Departamento de Estadstica

Universidad Carlos III de Madrid

BIOESTADISTICA (55 - 10536)

Introduccin a la regresin logstica

1. INTRODUCCIN
La regresin logstica es un procedimiento cuantitativo de gran utilidad para problemas donde la variable
dependiente toma valores en un conjunto finito. Su uso se impone de manera creciente desde la dcada
de los 80 debido a las facilidades computacionales con que se cuenta desde entonces. A continuacin,
desarrollaremos el caso especial en que la variable dependiente o respuesta es dicotmica.
Supongamos que la variable dependiente Y representa la ocurrencia o no de un suceso, por ejemplo:
- un paciente muere o no antes del alta.
- una persona deja o no de fumar despus de un tratamiento.
- en un estudio retrospectivo un individuo es caso o control.
- un paciente positivo al VIH est o no en el estado IV.
Podemos decir que la variable dependiente Y toma valor 1 si ocurre el suceso, y valor 0 si no ocurre el
suceso.
Por otra parte nos interesa estudiar la relacin entre una o ms variables independientes o explicativas:
X1, X2, ..., Xp y la variable Y. El modelo logstico establece la siguiente relacin entre la probabilidad de
que ocurra el suceso, dado que el individuo presenta los valores X1=x1, X2=x2,...,Xp=xp:
Pr(Y = 1| x1 , x2 ,
, x p ) =

1
.
1+ exp( 1 x1 2 x2
p x p )

Otra forma de presentar esta relacin es:

Pr(Y = 1| x)
log it( Pr(Y = 1| x)) = log
= + 1 x1 + 2 x2 +
+ p x p ,
1 Pr(Y = 1| x)

donde denotamos con Pr(Y = 1| x) la probabilidad condicional Pr(Y = 1| x1 , x2 ,
, x p ) .

Un problema importante es estimar los parmetros , i's, a partir de un conjunto de observaciones. El
procedimiento de estimacin de estos parmetros se basa en el mtodo de mxima verosimilitud. Existen
varios programas que realizan estas estimaciones, por ejemplo: LOGIT, RELODI (que utilizaremos en
nuestra exposicin), MULTLR, EPISTAT, BMDP, SAS, etc., mediante la obtencin del mximo del
logaritmo de la funcin de verosimilitud:
n

L( y, ) = yi ln( pi ) + (1 yi ) ln(1 pi ),
i =1

donde n es el nmero de observaciones y p i = Pr(Y = yi | xi ) .

Una vez que hayamos calculado los estimadores mximo-verosmiles (MV) de i's, puede interesarnos el
clculo de intervalos de confianza de estos parmetros, para ello podemos utilizar la estimacin de la
matriz de covarianza de los estimadores MV de los i. El intervalo de confianza del 100*(1-)% puede
calcularse por:
). .
z 1- /2 Var(
i

Podemos tambin contrastar la hiptesis nula H0:i=0 mediante el siguiente estadstico: Z =

i
)
Var(
i

Otra va para probar la hiptesis anterior, cuando se consideran varias variables, es utilizando el mximo
de la funcin de verosimilitud. Ejemplificaremos el procedimiento para el caso de dos variables X1 y X2.
Se consideran los siguientes modelos:
Modelo 1: logit(Pr(Y = 1| X 1 )) = + 1X 1.
Modelo 2: logit(Pr(Y = 1| X 2 )) = + 2 X 2 .
Modelo 3: logit(Pr(Y = 1| X 1 , X 2 )) = + 1X 1 + 2 X 2 .
Nos interesa en el modelo 3 probar las hiptesis H0:1=0 y H0:2=0. Sean L1 , L2 y L3 los mximos de la
funcin de verosimilitud para los modelos 1, 2 y 3, respectivamente. Se cumple
1
que: -2ln( L 2) 2ln( L 3) Z 2 donde Z =
, o sea, el estadstico para la primera de las hiptesis.
)
Var(
1

