En primer logar, cargamos la base de datos, y la limitamos a las variables de interes:

df <- read_sav("bd_tesis_final.sav") %>% as_tibble() %>% 
  select(media_gohai, media_scgohai,
sexo,
edad_s1,
escola_v00,
fuma_s1,
escola_gohai,
valoraboca_gohai2,
periodontitisB,
numdientes_gohai2,
#clasifica_obtu,
dent5_prot
)
df
## # A tibble: 100 x 11
##    media_gohai media_scgohai  sexo edad_s1 escola_v00 fuma_s1 escola_gohai
##          <dbl>         <dbl> <dbl>   <dbl> <dbl+lbl>  <dbl+l>        <dbl>
##  1        4.17             4     2      64 1          5                  1
##  2        3.5              6     1      67 3          2                  2
##  3        4.17             3     1      70 4          5                  3
##  4        4.75             0     1      65 2          4                  1
##  5        4.25             3     2      64 3          1                  2
##  6        4.33             3     1      58 4          5                  3
##  7        4.08             3     1      70 4          4                  3
##  8        3.83             5     1      56 3          4                  2
##  9        3.08             7     1      59 4          4                  3
## 10        3.25             7     2      64 3          4                  2
## # ... with 90 more rows, and 4 more variables: valoraboca_gohai2 <dbl>,
## #   periodontitisB <dbl>, numdientes_gohai2 <dbl>, dent5_prot <dbl>

Veamos ahora una comparación entre los resultados del modelo crudo y del modelo ajustado para cada variable dependiente:

modelo1=lm(media_gohai ~ 
periodontitisB+
numdientes_gohai2+
dent5_prot, data=df
)

modelo2=lm(media_gohai ~ sexo+
edad_s1+
fuma_s1+
escola_gohai+
valoraboca_gohai2+
periodontitisB+
numdientes_gohai2+
dent5_prot, data=df
)

tab_model(modelo1,modelo2,show.se = TRUE) %>% return() %$% 
    knitr %>% 
    asis_output()
  media gohai media gohai
Predictors Estimates std. Error CI p Estimates std. Error CI p
(Intercept) 3.27 0.28 2.73 – 3.81 <0.001 3.66 0.85 2.00 – 5.32 <0.001
periodontitis B 0.20 0.16 -0.12 – 0.51 0.233 0.06 0.13 -0.20 – 0.31 0.667
numdientes gohai 2 0.51 0.26 -0.00 – 1.02 0.054 0.64 0.20 0.25 – 1.04 0.002
dent 5 prot -0.28 0.19 -0.65 – 0.09 0.138 -0.05 0.16 -0.36 – 0.26 0.766
sexo -0.37 0.13 -0.63 – -0.12 0.005
Edad 0.02 0.01 -0.01 – 0.04 0.206
¿Fuma usted cigarrillos
actualmente?
0.09 0.05 -0.00 – 0.18 0.065
escola gohai -0.28 0.08 -0.43 – -0.12 0.001
valoraboca gohai 2 -0.55 0.09 -0.74 – -0.37 <0.001
Observations 89 89
R2 / adjusted R2 0.179 / 0.150 0.542 / 0.496
modelo1=lm(media_scgohai ~ 
periodontitisB+
numdientes_gohai2+
dent5_prot, data=df
)

modelo2=lm(media_scgohai ~ sexo+
edad_s1+
fuma_s1+
escola_gohai+
valoraboca_gohai2+
periodontitisB+
numdientes_gohai2+
dent5_prot, data=df
)

tab_model(modelo1,modelo2,show.se = TRUE) %>% return() %$% 
    knitr %>% 
    asis_output()
  media scgohai media scgohai
Predictors Estimates std. Error CI p Estimates std. Error CI p
(Intercept) 6.43 1.07 4.33 – 8.52 <0.001 3.06 3.20 -3.21 – 9.34 0.342
periodontitis B -0.84 0.63 -2.08 – 0.39 0.186 -0.19 0.50 -1.16 – 0.79 0.705
numdientes gohai 2 -1.75 1.01 -3.73 – 0.23 0.086 -2.34 0.77 -3.84 – -0.84 0.003
dent 5 prot 1.22 0.73 -0.21 – 2.65 0.099 0.23 0.60 -0.95 – 1.41 0.708
sexo 1.84 0.49 0.88 – 2.80 <0.001
Edad -0.05 0.05 -0.15 – 0.05 0.345
¿Fuma usted cigarrillos
actualmente?
-0.30 0.18 -0.66 – 0.05 0.092
escola gohai 1.09 0.30 0.50 – 1.67 0.001
valoraboca gohai 2 2.15 0.36 1.45 – 2.85 <0.001
Observations 89 89
R2 / adjusted R2 0.180 / 0.151 0.565 / 0.521