PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR

SEDE SANTO DOMINGO

Dirección Académica – Escuela de Sistemas
Carrera: Licenciatura en Comercio

ASIGNATURA:

Métodos Cuantitativos para la toma de

decisiones
TEMA:

MODELO NO LINEAL DE LOGISTICA BINARIA

Línea de Investigación: Desarrollo Empresarial y Social.

Autor:

MARÍA ALEJANDRA NAVARRETE ROMERO

Asesor:

Ing. ÁNGEL RAMÓN SABANDO GARCÍA, Mg.

Santo Domingo, 08 julio del 2021

 INDICE DE CONTENIDO

1. TABLA DE CONTENIDO
2. INTRODUCCIÓN............................................................................................................5
2.1. Antecedentes de la logística binaria...........................................................................5

2.2. Probabilidad binomial................................................................................................5

2.3. Prueba ómnibus del coefiente del modelo.................................................................5

2.4. Logaritmo de la verosimilitud....................................................................................5

2.5. R cuadrado de Cox y Snell.........................................................................................6

2.6. R cuadrado de Nagelkerke.........................................................................................6

2.7. Prueba de ratio (Odds)...............................................................................................6

3. RESULTADOS.................................................................................................................7
4. REFERENCIAS BIBLIOGRÁFICAS............................................................................14

2
 ÍNDICE DE TABLAS

Tabla 1: Modelo de la logística binaria para el nivel de conocimiento de los enfermeros/as en

las UCI.............................................................................................................................................7

Tabla 2: Modelo de logística binaria del conocimiento en las UCI............................................8

Tabla 3: Análisis bivariado de Chi cuadrado de Pearson...........................................................8

Tabla 4: Prueba Chi cuadrado del género en función del conocimiento alto.............................9

Tabla 5: Prueba de ómnibus para el modelo de logística binaria...............................................9

Tabla 6: Análisis de Cox y Snell y Nagelkerke..........................................................................9

Tabla 7: Probabilidad para modelo logistico...........................................................................12

Tabla 8: Probabilidad pronosticada para las enfermeras..........................................................13

3
 ÍNDICE DE FIGURAS

Figura 1: Dinámica de los residuos del modelo binario...........................................................10

Figura 2: Comportamiento de la desviación estándar para el modelo binario..........................11

Figura 3: Comportamiento de la sensibilidad y especificidad según genero enfermera...........13

4
 2. INTRODUCCIÓN

2.1. Antecedentes de la logística binaria

La regresión logística es un grupo de técnicas estadísticas que tienen como objetivo

comprobar hipótesis o relaciones causales cuando la variable dependiente es nominal. Por tanto,

menciona que “El modelo de regresión logística binario, visto hasta ahora, es la base de toda una

familia de modelos estadísticos de gran utilidad para las ciencias sociales, puesto que se pueden

utilizar para variables dependientes cualitativas de distintitos tipos y con distintos objetivos de

investigacion” (Modesto y Mercado, 2010, p. 414).

2.2. Probabilidad binomial

Una distribución binomial es una distribución de probabilidad discreta que describe el número

de éxitos al realizar n experimentos independientes entre sí, acerca de una variable aleatoria.

(Modesto y Mercado, 2010, p. 409).

2.3. Prueba ómnibus del coeficiente del modelo.

Las pruebas ómnibus son una especie de prueba estadística. Ellos prueban si la varianza

explicada en un conjunto de datos es significativamente mayor que la varianza inexplicada, en

general. Un ejemplo es la prueba F en el análisis de varianza. Puede haber efectos significativos

legítimos dentro de un modelo incluso si la prueba ómnibus no es significativa. (Modesto y

Mercado, 2010, p. 410).

5
 2.4. Logaritmo de la verosimilitud

La log-verosimilitud es la expresión que Minitab maximiza para determinar los valores

óptimos de los coeficientes estimados (β). Como lo que se desea es maximizar la log-

verosimilitud, el valor más alto es mejor. Por ejemplo, un valor de log-verosimilitud de -3 es

mejor que -7. “Se definen las estimaciones de los parámetros desconocidos como los valores de

estos parámetros que maximizan la verosimilitud de los valores muéstrales observados (Cáceres,

2006, p.338).

2.5. R cuadrado de Cox y Snell

El R2 de Cox y Snell es un coeficiente de determinación generalizado que se utiliza para

estimar la proporción de varianza de la variable dependiente explicada por las variables

predictoras. Su valor fluctúa entre 0 y 1, pero en la práctica no llega a 1. El R2 de Nagelkerke es

una transformación del R2 de Cox y Snell (Cáceres, 2006, p.340).

