Los Modelos Lineales Generalizados de Placa Fina Spline (TPS-GLMs) son una extensión de los Modelos Lineales Generalizados Semiparamétricos (SGLMs), ya que permiten que un spline de suavizado se extienda a dos o más dimensiones. Esta clase de modelos permite modelar un conjunto de datos en el que se desea incorporar los efectos conjuntos no lineales de algunas covariables para explicar la variabilidad de una cierta variable de interés. En el contexto espacial, estos modelos son bastante útiles, ya que permiten incluir los efectos de ubicaciones, tanto en tendencia como en dispersión, utilizando una superficie suave. En este trabajo, extendemos la técnica de influencia local para el modelo TPS-GLM con el fin de evaluar la sensibilidad de los estimadores de máxima verosimilitud penalizada frente a pequeñas perturbaciones en el modelo y los datos. Ajustamos nuestro modelo a través de un proceso iterativo conjunto basado en algoritmos de Fisher Scoring y backfitting ponderado. Además, obtuvimos la curvatura normal para los esquemas de perturbación de peso del caso y perturbación aditiva de la variable de respuesta, con el fin de detectar observaciones influyentes en el ajuste del modelo. Finalmente, se utilizaron dos conjuntos de datos de diferentes áreas (agronomía y medio ambiente) para ilustrar la metodología propuesta aquí.