Skip to content
Voltar aos resultados

Regressão Logística

Proposto por
David Roxbee Cox
Ano
1958
Tipo
Method
Família
classification-prediction

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A regressão logística é um método estatístico para modelar a probabilidade de um desfecho binário (doença presente/ausente, sucesso/falha) em função de preditores contínuos e categóricos.

Desenvolvida por David Roxbee Cox (1958), ela resolve o problema de prever desfechos categóricos aplicando uma transformação logística para restringir as previsões ao intervalo de probabilidade [0,1], permitindo estratificação de risco precisa, predição diagnóstica e inferência causal em epidemiologia, medicina e ciências sociais.

A intuição por trás do método

A regressão linear padrão prevê desfechos contínuos ilimitados; aplicá-la a desfechos binários (0 ou 1) produz previsões impossíveis (ex., probabilidade de 1,5). A regressão logística resolve isso modelando o log-odds (logit) do desfecho como uma função linear dos preditores: logit(p) = ln[p/(1−p)] = β₀ + β₁X₁ + β₂X₂ + ... A transformação logística converte as previsões lineares de volta em probabilidades (0 a 1). Isso permite aos pesquisadores estimar a probabilidade de um desfecho dadas as variáveis preditoras, quantificar associações de fatores de risco como razões de chances (odds ratios) e fazer classificações binárias com incerteza medida.

História

David Roxbee Cox introduziu a regressão logística em 1958 como uma extensão natural da regressão linear para desfechos binários. O trabalho de Jerome Cornfield (1962) popularizou as razões de chances na epidemiologia. O teste de bondade de ajuste de Hosmer-Lemeshow (década de 1980) forneceu diagnósticos para avaliação de modelos. Extensões modernas incluem regressão logística penalizada (ridge, lasso; Tibshirani, 1996), modelos lineares generalizados (McCullagh & Nelder, 1989) e extensões multinomial/ordinal (Agresti, 2015). Métodos computacionalmente intensivos (bootstrap, validação cruzada) agora permitem inferência robusta e validação externa.

Quando usar

Use regressão logística ao prever ou explicar um desfecho binário. Aplicações clínicas: predição de diagnóstico de doença, resposta ao tratamento, mortalidade; cálculo de escores de risco (ex., escore APACHE, gravidade da pneumonia CURB-65). Estudos epidemiológicos: estimativa das chances de doença associadas a exposições, ajustando para confundidores. Precisão diagnóstica: validação de um teste diagnóstico (prever doença a partir de achados clínicos). Pesquisa de levantamento: modelagem de respostas sim/não a questões políticas. Para desfechos contínuos ou politômicos (>2 categorias), use regressão linear ou multinomial. Para dados de sobrevivência (tempo até o evento), use regressão de Cox.

Limitações e considerações

  • Sensível à multicolinearidade: preditores altamente correlacionados produzem erros padrão inflados e estimativas de coeficientes instáveis; verifique os fatores de inflação de variância.
  • Assume relação linear entre o log-odds e os preditores; perde associações não lineares a menos que sejam explicitamente modeladas (ex., transformação polinomial, spline).
  • Desfechos desbalanceados (eventos raros): se a proporção do desfecho for extrema (ex., 5% positivos), as estimativas dos parâmetros são enviesadas e os intervalos de confiança são amplos; considere regressão penalizada ou amostragem caso-controle.
  • Assume independência das observações; dados agrupados (ex., pacientes em hospitais) violam a suposição e requerem regressão logística multinível.
  • O desempenho da classificação depende fortemente do corte de probabilidade escolhido; diferentes limiares otimizam a sensibilidade vs. a especificidade, e nenhum corte único serve para todos os contextos.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Estima diretamente a probabilidade do desfecho, permitindo a estratificação de risco e a tomada de decisão informada em contextos clínicos e de políticas públicas.
  • As razões de chances são intuitivas para os profissionais: uma medida dicotômica de associação facilmente comunicável a clínicos e ao público.
  • Robusta à violação da normalidade (ao contrário da regressão linear); requer apenas que as distribuições condicionais sejam binomiais, não normais.
  • Incorpora flexivelmente preditores contínuos e categóricos, interações e termos não lineares (ex., polinomial, spline) para capturar relações complexas.
  • Saída probabilística e curvas ROC permitem otimização de corte: escolha do limiar de classificação com base na troca sensibilidade/especificidade adequada ao contexto da aplicação.