De manera anloga se tiene: -2ln( L 1) 2ln( L 3) Z 2 con Z =

2
)
Var(
2

EJEMPLO: En una sala de terapia se desea estudiar la relacin entre la sobrevivencia y las variables edad
e infarto agudo del miocardio. A continuacin mostramos los resultados del programa RELODI para
datos de 200 pacientes tratados en esa sala.
Salida abreviada de RELODI (Modelo 1)
Nmero de casos para los cuales FALLECIDO es igual a 1: 76
Tamao total de la muestra 200
-2 ln verosimilitud final: 245.91
Coeficiente
-2.1920
0.0373

S.E.

z-score

0.0094

3.8009 EDAD

Salida abreviada de RELODI (Modelo 2)

Nmero de casos para los cuales FALLECIDO es igual a 1: 76
Tamao total de la muestra 200
-2 ln verosimilitud final: 260.64
Coeficiente
-0.6931
0.2531

S.E.

z-score

0.2954

0.8509 INFARTO

Salida abreviada de RELODI (Modelo 3)

Nmero de casos para los cuales FALLECIDO es igual a 1: 76
Tamao total de la muestra 200
-2 ln verosimilitud final: 244.29
Coeficiente
-2.4340
0.0370
0.3935

S.E.

z-score

0.0094
0.3112

3.8973 EDAD
1.2645 INFARTO

Comprobemos las frmulas aproximadas:

-2ln( L 2) 2ln( L 3) = 260.64 - 244.29 = 16.35 Z 2 = 3.89732 15.19.
-2ln( L 1) 2ln( L 3) = 245.91- 244.29 = 1.62 Z 2 = 1.2645 2 1.60.

Notemos que este enfoque nos permite probar hiptesis del tipo: H0:p+1=0, p+2=0, ..., p+q=0 en el
modelo: logit(Pr(Y = 1| x)) = + i =1 ixi bastar calcular el mximo de la funcin de verosimilitud
p+q

para este modelo y para el modelo siguiente: logit(Pr(Y = 1| x)) = + i =1 ixi . Se utiliza el siguiente
p

estadstico:

L p
2 = -2ln
,
L
p+q
donde L p+q es el mximo de la funcin de verosimilitud para el primer modelo y L p es el mximo para la
funcin de verosimilitud del segundo modelo. El estadstico, bajo la hiptesis nula, se distribuye como
una q2 .

Para evaluar el grado de concordancia entre los valores observados de Y, y los valores estimados de p
n

se puede utilizar el siguiente estadstico de bondad de ajuste: 2 =

i =1

2
( y i - p i )
. Esta medida es inestable
p i (1- p i )

para valores de p cercanos a 0 a 1.

2. EJEMPLOS DE USOS DE LA REGRESIN LOGSTICA

Estudios Descriptivos:
La regresin logstica puede utilizarse como mtodo descriptivo cuando se desea estudiar desde una
perspectiva epidemiolgica la aparicin de un determinado evento en un grupo de individuos, por
ejemplo:
- los pacientes de una determinada enfermedad desarrollan un cierto signo propio de sta.
- los nios dejan la lactancia materna exclusiva.
- el fallecimiento de individuos de una cohorte.
EJEMPLO: Se seleccionan al azar n (300) historias clnicas de enfermos de la patologa en estudio, se
determina la fecha de deteccin de la enfermedad td, si el paciente tiene el signo de inters se toma la
fecha en que apareci ts, si el paciente no tiene el signo se toma la fecha de la ltima consulta te. Con
estos datos definimos la variable dependiente Y como 1 si el paciente no tiene el signo, y como 0 si lo
tiene, y la variable independiente t como la diferencia en das de la fecha de aparicin y la deteccin en

caso de que Y=0 o la diferencia de la fecha de la ltima anotacin en la historia clnica y la fecha de
t s - t d si Y = 0
. Se ajusta el siguiente modelo:
deteccin si Y=1, o sea: t =
t e - t d si Y = 1
1
.
Pr(Y = 1| t ) =
1 + exp(- - t )
Salida Abreviada de RELODI
Nmero de casos para los cuales SIGNO es igual a 1: 110
Tamao total de la muestra 300
Coeficiente
1.6642
-0.0168

