SPSS Regresion Logistica

Anlisis de regresin logstica
Albert Sorribas
Grup de Bioestadstica i Biomatemtica
Facultat de Medicina, UdL
Anlisis de regresin logstica

Concepto de riesgo relativo

Odds ratio y riesgo relativo
Necesidad del planteamiento multivariante
Modelo de regresin logstica
Definicin
Estimacin del riesgo relativo
Interpretacin de resultados
Cmo realizar un anlisis de regresin

logstica en SPSS?
2
El concepto de riesgo relativo

Tabla de contingencia GRUPO * ENFERMO
GRUPO
Expuestos
No expuestos
Total
Recuento
% de GRUPO
Recuento
% de GRUPO
Recuento
% de GRUPO
ENFERMO
Si
No
23
12
65,7%
34,3%
15
26
36,6%
63,4%
38
38
50,0%
50,0%
Total
35
100,0%
41
100,0%
76
100,0%
P ( S / E ) = 0.657
P( S / E )
= 1.795
RR =
P( S / E )
P ( S / E ) = 0.366
3
Tabla de contingencia EXPOSICI * ENFERMO
Ejemplo
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
45
22
67,2%
32,8%
25
56
30,9%
69,1%
70
78
47,3%
52,7%
Total
67
100,0%
81
100,0%
148
100,0%
Estimacin de riesgo
Valor
Razn de las ventajas para EXPOSICI
(Expuestos / No expuestos)
Para la cohorte ENFERMO = Enfermos
Para la cohorte ENFERMO = No
enfermos
N de casos vlidos

Intervalo de confianza
al 95%
Inferior
Superior
4,582
2,288
9,175
2,176
1,509
3,139
,475
,327
,689
148
El IC del riesgo relativo es (1.51 , 3,14)

Podemos concluir que la exposicin aumenta entre 1.51 y 3.14
veces la probabilidad de padecer la enfermedad
La interpretacin mdica depende del problema (Hasta qu
punto este aumento en la probabilidad es importante?
4
Ejemplo
La interpretacin depende de cmo se han

codificado las variables
Tabla de contingencia EXPO * STATUS
Tabla de contingencia EXPO * STATUS
STATUS
STATUS
1
EXPO
1
2
Total
Recuento
% de EXPO
Recuento
% de EXPO
Recuento
% de EXPO
23
65,7%
15
31,3%
38
45,8%
12
34,3%
33
68,8%
45
54,2%
Total
35
100,0%
48
100,0%
83
100,0%
EXPO
0
1
Total
Recuento
% de EXPO
Recuento
% de EXPO
Recuento
% de EXPO
al 95%
Inferior
Superior
Valor
33
68,8%
12
34,3%
45
54,2%
15
31,3%
23
65,7%
38
45,8%
Total
48
100,0%
35
100,0%
83
100,0%
Estimacin de riesgo
Estimacin de riesgo
Razn de las ventajas

para EXPO (1 / 2)
Para la cohorte
STATUS = 1
Para la cohorte
STATUS = 2
N de casos vlidos
4,217
1,668
10,657
2,103
1,297
3,409
,499
,303
,820
83
1
= 0.476
2.103
Valor
Razn de las ventajas
para EXPO (0 / 1)
Para la cohorte
STATUS = 0
Para la cohorte
STATUS = 1
N de casos vlidos
al 95%
Inferior
Superior
4,217
1,668
10,657
2,005
1,220
3,295
,476
,293
,771
1
= 2.005
0.499
83
En la prctica, la frecuencia de la
patologa suele ser baja
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
7
134
5,0%
95,0%
2
154
1,3%
98,7%
9
288
3,0%
97,0%
Total
141
100,0%
156
100,0%
297
100,0%
Estimacin de riesgo
Valor
Para la cohorte ENFERMO = No
enfermos
N de casos vlidos
al 95%
Inferior
Superior
4,022
,822
19,694
3,872
,818
18,334
,963
,923
1,004
297
Es necesario disponer
de muchas
observaciones
6
En la prctica, la frecuencia de la
patologa suele ser baja
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
22
1323
1,6%
98,4%
12
1545
,8%
99,2%
34
2868
1,2%
98,8%
Total
1345
100,0%
1557
100,0%
2902
100,0%
Estimacin de riesgo
Valor
Para la cohorte ENFERMO = No enfermos
N de casos vlidos
al 95%
Inferior
Superior
2,141
1,056
4,343
2,122
,991
2902
1,054
,983
4,272
,999
Definicin de odds ratio

