O Meu R² Deu 0,18: a Regressão da Tese Está Perdida? (2026)
O modelo é globalmente significativo. Dois preditores têm coeficientes na direção que a teoria previa, com valores-p confortáveis. E depois, na tabela de resumo do modelo, está o número que estraga a noite: R² = 0,18. Dezoito por cento. Oitenta e dois por cento por explicar.
A reação instintiva é achar que o estudo falhou. Não falhou — mas convém perceber exatamente o que o número diz, porque a diferença entre uma tese que trata bem um R² baixo e uma que se atrapalha com ele é visível a olho nu na discussão.
O que o R² mede — e o que não mede
O coeficiente de determinação é a proporção da variação total da variável dependente que o conjunto de preditores consegue reproduzir. R² = 0,18 quer dizer: conhecendo os valores dos preditores, consegue-se antecipar 18% da variabilidade entre indivíduos na variável dependente.
Repare no que isto não diz:
- Não diz que os efeitos são falsos. Um preditor pode ter um coeficiente robusto, significativo e teoricamente importante num modelo com R² de 0,12. Explicar pouco da variância total e ter uma associação real são coisas independentes.
- Não diz que o modelo está mal especificado. Para isso servem os diagnósticos de resíduos, não o R².
- Não é comparável entre variáveis dependentes diferentes. Um R² de 0,45 a prever notas e um R² de 0,15 a prever intenção de rotatividade não estão na mesma escala de dificuldade.
- Não mede utilidade prática. Em investigação aplicada, um preditor que explique pouca variância pode continuar a ter valor decisório se for acionável e se a população for grande.
Há aqui uma inversão de foco que vale a nota final: a sua hipótese quase nunca é sobre o R². Se H1 diz «o apoio percebido da chefia está positivamente associado ao empenhamento», quem responde a essa hipótese é o coeficiente do apoio percebido, com o seu intervalo de confiança. O R² responde a outra pergunta — «quanto do empenhamento fica explicado?» — que raramente é a pergunta da tese.
Quanto é «normal» na sua área
A expectativa sobre o R² varia enormemente com o tipo de dados, e essa é a comparação que deve fazer na discussão.
| Tipo de dados | R² tipicamente esperado | Porquê |
|---|---|---|
| Ensaios laboratoriais, física, engenharia | Alto (frequentemente > 0,80) | Condições controladas, poucas causas, medição precisa |
| Séries macroeconómicas agregadas | Alto | A agregação cancela o ruído individual |
| Comportamento individual (psicologia, gestão, educação, saúde) | Baixo a moderado (0,10–0,35) | Muitas causas, grande variabilidade entre pessoas, escalas com erro de medida |
| Intenções e atitudes autorreportadas | Moderado a alto | Frequentemente inflacionado por variância de método comum |
Essa última linha merece atenção porque inverte a intuição: um R² muito elevado num questionário transversal não é necessariamente boa notícia. Quando preditores e critério são medidos no mesmo instrumento, na mesma sessão e pela mesma pessoa, parte da correlação vem do método e não do construto. Um R² de 0,70 num modelo em que tudo é autorreportado deve gerar uma nota crítica na discussão, não orgulho.
A comparação que sustenta a discussão não é com um limiar imaginário, é com a literatura: procure dois ou três estudos com desenho e variável dependente semelhantes e cite os R² que reportam. «O valor obtido (R² = 0,18) situa-se no intervalo reportado por estudos comparáveis nesta área» é uma frase que fecha a questão — e localizar esses estudos é exatamente o trabalho descrito no nosso guia de estratégia de pesquisa bibliográfica.
R² ajustado: o número que deve reportar
O R² tem um defeito estrutural: nunca desce quando se acrescentam preditores, mesmo que sejam aleatórios. Cada variável nova capta algum ruído da amostra e sobe o valor. Por isso o SPSS apresenta ao lado o R² ajustado, que penaliza o número de preditores relativamente ao número de casos.
Em teses, reporte os dois e discuta o ajustado. Um sinal de alarme fácil de ler: se a distância entre R² e R² ajustado for grande — por exemplo 0,34 contra 0,19 —, o modelo tem preditores a mais para a dimensão da amostra e está a ajustar-se ao ruído. A solução é reduzir o modelo à teoria, não recolher justificações.
Na regressão logística não existe R² no mesmo sentido; o SPSS apresenta pseudo-R² de Cox & Snell e de Nagelkerke, que não se interpretam como proporção de variância explicada e são sistematicamente mais baixos. Confundi-los com o R² da regressão linear é um erro clássico, tratado no guia de regressão logística na tese.
Quando o R² baixo é mesmo um problema
Há três situações em que o número baixo sinaliza algo real e deve ser investigado antes de escrever:
- Quando o objetivo declarado é prever. Se a tese promete um modelo de previsão — de abandono, de risco, de desempenho —, então a capacidade explicativa é o resultado, e 18% é pouco para uma aplicação prática. Nesse caso a conclusão honesta é que os preditores disponíveis são insuficientes para previsão individual, o que continua a ser um achado publicável.
- Quando o modelo está mal especificado. Relações não lineares tratadas como lineares, uma interação importante omitida, um preditor central em falta. Verifique os gráficos de resíduos: um padrão curvo nos resíduos contra os valores previstos é o sinal clássico, e está descrito em como verificar os pressupostos dos testes paramétricos.
