...
De lunes a viernes, de 10:00 a 14:00 y de 16:30 a 20:00

Por Titulema Academia Universitaria / noviembre 11, 2026

Una regresión lineal en SPSS es la herramienta habitual cuando un TFG no solo quiere saber si dos variables están relacionadas, sino en qué medida una permite predecir otra. Sirve para estimar, por ejemplo, cuánto se asocian las horas de estudio con la nota media. SPSS la calcula con rapidez, pero sus salidas incluyen muchas tablas y conviene saber cuáles importan.

En esta guía te explicamos cómo hacer una regresión lineal en SPSS paso a paso: supuestos, menús, interpretación de cada tabla, comprobación de supuestos y redacción en formato APA.

Resumen rápido: La regresión lineal estima cómo cambia una variable dependiente cuantitativa en función de una o varias variables independientes. En SPSS se ejecuta en Analizar > Regresión > Lineales. Hay que revisar el R² ajustado, la prueba F del modelo y los coeficientes B y beta con sus p-valores, y comprobar linealidad, independencia, homocedasticidad, normalidad de residuos y ausencia de multicolinealidad.

Puntos clave

  • La regresión lineal predice una variable cuantitativa a partir de uno o varios predictores.
  • En SPSS: Analizar > Regresión > Lineales, con el método Introducir.
  • El R² ajustado indica qué proporción de la varianza explica el modelo.
  • B se interpreta en unidades originales; beta permite comparar predictores.
  • La normalidad se comprueba en los residuos, no en las variables.

¿Qué es la regresión lineal y cuándo usarla en un TFG?

Es una técnica estadística que modela la relación entre una variable dependiente cuantitativa y una o varias variables independientes mediante una ecuación lineal. Permite estimar cuánto cambia la variable dependiente por cada unidad que aumenta un predictor y qué proporción de su variabilidad explica el modelo. Es útil cuando tu hipótesis plantea predicción, no solo asociación.

A diferencia de la correlación, que mide la intensidad de la relación entre dos variables de forma simétrica, la regresión distingue entre una variable que se predice y otras que la predicen. Eso sí, predecir no es demostrar causalidad: en un estudio transversal, la regresión indica una asociación ajustada, no una relación de causa y efecto.

En esta guía usaremos un ejemplo ilustrativo: un TFG que analiza si las horas de estudio semanales y la ansiedad ante los exámenes predicen la nota media de 150 estudiantes universitarios. La variable dependiente es la nota media, de 0 a 10, y las independientes son las dos variables mencionadas. Si estás definiendo tus hipótesis, revisa nuestra guía de ejemplos de hipótesis para un TFG.

¿Qué diferencia hay entre regresión lineal simple y múltiple?

La regresión simple incluye un único predictor, mientras que la múltiple incorpora dos o más. La múltiple permite estimar el efecto de cada variable controlando el de las demás, lo que la hace más realista en Ciencias Sociales y de la Salud, donde los fenómenos rara vez dependen de un solo factor. En SPSS ambas se ejecutan desde el mismo menú.

La ecuación de la regresión múltiple es Y = b0 + b1X1 + b2X2 + … + e, donde b0 es la constante, cada b es el coeficiente de un predictor y e es el error. En nuestro ejemplo, la nota media se expresaría en función de las horas de estudio y de la ansiedad.

Un aspecto clave en la regresión múltiple es el tamaño de la muestra. Samuel Green propuso una regla práctica muy citada: al menos 50 + 8k casos para evaluar el modelo global y 104 + k para evaluar los predictores individuales, donde k es el número de predictores [Green, 1991]. Con dos predictores, necesitarías al menos 66 y 106 casos respectivamente, así que una muestra de 150 es adecuada.

¿Qué supuestos debe cumplir una regresión lineal?