Aplicações

  • Predição de risco clínico: desenvolvimento de escores de risco validados (ex., risco de readmissão em 30 dias, probabilidade de sepse) para orientar a alocação de recursos e a intervenção precoce.
  • Precisão diagnóstica: predição de diagnóstico de doença a partir de achados clínicos, valores laboratoriais e exames de imagem; avaliação da sensibilidade e especificidade de algoritmos diagnósticos.
  • Resposta ao tratamento: modelagem da probabilidade de sucesso do tratamento (resposta a medicamentos, resultado cirúrgico) para informar a medicina personalizada e a seleção de tratamento.
  • Estudos de associação epidemiológica: estimativa das chances de doença associadas a exposições ambientais ou comportamentais (tabagismo, dieta, riscos ocupacionais), ajustando para dados demográficos.
  • Melhoria de qualidade e manufatura: predição da probabilidade de defeito do produto a partir de parâmetros de fabricação; otimização das configurações do processo para minimizar falhas.

Como funciona

Como funciona

1

Administre a regressão logística definindo um desfecho binário (codificado como 0/1) e coletando variáveis preditoras. Garanta um tamanho de amostra adequado para estimativas estáveis: pelo menos 10–20 eventos por preditor (onde eventos = contagem da categoria de desfecho menos frequente). Verifique a independência das observações; a regressão logística assume ausência de agrupamento. Codifique preditores categóricos usando variáveis dummy (k−1 indicadores para k categorias). Opcionalmente, padronize preditores contínuos para comparação independente de escala. Antes de ajustar o modelo, explore as associações bivariadas entre cada preditor e o desfecho (gráficos de regressão logística, correlação) para orientar a especificação do modelo.

2

Estime os coeficientes da regressão logística usando estimação de máxima verossimilhança (MLE), não mínimos quadrados ordinários. O software calcula estimativas de parâmetros (coeficientes β) que maximizam a verossimilhança de observar os dados reais. Estatísticas chave: (1) Coeficientes (β₀, β₁, ...): intercepto e inclinações na escala logit. (2) Razão de Chances (OR) = exp(β): mudança nas chances por aumento unitário no preditor. OR = 1 significa nenhum efeito; OR = 2 significa duplicação das chances; OR = 0,5 significa redução pela metade das chances. (3) Erros padrão e estatísticas z (z = β/SE): testam se o coeficiente difere de zero. (4) Intervalos de confiança para ORs (tipicamente 95%): [exp(β − 1,96×SE), exp(β + 1,96×SE)]. (5) Teste de bondade de ajuste de Hosmer-Lemeshow: teste χ² de desfechos observados vs. previstos em decis de risco (p > 0,05 sugere bom ajuste). (6) Área Sob a Curva Característica de Operação do Receptor (AUC): 0,5 = acaso, 0,7–0,8 = discriminação aceitável, >0,8 = bom, >0,9 = excelente.

3

A interpretação centra-se nas razões de chances: um OR de 1,5 para um preditor significa que cada aumento unitário multiplica as chances do desfecho por 1,5 (50% de chances maiores), mantendo outros preditores constantes. Se o intervalo de confiança excluir 1, o OR é estatisticamente significativo (p < 0,05). Probabilidade prevista para um indivíduo = 1 / [1 + exp(−(β₀ + β₁X₁ + ...))] onde os valores de X são as pontuações dos preditores do indivíduo. Gere curvas ROC (taxa de verdadeiros positivos vs. taxa de falsos positivos) para avaliar o desempenho da classificação e escolher o corte de probabilidade ótimo para classificação binária. Compare modelos (completo vs. reduzido) usando o teste da razão de verossimilhança: −2 × (log-verossimilhança do reduzido − log-verossimilhança do completo) segue χ² com graus de liberdade = número de parâmetros removidos. Examine diagnósticos: gráficos parciais, medidas de influência (influência de Pregibon) e resíduos de Pearson para outliers ou especificação incorreta do modelo.

