INSTITUTO DE REPRODUCCIÓN BOVINA CÓRDOBA – IRAC

ESCUELA PARA GRADUADOS – FAC. DE CIENCIAS AGROPECUARIAS

UNIVERSIDAD NACIONAL DE CÓRDOBA

ESPECIALIDAD EN REPRODUCCIÓN BOVINA

CURSO DE ESTADÍSTICA

NOTAS DE CLASES

ANÁLISIS DE REGRESION LOGISTICA

Julio A. Di Rienzo
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

Análisis de Regresión Logística

La aplicación del modelo de regresión logística se utiliza para estudiar que factores o

covariables modifican y en que medida la probabilidad de ocurrencia de un suceso. Un

ejemplo típico en el contexto de la reproducción animal sería establecer que factores,

de una lista plausible de ellos, hace más o menos propensa la preñez.

El modelo más simple supone que existe una variable de respuesta, que la

simbolizaremos con Y, que tiene dos estados posibles que identificaremos con 1

(éxito) ó 0 (fracaso) y una variables predictora que simbolizaremos con la letra x. El

concepto de éxito es relativo y puede tener significados muy diferentes dependiendo

del problema. Ejemplos de éxitos podrías ser: la preñez de una vaca, la tolerancia a un

dispositivo intrauterino, la ovulación durante una ventana de tiempo, etc.

Si con el símbolo  representamos la probabilidad de ocurrencia de un éxito y existen

factores y covariables que pueden modificar esta probabilidad, el modelo de regresión

logística expresa esta relación según la siguiente relación:

  
log    0  1x (1)
 1  


En la fórmula anterior, log  1     es el “logit” de la probabilidad de éxito, log()

hace referencia a la función logaritmo,  es la probabilidad de ocurrencia de éxito, o

es una constante correspondiente al logit cuando la x=0 y 1 la tasa con que un

cambio en x afecta el “logit” de la probabilidad de éxito. o y 1 son los parámetros del

modelo. Una vez estimados, es posible hacer estimaciones de la probabilidad de éxito

para un valor particular de la variable x utilizando la siguiente expresión.

2
 Notas de Clase
Regresión logística

e
0  1x 

1  e
0  1x 
(2)

¿Como se estiman los parámetros del modelo logístico?

Para estimar los parámetros o y 1 de un modelo logístico hace falta una muestra de n

observaciones en las que se registran los valores de Y y de X. Los valores de Y son

ceros o unos y los de X se corresponden con el tipo de variable considerada. Por

ejemplo si se toma una muestra de n=100 vacas que forman parte de un programa de

transplante embrionario, la variable Y podría representar la condición de preñada (1) o

no (0) y X el tamaño del cuerpo lúteo (TCL) al momento de la siembra de los

embriones. Un archivo típico de datos de este tipo tendría la siguiente forma:

Para ajustar el modelo logístico utilizando InfoStat, se supone que se dispone de un

archivo de datos conteniendo al menos dos columnas: una que tienen ceros y unos y

otra conteniendo los valores de la variable predictora (X). No es en absoluto necesario

que los nombre de las variables sean X e Y, para el ejemplo dado anteriormente X

podría tener el rótulo TamCL e Y el rótulo Condición como se observa en la Figura 1.

Una vez que el archivo de datos esta abierto, hay que seleccionar:

Menu Estadísticas>>Datos Categorizados>>Regresión logística como se muestra en

la siguiente ilustración (Figura 1).

3
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

Figura 1: Ventana mostrando la forma en que se invoca la regresión logística desde InfoStat.

Cuando se solicita un análisis de regresión logística, InfoStat muestra una ventana de

diálogo en la que espera que el usuario indique cuál es la variable dependiente (Y) y

cuál la regresora (X) (Figura 2).

Figura 2: Ventana de selección de variables mostrada antes (izq) y después que se especificaron de la
Condición como variable dependiente y al tamaño del cuerpo lúteo (tamaCL) como regresora.

4
 Notas de Clase
Regresión logística

A continuación, si el usuario acciona el botón <<Aceptar>> aparece una segunda

ventana de diálogo que permite hacer extensiones al modelo de regresión y optar por

diferentes formatos para el ingreso de la variable dependiente (Y) (Figura 3). En

muchos casos, el usuario no debe hacer nada en esta ventana excepto accionar el

botón <<Aceptar>>, aunque suele ser recomendable tildar la opción Guardar

predichos, como se muestra en el ejemplo.