El odds ratio (OR) se define como la razn del
riesgo relativo de padecer la enfermedad respecto
al riesgo relativo de no padecerla. Es decir:
P( E / R) / P( E / R )
OR =
P( E / R) / P( E / R )
El odds ratio como aproximacin

del riesgo relativo
Si la patologa es poco prevalente se cumplir:
P( E / R) << P( E / R)
P( E / R ) << P( E / R )
Por lo tanto, en este caso:
P( E / R) / P( E / R )
OR =
P( E / R) / P( E / R )
P( E / R) / P( E / R )
Ejemplo: El odds ratio como

aproximacin del riesgo relativo
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
100
100000
,100%
99,9%
20
100000
,020%
100,0%
120
200000
,060%
99,9%
Total
100100
100,0%
100020
100,0%
200120
100,0%
Estimacin de riesgo
Valor
N de casos vlidos
al 95%
Inferior
Superior
5,000
3,093
8,082
4,996
,999
200120
3,091
,999
8,074
,999
10
Clculo del odds ratio

P( E / R) / P( E / R ) P( E / R) P( E / R )
OR =
=
P( E / R) / P( E / R ) P( E / R) P( E / R )
f E R f E R 15 165
P( E R) P( E R )
=
= 3.41
OR =
5 145
P( E R) P( E R )
f E R f E R
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
15
145
9,4%
90,6%
5
165
2,9%
97,1%
20
310
6,1%
93,9%
Total
160
100,0%
170
100,0%
330
100,0%
11
Es aconsejable utilizar el riesgo relativo

en aquellas situaciones donde puede
estimarse
EXPOSICI
Expuestos
No expuestos
Total
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
Recuento
% de EXPOSICI
ENFERMO
Enfermos
No enfermos
23
145
13,7%
86,3%
12
165
6,8%
93,2%
35
310
10,1%
89,9%
Total
168
100,0%
177
100,0%
345
100,0%
Estimacin de riesgo
Valor
Razn de las ventajas para EXPOSICI (Expuestos /
No expuestos)
N de casos vlidos
al 95%
Inferior
Superior
2,181
1,048
4,538
2,019
,926
345
1,038
,861
3,928
,995
12
Ejemplo
Se estudian los efectos de la contracepcin oral
(CO) en enfermedad cardiovascular en mujeres
entre 40 y 44 aos. En un conjunto de 5000
mujeres usuarias de CO, 13 presentaron infarto de
miocardio en el periodo estudiado. En 10000
mujeres que no usaron CO en el mismo periodo, 7
presentaron infarto. Estima el riesgo relativo de
padecer infarto de miocardio a partir de estos
datos.
13
Ejemplo
Tabla de contingencia CO * IM
IM
Si
CO
Si
No
Total
Recuento
% de CO
Recuento
% de CO
Recuento
% de CO
13
,260%
7
,070%
20
,133%
No
4987
99,7%
9993
99,9%
14980
99,9%
Total
5000
100,0%
10000
100,0%
15000
100,0%
Estimacin de riesgo
Valor
Razn de las ventajas para CO (Si /
No)
Para la cohorte IM = Si
Para la cohorte IM = No
N de casos vlidos
al 95%
Inferior
Superior
3,721
1,484
9,333
3,714
,998
15000
1,483
,997
9,304
1,000
14
Necesidad del planteamiento

multivariante
Variable
Edad (Incremento de 5 aos)
Colesterol (Alto vs Bajo)
Sexo (Hombre vs Mujer)
Hipertensin
Hiperuricemia
Genotipo (AA vs. Aa)
OR (IC 95%)
1.07
2.23
1.32
3.65
0.53
0.78
2.34
5.64
1.90
8.34
0.23
0.57
La edad, el colesterol, el gnero, la hipertensin y

la hiperuricemia son factores de riesgo
Cmo podemos estimar el riesgo relativo en
funcin de estos factores?
Qu factores son ms significativos?
15
Necesidad del planteamiento

