Análisis Estadísticos para Ensayos Clínicos y Estudios Epidemiológicos. Asesoría estadística para investigación, en general, incluyendo Tesis. Asesoría Metodológica. Diseño de Posters para Congresos y Eventos Científicos.

miércoles, 1 de noviembre de 2017

Acerca de la Regresión Logística Múltiple



Regresión Logística Múltiple



La regresión logística múltiple generaliza el método de regresión logística para problemas, con más de dos posibles resultados discretos.​ Se utiliza para predecir las probabilidades de los diferentes resultados posibles de una distribución categórica como variable dependiente, dado un conjunto de variables .


La opción Regresión logística múltiple resulta útil en aquellas situaciones en las que desee poder clasificar a los sujetos según los valores de un conjunto de variables predictoras. Este tipo de regresión es similar a la regresión logística, pero más general, ya que la variable dependiente no está restringida a dos categorías.


La regresión logística permite discriminar entre dos poblaciones, en términos de un conjunto de

variables en el papel de predictores.


para representar probabilidades de ocurrencia de un evento, como función de una serie de variables predictoras.


Adicionalmente, sirve para representar una variable asociada a un fenómeno  que de un conjunto de variables predictoras, cuyo comportamiento sea aproximadamente lineal, dentro de un cierto rango de los predictores, y tiendan a mantenerse constantes fuera de él.


Los predictores pueden ser también variables dicotómicas, en tal caso se utilizan variables dummy para representarlas.



El modelo de regresión logística es un modelo lineal generalizado





en que la función de enlace η es del tipo:

 





Las variables x1, x2, ....., xk son los predictores, ,la variable γ es la respuesta, que toma los valores 1  o  0, los β0, β1, ......., βson los parámetros del modelo.


e es un error aleatorio, tal que 0 <η (x)+e<1


Si el modelo se utiliza para clasificar, los valores 0 y 1 de la respuesta e identifican a ambas poblaciones en que se puede clasificar una observación.  
 

El modelo logístico multinomial supone que los datos son específicos del caso; Es decir, cada variable independiente tiene un valor único para cada caso. 

El modelo logístico multinomial también supone que la variable dependiente no puede ser perfectamente pronosticada a partir de las variables independientes para ningún caso.



Existen varios tipos de regresión logística múltiple.








_____________________________________

Wikipedia

                               http://www.jorgegalbiati.cl/ejercicios_7/RegrLog.pdf
 

6 comentarios:

José Antonio dijo...

Yo no comprendo el concepto claramente, pero lo entiendo como una especie de correlación hecha, no de uno a una, sino de muchos a una.

Algo así.

Muy instructivo todo.

Dra. Rosita dijo...

Como dije antes, la regresión siempre me ha resultado compleja. Pero su utilidad es innegable.

Unknown dijo...

Siempre me confunde la diferencia entre regresión lineal múltiple y regresión logística múltiple.

Por eso siempre busco quien me asesore.

Un saludo.

Unknown dijo...

Hola.

Estoy realizando un trabajo para evaluar la relación entre la obesidad y una falla cardiaca. Pero no estoy seguro si debo usar correlación, o regresión lineal, o regresión logística.

¿Podría asesorarme?

Saludos.

Dra. Maria dijo...

Hola. Creo que confundo estos conceptos de regresión. No sé si se debe aplicar regresión lineal o regresión logística.
¿Cómo me doy cuenta?
Tampoco entiendo la fórmula.

Gracias.

Aldanalisis dijo...

Hola "Unknown", cuando sólo es una variable la posible predictora se usa correlación. Para estar más seguras, me puedes escribir un correo.

Dra. María, la regresión lineal o logística difieren básicamente, por el tipo de variables utilizadas, cuantitativas continuas, o variables cualitativas u ordinales.

La fórmula no es sencilla. Los paquetes estadísticos se encargan de aplicarla, lo más importante es saber qué y cuándo aplicar cada cosas, y cómo introducir correctamente los datos.

¡Saludos!