formación general, que pueden influir
positivamente en la salud mental al proporcionar, en general, mayores oportunidades y
recursos para enfrentar posibles dificultades.
El caso de “chronicdisease”, tal y como exponen Katon et al. (2010), las enfermedades
crónicas presentan una alta relación positiva con la probabilidad de padecer depresión,
con un coeficiente de 1.0537, Esto indica que las personas que sufren enfermedades
crónicas tienen una mayor probabilidad de desarrollar este trastorno mental. Esta
asociación se explica por las posibles limitaciones que experimentan en su vida diaria
debido la presencia de carga física y emocional, así como restricciones en la autonomía
y la participación en actividades cotidianas, lo cual puede generar estrés crónico,
sentimientos de impotencia y aislamiento social.
Por lo que respecta a “anxiety”, es la variable que presenta una mayor correlación
positiva del modelo (2.0323). Aquellas personas que padecen episodios de ansiedad son
más propensas a desarrollar depresión. Esto puede deberse a la sobrecarga emocional, las
limitaciones para realizar actividades cotidianas, al aislamiento social o frustración
continua entre otros factores
Padecer “omentalprob” presenta un coeficiente de 0.3972. Esto explica que personas que
padecen otros problemas mentales son más propensas a padecer depresión tal y como
afirman Goldney et al. (2009).
32
Se observa una relación positiva entre el problema de salud "thyroid" (tiroides) y la
depresión con un valor de 0.2065, lo que indica que las personas que padecen trastornos
de la tiroides tienen una mayor probabilidad de desarrollar depresión. Müssig, K. y
Gärtner, R. (2013) explican que factores como la desregulación hormonal, alteración del
sueño, cambio de apetito, cambio brusco en la apariencia física y peso corporal entre otros
pueden explicar esta relación.
En cuanto a la variable “helptogetup” presenta una correlación negativa de -0.5753 con

el desarrollo del trastorno depresivo, lo que quiere decir que la probabilidad de padecer
depresión es menor cuando una persona no necesita ayuda de terceros para levantarse o
moverse, o en general, la persona es autosuficiente en el día a día. Las personas que
necesitan ayuda para moverse o levantarse presentan una independencia funcional que
afecta a su autopercepción y autoestima ya que se pueden llegar a sentir vulnerables.
Tomar “sleepingpills” puede llevar a una persona a desarrollar trastorno depresivo como
consecuencia de los efectos secundarios de los somníferos, la dependencia física o
psicológica de tomarlos, los trastornos de sueño que pueden generar o incluso de posibles
alteraciones y desequilibrios de la química cerebral, esto se debe a la correlación de
1.4755 que presenta.
La correlación negativa que presenta “normalweight” con la depresión de -0.3154

explica que aquellas personas con “normopeso” o “sobrepeso” presentan menos
probabilidad de desarrollar depresión. Se ha incluido en esta variable el rango de “IMC
(Índice de Masa Corporal) sobrepeso” ya que se ha considerado que en España es habitual
encontrarse dentro de ese rango y tener un buen estado de salud.
Por último, se observa un coeficiente positivo de 0.3598 entre la variable “ashtma” y la

depresión. Esto puede deberse a los problemas respiratorios y restricciones de actividad
física, así como el estrés crónico que puede llegar a generar padecer esta enfermedad.
Como se puede apreciar, las variables incluidas en el modelo final muestran una
significativa relación con el desarrollo de trastornos depresivos. Se han considerado tanto
variables con correlación positiva como negativa, lo que permite tener en cuenta
33
diferentes aspectos que pueden influir en la probabilidad de desarrollar este trastorno,
proporcionando una visión más completa y precisa de los factores asociados a la variable
de estudio.
5.3 ODDS RATIOS
Una de las medidas que permiten resumir los principales resultados del modelo
desarrollado son las ratios de probabilidad o odds ratios como más comúnmente se les
conoce. Los OR son una medida estadística empleada para cuantificar la probabilidad de
las variables del modelo. Es habitual calcular estos indicadores a partir de la regresión
logística porque son medidas que permiten comparar la fuerza relativa de las variables
independientes sobre la variable dependiente. Para ello, partiendo de la ecuación general
del modelo Logit, se calculan las Pi como la probabilidad de que ocurra el hecho como:
1
(1)
1+𝑒 −(𝛼+∑𝛽𝑖𝑋𝑖)
A partir del valor Pi, se puede calcular el odd ratio como:
𝑃𝑖 (𝑒 𝛼+∑𝛽𝑖𝑋𝑖 ) 𝑃𝑒𝑟𝑓𝑖𝑙 𝑚𝑜𝑑𝑎𝑙