multivariante
Considerar simultneamente el efecto de
distintas variables
Seleccionar las variables ms significativas
Estimar riesgos relativos ajustados segn
determinados valores de las variables
consideradas
Regresin logstica
16
Introduccin a la regresin
logstica
17
El modelo logstico para la

probabilidad de un suceso
Cmo podemos indicar la probabilidad de
que se presente un determinado suceso en
funcin de los valores de distintas
variables?
La probabilidad debe estar entre 0 y 1
Distintos valores de las variables deben
proporcionar distintas probabilidades
La probabilidad es creciente (o de creciente) en
funcin de los valores de la variable
18
El modelo logstico
Probabilidad de un suceso en funcin de los valores de

una variable
P(S/X)
0.8
P(S/X=15)=0.924
0.6
0.4
0.2
10
15
20
25
X
19
P(S/X) puede cambiar en funcin

del grupo o de terceras variables
1
P(S/X)
0.8
Y=y1
0.6
Y=y3
Y=y2
0.4
0.2
X
5
10
15
20
25
20
P(S/X) puede cambiar en funcin

del grupo o de terceras variables
P(S/X,Y)
1
0.75
20
0.5
0.25
15
0
0
10
10
5
20
30 0
21
El modelo logstico univariante

P (S / X ) =
1
1 + e ( 0 + 1 X )
P (S / X )
= e ( 0 + 1 X )
P (S / X )
P (S / X )
= 0 + 1 X
Log
P (S / X )
22
El modelo logstico univariante

P ( S / X = x 2 ) P ( S / X = x1 )
P ( S / X = x 2 ) P ( S / X = x1 )
=
=
:
P ( S / X = x 2 ) P ( S / X = x1 ) P ( S / X = x 2 ) P ( S / X = x 1 )
P ( S / X = x 2 ) / P ( S / X = x1 )
= OR
P ( S / X = x 2 ) / P ( S / X = x1 )
P ( S / X = x1 )
= e ( 0 + 1 x1 )
P ( S / X = x1 )
1 ( x 2 x1 )
OR
=
e
P (S / X = x2 )
= e ( 0 + 1x2 )
P ( S / X = x2 )
Odds ratio (estimacin del riesgo relativo) asociado
a un cambio de x2 a x1
23
Ejemplo
Disponemos de la edad de cada individuo y
determinamos si ha padecido o no una determinada
complicacin relacionada con un tratamiento
(Variable Status: 1(Si) 0 (No))
24
Codificacin de la variable dependiente

Valor original
,00
1,00
Ejemplo
Valor interno
0
1
Variables en la ecuacin
Paso
a
1
EDAD
Constante
B
,244
-10,579
E.T.
,059
2,796
Wald
17,289
14,318
gl
1
1
Sig.
,000
,000
Exp(B)
1,276
,000
I.C. 95,0% para EXP(B)

Inferior
Superior
1,138
1,432
a. Variable(s) introducida(s) en el paso 1: EDAD.
P( S / edad ) =
OR = e
OR = e
0.24
1
1+ e
= 1.276
0.24*5
= 3.32
( 10.58 + 0.24*edad )
OR = e
0.24*( e2 e1 )
Una persona que tiene un ao ms

tiene un riesgo relativo de 1.3 respecto
a una persona que tiene un ao menos
Una persona que tiene cinco aos ms
tiene un riesgo relativo de 3.3 respecto
a una persona que tiene cinco aos menos
25
Tratamiento de variables discretas

(nominales)
Tabla de contingencia HIPERT * STATUS
STATUS
HIPERT
Si
No
Total
Recuento
% de HIPERT
Recuento
% de HIPERT
Recuento
% de HIPERT
Si
No
28
73,7%
23
69,7%
51
71,8%
10
26,3%
10
30,3%
20
28,2%
Total
38
100,0%
33
100,0%
71
100,0%
Estimacin de riesgo
Razn de las ventajas para HIPERT (Si / No)

Para la cohorte STATUS = Si
Para la cohorte STATUS = No
N de casos vlidos
Valor
1,217
1,057
,868
71
al 95%
Inferior
Superior
,432
3,429
,788
1,419
,413
1,824
Paso
a
1
HIPERT(1)
Constante
B
,197
,833
E.T.
,528
,379
Wald
,139
4,835
a. Variable(s) introducida(s) en el paso 1: HIPERT.
gl
1
1
Sig.
,710
,028
Exp(B)
1,217
2,300