- Quando a medição é fraca. Escalas com baixa consistência interna atenuam todas as correlações e, com elas, o R². Se o alfa de uma escala for baixo, o R² baixo é sintoma e não causa — ver como validar um questionário. O mesmo vale para efeitos de teto e de chão, ou para uma amostra tão homogénea que quase não há variância para explicar.
Vale ainda um controlo simples: valores extremos influentes podem reduzir substancialmente o R². Antes de aceitar o número, veja como detetar e tratar valores atípicos — não para os apagar, mas para saber se o resultado depende de três casos.
O que não fazer para o subir
- Empilhar preditores. Cada variável nova sobe o R² por construção. Um modelo com quinze preditores e 90 casos tem um R² inflacionado e nenhum poder explicativo real. O R² ajustado denuncia-o.
- Usar seleção automática (stepwise) para maximizar o R². O procedimento capitaliza sobre o ruído da amostra e produz modelos que não replicam. Se o usar por alguma razão, declare-o e trate os resultados como exploratórios.
- Remover casos que «pioram» o modelo. Só se remove um caso por razão documentada — erro de introdução, incumprimento do critério de inclusão —, nunca por prejudicar o ajustamento.
- Trocar a variável dependente até encontrar a que dá melhor R². É a versão explícita de pesca de resultados, e nada disfarça o facto de a hipótese ter mudado depois dos dados.
- Não reportar o valor. Omitir o R² numa tabela de regressão é imediatamente notado, e a suspeita que gera é pior do que o número.
Como escrever o parágrafo
Três frases resolvem o assunto: o valor, a comparação, a consequência.
«O modelo revelou-se globalmente significativo, F(3, 176) = 12,74; p < 0,001, explicando 18% da variância do empenhamento organizacional (R² = 0,18; R² ajustado = 0,17). Este valor é consistente com o intervalo reportado em estudos transversais com variáveis autorreportadas nesta área, e reflete a natureza multideterminada do construto: fatores familiares, económicos e de mercado de trabalho, não abrangidos por este modelo, contribuirão para a variância remanescente. A magnitude reduzida da variância explicada não invalida as associações identificadas, mas recomenda prudência na leitura preditiva dos resultados ao nível individual.»
Note o movimento final: transformar a limitação em pista de investigação futura concreta. «Estudos futuros deveriam incluir indicadores de contexto familiar e de condições do mercado local de emprego» vale mais do que «sugere-se aumentar a amostra» — que, aliás, não sobe o R².
Sobre a organização geral da secção e o que fica em tabela, veja como escrever o capítulo de resultados; sobre a leitura conjunta de significância e magnitude, como interpretar o valor-p.
Escrever a limitação sem enfraquecer a tese
Assumir um limite e continuar a defender o contributo do trabalho é uma questão de tom, e o tom certo aprende-se com a tese inteira à vista. O Tesify ajuda a manter resultados, discussão e limitações coerentes entre si — 100% escrito por si. Comece a sua tese no Tesify →
Perguntas frequentes
Qual é o valor mínimo aceitável de R² numa tese?
Não existe um limiar universal, e qualquer número apresentado como tal deve ser desconfiado. O valor esperado depende do tipo de dados: elevado em contextos laboratoriais e em séries agregadas, tipicamente entre 0,10 e 0,35 em estudos com dados individuais nas ciências sociais e do comportamento. A referência correta é a literatura da sua área com desenho e variável dependente comparáveis.
Um R² baixo invalida os coeficientes significativos?
Não. São informações distintas: o coeficiente estima a associação entre um preditor e a variável dependente, e o R² mede quanta da variância total o conjunto do modelo reproduz. Um preditor pode ter uma associação robusta e teoricamente relevante dentro de um modelo que explica pouca variância — é o caso normal quando o fenómeno tem muitas causas.
Devo reportar o R² ou o R² ajustado?
Reporte os dois e discuta o ajustado, que penaliza o número de preditores face à dimensão da amostra. Uma diferença grande entre ambos indica que o modelo tem variáveis a mais para os casos disponíveis e está a ajustar-se ao ruído da amostra, o que deve levar a reduzir o modelo com base na teoria.
Acrescentar variáveis para subir o R² é aceitável?
Não como estratégia. O R² sobe sempre que se acrescenta um preditor, mesmo que seja irrelevante, pelo que o aumento não é evidência de melhoria. Modelos devem ser especificados a partir da teoria e das hipóteses definidas antes da análise; acrescentar variáveis até o número parecer melhor produz resultados que não replicam.
O pseudo-R² da regressão logística compara-se com o R² da regressão linear?
Não. Os pseudo-R² de Cox e Snell e de Nagelkerke não representam proporção de variância explicada e assumem tipicamente valores mais baixos, mesmo em modelos com bom desempenho. Devem ser interpretados como indicadores relativos entre modelos alternativos sobre os mesmos dados, e nunca comparados com o R² de uma regressão linear.
Um R² muito alto é sempre bom sinal?
Nem sempre. Num estudo transversal em que preditores e critério são medidos no mesmo questionário, pela mesma pessoa e no mesmo momento, parte da associação decorre do método de medida e não dos construtos. Um valor muito elevado nessas condições deve ser discutido criticamente, e não apresentado como prova de qualidade do modelo.
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.