Erros comuns

  • Confundir associação com causalidade: a regressão logística estima associações ajustadas; confundidores desconhecidos ou causalidade reversa ainda ameaçam a interpretação causal.
  • Usar precisão de classificação isoladamente para avaliar o modelo: com desfechos desbalanceados, um modelo que prevê todos os negativos pode parecer preciso; use AUC, sensibilidade, especificidade e valor preditivo positivo.
  • Relatar valores p sem intervalos de confiança ou tamanhos de efeito; significância estatística não é significância clínica. Sempre relate ORs com IC de 95%.
  • Falha em verificar o teste de Hosmer-Lemeshow e diagnósticos de resíduos; violações de bondade de ajuste indicam especificação incorreta do modelo.
  • Sobreajuste do modelo (overfitting): ajustar muitos preditores em relação ao tamanho da amostra (especialmente a contagem de eventos de desfecho) produz estimativas de desempenho otimistas; use validação cruzada.
  • Dicotomizar preditores contínuos (ex., idade > 65) leva à perda de informação e estimativas de coeficientes instáveis; mantenha a forma contínua ou use splines cúbicas restritas.

Perguntas frequentes

Como interpreto uma razão de chances de 2,5 com IC de 95% [1,8, 3,5]?

Um OR de 2,5 significa que as chances do desfecho são 2,5 vezes maiores para um aumento de 1 unidade nesse preditor (ou para a categoria indexada vs. referência, se categórico), ajustando para outros preditores. O intervalo de confiança de 95% [1,8, 3,5] indica que, com 95% de confiança, o verdadeiro OR populacional está entre 1,8 e 3,5. Como o IC exclui 1, a associação é estatisticamente significativa (p < 0,05). Interpretação da magnitude: OR 1–1,5 = efeito pequeno, 1,5–3 = moderado, >3 = grande. Clínicos frequentemente perguntam: um aumento de 2,5 vezes nas chances é clinicamente significativo para este desfecho? O contexto é importante.

O que o teste de Hosmer-Lemeshow me diz, e quando devo me preocupar com um valor p baixo?

O teste de Hosmer-Lemeshow avalia se as probabilidades previstas correspondem às proporções observadas do desfecho em decís de risco. p > 0,05 sugere boa calibração; p < 0,05 sugere que o modelo prevê incorretamente em alguns grupos de risco, indicando potencial especificação incorreta. Um valor p baixo leva à investigação: examine gráficos de calibração por decil, verifique relações não lineares não capturadas, explore interações ou investigue outliers. No entanto, com amostras muito grandes, mesmo desvios triviais da calibração perfeita podem gerar valores p baixos; a inspeção visual dos gráficos de calibração é frequentemente mais informativa do que o teste isoladamente.

Como escolho um corte de probabilidade para classificar indivíduos como em risco ou não?

A escolha depende do contexto clínico ou de políticas públicas e do custo de falsos positivos vs. falsos negativos. A curva ROC plota a sensibilidade (taxa de verdadeiros positivos) vs. 1-especificidade (taxa de falsos positivos) em todos os limiares de probabilidade. Um corte de 0,5 é o padrão, mas raramente é ótimo. Se a perda de casos positivos for custosa (ex., diagnóstico de câncer omitido), escolha um corte menor (maior sensibilidade). Se alarmes falsos forem custosos (ex., intervenções desnecessárias), escolha um corte maior (maior especificidade). Use o índice de Youden (sensibilidade + especificidade − 1) ou examine o valor preditivo positivo (VPP) e o valor preditivo negativo (VPN) em sua população para decidir.

Como a regressão logística difere da regressão linear para prever desfechos binários?

A regressão linear aplicada a desfechos binários produz valores previstos fora de [0, 1], viola a suposição de normalidade e produz resíduos heterocedásticos. A regressão logística restringe as previsões a probabilidades via transformação logística, assume distribuição condicional binomial e produz resíduos homocedásticos. Além disso, os erros padrão da regressão linear são enviesados; a regressão logística usa máxima verossimilhança, que fornece inferência correta para dados binários. A regressão logística é projetada especificamente para desfechos binários e deve ser sempre preferida; a regressão linear em desfechos binários é um erro comum.

Métodos relacionados

Fontes

  1. Cox, D. R. (1958). The regression analysis of binary sequences. Journal of the Royal Statistical Society, Series B, 20(2), 215–242.

    Abrir referência DOI
    Copiado.
  2. Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2013). Applied Logistic Regression (3rd ed.). John Wiley & Sons.

    Abrir referência DOI
    Copiado.