S.E.

z-score

0.0021

-7.7585 TIEMPO

Se tiene entonces que 1.664 y -0.017. Por tanto, la probabilidad de que un paciente no tenga el
signo a t das de la deteccin de la enfermedad se estima por:
1
.
Pr(Y = 1| t ) =
1 + exp(-1.664 + 0.017t )
De esta manera podemos calcular Pr(Y = 1| t ) para distintos valores de la variable t = 20, 40, 60,..., esta
probabilidad no es ms que la prevalencia de pacientes que a t das no tienen el signo en estudio. En el
figura 1 se presenta la curva de prevalencia estimada por el modelo. Si el ajuste de la curva es adecuado
los datos empricos (proporcin de individuos sin el signo en un grupo de estudio cuya variable t est en
un rango predefinido), sern cercanos a la curva terica.

Modelo Estadstico de Pronstico:

Si se desea estimar la probabilidad de la ocurrencia de un suceso en funcin de un grupo de variables
explicativas (predictoras) conocidas: X1, X2, ..., Xp, puede fijarse un modelo logstico, una vez que se
hayan estimado los parmetros y i's, puede calcularse la probabilidad Pr(Y = 1| x1 , x2 ,
, x p ) para
cualquier individuo cuyos variables independientes toman valores: x1, x2, ..., xp, respectivamente.
Ejemplos de este tipo de estudios se presentan en la siguiente tabla:
Suceso a predecir

Variables predictoras

El tiempo de duracin de la estancia de una

hospitalizacin es superior a 7 das

Edad, sexo, diagnstico principal, procedimiento

quirrgico principal, hospitalizaciones anteriores

Sobrevivencia de un paciente que ingresa a un

servicio de quemados

Edad, porcentaje de quemaduras de primer y segundo

grado, es o no diabtico

Un nio padece de parasitismo intestinal

Edad, lugar de residencia, estatura, peso, resultados

acadmicos

El tiempo de sobrevivencia de una paciente que

ha sido operada de cncer de mama es superior
a 5 aos

Edad de la paciente al momento de la operacin, ao

calendario de la operacin, nmero de ndulos
positivos detectados

EJEMPLO: Se desea conocer la probabilidad de que un paciente que se ingresa en una sala de terapia
intensiva sobreviva. Para este tipo de estudios es recomendable la definicin de grupos diagnsticos
(conjunto de entidades o enfermedades que tienen en comn afectar a un mismo sistema del organismo),
por tanto en nuestro ejemplo nos limitaremos a algunas de las variables que puedan influir el pronstico
de la evolucin de pacientes con Enfermedades del Sistema Cardiocirculatorio (ESCC):
Edad (aos) X1
Enfermedad Hipertensiva (S/N) X2
Insuficiencia Cardiaca (S/N) X3
Disrritmia (S/N) X4
Infarto Agudo del Miocardio (S/N) X5
Enfermedad Pulmonar Obstructiva Crnica y afecciones afines (S/N) X6
Ingresos anteriores por estas causas (#) X7
Se estudiarn entonces un grupo de pacientes que ingresen a la sala de terapia intensiva con diagnstico
de ESCC, se les medirn las variables anteriores, que definiremos como 1 si hay presencia del problema
y como 0 si no. Se espera entonces al egreso de cada paciente, si egresa vivo la variable Y toma valor 1,
en caso contrario toma valor 0. La matriz de los datos de este estudio puede ser, por ejemplo:
Y
1
1
:
0

X1
51
54
:
46

X2
0
0
:
0

X3
0
0
:
1

X4
0
0
:
1

Se ajusta el siguiente modelo: Pr(Y = 1| x1, x 2, ..., x 7) =

X5
0
1
:
0

X6
0
0
:
0

X7
0
1
:
0

1
.
1 + exp(- - 1 x 2 - 2 x 2 - ... - 7 x 7)

