Para obtener un mejor rendimiento al modelar datos espectrales del suelo para la predicción de atributos, los investigadores recurren frecuentemente al pretratamiento de datos, con el objetivo de reducir el ruido y resaltar las características espectrales. Incluso con el conocimiento de la existencia de enfoques estadísticos de reducción de dimensionalidad que pueden lidiar con la dimensionalidad escasa de los datos, pocos estudios han explorado su aplicabilidad en la detección de suelos. Por lo tanto, el objetivo de este estudio fue evaluar el rendimiento predictivo de dos modelos estadísticos de reducción de dimensionalidad que no son muy comunes en la comunidad de detección de suelos próximos: regresión de componentes principales (PCR) y operador de contracción y selección absoluta mínima (lasso). Aquí, estos dos enfoques se compararon con regresiones lineales múltiples (MLR). Todas las estrategias de modelado se aplicaron sin emplear técnicas de pretratamiento para la determinación de atributos del suelo utilizando espectroscopía de fluorescencia de rayos X (XRF) y espectroscopía de reflectancia difusa visible y de infrarrojo cercano (Vis-NIR). Además, los resultados obtenidos se compararon con los informados en la literatura que aplicaron técnicas de pretratamiento. El estudio se realizó con 102 muestras de suelo de dos campos distintos. Se desarrollaron modelos predictivos para nueve atributos químicos y físicos del suelo, utilizando lasso, PCR y MLR. Tanto los datos espectrales crudos de Vis-NIR como de XRF presentaron un gran rendimiento para la predicción de atributos del suelo cuando se modelaron con PCR y el método lasso. En general, se encontraron resultados similares al comparar el error cuadrático medio (RMSE) y el coeficiente de determinación (R) de la literatura que aplicó técnicas de pretratamiento y este estudio. Por ejemplo, considerando la saturación de bases (V%), para Vis-NIR combinado con PCR, en este estudio se encontraron valores de RMSE y R de 10.60 y 0.79 en comparación con 10.38 y 0.80, respectivamente, en la literatura. Además, al observar el potasio (K), XRF asociado con lasso arrojó un valor de RMSE de 0.60 y R de 0.92, y en la literatura se encontraron valores de RMSE y R de 0.53 y 0.95, respectivamente. La mayor discrepancia se observó para la predicción de fósforo (P) y materia orgánica (OM) aplicando PCR en los datos de XRF, que mostraron R de 0.33 (para P) y 0.52 (para OM) sin usar técnicas de pretratamiento en este estudio, y R de 0.01 (para P) y 0.74 (para OM) al usar técnicas de preprocesamiento en la literatura. Estos resultados indican que el pretratamiento de datos puede ser prescindible para predecir algunos atributos del suelo al utilizar datos crudos de Vis-NIR y XRF modelados con modelos estadísticos de reducción de dimensionalidad. A pesar de esto, no hay consenso sobre la mejor manera de calibrar los datos, ya que esto parece ser específico de atributos y área.