PLANIFICACIÓN

REGRESI
ÓN
FUNDAME P R E PA R A
LOGÍSTIC
NTOS CIÓN
A
BINARIA

CONCEPTO DE MÉTODOS DE EJEMPLO EN

REGRESIÓN ENTRADA Y RSTUDIO
LOGÍSTICA ELIMINACIÓN

REGRESI
INTERPRE
ÓN
TA C I Ó N
LOGÍSTIC
DE
A
R E S U LTA
M U LT I N O
DOS
MIAL
 1. FUNDAMENTOS
TEÓRICOS DEL ANÁLISIS
DE REGRESIÓN LOGIT
 lo g i t
La variable predictora o
Es una variación de la independiente puede ser
regresión múltiple que nos categórica o continua
permite predecir un
fenómeno

Donde La variable dependiente o el

resultado debe ser categórica.
 DICOTÓMI
CA

Se clasifican en dos tipos POLITÓMO

CA
 u e s e
l o s q Ciencias de la salud:

os e n za r
a mp u t i li
C ed e I C A
pu NL O G Í S T
S I Ó
E G RE
L AR

Biología y ecología: Criminología: Finanzas y economía:

 Supuestos
Variables predictoras deben ser categóricas o
continuas
No se requiere linealidad (variable dependiente debe
ser categórica con dos o más niveles).
Independencia del error (debe ser un estudio
intergrupal no intragrupal).
No debe existir multicolinealidad (correlación mayor
2 . P R E PA R A C I Ó N D E L O S
D AT O S
 MÉTODOS DE ENTRADA

1. MÉTODO INTRODUCIR

CUANDO HAY CONOCOMIENTOS TEÓRICOS

PREVIOS
 MÉTODOS DE ENTRADA

2. MÉTODO HACIA ADELANTE

PREDICTOR 1
PREDICTOR 2
PREDICTOR 3
PREDICTOR N

CUANDO HACEMOS ANÁLISIS

EXPLORATORIO O NO CONOCEMOS LA
 MÉTODOS DE ENTRADA

2. MÉTODO HACIA ADELANTE

OR2
DICT
E
PR
 MÉTODOS DE ENTRADA

2. MÉTODO HACIA ADELANTE

PREDICTOR 1
PREDICTOR 2
PREDICTOR 3
PREDICTOR N

CUANDO HACEMOS ANÁLISIS

EXPLORATORIO O NO CONOCEMOS LA
 MÉTODOS DE ELIMINACIÓN

1. POR RAZÓN DE VEROSIMILITUD

VS
DIFERENCIA
MODELO SI SE ESTADÍSTICAMENTE
MODELO ACTUAL
ELIMINA PREDICTOR SIGNIFICATIVA
MÉTODOS DE ELIMINACIÓN

2. CRITERIO CONDICIONAL

CRITERIO RAZÓN DE
CONDICIONAL VEROSIMILITUD
 MÉTODOS DE ELIMINACIÓN

3. CRITERIO DE WALD

WALD=0,06

WALD=0,08

ELIMINADOR WALD=0,12
WALD=9,6
 MÉTODOS DE ENTRADA

3. MÉTODO HACIA ATRÁS

PREDICTOR 1
PREDICTOR 2
PREDICTOR 3
PREDICTOR N

CUANDO HACEMOS ANÁLISIS

EXPLORATORIO O NO CONOCEMOS LA
¿QUÉ MÉTODO USAR?

SI ES UN ESTUDIOS DONDE YA HAY

CONOCIMIENTOS PREVIOS, USA EL MÉTODO
DE ENTRADA

SI ESTÁS HACIENDO UN ESTUDIO

EXPLORATORIO, USA UN MÉTODO DE PASOS
(HACIA ATRÁS)
¿QUÉ MÉTODO DE ELIMINACIÓN
USAR?

USA EL DE RAZÓN DE
VEROSIMILITUD
TÉCNICAS COMUNES DE
P R E PA R A C I Ó N D E D AT O S

Codificación de variables categóricas

 3.REGRESIÓN LOGÍSTICA
BINARIA (PRÁCTICA)

ODDS
(RELACIÓN ENTRE
PROBABILIDADES-MOMIOS)
 DEFINICIÓN
Establece la relación entre la
probabilidad de que ocurra un
suceso, a partir de los valores que
pueda tomar X.
Nos permite conocer el efecto de predicción
que tiene uno o varias variables

USO independientes, ya sean cualitativas o

cuantitativas, sobre una variable predictora
categórica de dos niveles.
 En un hospital quiere determinar el éxito
o fracaso de que un paciente se le de de
EJEMPLO alta o no, y además determinar que
factores son relevantes.

SELECCIÓN DE GRUPO
CONTROL
 PREDICTOR SIGNIFICATIVO
Implementación del DE CURACIÓN
modelo glm()

REPRESENTACIÓN DEL CAMBIO DE ODDS DE CURACIÓN

LOG(ODDS) POR CADA UNIDAD DE AUMENTO
DE DURACION DEL
p>0.05 TRATAMIENTO.

No hay diferencia
p>0.05
significa en la curación,
No hay relación significativa
respecto Duración =0 e
respecto a la probabilidad de
intervención =0.
curación.
Representación gráfica
3.REGRESION LOGISTICA
M U LT I N O M I A L
 Es un modelo que puede generalizarse
para mas de dos poblaciones, en estas

DEFINICIÓN variables cuantitativas se encuentran mas

de dos niveles posibles.

EN LUGAR DE CODIFICAR LA VARIABLE DEPENDIENTE COMO 0 Y 1, SE UTILIZA UNA CODIFICACIÓN

DE TIPO "DUMMY" O "ONE-HOT ENCODING" PARA REPRESENTAR LAS DIFERENTES CATEGORÍAS.
CADA CATEGORÍA SE CONVIERTE EN UNA VARIABLE BINARIA SEPARADA, DONDE UN VALOR DE 1
INDICA QUE LA OBSERVACIÓN PERTENECE A ESA CATEGORÍA Y UN VALOR DE 0 INDICA LO
CONTRARIO.
5. REGRESIÓN
LOGÍSTICA
M U LT I N O M I A L .
 nos permite al igual que la binaria
conocer el efecto predictor que tienen
las distintas variables independientes
ya sean cualitativas o cuantitativas
sobre una variable dependiente
categórica con mas de dos niveles.
CONCLUSIONES
• El análisis de regresión logit es una técnica estadística adecuada para modelar
variables dependientes binarias, donde el resultado es sí/no, éxito/fallo o alguna otra
clasificación dicotómica.
• El análisis de regresión logit permite entender cómo las variables predictoras
influyen en la probabilidad de que ocurra el evento de interés. Esto ayuda a
identificar las variables más relevantes y cómo contribuyen al resultado final.
• El análisis de regresión logit proporciona resultados en términos de probabilidades,
lo que facilita la comprensión de la incertidumbre y la probabilidad asociada con
cada resultado.
• Esta técnica es ampliamente utilizada en campos como la medicina, la economía, la
psicología y el marketing, donde se requiere predecir resultados binarios y entender
los factores que los afectan.
• El análisis de regresión logit permite identificar factores de riesgo y oportunidades
asociados con eventos específicos, lo que es útil para la toma de decisiones
informadas y la planificación estratégica.
• El análisis de regresión logit puede manejar tanto variables categóricas como
continuas como predictores, lo que lo hace versátil en el análisis de diferentes tipos
de datos.
GRACIAS
POR SU
ATENCIÓN