= (2)
1−𝑃𝑖 𝑒 𝛼+∑𝛽𝑖𝑋𝑖 𝑃𝑒𝑟𝑓𝑖𝑙 𝑚𝑜𝑑𝑎𝑙 𝑐𝑜𝑛 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑎𝑛á𝑙𝑖𝑠𝑖𝑠
Odds ratios del perfil modal. A continuación, se van a calcular las variaciones en la
probabilidad de padecer depresión basándose en el perfil modal, es decir, teniendo en
cuenta los valores más repetidos de cada una de las variables explicativas del modelo, y
posteriormente se modificarán una a una todas ellas para ver cómo varía el valor esperado
y la probabilidad de padecer depresión. Así pues, llamamos “Pi” a la probabilidad de
padecer depresión como:
34
𝑃𝑖 = 𝑃(Depni = 1 | age = 43, married = 1, higheredu = 0, chronicdisease
= 1, anxiety = 0, omentalprob = 0, thyroid = 0, helptogetup
= 1, sleepingpills = 0, normalweight = 1, asthma = 0)
1
= = 0.0734
1 + 𝑒−(−2.5352)
Donde:
𝐷𝑒𝑝𝑛𝑖 = 𝛼 + 𝛽1(𝑎𝑔𝑒𝑖) + β2(marriedi) + β3(higheredui) + β4(chronicdiseasei) + β5(anxietyi)

+ β6(omentalprobi) + β7(thyroidi) + β8(helptogetupi) + β9(sleepingpillsi)
+ β10(normalweighti) + β11(asthmai) + 𝜀𝑛𝑖
𝐷𝑒𝑝𝑛𝑖 = α + ∑βjXj
= (−1.70200) + 43 ∗ (−0.0155942)1 ∗ (−0.32784) + 0 ∗ (−0.265528) + 1
∗ (1.05375) + 0 ∗ (2.03227) + 0 ∗ (0.397206) + 0 ∗ (0.20654) + 1
∗ (−0.57317) + 0 ∗ (1.47546) + 1 ∗ (−0.315396) + 0 ∗ (0.359797) = −2.5352
1
Los datos correspondientes al perfil modal presentan un odd ratio =0.0734,
1+𝑒 −(−2.5352)
es decir, es más probable que una persona corriente o “frecuente” no llegue a padecer
depresión. Con lo que se puede concluir que una persona corriente tan solo tiene un 7,3%
de posibilidades de padecer depresión.
En base a este perfil, es posible calcular el cambio de probabilidad de un perfil a otro, por
ejemplo, a partir del perfil modal, si se considera que la persona tiene educación superior
(higeredu), la probabilidad de padecer depresión será:
𝑃(Depni = 1 | age = 43, married = 1, higheredu = 1, chronicdisease = 1, anxiety

= 0, omentalprob = 0, thyroid = 0, helptogetup = 1, sleepingpills
1
= 0, normalweight = 1, asthma = 0) = = 0.0573
1 + 𝑒−(−2.8007)
35
= (−1.70200) + 43 ∗ (−0.0155942) + 1 ∗ (−0.32784) + 0 ∗ (−0.265528) + 1
∗ (1.05375) + 0 ∗ (2.03227) + 0 ∗ (0.397206) + 0 ∗ (0.20654) + 1
∗ (−0.57317) + 0 ∗ (1.47546) + 1 ∗ (−0.315396) + 0 ∗ (0.359797) = −2.8007
En la siguiente tabla se muestran las probabilidades de padecer depresión, así como su

variación con respecto a la situación modal.
Tabla 5.5: Variaciones de la probabilidad con respecto al perfil modal.
En la tabla anterior se observa que, por ejemplo, por cada año adicional con respecto a la
edad modal, la probabilidad de padecer depresión se incrementa en un 0.11%. Mientras
que finalizar estudios superiores reduce la probabilidad de padecer depresión en un
2.80%.
Odd ratios de las variables explicativas. Explican las variaciones en la probabilidad de