Salida Abreviada de RELODI

Nmero de casos para los cuales VIVO es igual a 1: 100
Tamao total de la muestra 200
Coeficiente
22.2266
-0.3115
-1.3663
-3.3569
-2.5825
-2.2972
0,3243
-0.6813

S.E.

z-score

0.0782
0.6175
0.7488
0.6801
0.6823
0.6401
0.2066

-3.9837
-2.2126
-4.4826
-3.7970
-3.3668
0.5066
-3.2968

EDAD
HIPERTENSION
INSUFICIENCIA
DISRRITMIA
INFARTO
EPOC
INGRESOS

Dados los parmetros estimados la probabilidad de sobrevivencia Pr(Y = 1| x1, x 2, ..., x 7) est dada por:
Pr(Y = 1| x1, x 2, ..., x 7) =

1
.
1 + exp(-22.2 + 0.3 x1 + 1.4 x2 + 3.4 x3 + 2.6 x4 + 2.3x5 0.3x6 + 0.7 x7 )

En la figura 2 se presentan distintas curvas de sobrevivencia utilizando el modelo logstico anterior.

Notemos como disminuye la probabilidad de sobrevivencia con la edad, con la cantidad de ingresos
previos y la conjuncin de varias patologas.
De esta misma manera podemos contemplar variables referentes a procedimientos teraputicos,
determinndose cuales son mejores (ofrezcan una mayor probabilidad de sobrevivencia) segn las
condiciones del paciente.
Anlisis de Factores de Riesgo:
La regresin logstica puede utilizarse como mtodo para la estimacin de la razn de disparidad (odds
ratio OR). Veamos como obtenemos el OR en el caso de una variable independiente X, tenemos
Pr(Y = 1| X = 1) Pr(Y = 0 | X = 0)
que: OR =
,
y
si
asumimos
el
siguiente
modelo:
Pr(Y = 0 | X = 1) Pr(Y = 1| X = 0)
Pr(Y = 1| X )
logit(Pr(Y = 1| X )) = ln
= + X que para X=1 y X=0 toma las siguientes expresiones:
Pr(Y = 0 | X )
Pr(Y = 1| X = 1)
Pr(Y = 1| X = 0)
y
de
donde
obtenemos,
ln
ln
= +
= ,
Pr(Y = 0 | X = 1)
Pr(Y = 0 | X = 0)
Pr(Y = 1| X = 1) Pr(Y = 0 | X = 0)
ln(OR ) = ln
= u OR = exp( ) . Por tanto probar la hiptesis
Pr(Y = 0 | X = 1) Pr(Y = 1| X = 0)
H0:OR=1 es equivalente a la hiptesis H0:=0.

De manera similar se obtiene en el caso de dos o ms variables independientes la siguiente relacin:

Pr(Y = 1| X ) Pr(Y = 0 | X )
= exp
Pr(Y = 0 | X ) Pr(Y = 1| X )

(X X )
i

i =1

donde X=(X1, X2, ...,Xp).

Si el valor de Xi'=Xi, entonces el trmino i(Xi' - Xi) es igual a cero y por tanto la expresin anterior no
depende de Xi. Entonces si una de las variables, X1 por ejemplo, representa la exposicin a un factor de
especial inters, el OR para individuos que son iguales en las restantes variables es OR=exp(1(X1'-X1)),
en particular si la variable X1 est codificada como 1 si el factor est presente y como 0 si est ausente,
entonces OR=exp(1). El odds ratio calculado de esta manera recibe el nombre de odds ratio ajustado
por las variables X2, ..., Xp.
Veamos el siguiente ejemplo del clculo de OR ajustado.
EJEMPLO: Estudio de casos-controles de cncer de pulmn y consumo de alcohol.
Casos

Controles

Alcohol

68

32

No Alcohol

32

68

El odds ratio estimado es OR=4.52 con un intervalo de confianza igual a (2.39, 8.55). Si estratificamos
por la variable fumar, obtenemos:

En Fumadores: OR=1.00 (0.21, 3.72)

Casos

Controles

Alcohol

64

16

No Alcohol

16

En No fumadores: OR=1.00 (0.21, 3.72)

