¿Qué es la Regresión Lineal?
La regresión lineal es una técnica estadística que permite analizar cómo una variable independiente influye sobre una variable dependiente. En palabras simples: sirve para predecir y explicar el comportamiento de una variable a partir de otra.
A diferencia de la correlación (que solo mide relación), la regresión permite: explicar, predecir, cuantificar el impacto
¿Para qué sirve en una investigación?
- Determinar el grado de influencia de una variable sobre otra
- Predecir valores futuros
- Evaluar modelos explicativos
- Sustentar hipótesis causales (con cuidado metodológico)
¿En qué tipos de investigación se utiliza?
Enfoque cuantitativo; estudios explicativos e investigaciones correlacionales avanzadas.
Se utiliza cuando:
- Hay una variable dependiente (Y)
- Hay una o más variables independientes (X)
- Los datos son numéricos
- Se busca explicación o predicción
¿Qué resultados brinda?
| Indicador | Qué significa |
|---|---|
| R | Nivel de relación |
| R² (coeficiente de determinación) | Qué porcentaje explica el modelo |
| Beta (β) | Grado de influencia |
| Sig. (p-valor) | Significancia |
| ANOVA | Validez del modelo |
Ejemplo de interpretación:
- R² = 0.65
👉 El 65% del comportamiento de la variable dependiente es explicado por la independiente.
Ejemplo aplicado
Datos del estudio
| Elemento | Descripción |
|---|---|
| Tema | Marketing digital y ventas |
| Variable independiente | Marketing digital |
| Variable dependiente | Ventas |
| Tipo de análisis | Regresión lineal |
Resultados obtenidos
| 📊 Indicador | 🔢 Valor | 🧠 Interpretación |
|---|---|---|
| R | 0.80 | Relación fuerte |
| R² | 0.64 | Explica el 64% del fenómeno |
| Beta (β) | 0.75 | Influencia positiva |
| Sig. | 0.000 | Modelo significativo |
Interpretación final
Se determinó que el marketing digital influye de manera positiva y significativa en las ventas, explicando el 64% de su comportamiento, lo que evidencia la importancia de esta variable en el desempeño comercial.
¿Cómo aplicar la Regresión Lineal en SPSS?
Procedimiento paso a paso
| 🔢 Paso | 🧭 Acción en SPSS | 💡 Qué hacer |
|---|---|---|
| 1 | Ingreso de datos | Variables en columnas (X e Y) |
| 2 | Menú | Analyze → Regression → Linear |
| 3 | Variables | Dependiente → Y / Independiente → X |
| 4 | Estadísticos | Marcar: Estimates, Model fit |
| 5 | Ejecutar | Click en OK |
¿Cómo interpretar el resultado en SPSS?
SPSS mostrará:
- Model Summary → R y R²
- ANOVA → Validez del modelo
- Coefficients → Beta e influencia
Términos clave que debes conocer
- Variable dependiente (Y): Resultado que quieres explicar
- Variable independiente (X): Factor que influye
- Coeficiente Beta (β): Impacto de X sobre Y
- R²: Nivel de explicación
- ANOVA: Validez del modelo
- Error estándar: Precisión del modelo
Preguntas frecuentes
¿Cuál es la diferencia entre correlación y regresión?
Correlación mide relación
Regresión mide influencia y predicción
¿Se puede usar con datos Likert?
No es lo ideal (mejor Spearman o regresión ordinal)
¿Significado de R²?
Qué porcentaje de la variable dependiente es explicado
¿Qué pasa si el p-valor es mayor a 0.05?
El modelo no es significativo
Errores comunes que debes evitar
- No diferenciar variable dependiente e independiente
- No interpretar el R²
- Usar regresión sin correlación previa
- Ignorar supuestos estadísticos
Conclusión
La regresión lineal es una herramienta clave para investigaciones que buscan no solo identificar relaciones, sino explicar y predecir fenómenos. Su correcta aplicación permite construir modelos sólidos que fortalecen la validez de la investigación y mejoran la calidad del análisis estadístico en una tesis.
Recomendación final
Antes de aplicar regresión:
- Verifica correlación previa
- Evalúa normalidad
- Define correctamente variables
🔥 Eso evita observaciones en sustentación.