Los supuestos principales son cinco: relación lineal entre predictores y variable dependiente, independencia de los residuos, homocedasticidad o varianza constante de los residuos, normalidad de los residuos y, en la regresión múltiple, ausencia de multicolinealidad entre predictores. Además, conviene revisar si hay casos atípicos o influyentes que puedan distorsionar los resultados del modelo.

Supuestos de la regresión lineal y cómo comprobarlos en SPSS
Supuesto Qué significa Cómo comprobarlo
Linealidad Relación en línea recta Diagramas de dispersión
Independencia Residuos no correlacionados Estadístico de Durbin-Watson
Homocedasticidad Varianza constante de los residuos Gráfico de residuos frente a pronosticados
Normalidad Residuos con distribución normal Histograma y gráfico P-P
No multicolinealidad Predictores no redundantes Tolerancia y VIF

Un punto importante: el supuesto de normalidad se refiere a los residuos, no a las variables originales. Es un error frecuente aplicar la prueba de Kolmogorov-Smirnov a la variable dependiente y concluir que no se puede hacer la regresión. Lo que debe aproximarse a la normal es la distribución de los errores del modelo.

Checklist previa a la regresión

  • ☐ La variable dependiente es cuantitativa.
  • ☐ Tienes al menos 50 + 8k casos para evaluar el modelo.
  • ☐ Los predictores se eligen por razones teóricas.
  • ☐ Has revisado los diagramas de dispersión.
  • ☐ Has detectado y valorado los casos atípicos.
  • ☐ Comprobarás la normalidad en los residuos, no en las variables.

¿Cómo se ejecuta una regresión lineal en SPSS paso a paso?

Ve a Analizar > Regresión > Lineales, coloca la variable dependiente y los predictores en sus cuadros y deja el método «Introducir». Después configura tres botones: «Estadísticos», para obtener los diagnósticos de colinealidad y el Durbin-Watson; «Gráficos», para revisar los residuos; y «Guardar», para obtener las distancias de Cook. Pulsa «Aceptar» para generar las salidas.

Configuración del cuadro de diálogo

  1. Abre Analizar > Regresión > Lineales.
  2. Lleva «Nota media» a Dependiente y «Horas de estudio» y «Ansiedad» a Independientes. Método: Introducir.
  3. En Estadísticos, marca Estimaciones, Intervalos de confianza, Ajuste del modelo, Descriptivos, Diagnósticos de colinealidad, Durbin-Watson y Diagnósticos por caso.
  4. En Gráficos, coloca *ZRESID en el eje Y y *ZPRED en el eje X, y marca Histograma y Gráfico de probabilidad normal.
  5. En Guardar, marca Distancias de Cook para detectar casos influyentes. Pulsa Continuar y Aceptar.

El método «Introducir» incluye todos los predictores a la vez y es el más recomendable en un TFG cuando las variables se eligen por razones teóricas. Los métodos automáticos, como «Pasos sucesivos», seleccionan variables con criterios puramente estadísticos y reciben muchas críticas porque capitalizan el azar [Field, 2018]. En Titulema seguimos el criterio de Field: usamos «Introducir» salvo que exista una razón metodológica clara para otro método.

¿Cómo se interpreta el resumen del modelo y la tabla ANOVA?

En la primera tabla de salida, el R cuadrado indica la proporción de varianza de la variable dependiente explicada por los predictores, y el R cuadrado ajustado corrige ese valor según el número de predictores. En la tabla ANOVA, la prueba F indica si el modelo en conjunto predice mejor que la simple media. Si su significación es menor que 0,05, el modelo es significativo.

En nuestro ejemplo ilustrativo, el modelo obtiene un R² de 0,32 y un R² ajustado de 0,31: las horas de estudio y la ansiedad explican en conjunto alrededor del 31 % de la variabilidad de la nota media. La tabla ANOVA muestra F(2, 147) = 34,59 con una significación inferior a 0,001, por lo que el modelo es estadísticamente significativo.