Casos

Controles

Alcohol

16

No Alcohol

16

64

La variable FUMAR es un factor de confusin de la asociacin entre cncer de pulmn y consumo de

alcohol. El OR de Mantel-Haenszel (2 estratos) = 1.0 (0.36, 2.49).
Veamos el mismo anlisis con un modelo de regresin logstica. El fichero de datos para el ejemplo
anterior utilizando el programa RELODI es:
2,agrupados,cncer,alcohol,fumar
1,64,1,1
1,16,0,1
0,16,1,1
0,4,0,1
1,4,1,0
1,16,0,0
0,16,1,0
0,64,0,0

Salida Abreviada de RELODI

Nmero de casos para los cuales cncer es igual a 1: 100
Tamao total de la muestra 200
Coeficiente
-0.7537
1.5075

S.E.

z-score

0.3031

4.972609 alcohol
Interv de conf (95%)
Odds Ratio
Lim. inf.
Lim. sup.
4.5156
2.4926
8.1805

Coefic.
1.5057

Variable
alcohol

En este caso solo consideramos la variable alcohol, y por tanto obtenemos un resultado similar a la
primera tabla.
Salida Abreviada de RELODI
Coeficiente
-1.3862
0.0000
2.7725

Coefic.
0.0000
2.7725

S.E.

z-score

0.4419
0.4419

0.0000 alcohol
6.2735 fumar
Interv de conf (95%)
Odds Ratio
Lim. inf.
Lim. sup.
1.0000
0.4205
2.3778
15.9991
6.7284
38.0436

Variable
alcohol
fumar

Se obtiene entonces el OR=1.00 ajustado por la variable fumar, que es igual al OR de Mantel-Haenszel.
Si bien en un ejemplo como este en que slo hay 2 variables independientes dicotmicas, el anlisis
estratificado es recomendable por su facilidad y comprensin, a medida que el nmero de variables crece
o se consideran variables con ms categoras, el anlisis estratificado se hace muy laborioso. Por
ejemplo, si consideramos 5 variables dicotmicas habra que calcular 24=16 tablas de 2x2. Si alguna de
las variables independientes es continua se deber clasificar la misma con la consiguiente prdida de
informacin, en esos casos la regresin logstica es un procedimiento sumamente til.
Evaluacin de la Interaccin:
Consideremos dos factores de exposicin X1 y X2 (variables dicotmicas) podemos definir el riesgo
R ij = Pr( D = 1| X 1 = i, X 2 = j ) para los distintos niveles de exposicin a X1 y X2, y calcular el OR para
cada uno de estos niveles por: ORij =

R ij.(1- R 00)
.
R 00.(1- R ij )

La hiptesis nula de no interaccin bajo un modelo multiplicativo es: H0:OR11=OR10 OR01, que puede
contrastarse utilizando el siguiente modelo de regresin logstica:
1
,
Pr(Y = 1| X 1, X 2, X 1 X 2) =
1 + exp(- - 1 X 1 - 2 X 2 - 3 X 1 X 2)
OR11
pues se tiene la siguiente igualdad: 3 = logit
.
OR10OR01

EJEMPLO: Consideremos el siguiente estudio de cncer de pulmn y los siguientes factores de

exposicin: X1 FUMAR y X2 VIVIR EN ZONA RURAL
Fumadores

No fumadores

Zona de
Residencia
Casos

Controles

Casos

Controles

Rural

520

180

300

100

Urbana

30

220

150

500

El fichero de datos para este ejemplo utilizando el programa RELODI es:

3,agrupados,CANCER,FUMAR,CAMPO,CAMPO*FUMAR
1,520,1,1,1
1,30,0,1,0
1,300,1,0,0
1,150,0,0,0
0,180,1,1,1
0,220,0,1,0
0,100,1,0,0
0,500,0,0,0
Veamos los resultados de los siguientes modelos:
1) logit(Pr(Y = 1| X 1 )) = + 1X 1 , o sea considerando solo la variable FUMAR.