padecer depresión en función de cada una de las variables explicativas del modelo de
manera independiente. Los OR de las variables se calculan dividiendo la exponencial del
valor esperado en el perfil modal entre la exponencial del valor esperado en el modelo
con el cambio en la respuesta de la variable de análisis.
36
Tabla 5.6: Odds ratios y sus inversos
𝑒 −2.5352
Considerando la variable “age”, su OR es 𝑒 −2.5508 = 1.0157, lo cual explica que, por cada
año cumplido, la probabilidad de padecer depresión frente a la de no padecerla se

incrementará en un 1.02% aproximadamente. En la variable “married”, su OR es
𝑒 −2.5352
= 0.7205, al calcular la inversa obtenemos un valor de 1.388, lo cual indica que
𝑒 −2.2074
el cambio de estado civil de casado a no casado es 1.388 veces más probable que no se
desarrolle depresión que la de desarrollarla. Las variables “higheredu” y
“chronicdisease” presenta un OR de 1.3041, por lo que la probabilidad de padecer
depresión es 1.3041 veces mayor en caso de poseer estudios diferentes a estudios
superiores.
Analizando las variables relacionadas con las enfermedades, se puede afirmar que la
probabilidad de padecer depresión son 7.6314 y 1.4877 veces más probable que no se
desarrolle depresión en caso de no padecer ansiedad u otras enfermedades mentales
diferentes a la depresión y la ansiedad, respectivamente.
La variable “thyroid” presenta un OR de 0.8134. Analizando su inversa se concluye que

es 1.2294 veces más probable no padecer depresión si la persona no padece problemas de
tiroides ya que no presentan las desregulaciones en las hormonas tiroideas, las cuales
37
regulan el estado de ánimo, metabolismo y el funcionamiento cognitivo. Siguiendo con
las enfermedades, aquellas personas que no padecen “asthma” tienen 1.433 veces mayor
probabilidad de no padecer depresión ya que no presentan problemas respiratorios u otras
limitaciones para realizar actividades diarias. En relación con la variable “helptogetup”
se obtiene un OR 0.5637, cuya inversa es 1.7739, lo que quiere decir que aquellas
personas que no necesitan ayuda para levantarse tienen 1.7739 veces mayor probabilidad
de no desarrollar depresión con respecto a desarrollarla, ya que vivir con limitaciones
físicas puede generar estrés crónico, frustración y una sensación de pérdida, lo cual
𝑒 −2.5352
aumenta el riesgo de desarrollar depresión. OR de “sleepingpills” es = 0.2287.
𝑒 −1.0597
Calculando la inversa se obtiene un valor de 4.3730, lo cual es explicado como que

