2. Regresión Logística
La variable dependiente (Y) tiene
2 valores (dicotómica)
Ausencia / presencia
Mutuamente excluyente
Las variables independientes (X) o
predictoras son:
Continuas (edad)
Ordinales (estadios)
Dicotómicas (si/no)
Este modelo busca explicar o predecir la
probabilidad de que ocurra o no un
evento
Modelo multivariado
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
4. Condiciones
Las variables no aleatorias X (fijas) son
posibles predictoras de Y
La relación de las variables debe ser
clara y permitir que se establezcan los
factores de riesgo
Es importante que no se deben utilizar
variables en los casos en los que no se
conoce su relación con la
enfermedad
Los valores de X (variables fijas) son
independientes
A La variable dependiente (Y) se le
codifica como 0 o 1
Odds Ratio . Razón de Momios
Es el logaritmo de la probabilidad de
que el evento suceda entre la
probabilidad de que no suceda
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
5. Condiciones
Se puede hacer inicialmente
un análisis BIVARIADO para
observar las relaciones
significativas
El modelo final puede incluir
todas las variables que
demostraron relación con el
resultado (Y)
Es deseable que cada variable
en el modelo cuente con un
mínimo de 10-20 casos por
cada evento
Ej., Si tenemos 47 casos de
neumonía en 121 pacientes, no
deberíamos incluir en nuestro
modelo más de 4 variables
(47/10 = 4.7)
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
6. Condiciones
Lo anterior se llama eventos por variable
Sirve para estabilizar los datos
En caso de incluir más variables, los datos pueden
volverse inestables y dar resultados falsos
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7
7. Pasos
1er paso – hacer una análisis
bivariado con cada una de las
posibles variables involucradas
Las variables dicotómicas se
contrastan con Chi cuadrada
Las variables continuas se
contrastan con t de Student
La medida de asociación es
OR (Exp[β])
IC 95% (valor mínimo y
máximo)
Una vez identificadas las
variables que se asocian,
haremos el modelo
multivariado (preselección)
Eliminando las variables sin
relación
Eliminando las variables con
mayor p-valor
Se recomienda no eliminar
variables que tengan lógica
biológica (ej., edad) con el fin
de ajustar el modelo
Berea-Baltierra et al., Rev Med Inst Mex Seguro Soc. 2014;52(2):192-7