Cómo hacer una regresión lineal para tu tesina (2026): paso a paso en SPSS, jamovi y Excel

Respuesta rápida: una regresión lineal sirve cuando querés predecir o explicar una variable numérica a partir de una o varias variables predictoras. En SPSS es Analizar > Regresión > Lineales; en jamovi, Regression > Linear Regression; en Excel, Datos > Análisis de datos > Regresión. Después mirás tres cosas: si el modelo completo es significativo, cuánto explica (R²) y qué aporta cada predictor por separado.

La regresión es el análisis que más tesinas argentinas necesitan y menos tutoriales en castellano cubren de punta a punta. Los apuntes de cátedra suelen mostrar la fórmula, el manual del programa muestra dónde hacer clic, y en el medio queda el problema real: ya corriste el análisis y tenés tres tablas en pantalla que no sabés cómo se leen ni qué va al capítulo de resultados.

Esta guía es esa parte del medio. Vamos a hacer el recorrido completo con un ejemplo, en los tres programas que se usan en las facultades, y después vamos línea por línea sobre la salida.

Cuándo corresponde una regresión (y cuándo no)

La condición central es una sola: tu variable dependiente tiene que ser numérica y continua — un puntaje, un ingreso, una cantidad de horas, una edad, un índice.

La diferencia entre correlación y regresión, en una frase: la correlación te dice si se mueven juntas y con qué fuerza; la regresión te dice cuánto se mueve una cuando la otra cambia una unidad, y te deja meter varios predictores a la vez.

Simple o múltiple. Simple = un predictor. Múltiple = dos o más, y su valor está en la palabra «controlando»: te permite afirmar que X aporta a Y aun teniendo en cuenta la edad, el nivel educativo o lo que hayas incluido.

Lo que necesitás tener listo antes de apretar «Aceptar»

1. La base limpia. Sin filas vacías, sin códigos como 99 o −1 conviviendo con valores reales, con los valores perdidos declarados como tales en el programa.
2. Las variables bien definidas. La dependiente y las predictoras numéricas en nivel de medición Escala. Las categóricas necesitan tratamiento aparte (ver más abajo).
3. El diagrama de dispersión hecho. Treinta segundos de gráfico te ahorran un modelo mal especificado: si la nube dibuja una curva, la regresión lineal no es el análisis.
4. Suficientes casos. Una regla de trabajo frecuente es 10 a 15 casos por predictor, con un mínimo razonable de unos 50 casos para el modelo. Es una regla de dedo, no una norma: si podés, justificá el n con un cálculo de potencia y no con la regla, apoyándote en cómo definiste tu población y tu muestra.
5. El modelo decidido de antemano. Qué predictores entran y por qué, escrito en el capítulo metodológico antes de ver los resultados y, si corresponde, derivado de tus hipótesis.

Paso a paso en SPSS

1. Menú Analizar > Regresión > Lineales.
2. Pasá tu variable dependiente al cuadro Dependiente.
3. Pasá los predictores al cuadro Independientes. Dejá el método en Introducir (entran todos juntos): los métodos automáticos por pasos son difíciles de defender ante un jurado.
4. Botón Estadísticos: tildá Estimaciones, Ajuste del modelo, Intervalos de confianza y, si tenés más de un predictor, Diagnósticos de colinealidad y Durbin-Watson.
5. Botón Gráficos: poné ZRESID en el eje Y y ZPRED en el eje X, y tildá el Gráfico de probabilidad normal. Estos dos gráficos son la prueba de los supuestos.
6. Aceptar. Vas a obtener cuatro tablas: Resumen del modelo, ANOVA, Coeficientes y los diagnósticos.

Paso a paso en jamovi

jamovi es gratis, abre archivos .sav de SPSS y devuelve las tablas ya en formato APA, lo que ahorra una tarde de reformateo.

1. Pestaña Analyses > Regression > Linear Regression.
2. Arrastrá la dependiente a Dependent Variable y los predictores numéricos a Covariates. Si un predictor es categórico, va a Factors y jamovi lo codifica solo.
3. En Model Fit tildá R, R², Adjusted R² y Overall Model Test (F test).
4. En Model Coefficients tildá Standardized estimate y los intervalos de confianza.
5. En Assumption Checks tildá Collinearity statistics, Q-Q plot of residuals y Residual plots.

Paso a paso en Excel

Sirve para una regresión simple o una múltiple chica. No hace diagnósticos completos, así que si el modelo es el corazón de tu tesina conviene pasarse a jamovi.

1. Activá el complemento: Archivo > Opciones > Complementos > Herramientas para análisis (Analysis ToolPak).
2. Datos > Análisis de datos > Regresión.
3. Rango Y de entrada = la columna de la dependiente; Rango X de entrada = las columnas de los predictores, que tienen que estar contiguas.
4. Tildá Rótulos si incluiste la fila de encabezados, y Gráfico de residuales.
5. Aceptar. Excel devuelve Estadísticas de la regresión, la tabla ANÁLISIS DE VARIANZA y la tabla de coeficientes.

Cómo se lee la salida, tabla por tabla

Tabla 1 — Resumen del modelo: ¿cuánto explica?

Buscá R cuadrado. Es la proporción de la variabilidad de Y que el modelo explica. Un R² de 0,34 significa que tus predictores dan cuenta del 34 % de la variación; el 66 % restante queda afuera.

Con más de un predictor mirá el R² ajustado: penaliza por cada variable agregada, así que no sube solo por meter cosas. Es el que se reporta en modelos múltiples.

No existe un R² «bueno» universal. En ciencias sociales, con conducta humana medida por encuesta, 0,20 puede ser un modelo respetable; en un ensayo de laboratorio, 0,80 puede ser poco. Se interpreta contra la literatura de tu campo.

