Herramientas de investigación › Binary Logistic Regression

Binary Logistic Regression

Analyse the effect of several factors on a binary outcome (e.g. occurred/not, effective/ineffective). Fitted by maximum likelihood (IRLS), it outputs each factor's OR (odds ratio) with 95% CI, significance, and model fit indices. A core method for clinical prediction and risk-factor analysis.

① Pegar datos (con encabezado)

First row is column names, then one case per row. The outcome variable must be 0/1 (0=did not occur, 1=occurred). You can paste a whole block from Excel.

Cómo usarla y metodología

¿Para qué sirve la regresión logística?

Analiza el efecto de uno o más factores (predictores) sobre un resultado binario (p. ej. enfermo/no, eficaz/ineficaz, recaída/no) y es el método más habitual para el análisis de factores de riesgo y los modelos de predicción clínicos. Los resultados se expresan como OR (odds ratio), que da la dirección y la fuerza de cada factor.

¿Cómo interpretar el OR (odds ratio)?

OR>1 significa que el factor es de riesgo (aumenta la chance del resultado), OR<1 significa factor protector (la disminuye), OR=1 significa ausencia de asociación. El OR de una variable continua es el cambio en las odds del resultado por cada +1 unidad. Para la significación, mira si el IC 95 % incluye 1: solo es significativo si lo excluye.

¿Cómo preparar los datos?

Organiza una tabla: la primera fila son los nombres de columna, un caso por fila. La variable resultado debe codificarse 0 (no ocurrió) y 1 (ocurrió). Los predictores pueden ser continuos (p. ej. edad, analíticas) o categóricos ya codificados. Selecciona el bloque en Excel y pégalo.

¿Qué es el aviso de «separación completa»?

Cuando un predictor separa casi perfectamente el resultado (p. ej. todos los positivos tienen un valor más alto que todos los negativos), el estimador de máxima verosimilitud diverge y el OR se vuelve extremadamente grande y poco fiable. Es frecuente con muestras pequeñas o una variable demasiado fuerte: no es un error de la herramienta. Aumenta la muestra, fusiona categorías o reduce predictores.