Como Fazer Regressão Linear no SPSS para Dissertação

A regressão linear responde a uma pergunta simples: quanto muda a variável que quer explicar quando muda uma ou mais variáveis explicativas? Saber como fazer regressão linear no SPSS para dissertação é mais do que clicar em Analisar e Regressão. Começa na hipótese, passa pela limpeza dos dados e termina num parágrafo de resultados que o júri consegue ler sem abrir o ficheiro de output.

Este guia segue a ordem real do trabalho. Cada passo funciona sozinho: se já tem os dados limpos, salte para os pressupostos; se já correu o modelo, vá diretamente à leitura das tabelas. Os nomes dos menus aparecem na versão portuguesa do SPSS, com o equivalente inglês entre parênteses quando ajuda.

Para fazer uma regressão linear no SPSS, abra Analisar > Regressão > Linear, coloque a variável dependente no campo Dependente e os preditores em Independentes, escolha o método Inserir e ative estimativas, intervalos de confiança, Durbin-Watson e diagnósticos de colinearidade. Depois verifique os pressupostos nos gráficos de resíduos, leia o Resumo do modelo, a ANOVA e a tabela de Coeficientes, e reporte R² ajustado, F, coeficientes B e Beta e valores de p em formato APA.

Antes de abrir o SPSS: hipótese e variáveis

A regressão só é útil se souber exatamente o que está a testar. Antes de tocar no software, escreva numa frase a relação esperada: que variável explica qual, e em que direção.

  1. Defina a variável dependente. Tem de ser quantitativa contínua, ou tratada como tal (por exemplo, a pontuação total de uma escala). Se for dicotómica, precisa de regressão logística, não linear.
  2. Liste os preditores. Podem ser contínuos ou categóricos. Os categóricos com mais de duas categorias têm de ser transformados em variáveis dummy antes da análise.
  3. Justifique cada preditor na teoria. Um modelo com variáveis escolhidas "para ver o que dá" enfraquece a discussão. Se está a construir o quadro conceptual, o guia sobre o modelo de análise numa tese de ciências sociais ajuda a ligar conceitos, dimensões e indicadores.
  4. Confirme como mediu cada constructo. Escalas somadas, médias de itens ou indicadores únicos geram coeficientes com interpretações diferentes. A definição conceptual e operacional dos constructos tem de estar fechada antes da regressão.
  5. Pense no tamanho da amostra. Cada preditor adicional exige mais casos. Faça uma análise de potência prévia (o G*Power é a ferramenta mais usada) e descreva-a na metodologia.
Calculadora, régua e lápis sobre uma secretária de madeira, a sugerir a preparação cuidadosa dos dados
Preparar e limpar os dados antes de correr o modelo poupa horas de correções.

Enquadramento teórico, metodologia, objetivos: trabalha cada secção no Tesify com o índice e as fontes à vista.

Começar a minha tese grátis

Como fazer regressão linear no SPSS para dissertação: os passos

Com a hipótese definida, o procedimento no SPSS é curto. O segredo está nas opções que ativa, porque são elas que lhe dão o material para verificar pressupostos e reportar.

Passo 1: Preparar e limpar a base de dados

Na Vista de variáveis, confirme que cada variável tem o nível de medida correto (Escala, Ordinal ou Nominal) e que os valores omissos estão definidos. Corra Analisar > Estatística descritiva > Explorar para detetar valores impossíveis e outliers evidentes. Corrija erros de introdução agora, não depois.

Passo 2: Criar as variáveis compostas e as dummies

Use Transformar > Calcular variável para criar médias ou somas de escalas. Para categóricas, use Transformar > Recodificar em variáveis diferentes e crie uma dummy por categoria, deixando uma de fora como referência. Escolha como referência a categoria com mais casos ou a mais fácil de interpretar.

Passo 3: Abrir a caixa de regressão

Vá a Analisar > Regressão > Linear (Analyze > Regression > Linear). Coloque a variável dependente em Dependente e os preditores em Independente(s).

Passo 4: Escolher o método de entrada

Para uma dissertação com hipóteses definidas, use o método Inserir (Enter). Se quer testar o contributo de um bloco de variáveis depois de controlar outro, faça uma regressão hierárquica: coloque as variáveis de controlo no Bloco 1, clique em Seguinte e coloque os preditores de interesse no Bloco 2. Evite métodos automáticos como o Stepwise em estudos confirmatórios, porque a seleção depende da amostra e não da teoria.