Inferior
Superior
,432
3,429
26

(nominales)
Hipertensin: 1 (Si) 2 (No)
Categora de referencia es NO
Especificar que el ltimo valor es el de referencia !!
Status: 1 (Si) 0 (No)
27

(nominales)
Codificaciones de variables categricas
Codificacin de
GENO
Tabla de contingencia GENO * STATUS
Frecuencia
2
2
2
aa
Aa
AA
(1)
1,000
,000
,000
(2)
,000
1,000
,000
STATUS
GENO
aa
Aa
AA
Total
Recuento
% de GENO
Recuento
% de GENO
Recuento
% de GENO
Recuento
% de GENO
No
Si
23
63,9%
16
42,1%
7
17,5%
46
40,4%
13
36,1%
22
57,9%
33
82,5%
68
59,6%
Total
36
100,0%
38
100,0%
40
100,0%
114
100,0%
aa : 1
Aa : 2
AA : 3
Categora de
Referencia: ltima
13 7
= 0.12
23 33
B
Paso
a
1
GENO
GENO(1)
GENO(2)
Constante
-2,121
-1,232
1,550
E.T.
,542
,530
,416
Wald
15,328
15,326
5,400
13,884
gl
2
1
1
1
Sig.
,000
,000
,020
,000
Exp(B)
,120
,292
4,714
a. Variable(s) introducida(s) en el paso 1: GENO.
28

(nominales)
Codificacin de
GENO
Frecuencia
2
2
2
aa
Aa
AA
Tabla de contingencia GENO * STATUS
(1)
,000
1,000
,000
(2)
,000
,000
1,000
STATUS
GENO
aa
Aa
AA
Total
Recuento
% de GENO
Recuento
% de GENO
Recuento
% de GENO
Recuento
% de GENO
No
Si
23
63,9%
16
42,1%
7
17,5%
46
40,4%
13
36,1%
22
57,9%
33
82,5%
68
59,6%
Total
36
100,0%
38
100,0%
40
100,0%
114
100,0%
aa : 1
Aa : 2
AA : 3
Categora de
Referencia: Primera
33 23
= 8.34
7 13
B
Paso
a
1
GENO
GENO(1)
GENO(2)
Constante
,889
2,121
-,571
E.T.
,478
,542
,347
Wald
15,328
3,461
15,326
2,704
a. Variable(s) introducida(s) en el paso 1: GENO.
gl
2
1
1
1
Sig.
,000
,063
,000
,100
Exp(B)
2,433
8,340
,565
29
El modelo logstico multivariante

X = { X 1 , X 2 ,..., X n }
P (S / X ) =
1
1 + e ( 0 + 1 X 1 + 2 X 2 + ... + n X n )
P (S / X )
= e ( 0 + 1 X 1 + 2 X 2 + ... + n X n )
P (S / X )
P (S / X )
= 0 + 1 X 1 + 2 X 2 + ... + n X n
Log
P (S / X )
30
P ( S / X i = xi )
( 0 + 1 X 1 + 2 X 2 +...+ i xi + n X n )
=e
P ( S / X i = xi )
P(S / X i = x j )
P(S / X i = x j )
=e
( 0 + 1 X 1 + 2 X 2 +...+ i x j + n X n )
P ( S / X i = xi ) / P ( S / X i = xi )
i ( xi x j )
=e
OR =
P(S / X i = x j ) / P(S / X i = x j )
OR correspondiente a la estimacin del RR cuando X pasa de xi a xj
31
Ejemplo
Disponemos de datos acerca de hombres y
mujeres en relacin a la aparicin de
molestias artrticas. Queremos establecer la
posible relacin de estas molestias con la
concentracin dos metabolitos (X1,X2).
32
Resultados
Codificaci
n de
SEXO
Hombre
Mujer
Frecuencia
59
52
(1)
1,000
,000
Paso
a
1
SEXO(1)
X1
X2
Constante
B
,451
,253
,319
-8,086
E.T.
,418
,110
,114
2,697
Wald
1,164
5,277
7,852
8,988
gl
1
1
1
1
Sig.
,281
,022
,005
,003
Exp(B)
1,569
1,288
1,376
,000