Para valorar la magnitud, puedes calcular el tamaño del efecto f² = R² / (1 − R²). Según Cohen, valores de 0,02, 0,15 y 0,35 corresponden a efectos pequeño, mediano y grande [Cohen, 1988]. En el ejemplo, f² = 0,47, un efecto grande. Recuerda que un R² modesto no invalida el modelo: en Ciencias Sociales es habitual explicar porcentajes moderados de la varianza.

¿Quieres que un especialista te acompañe con el análisis de tus datos?

Te ayudamos paso a paso: un especialista de tu área, contacto directo por WhatsApp y originalidad revisada con Turnitin o similar.

Ver ayuda con el análisis estadísticoEscríbenos por WhatsApp

¿Cómo se interpretan los coeficientes de la regresión?

Para cada predictor, la tabla de salida muestra tres datos clave. El coeficiente B indica cuánto cambia la variable dependiente por cada unidad del predictor, con los demás constantes. El beta estandarizado permite comparar la importancia relativa de los predictores, y la significación indica si su contribución es fiable (p < 0,05).

Coeficientes del modelo de regresión del ejemplo (datos ilustrativos)
Predictor B Beta p
Constante 6,26 — < 0,001
Horas de estudio 0,12 0,42 < 0,001
Ansiedad ante exámenes −0,03 −0,27 < 0,001

La interpretación sería la siguiente: por cada hora adicional de estudio semanal, la nota media aumenta 0,12 puntos, manteniendo constante la ansiedad. Por cada punto más en la escala de ansiedad, la nota disminuye 0,03 puntos. Comparando los coeficientes beta, las horas de estudio (β = 0,42) tienen un peso mayor que la ansiedad (β = −0,27).

Si un predictor no es significativo, no conviene eliminarlo sin más si tenía justificación teórica; basta con informar de que no aporta capacidad predictiva una vez controladas las demás variables. Y recuerda interpretar los p-valores con prudencia, siempre junto al tamaño del efecto.

¿Cómo se comprueban los supuestos con las salidas de SPSS?

Hay que revisar cinco salidas. El Durbin-Watson debe acercarse a 2, y la tolerancia y el VIF no deben indicar multicolinealidad. El gráfico de residuos frente a pronosticados no debe mostrar patrones, mientras que el histograma y el gráfico P-P deben aproximarse a la normalidad. Por último, conviene revisar las distancias de Cook.

Criterios para cada supuesto

  • Durbin-Watson: los valores cercanos a 2 indican independencia, y Field advierte de que los inferiores a 1 o superiores a 3 son motivo de preocupación [Field, 2018].
  • Multicolinealidad: un VIF superior a 10 o una tolerancia inferior a 0,10 indican problemas serios [Hair et al., 2019]. En el ejemplo, el VIF es 1,10.
  • Homocedasticidad: los puntos del gráfico de *ZRESID frente a *ZPRED deben formar una nube sin forma de embudo.
  • Casos influyentes: una distancia de Cook superior a 1 señala casos que pueden alterar el modelo [Field, 2018].

Si algún supuesto falla, existen alternativas: transformar variables, usar errores típicos robustos, aplicar técnicas de remuestreo como el bootstrap o recurrir a modelos no lineales. La elección depende del problema concreto y conviene justificarla en la metodología.

¿Cómo se redactan los resultados de la regresión en formato APA?

Informa primero del modelo global, con el R² o el R² ajustado y la prueba F con sus grados de libertad y su p-valor. Después, describe cada predictor con su coeficiente, su significación y, preferiblemente, su intervalo de confianza. Acompaña los resultados de una tabla APA con los coeficientes y explica en lenguaje claro qué significan para tu pregunta de investigación.

Qué debe incluir tu informe

  • El R² ajustado y la prueba F del modelo.
  • Los coeficientes B o beta de cada predictor con su p-valor.
  • Los intervalos de confianza al 95 %.