Passo 5: Ativar as estatísticas certas

No botão Estatísticas, marque:

  • Estimativas e Intervalos de confiança;
  • Ajuste do modelo;
  • Alteração de R quadrado (essencial na regressão hierárquica);
  • Descritivas;
  • Diagnósticos de colinearidade;
  • Durbin-Watson, na secção de resíduos.

Passo 6: Pedir os gráficos de resíduos

No botão Gráficos, coloque ZRESID no eixo Y e ZPRED no eixo X. Marque também Histograma e Gráfico de probabilidade normal. Estes três gráficos sustentam a secção de pressupostos.

Passo 7: Guardar os diagnósticos

No botão Guardar, marque Distâncias de Cook, Distâncias de Mahalanobis e Resíduos padronizados. O SPSS acrescenta estas colunas à base de dados, o que lhe permite identificar casos influentes.

Passo 8: Correr e arquivar o output

Clique em OK. Guarde o ficheiro de output com um nome datado e guarde também a sintaxe (botão Colar). A sintaxe permite repetir a análise exatamente igual se o orientador pedir alterações.

Dica do mentor: transformar tabelas do SPSS em texto académico é onde muitos estudantes ficam parados. O Editor IA do Tesify ajuda a reescrever o parágrafo de resultados num registo científico claro, assinala frases ambíguas e dá feedback sobre coerência entre o que reporta e o que discute.

Como verificar os pressupostos

O júri vai perguntar se os pressupostos foram cumpridos. Verifique-os por esta ordem e registe o resultado de cada um numa frase curta para a dissertação.

  1. Linearidade. Faça diagramas de dispersão entre cada preditor contínuo e a dependente. A nuvem de pontos deve seguir uma tendência aproximadamente reta, sem curvas evidentes.
  2. Independência dos resíduos. O Durbin-Watson, na tabela Resumo do modelo, varia entre 0 e 4; valores próximos de 2 indicam ausência de autocorrelação. É especialmente relevante em dados recolhidos ao longo do tempo.
  3. Homocedasticidade. No gráfico ZRESID por ZPRED, os pontos devem espalhar-se de forma uniforme, sem forma de funil.
  4. Normalidade dos resíduos. O histograma deve ter forma aproximada de sino e, no gráfico de probabilidade normal, os pontos devem acompanhar a diagonal. A normalidade exigida é a dos resíduos, não a das variáveis.
  5. Ausência de multicolinearidade. Na tabela de Coeficientes, veja a Tolerância e o VIF. Tolerâncias muito baixas e VIF elevados indicam preditores redundantes. Cite o critério de referência do manual de estatística que usa na metodologia.
  6. Casos influentes. Ordene a coluna das distâncias de Cook e examine os valores que se destacam claramente dos restantes. Decida se os mantém, justificando sempre a decisão.

Se um pressuposto falhar, não esconda. Descreva o problema e a solução adotada (transformação de variáveis, erros padrão robustos, bootstrapping) e, se a limitação persistir, leve-a para a discussão. O artigo sobre como escrever limitações e recomendações mostra como fazê-lo sem enfraquecer o trabalho.

Mesa de biblioteca com portátil fechado, óculos e candeeiro aceso ao fim do dia
Interpretar e redigir os resultados é a fase que exige mais atenção ao detalhe.

Como ler o output do SPSS

O SPSS produz várias tabelas, mas três concentram a informação essencial.

Tabela O que procurar O que significa
Resumo do modelo R², R² ajustado, Durbin-Watson Proporção da variância da dependente explicada pelo modelo; o R² ajustado corrige para o número de preditores
ANOVA F, graus de liberdade, Sig. Se o modelo, no seu conjunto, explica a dependente melhor do que a média
Coeficientes B, Erro padrão, Beta, t, Sig., IC 95%, VIF Efeito de cada preditor, mantendo os outros constantes
Alteração do modelo (hierárquica) Alteração de R², Sig. da alteração de F Se o novo bloco acrescenta poder explicativo ao anterior

Coeficiente B ou Beta?

O B (não padronizado) está na unidade original da variável: diz quantas unidades muda a dependente por cada unidade do preditor. Use-o para interpretar o efeito na prática. O Beta (padronizado) permite comparar a força relativa dos preditores dentro do mesmo modelo. Na dissertação, reporte ambos.

A constante

A constante é o valor previsto da dependente quando todos os preditores são zero. Muitas vezes não tem interpretação substantiva (ninguém tem idade zero), por isso não precisa de a discutir, apenas de a apresentar na tabela.