aquellas personas que no consumen pastillas relajantes tienen 4.3730 veces mayor
probabilidad de no desarrollar un trastorno depresivo con respecto a desarrollarlo. Esto
puede deberse a los efectos secundarios de este tipo de medicamentos, así como las
alteraciones de los patrones naturales del sueño que generan o la dependencia que pueden
generar, entre otros factores.
38
6. CONCLUSIONES
A modo de cierre de este trabajo se van a extraer las principales conclusiones que se han
ido recogiendo en el estudio.
El objetivo general propuesto para este Trabajo Fin de Grado era comprender y modelizar
los factores que pueden influir de cara a padecer un trastorno depresivo. Como objetivos
específicos nos proponíamos trabajar la base de datos de la Encuesta Europea de Salud
en España (EESE) de cara a analizar las tendencias, cifras y factores que influyen o
pueden influir en el desarrollo de la enfermedad.
Aunque inicialmente se suponía que ciertas variables podían tener influencia, es relevante
destacar que la implementación del modelo ha invalidado algunas de mis supuestos
iniciales. Por ejemplo, tal y como indicaban los autores mencionados en el apartado 3.3
Selección de Variables, se consideraba que las variables “maltumors” o “alcohol” entre
otras presentaban una asociación con la depresión se ha demostrado que no existe
relación. Otra variable relevante de destacar es “naturalprod”. Inicialmente se
consideraba que el consumo de productos naturales como ciertas hierbas medicinales o
suplementos dietéticos como “tilas”, “hierba de San Juan” o “ácidos grasos omega-3”,
entre otros, podrían reducir la depresión debido a la creencia de que poseen propiedades
antidepresivas. Sin embargo, se ha demostrado que el consumo de productos naturales no
guarda relación significativa con la depresión. En relación con el factor “sex”,
previamente se ha consideraba que tenía influencia en la depresión y se creía que las
mujeres eran más propensas a padecer esta enfermedad. No obstante, los resultados del
análisis apoyan que no existe una relación significativa entre el sexo y la depresión, y que
la distribución de la enfermedad es equitativa entre ambos géneros. En este apartado se
necesitaría un estudio pormenorizado en profundidad, con modelos separados por
géneros, incorporando en cada caso variables significativas en cada caso, para poder
asegurar que la aparición de la depresión no guarda relación de importancia con el género
del sujeto.
39
Es importante destacar que la ESSE recopila datos únicamente de personas a partir de los
15 años. Por lo tanto, en este estudio no se aborda directamente la problemática de la
depresión en menores de 15 años, pero cabe destacar las altas tasas de depresión en este
grupo demográfico como consecuencia de factores sociales y de presión de grupo que
generan necesidad de encajar por miedo al rechazo o exclusión social; uso excesivo de
tecnología y exposición constante a las redes sociales a muy temprana edad o factores
traumáticos como divorcio de los padres, acoso escolar o experiencias de violencia, entre
otros. Si nos permitimos extrapolar los resultados obtenidos en el modelo respecto a la
variable “age”, suponiendo que no va a existir ruptura estructural, la carga depresiva a
edades más tempranas debería ser mayor. A pesar de que sean pocos los casos
diagnosticados de depresión infantil, con otra nomenclatura como mayor carga de
ansiedad o estrés podemos encontrarnos con casos precursores de la enfermedad.
El análisis de los datos obtenidos en la ESSE ha requerido ajustes en la base de datos para
poder importarlos a Gretl. Mediante un análisis estadístico empleando un Modelo Logit,
se ha identificado un modelo final que define que las variables influyentes en la depresión
son las siguientes: “age”, “married”, “higheredu”, “chronicdisease”, “anxiety”,
“omentalprob”, "thyroid", “helptogetup” , “sleepingpills” , “normalweight” y
“ashtma”, de las cuales son variables directas “age”, “chronicdisease”, “anxiety”,
“omentalprob”, "thyroid", “helptogetup” , “sleepingpills” y “ashtma”, es decir,
presentan mayor probabilidad de padecer depresión. Por el contrario, son variables
inversas “married”, “higheredu” y “normalweight”, lo que significa que estas variables
reducen la probabilidad de padecer este trastorno. El análisis efectuado ha permitido
comprender qué factores están asociados con la depresión para poder desarrollar o
estudiar posibles soluciones que permitan reducir las altas tasas de depresión en la
sociedad, todavía más altas actualmente como consecuencia de los efectos de la
pandemia.
A continuación, se procede a calcular la mayor y menor probabilidad de desarrollar

depresión, mediante los odds ratios.
40
Según los estudios realizados, se ha identificado que existe un perfil de persona con
mayor probabilidad de padecer depresión. Este perfil incluye a individuos que tienen 15
años, estado civil soltero/a, nivel educativo primario o secundario, y que presentan
diversas condiciones de salud como enfermedades crónicas, ansiedad, otros problemas
mentales, tiroides y asma. Además, se ha observado que estas personas requieren
asistencia para levantarse, consumen pastillas relajantes y no presentan un índice de masa
corporal considerado dentro del rango normopeso. En términos estadísticos, la
probabilidad de que una persona con este perfil específico padezca depresión se estima
en un 97.31%.

1
= = 0.9731
1 + 𝑒−(3.5891)
Donde:
= (−1.70200) + 15 ∗ (−0.0155942) + 0 ∗ (−0.32784) + 0 ∗ (−0.265528) + 1
∗ (1.05375) + 1 ∗ (2.03227) + 1 ∗ (0.397206) + 1 ∗ (0.20654) + 0
∗ (−0.57317) + 1 ∗ (1.47546) + 0 ∗ (−0.315396) + 1 ∗ (0.359797) = 3.5891
Por el contrario, se ha identificado que existe un perfil de persona con menor probabilidad
de padecer depresión. Este perfil incluye a individuos que tienen 104 años, estado civil
casado/a, nivel educativo superior, y que no presentan enfermedades crónicas, otros
problemas mentales, problemas de tiroides ni asma. Además, se ha observado que estas
personas no requieren asistencia para levantarse, no consumen pastillas relajantes y
presentan un índice de masa corporal considerado dentro del rango normopeso según el
Índice de Masa Corporal (IMC). En términos estadísticos, la probabilidad de que una
persona con este perfil específico padezca depresión se estima en un 0.81%.
41
1
= = 0.0081
1 + 𝑒−(−4.8057)
Donde:
= (−1.70200) + 104 ∗ (−0.0155942) + 1 ∗ (−0.32784) + 1 ∗ (−0.265528) + 0
∗ (1.05375) + 0 ∗ (2.03227) + 0 ∗ (0.397206) + 0 ∗ (0.20654) + 1
∗ (−0.57317) + 0 ∗ (1.47546) + 1 ∗ (−0.315396) + 0 ∗ (0.359797) = −4.8057
La depresión tiene un impacto significativo en el Producto Interior Bruto (PIB) de España.