Figura 3: Ventana de diálogo que permite agregar detalles a la especificación del modelo (aquí no se
muestra ningún agregado), modificar el criterio para interpretar como éxito o fracaso los valores de
la variable dependiente y modificar algunas opciones sobre los resultados que va a mostrar o guardar.

Si el modelo está sintácticamente bien escrito y los datos son coherentes con el

modelo propuesto, se obtendrá una salida como la que se muestra a continuación:

5
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

Cuadro 1: Salida de un análisis de regresión logística con InfoStat

Regresión Logística

Distribución: Binomial
Función de enlace: Logit

Variable dependiente: Condición

Codificar éxito como valores mayores que la media
Número de observaciones: 500
Observaciones faltantes: 0
Iteraciones: 7 (max=20)
Tolerancia: 1E-9 (0.000000000)

Parámetros Est. EE Odd Wald LI(95%) Wald LS(95%) Wald Chi² p-

valor
Constante 0.68 0.44 1.98 0.84 4.70 2.41
0.1205
tamaCL 1.27 0.34 3.57 1.85 6.89 14.37
0.0002

Valor gl
Log Likelihood -136.68 498
Deviance 273.36 498
Escala (fijada) 1.00

F.V. gl -2[L0-L1] p-valor

tamaCL 1 166.11 <0.0001

La parte más importante de esta salida es la que está resaltada en rojo (en la salida

normal de InfoStat esta parte aparece en color negro). El valor 0.68 es la estimación

de 0 y 1.27 la correspondiente a 1. De ambos parámetros, el que tiene principal

interés para nosotros es 1 ya que si éste es positivo, indica que la probabilidad de

éxito (preñez) aumenta con el TCL, mientras que si el coeficiente fuera negativo

indicaría el caso contrario. Por otra parte si el coeficiente es cero quiere decir que la

probabilidad de que ocurra una preñez no está relacionada con el TCL. En este

ejemplo el coeficiente resultó positivo indicando que cuanto mayor sea el cuerpo lúteo,

al momento de la siembra de los embriones, mayor será la probabilidad de obtener

una preñez. La pregunta que debemos hacer a continuación es si esta interpretación

es confiable. Los estadísticos razonan de la siguiente manera. Con la muestra

disponible hemos calculado que 1 es 1.27 pero si tomáramos otra muestra de igual

tamaño y bajo las mismas condiciones el valor estimado de 1 cambiaria, simplemente

porque de una muestra a otra los datos cambian (se seleccionan por azar vacas

6
 Notas de Clase
Regresión logística

diferentes) y las estimaciones tanto de 1 como de 0 se calculan a partir de los datos

observados en la muestra.

Si la probabilidad de éxito no dependiera del TCL, el valor de 1 obtenido a partir de

toda la población sería 0, pero si tomamos muestras al azar de esta población muy

difícilmente alguna muestra produzca un valor de 1 exactamente igual a 0. La mayoría

de ellas producirá valores cercanos a cero. Sin embargo en algunos casos las

muestras podrían producir valores bastante distintos de cero ya sea mayores o

menores que cero. Entonces, es natural preguntarse ¿qué chance tenemos de que

nos toque, por casualidad, una muestra en la que 1 es 1.27 o más grande solo por

casualidad si en la población el 1 fuera cero? La respuesta está en el Cuadro 1 bajo la

columna encabezada por el rótulo p-valor de la tabla resaltada en rojo. En esa

columna se lee para la línea correspondiente a tamaCL un p-valor igual a 0.0002.

Este valor indica que la probabilidad de haber obtener un valor tan extremo como 1.27

o uno mas grande aún, es de 2 en 10000 muestras. Esto quiere decir que en nuestro

experimento hemos obtenido una de estas muy poco probables muestras o que 1 es

distinto de cero. La interpretación que se hace acepta es la segunda y se concluye que

1 difiere estadísticamente de cero y por lo tanto es cierto que a medida que aumento

el TCL aumenta la probabilidad de preñez. ¿Cuán chico tienen que ser el p-valor para

que sea significativa la diferencia con respecto al cero? El valor es arbitrario pero se

acepta que si el p-valor es igual o menor que 0.05 esto es evidencia suficiente para

concluir que hay un efecto estadísticamente significativo. La experiencia me permite

sugerir que este valor debería ser un poco menor, digamos 0.01.