Como reportar a regressão na dissertação

A secção de resultados deve permitir que o leitor reconstrua o modelo. Siga esta sequência:

  1. Descreva a análise. Tipo de regressão, método de entrada, variáveis em cada bloco. Esta descrição pertence também à metodologia; o guia sobre como escrever a metodologia de uma tese passo a passo mostra onde colocá-la.
  2. Resuma os pressupostos. Uma ou duas frases chegam, remetendo os gráficos para anexo.
  3. Apresente o ajuste global. Indique o F com os graus de liberdade entre parênteses, o valor de p e o R² ajustado.
  4. Apresente os coeficientes numa tabela. Em formato APA: B, erro padrão, Beta, t, p e intervalo de confiança para cada preditor. Os símbolos estatísticos vão em itálico e os valores de p escrevem-se sem zero antes da vírgula decimal quando seguem a norma inglesa.
  5. Interprete por palavras. Diga que preditores foram significativos, em que direção, e o que isso quer dizer para a sua pergunta de investigação.
  6. Separe resultados de discussão. Nos resultados, descreva; na discussão, compare com a literatura.

As referências aos manuais de estatística e aos estudos que usa para comparar resultados também têm de estar formatadas. A bibliografia automática do Tesify gera as citações em APA a partir da pesquisa no Google Scholar, PubMed e RCAAP, o que evita erros de formatação na lista final.

A regressão é método frequente em áreas muito diferentes. Em gestão e finanças, por exemplo, é comum testar o efeito de indicadores de sustentabilidade sobre o desempenho, como se descreve no guia sobre teses sobre ESG em contabilidade e finanças.

Erros comuns que o júri deteta

  • Confundir associação com causalidade. Um estudo transversal com regressão mostra associação. Use verbos como "associou-se a" ou "previu", não "causou".
  • Colar tabelas do SPSS sem editar. As tabelas originais não seguem a norma APA. Reconstrua-as no processador de texto.
  • Reportar só o R². Com vários preditores, o R² ajustado é mais honesto.
  • Ignorar preditores não significativos. Também são resultados e devem aparecer na tabela e na discussão.
  • Incluir dummies de todas as categorias. Uma tem de ficar de fora como referência, caso contrário o modelo não estima.
  • Não guardar a sintaxe. Sem ela, repetir a análise após uma correção torna-se um exercício de memória.

Último conselho: depois de correr o modelo, a parte mais demorada é escrever. Use o Editor IA do Tesify para rever o capítulo de resultados, uniformizar a linguagem estatística e confirmar que cada hipótese tem resposta explícita no texto.

Escreva a sua dissertação num só lugar

O Tesify junta editor com assistência IA, bibliografia automática em APA, MLA e Chicago, verificação antiplágio e templates profissionais, com exportação em PDF, Word ou LaTeX. O registo é grátis e não pede cartão de crédito.

Criar a minha tese no Tesify

Perguntas frequentes

Qual a diferença entre regressão linear simples e múltipla no SPSS?

Na simples existe um único preditor e na múltipla existem dois ou mais. No SPSS o procedimento é o mesmo, em Analisar, Regressão, Linear; muda apenas o número de variáveis que coloca no campo Independente(s). A múltipla permite estimar o efeito de cada preditor controlando os restantes.

Que método de entrada devo escolher na regressão para a dissertação?

Em estudos com hipóteses definidas, use o método Inserir. Se quer testar o contributo adicional de um conjunto de variáveis depois de controlar outras, use regressão hierárquica com blocos. Métodos automáticos como o Stepwise são desaconselhados em estudos confirmatórios porque a seleção depende da amostra.

As variáveis têm de ter distribuição normal para fazer regressão linear?

Não. O pressuposto de normalidade aplica-se aos resíduos do modelo, não às variáveis originais. Verifique-o com o histograma dos resíduos padronizados e com o gráfico de probabilidade normal pedidos no botão Gráficos.

Posso usar variáveis categóricas como preditores na regressão linear?

Sim, desde que as transforme em variáveis dummy. Uma variável com várias categorias dá origem a uma dummy por categoria, menos uma, que fica como referência. Cada coeficiente compara essa categoria com a de referência.

O que faço se um pressuposto da regressão não for cumprido?

Descreva o problema com transparência e aplique uma solução adequada, como transformar variáveis, usar erros padrão robustos ou recorrer a bootstrapping. Se a limitação se mantiver, discuta-a na secção de limitações e explique como pode afetar a interpretação dos resultados.

Escreve a tua tese ou TCC com IA

Editor inteligente, bibliografia automática (APA e ABNT) e verificação antiplágio num só sítio. Mais de 9.000 estudantes já escrevem em metade do tempo.