Son muchos los efectos que la depresión puede tener sobre la economía, entre ellos se
encuentran las reducciones de productividad laboral que pueden generar las personas que
padecen este trastorno, debido a la dificultad para tener un desempeño óptimo como
consecuencia de los síntomas de este trastorno (falta de concentración, fatiga o baja
motivación, entre otros). La depresión junto con otros trastornos mentales comunes
representa un peso significativo en términos de PIB. En concreto, en el informe
“Headway Mental Health (2022)” se indica que estos trastornos representaron un 4% del
PIB en 2020, lo que indica una pérdida considerable atribuible a los trastornos de salud
mental. Además, las personas con depresión pueden tener dificultades para encontrar y
mantener empleos estables, lo cual incrementa el desempleo. Esto puede generar una
disminución de los ingresos familiares, que a su vez reduce el gasto en consumo y la
inversión, provocando una reducción de la demanda agregada de la economía. Bien es
cierto que el desempleo también es un factor influyente en el desarrollo de la depresión.
Según el Informe: Precariedad laboral y salud mental (2023), en 2020, se estimó que el
33.2% de los casos de depresión en la población activa podrían haberse evitado con un
empleo estable. De los 511.000 casos de depresión, 170.000 casos eran consecuencia de
la precariedad laboral. Además, en la población mayor de 15 años, se estima que entorno
a un 5.8% de la población padecía depresión en 2020. En este mismo informe se destaca
que España es el país que más ansiolíticos e hipnóticos consume del mundo por habitante,
42
con casi un 11% de adultos que declara haber consumido tranquilizantes, relajantes o
pastillas para dormir en las últimas dos semanas. Algo que dista completamente de los
resultados obtenidos, ya que el consumo de “sleepingpills” incrementa la probabilidad de
padecer depresión con un coeficiente de 1.4754.
En cuanto a los costes que supone a las empresas los empleados con este tipo de
trastornos, según el Informe para un Mejor Abordaje de la Depresión en el Ámbito de
Trabajo (2016), se estima que en términos económicos en el marco de la Unión Europea
representan pérdidas de hasta 92.000 millones de euros al año
Tras este estudio, se puede concluir que en España se requiere de una mayor inversión en
la atención de la salud mental para poder combatir la depresión y otros trastornos
mentales. La implementación de políticas económicas que promuevan la seguridad y
estabilidad laboral, así como entornos laborables adecuados, también son medidas
esenciales para abordar este problema. Además, la atención en salud mental debe ser
considerada como una inversión y no como un coste, ya que esto mejoraría la
productividad laboral y con ello la mejora de la economía en general del país.
43
7. BIBLIOGRAFÍA
● Balanzá-Martínez, V., Kapczinski, F., De Azevedo Cardoso, T., Atienza-Carbonell,

B., Rosa, A. R., Da Mota, J. C., & De Boni, R. B. (2021). The assessment of lifestyle
changes during the COVID-19 pandemic using a multidimensional scale. Revista de
Psiquiatría y Salud Mental, 14(1), 16-26.
https://doi.org/10.1016/j.rpsm.2020.07.003
● Berto, P., D'Ilario, D., Ruffo, P., Virgilio, R. D., & Rizzo, F. (2000). Depression:
cost‐of‐illness studies in the international literature, a review. The journal of mental
health policy and economics, 3(1), 3-10.
● BLAZER, I. I.; DAN, G. Epidemiology of late-life depression. 1994.
● Brussels. (2022). “Headway -Mental Health Index 2.0” Report.