¿Como valoramos la importancia de un resultado significativo?

A veces un efecto puede ser estadísticamente significativo pero de poco impacto

práctico. Si por ejemplo estuviéramos ensayando un procedimiento para prolongar la

7
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

duración del celo en vacas podríamos encontrar que el nuevo procedimiento lo

incrementa significativamente. Pero cuando estimamos ese incremento resulta que el

tiempo promedio con el nuevo procedimiento es solo 10 minutos mayor que tiempo

normal de 18 horas. Este hallazgo podría tener algún significado biológico de interés

académico pero posiblemente para un productor no tenga ninguna implicancia

práctica. Una pregunta que surge naturalmente es ¿cuán importante es el efecto que

tiene la variable estudiada sobre la probabilidad de éxito? En nuestro ejemplo, lo que

nos preguntaríamos podría ser ¿que efecto tendría una diferencia de 1cm en el TCL

sobre la probabilidad de preñez? Una forma de responder esto es mirando una

cantidad conocida como razón de chances y que se la conoce más comúnmente por

su nombre en inglés: odds ratio.

Razón de chances

Si un suceso tiene probabilidad  su chance se define como chance   1    . Esta

es una forma diferente de expresar una probabilidad y su resultado se interpreta como

las veces que ocurre un éxito por cada ocurrencia de un fracaso. Por ejemplo si

  0.50 la chance  1 e indica que por cada fracaso ocurre un éxito. Éste es el caso

de la tirada de una moneda donde se dice que la chance de que salga cara es 1 de

cada 2 tiradas. Si   0.95 la chance  19 y su resultado se expresa diciendo que

de cada 20 veces ocurren 19 éxitos y 1 un fracaso.

Es común que se compare la chance de un evento bajo dos condiciones diferentes. La

forma de hacerlo es tomando el cociente entre las chances y su resultado es conocido

como razón de chances (odds ratio en inglés). Este cociente mide cuanto mayor (o

menor) es la chance de que ocurra un éxito bajo una condición respecto de la otra.

Cuando la probabilidad de éxito es pequeña en ambas condiciones (inferiores a 0.20),

el cociente de chances se aproxima bastante al riesgo relativo y se considera una

8
 Notas de Clase
Regresión logística

buena aproximación de éste. El riesgo relativo es simple de interpretar y mide cuantas

veces un evento es más probable en una condición que en otra.

¿Que relación hay entre los ’s del modelo logístico y las razones de chances?

Lo primero que hay que señalar es que los s de un modelo logístico están ligados a la

razón de chances por una relación matemática simple, pero su interpretación depende

del tipo de regresora utilizada. La regresoras típicas son cuantitativas como en el

ejemplo que estamos desarrollando (la regresora es el TCL) o categóricas si

quisiéramos considerar el efecto del operador (este caso que se desarrollará como

ejemplo más adelante). Como indicamos anteriormente, una razón de chances

compara las chances bajo dos condiciones. ¿Cuales son las dos condiciones

comparadas cuando la regresora es una variable cuantitativa? En este caso lo que se

compara son dos situaciones en las que la variable regresora difiere en una unidad de

medida. Es decir, si la regresora está dada en centímetros entonces la razón de

chances que se obtienen a partir del coeficiente 1 compara la chance entre una

situación y otra entre las que la regresora difiere en un centímetro. Por ejemplo si una

vaca tiene un tamaño de cuerpo lúteo de 0.5 centímetros y otra lo tiene de 1.5cm y la

razón de chances es 2. Esto significa que por la vaca con cuerpo lúteo mayor tiene

una chance de preñez 2 veces mayor que la chance de la otra. Esta razón de chances

será la misma entre dos vacas con cuerpos lúteos de 1 y 2 cm respectivamente.

