Diferencia Entre Regresión Lineal Y Logística

2024 Autor: Mildred Bawerman | [email protected]. Última modificación: 2023-12-16 08:38

Regresión lineal vs 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 poderosa 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, resalta la relación entre la variable explicativa y la variable de respuesta. Por ejemplo, usando la regresión podemos establecer la relación entre el precio de la mercancía y el consumo con base en datos recolectados 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 equivale a encontrar la curva de mejor ajuste para el conjunto de datos dado. La función de la curva es la función de regresión. Usando el modelo matemático, se puede predecir el uso de un producto 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 multivariante 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, el colapso de variables continuas de esta manera se desaconseja principalmente 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 por análisis, para dar la relación exacta.

• Se realiza una regresión lineal para variables cuantitativas, y la función resultante es cuantitativa.

• En la regresión logística, los datos utilizados pueden ser categóricos o cuantitativos, pero el resultado siempre es categórico.