https://eventi.ambrosetti.eu/headway/wp-
content/uploads/sites/225/2022/09/220927_Headway_Mental-Health-Index-
2.0_Report-1.pdf
● Comisión de personas expertas sobre el impacto de la precariedad laboral en la

salud mental en España. (2023). Gob.es.
https://www.lamoncloa.gob.es/serviciosdeprensa/notasprensa/trabajo14/Documents
/2023/170323-informe-salud-mental.pdf
● Dierker, L. C., Avenevoli, S., Stolar, M., & Merikangas, K. R. (2002). Smoking and
depression: an examination of mechanisms of comorbidity. American Journal of
psychiatry, 159(6), 947-953.
● GOLDNER, M., & DRENTEA, P. (2009). Caring for the disabled: applying
different theoretical perspectives to understand racial and ethnic variations among
families. Marriage & Family Review, 45(5), 499-518.
● Goldney, R. D., Dunn, K. I., Grande, E. D., Crabb, S., & Taylor, A. (2009).
Tracking depression-related mental health literacy across South Australia: a
decade of change. Australian & New Zealand Journal of Psychiatry, 43(5), 476-
483.
44
● Grant, B. F., Goldstein, R. B., Smith, S. M., Jung, J., Zhang, H., Chou, S. P., ... &
Hasin, D. S. (2015). The Alcohol Use Disorder and Associated Disabilities
Interview Schedule-5 (AUDADIS-5): reliability of substance use and psychiatric
disorder modules in a general population sample. Drug and alcohol
dependence, 148, 27-33.
● INE. La salud mental en la pandemia 2021.

<https://www.ine.es/ss/Satellite?L=es_ES&c=INECifrasINE_C&cid=12599532254
45&p=1254735116567&pagename=ProductosYServicios%2FPYSLayout >
● Josué Díaz, L., Torres Lio-Coo, V., Urrutia Zerquera, E., Moreno Puebla, R., Font
Darías, I., & Cardona Monteagudo, M. (2006). Factores psicosociales de la
depresión. Revista Cubana de medicina militar, 35(3), 0-0.
● Katon, W., Lin, E. H., Von Korff, M., Ciechanowski, P., Ludman, E., Young, B., ... &
McGregor, M. (2010). Integrating depression and chronic disease care among
patients with diabetes and/or coronary heart disease: the design of the TEAMcare
study. Contemporary clinical trials, 31(4), 312-322.
● KESSLER, R. C. (2003). Epidemiology of women and depression. Journal of

affective disorders, 74(1), 5-13.
● Leal, E. C., Regàs, P. I., Planas, M. G., Forteza, G. L., González, J. S., & Ruiz, J. S.
(2016). El abordaje de la depresión en el ámbito del trabajo: recomendaciones
clave. Psiquiatría Biológica, 23(3), 112-117.
● Leal, E. C., Regàs, P. I., Planas, M. G., Forteza, G. L., González, J. S., & Ruiz, J. S.
(2016). El abordaje de la depresión en el ámbito del trabajo: recomendaciones
clave. Psiquiatría Biológica, 23(3), 112-117.
● Liimatainen, M., & Gabriel, P. (2000). Mental Health in the Workplace:

Introduction: Executive Summary.
● Lorant, V., Croux, C., Weich, S., Deliège, D., Mackenbach, J., & Ansseau, M.
(2007). Depression and socio-economic risk factors: 7-year longitudinal population
study. The British journal of psychiatry, 190(4), 293-298.
● Müssig, K. y Gärtner, R. (2013). "Thyroid Function in Depression"
45
● O'hara, M. W., & Swain, A. M. (1996). Rates and risk of postpartum depression—a
meta-analysis. International review of psychiatry, 8(1), 37-54.
● RETAMAL, Pedro. Depresión. Editorial Universitaria, 1998.
● Rosmarin, D. H., Pargament, K. I., & Mahoney, A. (2009). The role of religiousness
in anxiety, depression, and happiness in a Jewish community sample: A preliminary
investigation. Mental Health, Religion and Culture, 12(2), 97-113.
● San Molina, L., & Martí, B. A. (2010). Comprender la depresión. Editorial AMAT.
● Schamel, G. (2012). Weekend vs. midweek stays: Modelling hotel room rates in a
small market. International Journal of Hospitality Management, 31(4), 1113–1118.
https://doi.org/10.1016/ j.ijhm.2012.01.008
● Sobocki, P., Jönsson, B., Angst, J., & Rehnberg, C. (2006). Cost of depression in
Europe. Journal of Mental Health Policy and Economics.
● Tipos de depresión. (s. f.). Portal de Salud de la Junta de Castilla y León.