Una razón de chances es igual a 1 cuando 1=0. Es decir, una razón de chances igual

a 1 indica que no hay relación entre la variable regresora y la probabilidad de éxito. Si

en cambio 1>0 la razón de chances es mayor que 1 e indica cuantas veces mayor

es la chance de que ocurra un éxito cuando la regresora se incrementa en una unidad.

Si el cociente de chances es menor que 1 entonces para interpretarlo se toma su

recíproco (el recíproco de x es 1/x), que va a ser mayor que 1, y se interpreta cuantas

veces menor es la chance del éxito cuando la regresora se incrementa en una unidad.

9
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

Volviendo al ejemplo en el que se estudia el éxito de preñez y su relación con el TCL,

se observa en el Cuadro 1, que bajo la columna encabezada por el rótulo odds se lee

3.57. Esto significa que la chance de obtener preñes es 3.57 veces mayor en una vaca

cuyo cuerpo lúteo es 1cm mayor que otra vaca. La razón de chances es una medida

que tiene error en su estimación y por ello se da, además de su estimación puntual un

intervalo de confianza al 95% que indica que la verdadera razón de chances es al

menos de 1.85 y como máximo de 6.89.

Predicciones de un modelo logístico

¿Cuál es la probabilidad de que quede preñada si su cuerpo lúteo mide 2.2cm al

momento de la transferencia de embriones? Para calcularla se utiliza la siguiente

fórmula (2) en la que se reemplaza 0 por 0.68, 1 por 1.27 y x por 2.2:

e
0.681.27(2.2) 
  0.97
1  e
0.68 1.27(2.2) 

Luego, la probabilidad de que una vaca quede preñada cuando el TCL es 2.2cm es

aproximadamente 0.97 (esto es una chance de alrededor 32 veces en 33).

Si repetimos el cálculo para diferentes valores del TCL podemos construir una curva

de probabilidad como se muestra en la siguiente figura. La figura 3a muestra los

valores de probabilidad predichos por el modelo para valores de tamaño de cuerpo

lúteo comprendidos entre 0.5 y 3. Los valores de probabilidad predichos para los

valores de cuerpo lúteo observados en la muestra se pueden obtener tildando la

opción guardar predichos en la ventana de diálogo del análisis de regresión logística

implementado en InfoStat.

10
 Notas de Clase
Regresión logística

1.00

0.95

probabilidad de preñez 0.90

0.85

0.80

0.75
0.5 1.0 1.5 2.0 2.5 3.0
Tamaño del cuerpo lúteo (cm)

Figura 4. Curva de probabilidad de preñez obtenida utilizando el graficador de formulas de InfoStat

y pidiendo que grafique la expresión exp(0.68+1.27*x)/ (1+exp(0.68+1.27*x)), para valores de x entre 0.5 y
3 (izq).

Sensibilidad y Especificidad

En la gráfica anterior se ve claramente que el TCL al momento de la transferencia de

los embriones modifica la probabilidad de éxito de preñez y esta es mayor cuanto

mayor sea el TCL. Una cuestión práctica es decidir cual es el tamaño mínimo de

cuerpo lúteo para sembrar una vaca. Para ello se pueden proponer distintos valores

del TCL, y medir la sensibilidad y especificidad del criterio de corte para predecir el

éxito de la preñez. Para introducir los conceptos de sensibilidad y especificidad

consideremos el siguiente tabla de doble entrada. En esta tabla se clasifican, por

ejemplo, un conjunto de n vacas de acuerdo al pronóstico que haga el profesional

sobre si está (+) o no (-) apta para ser sembrada con los embriones de acuerdo a un

criterio basado en el tamaño del cuerpo lúteo. Por otra parte las vacas se clasifican

según si consiguieron o no la preñez. Por lo tanto existirán casos en los que el

profesional considera que la vaca está en optimas condiciones de ser sembrada

(pronóstico positivo) y logran la preñez (verdaderos positivos), otros en los que el

11
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

pronóstico es positivo pero no se logra la preñez (falsos positivos), aquellos en los que

el pronóstico es negativo pero si se logra la preñez (falsos negativos) y finalmente los

que el pronóstico es negativo y efectivamente no se logra la preñez (verdaderos

negativos) , estos casos son los que en la tabla corresponden a los positivos

verdaderos. La tabla ideal es aquella que solo tienen casos en verdaderos positivos y

verdaderos negativos.

