Regresión Logística
- Propuesto por
- David Roxbee Cox
- Año
- 1958
- Tipo
- Method
- Familia
- classification-prediction
Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés
¿Qué hace?
La regresión logística es un método estadístico para modelar la probabilidad de un resultado binario (enfermedad presente/ausente, éxito/fracaso) en función de predictores continuos y categóricos.
Desarrollada por David Roxbee Cox (1958), resuelve el problema de predecir resultados categóricos aplicando una transformación logística para acotar las predicciones al intervalo de probabilidad [0,1], lo que permite una estratificación de riesgos precisa, predicción diagnóstica e inferencia causal en epidemiología, medicina y ciencias sociales.
La intuición detrás del método
La regresión lineal estándar predice resultados continuos no acotados; aplicarla a resultados binarios (0 o 1) produce predicciones imposibles (p. ej., probabilidad de 1.5). La regresión logística resuelve esto modelando el logaritmo de las probabilidades (logit) del resultado como una función lineal de los predictores: logit(p) = ln[p/(1−p)] = β₀ + β₁X₁ + β₂X₂ + ... La transformación logística convierte las predicciones lineales de nuevo en probabilidades (0 a 1). Esto permite a los investigadores estimar la probabilidad de un resultado dados los predictores, cuantificar las asociaciones de los factores de riesgo como razones de probabilidades (odds ratios) y realizar clasificaciones binarias con incertidumbre medida.
Historia
David Roxbee Cox introdujo la regresión logística en 1958 como una extensión natural de la regresión lineal para resultados binarios. El trabajo de Jerome Cornfield (1962) popularizó las razones de probabilidades en epidemiología. La prueba de bondad de ajuste de Hosmer-Lemeshow (década de 1980) proporcionó diagnósticos para la evaluación del modelo. Las extensiones modernas incluyen regresión logística penalizada (ridge, lasso; Tibshirani, 1996), modelos lineales generalizados (McCullagh & Nelder, 1989) y extensiones multinomiales/ordinales (Agresti, 2015). Los métodos intensivos en computación (bootstrap, validación cruzada) ahora permiten inferencia robusta y validación externa.
Cuándo usarlo
Usar regresión logística al predecir o explicar un resultado binario. Aplicaciones clínicas: predecir diagnóstico de enfermedad, respuesta al tratamiento, mortalidad; calcular puntuaciones de riesgo (p. ej., puntuación APACHE, gravedad de neumonía CURB-65). Estudios epidemiológicos: estimar probabilidades de enfermedad asociadas con exposiciones mientras se ajustan por confusores. Precisión diagnóstica: validar una prueba diagnóstica (predecir enfermedad a partir de hallazgos clínicos). Investigación de encuestas: modelar respuestas sí/no a preguntas de política. Para resultados continuos o politómicos (>2 categorías), usar regresión lineal o multinomial. Para datos de supervivencia (tiempo hasta el evento), usar regresión de Cox.
Limitaciones y consideraciones
- Sensible a la multicolinealidad: predictores altamente correlacionados producen errores estándar inflados y estimaciones de coeficientes inestables; verificar factores de inflación de la varianza.
- Asume una relación lineal entre el logaritmo de las probabilidades y los predictores; omite asociaciones no lineales a menos que se modelen explícitamente (p. ej., transformación polinómica, spline).
- Resultados desequilibrados (eventos raros): si la proporción del resultado es extrema (p. ej., 5% positivos), las estimaciones de los parámetros están sesgadas y los intervalos de confianza son amplios; considerar regresión penalizada o muestreo de casos y controles.
- Asume independencia de las observaciones; los datos agrupados (p. ej., pacientes en hospitales) violan la suposición y requieren regresión logística multinivel.
- El rendimiento de la clasificación depende en gran medida del punto de corte de probabilidad elegido; diferentes umbrales optimizan la sensibilidad frente a la especificidad, y ningún punto de corte único se adapta a todos los contextos.
Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.
Fortalezas
- Estima directamente la probabilidad del resultado, permitiendo la estratificación del riesgo y la toma de decisiones informadas en contextos clínicos y de políticas.
- Las razones de probabilidades son intuitivas para los profesionales: una medida dicotómica de asociación fácilmente comunicable a clínicos y público.
- Robusta a la violación de la normalidad (a diferencia de la regresión lineal); solo requiere que las distribuciones condicionales sean binomiales, no normales.
