Regresión lineal frente a logística
En el análisis estadístico, es importante identificar las relaciones entre las variables involucradas en el estudio. A veces puede ser el único propósito del análisis en sí. Una herramienta sólida empleada para establecer la existencia de una relación e identificar la relación es el análisis de regresión.
La forma más simple de análisis de regresión es la regresión lineal, donde la relación entre las variables es una relación lineal. En términos estadísticos, pone de manifiesto la relación entre la variable explicativa y la variable de respuesta. Por ejemplo, utilizando la regresión podemos establecer la relación entre el precio de la materia prima y el consumo en función de los datos recopilados de una muestra aleatoria. El análisis de regresión producirá una función de regresión del conjunto de datos, que es un modelo matemático que se ajusta mejor a los datos disponibles. Esto se puede representar fácilmente mediante un diagrama de dispersión. Gráficamente, la regresión es equivalente a encontrar la mejor curva de ajuste para el conjunto de datos dado. La función de la curva es la función de regresión. Utilizando el modelo matemático, se puede predecir el uso de una mercancía a un precio dado.
Por lo tanto, el análisis de regresión se usa ampliamente para predecir y pronosticar. También se utiliza para establecer relaciones en datos experimentales, en los campos de la física, la química y en muchas disciplinas de las ciencias naturales y la ingeniería. Si la relación o la función de regresión es una función lineal, entonces el proceso se conoce como regresión lineal. En el diagrama de dispersión, se puede representar como una línea recta. Si la función no es una combinación lineal de los parámetros, entonces la regresión no es lineal.
La regresión logística es comparable a la regresión multivariada y crea un modelo para explicar el impacto de múltiples predictores en una variable de respuesta. Sin embargo, en la regresión logística, la variable de resultado final debe ser categórica (generalmente dividida; es decir, un par de resultados alcanzables, como muerte o supervivencia, aunque técnicas especiales permiten modelar información más categorizada). Una variable de resultado continua puede transformarse en una variable categórica, que se utilizará para la regresión logística; sin embargo, se desaconseja colapsar variables continuas de esta manera porque reduce la precisión.
A diferencia de la regresión lineal, hacia la media, las variables predictoras en la regresión logística no tienen que estar obligadas a estar conectadas linealmente, distribuidas comúnmente o tener la misma varianza dentro de cada grupo. Como resultado, no es probable que la relación entre el predictor y las variables de resultado sea una función lineal.
¿Cuál es la diferencia entre regresión logística y lineal?
• En la regresión lineal, se asume una relación lineal entre la variable explicativa y la variable de respuesta y los parámetros que satisfacen el modelo se encuentran mediante análisis, para dar la relación exacta.
• Para las variables cuantitativas se realiza una regresión lineal y la función resultante es cuantitativa.
• En la regresión logística, los datos utilizados pueden ser categóricos o cuantitativos, pero el resultado siempre es categórico.
