Académique Documents
Professionnel Documents
Culture Documents
η݅ = ߚ݆݆݅ݔ
donde ݆݅ݔes el valor del j-ésimo predictor en el i-ésimo individuo,
donde i=1,...,N. El término independiente α se obtiene con esta
notación haciendo que todos los ݆݅ݔsean igual a 1 para todos los i.
MODELO LINEAL GENERALIZADO
Función link
η݅ = g(µi) = ߚ݆݆݅ݔ
La función g más simple es g(µ) = µ, esto es, la identidad que da lugar
al modelo de regresión lineal clásico
µ=E(Y)= α + β1x1 + ••• +βkxk
MODELO LINEAL GENERALIZADO
Los modelos lineales generalizados apoyan la unificación de una
amplia variedad de métodos estadísticos como la regresión, los
modelos ANOVA y los modelos de datos categóricos.
y
= (1− ܲ) ( )
ଵି
= (1− ܲ) exp[y log( )]
ଵି
Donde y = 0, 1
MODELO LINEAL GENERALIZADO
El parámetro natural es
ܳ(ܲ) = log = logit (ܲ)
ଵି
Este modelo puede presentar problemas, tal que a pesar de que las
probabilidades se registran entre 0 y 1, el modelo puede predecir
valores ܲ( > )ݔ1 y ܲ( < )ݔ0.
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
La regresión logística binaria se caracteriza por disponer de una
variable dependiente cualitativa con dos valores (categorías o
grupos) que configuran la presencia y la ausencia de una determinada
característica.
1.0
Probabilidad y=1
0.5
0.0
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
La curva logística, cumple con las siguientes propiedades:
ଵ
Su límite inferior es el valor 0 : lim =0
௫→ஶ ଵା ష(ೣ)
ଵ
Su límite superior es el valor 1 : lim =1
௫→ஶ ଵା ష(ೣ)
ŷ = ߙ + ߚݔ
݉
Probabilidad y=1
0.5
ߚ = )݉(݃݊ܽݐ
0.0
0 1 2 3 4 5
ߙ 6 7 8 9 10
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
Se pueden se pueden presentar una serie de curvas que van a variar en función de
los valores que tomen α y β. De esta forma, la variación de la pendiente en el
modelo, estará asociada a la capacidad de discriminación de la variable y; por lo que
se considera que una variable x adecuada, dependerá del valor de la pendiente de
la curva; es decir, cuando el valor β es alto; si β es cercano a 0, su nivel de
aportación en el modelo se reducirá; el objetivo del análisis de regresión logística
consiste en encontrar las variables con el mayor coeficiente asociado.
1.0
Probabilidad y=1
α = 0, β = 2
α = 0, β = 1
0.5
α = 0, β = 0.5
α = 0, β = 0.3
0.0
-5 -4 -3 -2 -1 0 1 2 3 4 5
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
La interpretación de los coeficientes de la regresión logística difiere
del caso de la regresión lineal.
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
El odds (razón) de un suceso es el cociente entre la probabilidad de
que éste suceda y la probabilidad de que no suceda:
Por ejemplo:
En el caso de considerar la participación de la población en las
elecciones pasadas, si el 75% de la población votó, la probabilidad es
del 0.75, entonces el 25% se abstuvo; por lo tanto el odds es de 3, o
lo que es igual una razón de 3 a 1.
ࡼ .ૠ
ିࡼ
= .
=3
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
De manera inversa, se transforman la razón a probabilidad.
ௗௗ௦ .ହ
P= =
ௗௗ௦ାଵ
=3
.ଶହ
Se debe identificar que de las dos formas, se cuantifica la probabilidad
de que ocurra un suceso, el riesgo relativo resulta del cociente de
probabilidades de un suceso en las dos condiciones de ocurrencia.
Por ejemplo:
En el caso de participación en dos municipios A y B, donde en el
municipio A votó el 80% y en el municipio B votó el 50%, entonces el
odds ratio será igual a 4.
బ.ఴబ
ௗௗ௦ ସ
odds ratio =
ௗௗ௦
= బ.మ
బ.ఱ = =4
ଵ
బ.ఱ
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
De lo discutido anteriormente donde
1
ܲ ݎy = 1 = =ܲ
1 + ݁ ି(ఈାఉ௫)
y
1
ܲ ݎy = 0 = 1 − =1−ܲ
1+ ݁ ି ఈାఉ௫
Se tiene que
1
ܲ ݎy = 1 1 + ݁ ି(ା௫) ܲ
= =
ܲ ݎy = 0 1 1+ܲ
1−
1 + ݁ ି ఈାఉ௫
1.0
Razón de Probabilidad ଵା
0.5
0.0
0 1 2 3 4 5 6 7 8 9 10
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
Al aplicar una transformación logarítmica a la expresión = ݁ ఈାఉ௫ ,
ଵା
se obtiene la transformación logit, la cual apoya la identificación del
modelo en forma lineal y aditiva log = log(݁ ఈାఉ௫ ) = ߙ + ߚ ݔ,
ଵା
comportándose como:
)
4
ଵା
Log(Razón de Probabilidad
0
-4
0 1 2 3 4 5 6 7 8 9 10
X
REGRESIÓN LOGÍSTICA BINARIA SIMPLE
De lo anterior se desprende que el coeficiente de regresión logística β,
explica el cambio generado en la transformación logit, mediante el
logaritmo de la razón de un suceso (del cociente de probabilidades),
por cada cambio unitario que se produce en la variable
independiente.
• Ang Alkfredo H-S, Teng Wilson H. Probability Concepts in engineering Planning and Design. Volumen I.
Basic Principles. John Wiley & Sons
• Jornadas de Educación Matemática de la Comunidad Valenciana
• Gujarati, Damodar. Econometría , Segunda edición. Editorial Mc Graw Hill. Bogotá, 1990.
• Lomax W. R., Saul A.J. Laboratory Work in Hydraulics. Bolton Institute of Technology. Great Britain 1979.
• Laboratory Work in Hydraulics
• López-Roldán, P.; Fachelli, S. (2015). Análisis de regresión logística. En P. López-Roldán y S.
Fachelli, Metodología de la Investigación Social Cuantitativa. Bellaterra (Cerdanyola del Vallès): Dipòsit
Digital de Documents, Universitat Autònoma de Barcelona. Capítulo III.10. 1ª edición. Edición
digital: http://ddd.uab.cat/record/163570
• Ríus, Barón, Sánchez, & Parras, Tercera Edición, Bioestadística: Métodos y Aplicaciones. Universidad de
Málaga. Publicaciones. España. 1999 (también consulta virtual en:
http://virtual.uptc.edu.co/ova/estadistica/docs/libros/ftp.bioestadistica.uma.es/libro/, y electrónica en:
https://www.bioestadistica.uma.es/baron/bioestadistica.pdf o en
http://fcm.ens.uabc.mx/~chelo/estadistica/doc-pdf/bioestadistica.pdf)