Preñez (+) Preñez (-)

Pronóstico (+) Positivos Verdaderos Falsos Positivos

Pronóstico (-) Falsos Negativos Negativos Verdaderos

Sensibilidad
Teniendo en cuenta la tabla descripta anteriormente, la sensibilidad del criterio

pronóstico se calcula de la siguiente manera.

PositivosVerdaderos
Sensibilidad   100 ;
PositivosVerdaderos  Falsos Negativos

Esta cantidad mide cuan capaz es el criterio pronóstico de anticipar (detectar) un

resultado positivo. Cuanto mayor es la sensibilidad mejor es. Sin embargo es siempre

fácil elegir un criterio que haga máxima la sensibilidad. Por ejemplo si pronosticamos

que una vaca va a quedar preñada no importando cual sea el tamaño del cuerpo lúteo,

entonces vamos a tener una sensibilidad del 100%, es decir todas las vacas que se

preñen van a estar correctamente pronosticadas y no va ha haber falsos negativos.

12
 Notas de Clase
Regresión logística

Por el contrario lo que van a aumentar son los falsos positivos. Este aumento de los

falsos positivos hace caer los que llamamos especificidad.

Especificidad
La especificidad es una medida que indica cuan acertado es un pronóstico de preñez y

su formula de calculo está dada por la siguiente expresión.

Negativos Verdaderos
Especificidad =  100 ;
NegativosVerdaderos  Falsos Positivos

Si un criterio es 100% específico eso quiere decir que una vaca que tiene pronóstico

positivo seguro que va a quedar embarazada, pero esto no quiere decir que una que

tenga pronóstico negativo no pueda quedar preñada (falso negativo) todo depende de

la sensibilidad. Si el criterio pronostico es altamente específico pero poco sensible

entonces encontraremos muchos falsos negativos. Por lo tanto, lo que uno quiere de

un criterio pronóstico o diagnóstico es que tenga alta sensibilidad y alta especificidad.

InfoStat permite construir curvas de sensibilidad – especificad calculando estas

cantidades para distintos valores de un criterio de corte. En nuestro ejemplo para

distintos valores del tamaño del cuerpo lúteo. Una vez que se tienen estos cálculos se

pueden graficar la sensibilidad y la especificidad en relación a los distintos criterios de

corte y obtener las curvas de sensibilidad y especificidad en un mismo gráfico. Para

obtener estas curvas se debe elegir el menú Estadísticas>>Datos

categorizados>>Curvas de sensibilidad-especificidad como se muestra en la siguiente

Figura.

13
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

Figura 5.Ventan mostrando la forma de solicitar la construcción de curvas de sensibilidad –

especificidad en InfoStat.

Cuando se activa este menú aparece una ventana de selección de variables como se

muestra a continuación (Figura 6 izquierda). En ella se seleccionó a la variable

Condición que contienen los unos y ceros que indican si se consiguió o no la preñez

como Respuesta y al tamaCL como Variable pronóstica. Si accionamos el botón

<<Aceptar>> aparecerá una ventana de diálogo con opciones para la generación de

las curvas de sensibilidad-especificidad (Figura 6 derecha). En este caso nos

limitaremos a aceptar las opciones por defecto accionando el botón <<Aceptar>>. El

resultado se muestra en la Figura 7.

14
 Notas de Clase
Regresión logística

Figura 6.Ventanas mostrando la forma selección de variables (izquierda) y las opción (derecha) para lo
obtención de curvas de sensibilidad – especificidad en InfoStat.

100

75
Porcentaje

50

25

0
0.00 0.75 1.50 2.25 3.00
tamaCL

Sensibilidad Especificidad

Figura 7.Curvas de sensibilidad – especificidad para el pronóstico de preñez en función tamaño de

cuerpo lúteo. La máxima sensibilidad y especificidad simultáneas se alcanzan cerca de un 1.35 cm

La Figura 7 muestra que la sensibilidad disminuye mientras que la especificidad

aumenta con el TCL. El punto donde se cruzan ambas curvas es donde se obtiene la

máxima especificidad conjuntamente con la máxima sensibilidad. Este punto esta en

15
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

1.35 cm. Por lo tanto si queremos fijar un criterio para la transferencia de embriones en

función del cuerpo lúteo parece ser que el umbral 1.35 cm es el apropiado.