- Incorpora de forma flexible predictores continuos y categóricos, interacciones y términos no lineales (p. ej., polinómicos, splines) para capturar relaciones complejas.
- La salida probabilística y las curvas ROC permiten la optimización del umbral: elegir el punto de corte de clasificación en función del compromiso entre sensibilidad y especificidad adecuado al contexto de aplicación.
Aplicaciones
- Predicción de riesgo clínico: desarrollo de puntuaciones de riesgo validadas (p. ej., riesgo de readmisión a 30 días, probabilidad de sepsis) para guiar la asignación de recursos y la intervención temprana.
- Precisión diagnóstica: predecir el diagnóstico de enfermedad a partir de hallazgos clínicos, valores de laboratorio e imágenes; evaluar la sensibilidad y especificidad de los algoritmos diagnósticos.
- Respuesta al tratamiento: modelar la probabilidad de éxito del tratamiento (respuesta a medicamentos, resultado quirúrgico) para informar la medicina personalizada y la selección del tratamiento.
- Estudios de asociación epidemiológica: estimar las probabilidades de enfermedad asociadas con exposiciones ambientales o conductuales (tabaquismo, dieta, peligros laborales) mientras se ajustan por datos demográficos.
- Mejora de la calidad y fabricación: predecir la probabilidad de defectos del producto a partir de parámetros de fabricación; optimizar la configuración del proceso para minimizar fallos.
Cómo funciona
Cómo funciona
Administrar la regresión logística definiendo un resultado binario (codificado 0/1) y recopilando variables predictoras. Asegurar un tamaño de muestra adecuado para estimaciones estables: al menos 10–20 eventos por predictor (donde eventos = recuento de la categoría de resultado menos frecuente). Verificar la independencia de las observaciones; la regresión logística asume que no hay agrupamiento. Codificar predictores categóricos usando variables dummy (k−1 indicadores para k categorías). Opcionalmente, estandarizar predictores continuos para comparación independiente de escala. Antes de ajustar, explorar asociaciones bivariadas entre cada predictor y el resultado (gráficos de regresión logística, correlación) para guiar la especificación del modelo.
Estimar los coeficientes de regresión logística mediante estimación por máxima verosimilitud (MLE), no por mínimos cuadrados ordinarios. El software calcula estimaciones de parámetros (coeficientes β) que maximizan la verosimilitud de observar los datos reales. Estadísticas clave: (1) Coeficientes (β₀, β₁, ...): intercepto y pendientes en la escala logit. (2) Razón de probabilidades (Odds Ratio, OR) = exp(β): cambio en las probabilidades por cada unidad de aumento en el predictor. OR = 1 significa ningún efecto; OR = 2 significa duplicación de las probabilidades; OR = 0.5 significa reducción a la mitad de las probabilidades. (3) Errores estándar y estadísticas z (z = β/SE): prueba si el coeficiente difiere de cero. (4) Intervalos de confianza para los OR (típicamente 95%): [exp(β − 1.96×SE), exp(β + 1.96×SE)]. (5) Prueba de bondad de ajuste de Hosmer-Lemeshow: prueba χ² de resultados observados vs. predichos en deciles de riesgo (p > 0.05 sugiere buen ajuste). (6) Área bajo la curva Característica Operativa del Receptor (Receiver Operating Characteristic Curve, AUC): 0.5 = azar, 0.7–0.8 = discriminación aceptable, >0.8 = buena, >0.9 = excelente.
La interpretación se centra en las razones de probabilidades: un OR de 1.5 para un predictor significa que cada aumento unitario multiplica las probabilidades del resultado por 1.5 (50% más de probabilidades), manteniendo constantes los demás predictores. Si el intervalo de confianza excluye 1, el OR es estadísticamente significativo (p < 0.05). Probabilidad predicha para un individuo = 1 / [1 + exp(−(β₀ + β₁X₁ + ...))] donde los valores X son las puntuaciones de los predictores del individuo. Generar curvas ROC (tasa de verdaderos positivos vs. tasa de falsos positivos) para evaluar el rendimiento de la clasificación y elegir el punto de corte de probabilidad óptimo para la clasificación binaria. Comparar modelos (completo vs. reducido) usando la prueba de razón de verosimilitud: −2 × (log-verosimilitud del reducido − log-verosimilitud del completo) sigue una χ² con gl = número de parámetros eliminados. Examinar diagnósticos: gráficos parciales, medidas de influencia (influencia de Pregibon) y residuos de Pearson para valores atípicos o especificación incorrecta del modelo.