Tabla 2 — ANOVA: ¿el modelo sirve para algo?

Esta tabla prueba el modelo en conjunto contra la hipótesis de que ningún predictor aporta nada. Si Sig. es menor que tu umbral, el modelo explica más que el azar y tiene sentido seguir leyendo. Si no lo es, no interpretes los coeficientes individuales: no hay modelo.

Tabla 3 — Coeficientes: qué hace cada predictor

El significado de esa columna Sig. —y lo que no significa— está desarrollado en la guía sobre el p-valor y la significancia estadística. Vale la pena leerla antes de escribir el capítulo: la mitad de las devoluciones sobre resultados salen de ahí.

Los cinco supuestos propios de la regresión

La regresión tiene supuestos que no comparte con la prueba t ni con el ANOVA. Estos cinco son los que hay que mirar y decir en el texto que se miraron.

1. Linealidad. La relación entre cada predictor y Y tiene que ser aproximadamente recta. Se ve en el diagrama de dispersión y en el gráfico de residuos.
2. Independencia de los residuos. El estadístico de Durbin-Watson debería andar cerca de 2. Valores muy alejados sugieren que las observaciones no son independientes (típico en series temporales).
3. Homocedasticidad. La dispersión de los residuos tiene que ser pareja a lo largo de todos los valores predichos. En el gráfico ZRESID contra ZPRED tenés que ver una nube sin forma; si ves un embudo que se abre, hay heterocedasticidad.
4. Normalidad de los residuos. Ojo: el supuesto es sobre los residuos, no sobre las variables originales. Se chequea con el gráfico de probabilidad normal (los puntos deberían seguir la diagonal).
5. Ausencia de multicolinealidad. Solo en regresión múltiple. Si dos predictores miden casi lo mismo, el modelo no puede separar sus efectos. Se mira el VIF: por convención, valores por encima de 10 (o tolerancia por debajo de 0,10) señalan un problema, y bastante literatura usa un criterio más estricto de 5.

Cinco errores que aparecen en la devolución

1. Meter una variable categórica sin codificar

Si cargás «carrera» con códigos 1, 2, 3 y 4 y la ponés como predictor numérica, el modelo asume que la carrera 4 vale el cuádruple que la 1. Hay que convertirla en variables dummy: una columna 0/1 por categoría, dejando una afuera como referencia. jamovi lo hace solo si la ponés en Factors.

2. Usar métodos automáticos por pasos

Stepwise arma el modelo con criterios estadísticos y sin teoría. Es rápido y es muy difícil de justificar ante un jurado. Entrá los predictores vos, con un argumento por cada uno.

3. Extrapolar fuera del rango de los datos

Si tu muestra va de 18 a 30 años, el modelo no dice nada sobre alguien de 60. La recta se extiende gráficamente; la evidencia, no.

4. Escribir «causa»

Una regresión sobre datos observacionales muestra asociación condicional, no causalidad. Verbos seguros: se asocia con, predice, está relacionado con. Verbos peligrosos: causa, provoca, determina.

5. Interpretar coeficientes de un modelo que no es significativo

Si el ANOVA del modelo no da, los coeficientes individuales no se interpretan. Es el error de orden más común.

Cómo se reporta en el capítulo

El párrafo estándar tiene el modelo global primero y los predictores después:

Se ajustó un modelo de regresión lineal múltiple para predecir el puntaje final a partir de las horas de estudio semanales y la asistencia. El modelo resultó significativo, F(2, 97) = 18,42, p < 0,001, y explicó el 27 % de la varianza (R² ajustado = 0,27). Las horas de estudio se asociaron positivamente con el puntaje (B = 1,84; IC 95 % [0,96; 2,72]; β = 0,41; p < 0,001), mientras que la asistencia no alcanzó significación (p = 0,214). Los supuestos de linealidad, homocedasticidad y normalidad de los residuos se verificaron gráficamente, y los valores de VIF se mantuvieron por debajo de 2.

La tabla de coeficientes va en el cuerpo del capítulo con formato de tabla APA; el tutorial de SPSS explica cómo exportarla sin rehacerla a mano, y las reglas de numeración y notas al pie están en las normas APA 7.

Preguntas frecuentes

¿Cuántos casos necesito para una regresión múltiple?

Una regla de trabajo habitual es 10 a 15 casos por predictor y no menos de unos 50 en total. Es orientativa: lo defendible es un cálculo de potencia hecho antes de recolectar, y declarar el criterio que usaste.

¿Puedo usar una variable categórica como predictor?

Sí, convirtiéndola en variables dummy (0/1) con una categoría de referencia. Con variables dicotómicas como sexo o condición de trabajo, alcanza con codificarlas 0 y 1.

¿Qué hago si el R² me da bajo?

Reportarlo. Un R² bajo con un modelo significativo indica que tus predictores aportan algo real pero incompleto, que es exactamente lo esperable al estudiar conducta humana. Discutilo en limitaciones y proponé qué variables faltaron.

¿La regresión sirve si mi variable dependiente es «sí / no»?

No. Para una dependiente dicotómica corresponde regresión logística, que devuelve odds ratios en lugar de coeficientes B y se interpreta distinto.

Del modelo al capítulo

La regresión asusta más por su salida que por su lógica. Si tenés la variable dependiente numérica, el diagrama de dispersión mirado, el modelo decidido antes y los cinco supuestos chequeados, lo que queda es leer tres tablas en orden: el modelo global, cuánto explica y qué hace cada predictor.

Cuando llegue el momento de convertir esas tablas en prosa —con las cursivas, la coma decimal y la estructura que espera tu facultad—, Tesify te acompaña en la redacción del capítulo y te ordena las referencias en APA 7. Tiene plan gratuito, así que podés probarlo con tu propio borrador antes de decidir nada.