¿Hay una medida resumen de cuan bueno es nuestro criterio pronóstico? Si, es el

área bajo la curva ROC. Esta curva se obtiene en la misma secuencia de diálogos que

los realizados para obtener las curvas de sensibilidad-especificidad, excepto que en la

última pantalla se selecciona el ítem Curvas ROC y se obtiene la Figura 8.

Variable:Condición

100

75
Sensibilidad(%)

50

25

0
0 25 50 75 100
1-Especificidad(%)

Figura 8.Curvas de ROC para el pronóstico de preñez en función tamaño de cuerpo lúteo. El área bajo
la curva es 0.6698. Es decir que la capacidad pronóstica de nuestro criterio es de alrededor del 67%.

Regresión logística con variables categóricas

Siguiendo con el ejemplo de la preñez, podría haber interés en saber si el operador

introduce cambios en la probabilidad de éxito del procedimiento de transferencia.

Supongamos que hay dos operarios: Juan y Pedro. ¿Cómo incorporamos el efecto

operador en un modelo logístico? En la invocación del análisis de regresión logística

(Figura 2, izq.) las variables que son categóricas deben agregarse a la lista de

variables Clasificadoras como se ilustra en la Figura 9. Si una variable categórica tiene

k categorías, cuando se incorpora en un modelo logístico, se obtienen k-1 coeficientes

correspondientes al las primeras k-1 categorías. La última se toma como categoría de

16
 Notas de Clase
Regresión logística

referencia y las razones de chances se interpretan en relación a ella. En el ejemplo

que estamos siguiendo el operario tienen dos categorías Juan y Pedro. El sistema

toma a Pedro como la categoría de referencia. El Cuadro 2, presenta la salida que

genera InfoStat en un modelo que incluye además del TCL, al operario.

Figura 9: Ventana de selección mostrando a la variable Condición como variable dependiente, al

operario como variable de clasificación y tamaCL como regresora.

Como puede observarse la razón de chances de Juan con respecto a Pedro es 0.90,

que lo podemos interpretar mas fácilmente si tomamos su valor reciproco 1.1 y

diciendo que la chance de obtener una preñez es 1.1 veces menor con Juan que con

Pedro. Sin embargo observando el p-valor vemos que este tiene un valor alto 0.7449

lo cual indica que en realidad no podemos decir que el efecto operario sea

estadísticamente significativo.

Como hemos visto, en un mismo análisis hemos incorporado más de una regresora

que potencialmente afecta la chance de ocurrencia de un evento y estas regresoras

17
Curso de Postrado: Estadística
Especialidad en Reproducción Bobina

pueden ser tanto cuanti como cualitativas. Cuando el número de regresoras es mayor

que 1 el modelo se conoce como modelo de regresión logística múltiple.

Cuadro 2: Salida de InfoStat de un análisis de regresión logística que incluye una variable regresora y
una variable de clasificación.

Regresión Logística
Distribución: Binomial
Función de enlace: Logit

Variable dependiente: Condición

Codificar éxito como valores mayores que la media
Número de observaciones: 500
Observaciones faltantes: 0
Iteraciones: 7 (max=20)
Tolerancia: 1E-9 (0.000000000)

Parámetros Est. EE Odd Wald LI(95%) Wald LS(95%) Wald Chi² p-

valor
Constante 0.75 0.48 2.11 0.82 5.40 2.41
0.1206
operario_Juan -0.11 0.33 0.90 0.47 1.71 0.11
0.7449
tamaCL 1.27 0.34 3.55 1.84 6.86 14.28
0.0002

Parámetros igualados a cero

Efecto Parámetro
operario operario_Pedro

Valor gl
Log Likelihood -136.63 497
Deviance 273.26 497
Escala (fijada) 1.00

F.V. gl -2[L0-L1] p-valor

operario 1 0.11 0.7446
tamaCL 1 14.99 0.0001

Bibliografía

Agresti, A. Categorical Data Analysis. John Wiley & Sons, NY. 1990

18