Inferior
Superior
,692
3,559
1,038
1,597
1,101
1,721
a. Variable(s) introducida(s) en el paso 1: SEXO, X1, X2.
33
Interpretacin
Paso
a
1
SEXO(1)
X1
X2
Constante
B
,451
,253
,319
-8,086
E.T.
,418
,110
,114
2,697
Wald
1,164
5,277
7,852
8,988
gl
1
1
1
1
Sig.
,281
,022
,005
,003
Exp(B)
1,569
1,288
1,376
,000

Inferior
Superior
,692
3,559
1,038
1,597
1,101
1,721
La estimacin del riesgo relativo de hombres respecto a

mujeres es:
OR( H / M ) = 1.57
Esta estimacin est ajustada por las variables X1 y X2
34
Interpretacin
Paso
a
1
SEXO(1)
X1
X2
Constante
B
,451
,253
,319
-8,086
E.T.
,418
,110
,114
2,697
Wald
1,164
5,277
7,852
8,988
gl
Sig.
,281
,022
,005
,003
1
1
1
1
Exp(B)
1,569
1,288
1,376
,000

Inferior
Superior
,692
3,559
1,038
1,597
1,101
1,721
Paso
a
1
X2
Constante
B
,293
-1,823
E.T.
,109
,630
Wald
7,205
8,383
gl
1
1
Sig.
,007
,004
Exp(B)
1,340
,162

Inferior
Superior
1,082
1,660
a. Variable(s) introducida(s) en el paso 1: X2.
35
Seleccin de variables
Paso
a
1
SEXO(1)
X1
X2
Constante
B
,451
,253
,319
-8,086
E.T.
,418
,110
,114
2,697
Wald
1,164
5,277
7,852
8,988
gl
Sig.
,281
,022
,005
,003
1
1
1
1
Exp(B)
1,569
1,288
1,376
,000

Inferior
Superior
,692
3,559
1,038
1,597
1,101
1,721
Podemos eliminar las variables que no son significativas

Paso
a
1
X1
X2
Constante
B
,267
,309
-8,111
E.T.
,110
,113
2,701
Wald
5,917
7,501
9,019
gl
1
1
1
Sig.
,015
,006
,003
Exp(B)
1,306
1,362
,000

Inferior
Superior
1,053
1,619
1,092
1,699
a. Variable(s) introducida(s) en el paso 1: X1, X2.
36
Modelo final
Paso
a
1
X1
X2
Constante
B
,267
,309
-8,111
E.T.
,110
,113
2,701
Wald
5,917
7,501
9,019
gl
1
1
1
Sig.
,015
,006
,003
Exp(B)
1,306
1,362
,000

Inferior
Superior
1,053
1,619
1,092
1,699
a. Variable(s) introducida(s) en el paso 1: X1, X2.
P( S / X ) =
1
1 + e ( 8.11+ 0.267 X 1 + 0.309 X 2 )
X 1 x1 ( 1x1 + 2 x2 )
= e
e (0.267 ( 2321) + 0.309 ( 65.5) ) = 1.99
OR
X 2 x2
37
Uso de la regresin logstica como

mtodo de anlisis de la relacin entre
variables cualitativas
A menudo queremos evaluar si existe relacin entre

distintas variables cualitativas (tablas mltiples)
Cuando el objetivo es calcular la probabilidad de un
suceso en funcin de varias variables, podemos
utilizar la regresin logstica
P.e. Probabilidad de complicaciones en funcin de la
gravedad (+,++,+++), el sexo (Hombre/Mujer), y
el genotipo (aa,Aa,AA).
38
Uso de la regresin logstica

como mtodo de anlisis de
la relacin entre variables
cualitativas

Codificacin de
GRAVEDAD
GENOTIPO
SEXO
+
++
+++
AA
Aa
aa
Hombre
Mujer
Frecuencia
14
22
6
14
11
17
23
19
(1)
,000
1,000
,000
,000
1,000
,000
1,000
,000
(2)
,000
,000
1,000
,000
,000
1,000
B
Paso
a
1
GENOTIPO
GENOTIPO(1)
GENOTIPO(2)
SEXO(1)
GRAVEDAD
GRAVEDAD(1)
GRAVEDAD(2)
Constante
E.T.
,691
-,330
1,123
,955
,797
,718
1,076
,639
-,874
,756
1,130
,939
Wald
1,258
,524
,171
2,443
2,025
2,025
,320
,865
gl
2
1
1
1
2
1
1
1
Sig.
,533
,469
,679
,118
,363
,155
,572
,352
Exp(B)