Salida Abreviada de RELODI

Coeficiente
-1.3862
2.4607

Coefic.
2.4607

S.E.

z-score

0.1083

22.7157 FUMAR

Interv de conf (95%)

Odds Ratio
Lim. inf.
Lim. sup.
11.7141
9.4732
14.4851

Variable
FUMAR

Como esperamos la variable fumar aparece asociada al cncer de pulmn.

2) logit(Pr(Y = 1| X 2 )) = + 2 X 2 , o sea considerando solo la variable VIVIR EN ZONA RURAL.
Salida Abreviada de RELODI
Coeficiente
-0.2876
0.6061

Coefic.
0.6061

S.E.

z-score

0.0905

6.6907 CAMPO

Interv de conf (95%)

Odds Ratio
Lim. inf.
Lim. sup.
1.8333
1.5350
2.1895

Variable
CAMPO

Algo que no esperamos, la variable vivir en zona rural aparece asociada al cncer de pulmn.
Veamos si la variable FUMAR es de confusin?
Salida Abreviada de RELODI
Coeficiente
-1.3104
2.5751
-0.2912

Coefic.
2.5751
-0.2912

S.E.

z-score

0.1195
0.1175

21.5457 FUMAR
-2.4786 CAMPO

Interv
Odds Ratio
13.1337
0.7473

de conf (95%)
Lim. inf.
Lim. sup.
10.3908
16.6008
0.5935
0.9408

Variable
FUMAR
CAMPO

Notemos que el OR ajustado por la variable FUMAR (OR=0.7473) nos indica que vivir en zona rural
es un factor "protector" del cncer de pulmn. FUMAR acta como variable de confusin en esa
relacin.
3) logit(Pr(Y = 1| X 1 , X 2 , X 1 X 2 )) = + 1X 1 + 2 X 2 + 3X 1 X 2 .
Salida Abreviada de RELODI
Coeficiente
-1.2039
2.3025
-0.7884
0.7507

Coefic.
2.3025
-0.7884
0.7507

S.E.

z-score

0.1483
0.2157
0.2595

15.5240 FUMAR
-3.6545 CAMPO
2.8925 CAMPO*FUMAR

Interv
Odds Ratio
10.0000
0.4545
2.1185

de conf (95%)
Lim. inf.
Lim. sup.
7.4772
13.3738
0.2978
0.6937
1.2738
3.5233

10

Variable
FUMAR
CAMPO
CAMPO*FUMAR

Notemos que el coeficiente 3 es distinto de cero, por tanto se concluye que existe interaccin entre
ambos factores.
(1- )
Si utilizamos el siguiente fichero de datos podemos estimar: OR11 = R11 R11 :
R 00(1- R11)
1,agrupados,CANCER,CAMPO*FUMAR
1,520,1
1,150,0
0,180,1
0,500,0
4) logit(Pr(Y = 1| X 1 X 2 )) = + 3X 1 X 2
Salida Abreviada de RELODI
Coeficiente S.E.
-1.2039
2.2648
0.1270

Coefic.
2.2648

z-score
17.8243 CAMPO*FUMAR

Interv de conf (95%)

Odds Ratio
Lim. inf.
9.6295
7.5066

Lim. sup.
12.3528

Variable
CAMPO*FUMAR

Notemos que OR11=9.6295 difiere de OR01OR10=1.8333*11.714121.47, que sera el valor de OR11 si

no hubiese interaccin.
Ejercicio:
1.- Considere los siguientes resultados de estudio de cohortes donde se evala la exposicin a dos
factores E y F como posibles factores de riesgo de una enfermedad que denotaremos D.
Expuestos a E

No expuestos a E

Casos

Controles

Casos

Controles

Expuestos a F

110

390

380

2620

No expuestos a F

90

1410

20

980

a) Mediante un modelo de regresin logstica estime el OR crudo para los factores E y F.

b) Estime el OR ajustado de F controlando E y el OR ajustado de E controlando F.
c) Alguno de los factores es de confusin?
d) Existe interaccin entre E y F?

11