2.6. R cuadrado de Nagelkerke

La R cuadrado de Nagelkerke es una versión corregida de la R cuadrado de Cox y Snell. La R

cuadrado de Cox y Snell tiene un valor máximo inferior a 1, incluso para un modelo “perfecto”.

La R cuadrado de Nagelkerke corrige la escala del estadístico para cubrir el rango completo de 0

a 1 (Cáceres, 2006, p.348).

2.7. Prueba de ratio (Odds)

Odds Ratio (OR) es una medida de efecto comúnmente utilizada para comunicar los

resultados de una investigación en salud. Esta medida de efecto es comúnmente utilizada para

comunicar los resultados de una investigación en salud. “Son las posibilidades (odds) del evento

6
en los pacientes expuestos dividido entre las posibilidades (odds ratio) del evento en los no

expuestos” (Vizcaíno, 2020).

7
 3. RESULTADOS

Sabando, Yepez y Veléz (2021), llevan a cabo un estudio de Regresión de logística binaria con
la finalidad de determinar el nivel de conocimiento de los enfermeros/as en la UCI, según el
género y otras variables sociodemográficas. Empleó una muestra de 125 enfermeros de los
hospitales de la provincia de los Tsáchilas. Ecuador.

a) Realice las variables que no están en el modelo: edad en años, experiencia laboral,
estudio de especialidad, escala de generalidades, escala de procedimiento,
Bioseguridad, escala de paciente, escala de equipo, escala del nivel de conocimiento,
conocimiento alto, conocimiento medio.

Tabla 1: Modelo de la logística binaria para el nivel de conocimiento de los enfermeros/as en las UCI

8
 Tabla 2: Modelo de logística binaria del conocimiento en las UCI

b) Realice la prueba chi cuadrado de Pearson ( X 2 ) para las variables: edad en años,
experiencia laboral, estudio de especialidad, escala de generalidades, escala de
procedimiento, Bioseguridad, escala de paciente, escala de equipo, escala del nivel de
conocimiento, conocimiento alto, conocimiento medio en función del género.

Tabla 3: Análisis bivariado de Chi cuadrado de Pearson

Tabla 4: Prueba Chi cuadrado del género en función del conocimiento alto

9
 c) Realice la prueba ómnibus del coeficiente del modelo.

Tabla 5: Prueba de ómnibus para el modelo de logística binaria

d) Realice la tabla del resumen del modelo que incluya el logaritmo de la verosimilitud,
R cuadrado de Cox y Snell y R cuadrado de Nagelkerke

Tabla 6: Análisis de Cox y Snell y Nagelkerke

e) Determine los Coeficientes del modelo de logit. Binarios y el Odds del género en

función del nivel de conocimiento en la UCI.

10
 ln ( y )=¿ ( 3,33 )+1,59 x2 – 0,99x2+ 0,78x3- 1,19x4+ 13,66x5+ 5,57x6

f) Realice un gráfico qq plot la normalidad para los residuos del modelo de logística
binaria.

Figura 1: Dinámica de los residuos del modelo binario

g) Realice un gráfico qq plot de la Desviación estándar para el modelo de logística

binaria.

11
Figura 2: Comportamiento de la desviación estándar para el modelo binario

h) Realice la probabilidad pronosticada del modelo de logit. Binarios del género en

función del nivel de conocimiento en la UCI.

12
Tabla 7: Probabilidad para modelo logístico

i) Realice la Curva ROC del modelo probit aplicado a los datos predictivos y de
acuerdo al género femenino

13
Figura 3: Comportamiento de la sensibilidad y especificidad según genero enfermera

j) Pegar la tabla del área bajo la curva.

Tabla 8: Probabilidad pronosticada para las enfermeras

k) Realice la Curva ROC del modelo probit aplicado a los datos predictivos y de
acuerdo al conocimiento alto.

14
 l) Pegar la tabla del área bajo la curva.

4. REFERENCIAS BIBLIOGRÁFICAS

Modesto, E., y Mercado F. (2010). Análisis de datos con Stata. CIS.

Cáceres, J. (2006). Conceptos básicos de estadística para ciencias sociales. Delta

Publicaciones.

Vizcaíno, G. (2020). Medicina basada en la evidencia y análisis de diseños de

investigación clínica. Editorial corporación universitaria Remington.

15