Inferior
Superior
1,996
,719
3,074
,307
,151
,752
12,964
3,433
12,563
2,934
1,895
,417
,666
,207
12,922
17,364
a. Variable(s) introducida(s) en el paso 1: GENOTIPO, SEXO, GRAVEDAD.
39
Uso de la regresin logstica

como mtodo de anlisis de
la relacin entre variables
cualitativas

Codificacin de
GRAVEDAD
GENOTIPO
SEXO
+
++
+++
AA
Aa
aa
Hombre
Mujer
Frecuencia
14
22
6
14
11
17
23
19
(1)
,000
1,000
,000
,000
1,000
,000
1,000
,000
(2)
,000
,000
1,000
,000
,000
1,000
B
Paso
a
1
GENOTIPO
GENOTIPO(1)
GENOTIPO(2)
SEXO(1)
GRAVEDAD
GRAVEDAD(1)
GRAVEDAD(2)
Constante
E.T.
,688
,722
-,176
,603
,602
,473
1,123
2,547
-1,284
,514
,711
,615
Wald
1,753
1,303
1,435
,139
13,566
4,766
12,841
4,360
gl
2
1
1
1
2
1
1
1
Sig.
,416
,254
,231
,709
,001
,029
,000
,037
Exp(B)

Inferior
Superior
1,991
2,058
,838
,610
,632
,332
6,491
6,702
2,117
3,074
12,775
,277
1,122
3,171
8,425
51,463
a. Variable(s) introducida(s) en el paso 1: GENOTIPO, SEXO, GRAVEDAD.
40
La regresin logstica
como alternativa al
procedimiento de
Mantel-Haenzel
Tabla de contingencia LOW * SMOKE * RACE

Recuento
SMOKE
RACE
1,00
,00
LOW
2,00
Total
LOW
3,00
Total
LOW
,00
1,00
,00
1,00
,00
1,00
Total
1,00
40
4
44
11
5
16
35
20
55
33
19
52
4
6
10
7
5
12
Total
73
23
96
15
11
26
42
25
67
Estimacin de riesgo
RACE
1,00
2,00
3,00
Razn de las ventajas para LOW (,00 / 1,00)

N de casos vlidos
N de casos vlidos
N de casos vlidos
Valor
5,758
96
3,300
26
1,250
67
al 95%
Inferior
Superior
1,782
18,599
,635
17,160
,350
4,462
41
La regresin logstica como alternativa al

procedimiento de Mantel-Haenzel
Odds ratios ajustados
Estimacin de riesgo
RACE
1,00
2,00
3,00
Valor
5,758
96
3,300
26
1,250
67

N de casos vlidos
N de casos vlidos
N de casos vlidos
al 95%
Inferior
Superior
1,782
18,599
,635
17,160
,350
4,462
Paso
a
1
SMOKE(1)
RACE
RACE(1)
RACE(2)
Constante
B
1,116
E.T.
,369
1,084
1,108
-1,840
,490
,400
,353
Wald
9,135
9,112
4,894
7,668
27,205
gl
1
2
1
1
1
Sig.
,003
,011
,027
,006
,000
Exp(B)
3,052
2,956
3,030
,159

Inferior
Superior
1,480
6,294
1,132
1,382
7,724
6,639
a. Variable(s) introducida(s) en el paso 1: SMOKE, RACE.
42
Modelos con variables cualitativas y

cuantitativas
En un mismo modelo de regresin logstica
podemos mezclar variables cualitativas
(nominales u ordinales) y variables
cuantitativas
La codificacin de variables cualitativas
debe hacerse con cuidado para facilitar la
interpretacin de resultados
En las variables cualitativas debemos
escoger una categora de referencia para el
clculo de odds ratios.
43
Datos de evolucin en ICU

Edad
Sexo (0:Male, 1:Female)
Race (1:White, 2:Black, 3:Other)
Service (0:Medical, Surgical)
44
SPSS
45
SPSS