Errores comunes
- Confundir asociación con causalidad: la regresión logística estima asociaciones ajustadas; confusores desconocidos o causalidad inversa aún amenazan la interpretación causal.
- Usar la precisión de la clasificación únicamente para evaluar el modelo: con resultados desequilibrados, un modelo que predice todos los negativos puede parecer preciso; usar AUC, sensibilidad, especificidad y valor predictivo positivo.
- Reportar valores p sin intervalos de confianza o tamaños del efecto; la significancia estadística no es significancia clínica. Siempre reportar OR con IC del 95%.
- No verificar la prueba de Hosmer-Lemeshow y los diagnósticos de residuos; las violaciones de la bondad de ajuste indican especificación incorrecta del modelo.
- Sobreajuste del modelo (model overfitting): ajustar demasiados predictores en relación con el tamaño de la muestra (especialmente el recuento de eventos de resultado) produce estimaciones de rendimiento optimistas; usar validación cruzada.
- Dicotomizar predictores continuos (p. ej., edad > 65) conduce a pérdida de información y estimaciones de coeficientes inestables; mantener la forma continua o usar splines cúbicos restringidos.
Preguntas frecuentes
¿Cómo interpreto una razón de probabilidades de 2.5 con un IC del 95% [1.8, 3.5]?
Un OR de 2.5 significa que las probabilidades del resultado son 2.5 veces mayores para un aumento de 1 unidad en ese predictor (o para la categoría indexada frente a la de referencia, si es categórica), ajustando por otros predictores. El intervalo de confianza del 95% [1.8, 3.5] indica que con un 95% de confianza, el OR verdadero en la población se encuentra entre 1.8 y 3.5. Dado que el IC excluye 1, la asociación es estadísticamente significativa (p < 0.05). Interpretación de la magnitud: OR 1–1.5 = efecto pequeño, 1.5–3 = moderado, >3 = grande. Los clínicos a menudo preguntan: ¿es 2.5 veces mayor la probabilidad clínicamente significativa para este resultado? El contexto importa.
¿Qué me dice la prueba de Hosmer-Lemeshow y cuándo debería preocuparme por un valor p bajo?
La prueba de Hosmer-Lemeshow evalúa si las probabilidades predichas coinciden con las proporciones de resultados observados en los deciles de riesgo. p > 0.05 sugiere buena calibración; p < 0.05 sugiere que el modelo predice incorrectamente en algunos grupos de riesgo, lo que indica una posible especificación incorrecta. Un valor p bajo incita a la investigación: examinar gráficos de calibración por deciles, verificar relaciones no lineales no capturadas, explorar interacciones o investigar valores atípicos. Sin embargo, con muestras muy grandes, incluso desviaciones triviales de la calibración perfecta pueden producir valores p bajos; la inspección visual de los gráficos de calibración suele ser más informativa que la prueba por sí sola.
¿Cómo elijo un punto de corte de probabilidad para clasificar a los individuos como en riesgo o no?
La elección depende del contexto clínico o político y del costo de los falsos positivos frente a los falsos negativos. La curva ROC traza sensibilidad frente a especificidad en todos los umbrales; puntos más altos y a la izquierda corresponden a mejores discriminadores. Elija el umbral que equilibre los objetivos clínicos (p. ej., preferir sensibilidad en el cribado, especificidad en el diagnóstico confirmatorio).
¿En qué se diferencia la regresión logística de la regresión lineal para predecir resultados binarios?
La regresión lineal aplicada a resultados binarios produce valores predichos fuera de [0, 1], viola el supuesto de normalidad y produce residuos heteroscedásticos. La regresión logística restringe las predicciones a probabilidades mediante la transformación logística, asume una distribución condicional binomial y produce residuos homoscedásticos. Además, los errores estándar de la regresión lineal están sesgados; la regresión logística utiliza máxima verosimilitud, lo que produce una inferencia correcta para datos binarios. La regresión logística está diseñada específicamente para resultados binarios y siempre debe preferirse; la regresión lineal en resultados binarios es un error común.
Métodos relacionados
Fuentes
Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.
Abrir referencia DOICopiado.Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.
Abrir referencia DOICopiado.