Regresja prosta – to  rodzaj regresji, która służy do analizy zależności między dwiema zmiennymi: jedną zmienną niezależną, określaną także jako predyktor (X) oraz jedną zmienną zależną (Y).  Metoda ta jest najczęściej wykorzystywana w podejściu NHST i stanowi element analizy regresji liniowej, krzywoliniowej lub logistycznej w zależności od przyjętego modelu badawczego.

Podstawowym  celem tego rodzaju regresji jest wyznaczenie linii predykcji, która najlepiej dopasowuje się do danych, minimalizując sumę kwadratów odległości między rzeczywistymi a przewidywanymi wartościami zmiennej zależnej.  Przeważnie do wyznaczenia tej linii wykorzystuje się metodę najmniejszych kwadratów. Dzięki temu możliwe jest przewidywanie wartości zmiennej Y (wyjaśnianej, zależnej) na podstawie znanych wartości zmiennej X (wyjaśniającej, niezależnej) oraz badanie siły związku między tymi zmiennymi, która w tego typu modelu odzwierciedla ich korelację przy jednoczesnym oszacowaniu wariancji wprowadzanej przez czynniki zakłócające, czyli błędu pomiaru.

Regresja prosta nie jest jednak całkowicie tożsama z korelacją np. Pearsona, choć uzyskana wartość współczynnika R-kwadrat w takim modelu jest tożsama współczynnikowi korelacji Pearosna (tyle że podniesionego do kwadratu). Oprócz tego podobieństwa, istnieją różnice dające regresji przewagę interpretacyjną, regresja między innymi pozwala na:

• oszacowanie wyrazu wolnego, tzw. stałej, która reprezentuje przeciętną wartość zmiennej zależnej przy założeniu, że zmienna niezależna na nią nie oddziałuje;
• oszacowanie wartości b niestandaryzowanego i β standaryzowanego;
• oszacowanie błędu pomiaru, który stanowi niejako przedział ufności naszych przewidywań.

Regresja prosta znajduje szerokie zastosowanie w wielu dziedzinach, w tym:

• Ekonomii, gdzie może być używana do analizy zależności, np. między dochodami a wydatkami.
• Inżynierii, gdzie pomaga w modelowaniu zależności między parametrami technicznymi.
• Naukach społecznych, gdzie jest wykorzystywana do badania wpływu czynników społecznych na określone zjawiska.

Rozwinięciem regresji prostej jest regresja wieloraka. Jest ona stosowana zdecydowanie częściej niż regresja prosta, ponieważ pozwala uwzględnić jednocześnie wiele zmiennych niezależnych (predyktorów) w wyjaśnianiu wartości określonej zmiennej zależnej.