AO DEL BUEN SERVICIO AL

CIUDADANO
UNIVERSIDAD NACIONAL DE UCAYALI

GRUPO: N12
CURSO: BIOESTADISTICA

TEMA: REGRESION LOGISTICA SIMPLE

INTEGRANTES:
CANGALAYA LAZO ALEJANDRO
MORENO PANDURO JANE SHERRICKA

ENCARGADO:
Dr. CORNEJO CHAVEZ OSCAR

CICLO: II
PUCALLPA PER 2017
Regresin Logstica
Introduccin
En este tema estudiaremos cmo construir y analizar un modelo de regresin
que pretende representar la dependencia lineal de una variable respuesta con
dos categoras (dicotmica) respecto a otras variables explicativas (categricas
o cuantitativas). Representaremos (sin prdida de generalidad) las dos posibles
respuestas de la variable respuesta como 0 y 1. Por ejemplo queremos explicar
la probabilidad de que una persona enferme (1) o no (0) en funcin de su edad,
sexo, hbitos relacionados con el alcohol,
Se dice que un proceso es binomial cuando slo tiene dos posibles resultados:
"xito" (representado por el valor 1) y "fracaso" (representado por el valor 0),
siendo la probabilidad de cada uno de ellos constante en una serie de
repeticiones.
Un proceso binomial est caracterizado por la probabilidad de xito,
representada por p (es el nico parmetro de su funcin de probabilidad), la
probabilidad de fracaso es por tanto 1-p ya que, evidentemente, ambas
probabilidades deben sumar 1. En ocasiones, se usa el cociente p/1-p,
denominado "odds", y que indica cunto ms probable es el xito que el
fracaso.
En los modelos de Regresin Logstica se pretende estudiar si la probabilidad
de xito (p) de una variable de este tipo depende, o no, de otra u otras
variables.
Modelo de Regresin Logstica Simple
Tal y como hemos comentado nuestro objetivo es estudiar la relacin de la
probabilidad de xito en nuestro proceso con una serie de variables
explicativas. Como primera modelizacin del problema con un modelo de
regresin lineal nos podramos plantear el modelo:
p = 0 +1X
Siendo p la probabilidad de xito y X la variable explicativa (que supondremos
cuantitativa).
El hecho de que el valor de p deba estar necesariamente entre 0 y 1 (puesto
que es una probabilidad) nos supone el primer problema, ya que si la variable
explicativa puede tomar valores en un rango amplio nos va a ser muy difcil
determinar los coeficientes del modelo ( 0 ,1 ) de forma que p no salga del
rango (0,1).
Por este motivo no se modeliza directamente p, sino p/1-p (odds), y como
este cociente tiene el problema aadido de estar acotado teniendo que ser
necesariamente mayor que 0, por comodidad y para trabajar con toda la recta
real modelizaremos log(p/1-p), que puede tomar cualquier valor de la recta real.
As, el modelo de regresin sera de la forma:
Que es equivalente a la expresin:

Pero, con esta modelizacin qu significado tendrn los coeficientes del

modelo (0, 1)?

As, exp(0) representara el valor del ODDS cuando la variable explicativa

toma el valor 0, es decir, cunto ms probable es el xito que el fracaso cuando
la variable explicativa vale 0.

Por lo que exp(1) representa el OR (Odds Ratio) por unidad de incremento de

la variable explicativa X.
La estimacin de los coeficientes, aunque existen otros mtodos, se suele
realizar por el ms extendido que es el de mxima verosimilitud, que consiste
en maximizar la funcin de verosimilitud de la muestra. Pero estos clculos los
realizan los paquetes de software estadsticos, por lo que nosotros nicamente
nos debemos centrar en la interpretacin de los resultados.
Ejemplo: Efecto dosis-respuesta de un tratamiento sobre la curacin
Se desea estudiar el efecto dosis-respuesta para un tratamiento midiendo la
respuesta curacin o no curacin. El objetivo es medir cmo influyen las
distintas dosis del tratamiento sobre la probabilidad de curacin. A una muestra
aleatoria de enfermos se la divide tambin aleatoriamente en 4 grupos en los
que se administra el tratamiento segn la siguiente tabla:
Se mide la respuesta como curacin o no curacin. La variable explicativa X
tiene 4 valores que pueden ser, bien los mg de cada dosis (0, 50, 100, 150) o
bien un cdigo arbitrario para cada dosis (p.e. 0, 1, 2, 3). Tanto una codificacin
como la otra para la variable explicativa puede considerarse en este caso
cuantitativa: la primera porque directamente contiene los mg de cada
tratamiento, y la segunda porque recoge de un valor al siguiente saltos
equidistantes de 50 mg. Se plantea un modelo logstico para modelizar (o
explicar) la probabilidad de curacin en funcin de la dosis administrada.
Cmo interpretaramos los coeficientes?:
0 ser el logaritmo del odds de la dosis 0 (el logaritmo del odds de la
curacin para los enfermos no tratados). O lo que es lo mismo, exp(0)
representa cunto ms probable es la curacin frente a la no curacin
en enfermos no tratados (dosis=0).
1 ser el logaritmo del odds ratio por aumento de unidad de dosis. O lo
que es lo mismo, exp(1) representa el Odds Ratio al incrementar una
unidad la dosis, incremento de la probabilidad de curacin al
incrementar una unidad la dosis.
Nota.- Conviene tener presentes dos aspectos:
1.- La dependencia de 1 de la codificacin de la variable X: si se usan los mg
la unidad es 1 mg y si se usan los cdigos, la unidad es el cambio de dosis (de
un grupo a otro la diferencia es 50 mg).
2.- El modelo asume que el cambio en el logaritmo del odds es constante, es
decir el logaritmo del odds cambia 1 por pasar de la dosis 0 a la 1, o por pasar
de la dosis 2 a la 3.
Bibliografa
Ttulo : Tratamiento estadstico de datos con
SPSS
Autores : Quintn Martn Martn, Yanira del Rosario
de Paz Santana
Editor : Editorial Paraninfo, 2007
N. de pginas : 596 pginas