Un ejemplo de redacción:

«Se realizó un análisis de regresión lineal múltiple para predecir la nota media a partir de las horas de estudio semanales y la ansiedad ante los exámenes. El modelo resultó significativo, F(2, 147) = 34.59, p < .001, y explicó el 31 % de la varianza (R² ajustado = .31). Las horas de estudio predijeron positivamente la nota (β = .42, p < .001), mientras que la ansiedad lo hizo de forma negativa (β = −.27, p < .001)».

— Ejemplo de redacción de resultados elaborado por Titulema

En APA no se escribe el cero inicial en los valores que no pueden superar 1, como R² o p, y el punto decimal solo debe sustituirse por la coma si tu facultad lo exige [American Psychological Association, 2020]. Si necesitas que revisemos el modelo, en Titulema te ayudamos con las tablas de regresión en formato APA dentro de nuestro servicio de análisis estadístico.

Preguntas frecuentes

¿Qué diferencia hay entre B y beta en la regresión?

B es el coeficiente no estandarizado y se expresa en las unidades originales de las variables: indica cuánto cambia la dependiente por cada unidad del predictor. Beta es el coeficiente estandarizado y permite comparar la importancia relativa de predictores medidos en escalas distintas.

¿Qué R cuadrado se considera bueno?

Depende de la disciplina y del fenómeno. En Ciencias Sociales y de la Salud son habituales valores moderados, porque las conductas dependen de muchos factores. Más que buscar un umbral, interpreta el R² junto con la teoría, el tamaño del efecto y la significación del modelo.

¿Puedo incluir variables categóricas en una regresión lineal?

Sí, como predictores, siempre que las conviertas en variables ficticias codificadas con 0 y 1. Una variable con k categorías necesita k − 1 variables ficticias. La variable dependiente, en cambio, debe ser cuantitativa; si es dicotómica, corresponde una regresión logística.

¿Qué hago si mis variables no cumplen la normalidad?

Recuerda que el supuesto afecta a los residuos, no a las variables. Si los residuos se alejan claramente de la normalidad, puedes transformar la variable dependiente, usar procedimientos de bootstrap o revisar si hay casos atípicos que distorsionan el modelo. Justifica siempre la decisión.

¿Cuántos predictores puedo incluir en una regresión de un TFG?

Depende del tamaño de la muestra y de la teoría. Como orientación, la regla de Green pide al menos 50 + 8k casos para evaluar el modelo, donde k es el número de predictores. Con muestras pequeñas, incluye solo las variables con mayor justificación teórica para evitar modelos inestables.

Referencias

American Psychological Association. (2020). Publication manual of the American Psychological Association (7.ª ed.). https://doi.org/10.1037/0000165-000

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2.ª ed.). Lawrence Erlbaum Associates.

Field, A. (2018). Discovering statistics using IBM SPSS Statistics (5.ª ed.). SAGE.

Green, S. B. (1991). How many subjects does it take to do a regression analysis? Multivariate Behavioral Research, 26(3), 499–510. https://doi.org/10.1207/s15327906mbr2603_7

Hair, J. F., Black, W. C., Babin, B. J. y Anderson, R. E. (2019). Multivariate data analysis (8.ª ed.). Cengage.

¿Quieres revisar tu modelo con un especialista?

La regresión lineal es una de las técnicas más potentes que puedes incluir en un TFG cuantitativo, siempre que se comprueben los supuestos y se interprete cada coeficiente con rigor. Si quieres que tu modelo esté bien planteado y redactado, en Titulema te ayudamos con el diseño del análisis, la ejecución en SPSS y la interpretación de resultados para que llegues a la defensa con total seguridad.

Envíanos tus variables y objetivos por WhatsApp y te respondemos sin compromiso.

Cuéntanos tu caso

Un profesional de tu área te acompaña desde el primer mensaje, con revisiones por capítulos y contacto directo para resolver cualquier duda.

Ayuda con el análisis estadísticoEscríbenos por WhatsApp

También te puede interesar: acompañamiento en el TFG. Si lo prefieres, llámanos al 602 44 46 52.

Scroll al inicio