https://www.saludcastillayleon.es/AulaPacientes/es/guia-depresion/tipos-depresion
● Valladares, A., Dilla, T., & A Sacristán, J. (2009). La depresión: una hipoteca
social. Últimos avances en el conocimiento del coste de la enfermedad. Actas
Españolas de Psiquiatría, 37(1).
● World Health Organization: WHO. (2019). Depresión. www.who.int.

https://www.who.int/es/health-topics/la-d%C3%A9pression#tab=tab_1
46
8. ANEXO
Tablas de tabulación cruzada (variables que presentan relación con depresión).
47
48
49
50
51
Figura 4.5: Contraste multicolinealidad del modelo
52

Taz TFG 2023 1525

Cargado por

Copyright:

Formatos disponibles

Taz TFG 2023 1525

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taz TFG 2023 1525

Cargado por

Copyright:

Formatos disponibles

Trabajo Fin de Grado

EXPLORANDO LA SALUD MENTAL.

Análisis econométrico de los factores

asociados al trastorno depresivo.

EXPLORING MENTAL HEALTH.

MIREYA BARRAO DOMINGO

Javier Tapia Barcones

Elena Calvo Calzada

Facultad de Economía y Empresa. Universidad de Zaragoza

El objetivo de este análisis es identificar las variables que afectan a la aparición de la

Palabras clave: Encuesta Europea de Salud en España (EESE), depresión, trastorno

Keywords: European Health Survey in Spain (EESE), depression, depressive disorder,

Figura 3.1: Matriz de correlación (parte 1)

Figura 3.2: Matriz de correlación (parte 2)

Figura 3.3: Matriz de correlación (parte 3)

Figura 3.4: Matriz de correlación (parte 4)

Figura 3.5: Matriz de correlación (parte 5)

Figura 4.1: Modelo inicial

Figura 4.2: Modelo final

Tabla 3.1: Posibles variables influyentes seleccionadas según la bibliografía

Tabla 5.1: Datos de identificación

Tabla 5.2: Características demográficas

Tabla 5.3: Estado de salud

Tabla 5.4: Dificultad para la realización de las actividades de la vida cotidiana.

Tabla 5.5: Consumo de medicamentos.

Tabla 5.6: Características físicas.

La Organización Mundial de la Salud (OMS, 2019) define la depresión como un trastorno

De acuerdo con Valladares et al. (2009), a continuación, se detallan algunas posibles

En resumen, la depresión puede tener un impacto negativo en la economía al disminuir la

Dentro de la depresión, según Retamal (1998), se reconocen diferentes tipos que

Episodio depresivo mayor / menor: define situaciones en las que se experimentan

La depresión subclínica: en esta patología no se manifiesta directamente un estado de

Depresión enmascarada o “somatizada”: en este caso, los síntomas afectivos o

Depresión con síntomas psicóticos: además de los síntomas depresivos también se

Los Trastornos Bipolares: están caracterizados por episodios de manía o hipomanía

Trastorno Distímico: los síntomas se manifiestan durante un largo periodo de tiempo en

En caso de que se experimenten estos síntomas es importante buscar ayuda de un

En esta introducción, se han explorado los diferentes tipos de depresión y se ha resaltado

El trabajo se ha organizado como sigue; se dedica el segundo apartado a realizar un

Mediante este estudio, se busca contribuir al conocimiento y promover avances en la

Prevalencia de cuadros depresivos activos

Sin cuadro depresivo alguno 35.842,2

Otros cuadros depresivos 1.484,9

Cuadro depresivo mayor 1.363,2

Cuadro Sin cuadro

año 2014 año 2020

Con el objetivo de obtener una visión integral de la carga económica de la depresión, es

3.1 BASE DE DATOS

En este trabajo se analizan aquellas variables que pueden resultar influyentes en el

La EESE es un estudio que se realiza periódicamente en España por el Instituto Nacional

Los resultados de la EESE en España son utilizados por políticos y profesionales de la

3.3 SELECCIÓN DE VARIABLES

Embarazo y maternidad: Según diversos estudios, la maternidad puede afectar a la

Tabaquismo: Según un estudio publicado en la revista "American Journal of Psychiatry"

Automedicación: la automedicación, como se define la toma de medicamentos sin la

Otras variables influyentes: Además de las variables mencionadas anteriormente, hay

En la tabla 3.1 se encuentran las diferentes variables seleccionadas en función de las

Identificación del adulto 1 HOMBRE

Identificación del adulto