Codificacin de
Race
Service at ICU
admission
Sex
White
Black
Other
Medical
Surgical
Male
Female
Frecuencia
175
15
10
93
107
124
76
(1)
1,000
,000
,000
1,000
,000
1,000
,000
(2)
,000
1,000
,000
Race(1): White
Race(2): Black
Ser(1):Medical
Sex(1):Male
46
Race(1): White
Race(2): Black
SPSS
Ser(1):Medical
Sex(1):Male
Paso
a
1
AGE
SEX(1)
RACE
RACE(1)
RACE(2)
SER(1)
Constante
B
,028
,028
E.T.
,011
,379
-,395
-1,579
1,071
-3,272
,852
1,331
,382
1,059
Wald
6,256
,005
1,493
,215
1,407
7,885
9,551
gl
1
1
2
1
1
1
1
Sig.
,012
,941
,474
,643
,236
,005
,002
Exp(B)
1,029
1,028
,673
,206
2,919
,038

Inferior
Superior
1,006
1,052
,490
2,160
,127
,015
1,382
3,580
2,801
6,167
a. Variable(s) introducida(s) en el paso 1: AGE, SEX, RACE, SER.
La admisin en un servicio mdico determina una probabilidad ms

elevada de muerte (OR: 1.38 6.17)
La edad se asocia significativamente con una mayor probabilidad
de muerte
El sexo y el grupo tnico no se relacionan significativamente con la
probabilidad de muerte
47
Lemeshow et al. (1988) JASA 83:348-356
48
Codificacin
de variables
Codificacin de
Level of conciosness at
ICU admission
Race
Service at ICU
admission
Cancer part of present
problem
History of chronic renal
failure
Infection probable at
ICU admission
CPR prior to ICU
admission
Previous admission to
an ICU within 6 months
Type of admission
Creatinine from initial
blood gases
Bicarbonate from initial
blood gases
PCO2 from initial blood
gases
PH from initial boood
gases
Long bone, Multiple,
Neck, Single area, or
Hip
PO2fracture
from initial blood
gases
Sex
No coma or stupor
Depp stupor
Coma
White
Black
Other
Medical
Surgical
No
Yes
No
Yes
No
Yes
No
Yes
No
Yes
Elective
Emergency
<=2.0
>2.0
>=18
<18
<=45
>45
>=7.25
<7.25
No
Yes
>60
<=60
Male
Female
Frecuencia
185
5
10
175
15
10
93
107
180
20
181
19
116
84
187
13
170
30
53
147
190
10
185
15
180
20
187
13
185
15
184
16
124
76
(1)
1,000
,000
,000
1,000
,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
1,000
,000
(2)
,000
1,000
,000
,000
1,000
,000
49
Paso
a
1
AGE
SEX(1)
RACE
RACE(1)
RACE(2)
SER(1)
CAN(1)
CRN(1)
INF(1)
CPR(1)
SYS
HRA
PRE(1)
TYP(1)
FRA(1)
PO2(1)
PH(1)
PCO(1)
BIC(1)
CRE(1)
LOC
LOC(1)
LOC(2)
Constante
B
,056
,721
E.T.
,018
,546
-,583
-7,438
,674
-3,483
-,119
,108
-1,032
-,021
-,003
-1,279
-3,748
-1,649
,677
-1,771
2,084
,262
-,100
1,313
20,543
,629
1,121
,845
,556
,990
,009
,010
,702
1,342
1,093
,940
1,212
1,165
,897
1,131
-3,458
15,659
7,149
1,341
39,484
3,139
Wald
9,331
1,746
,310
,197
,131
1,148
9,650
,020
,038
1,087
4,871
,080
3,321
7,798
2,277
,518
2,134
3,201
,086
,008
6,857
6,646
,157
5,188
gl
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
Sig.
,002
,186
,856
,657
,717
,284
,002
,888
,846
,297
,027
,778
,068
,005
,131
,472
,144
,074
,770
,929
,032
,010
,692
,023
Exp(B)
1,058
2,057

Inferior
Superior
1,020
1,097
,706
5,999
,558
,001
1,962
,031
,888
1,114
,356
,979
,997
,278
,024
,192
1,967
,170
8,033
1,300
,904
,043
,000
,572
,003
,170
,375
,051
,961
,977
,070
,002
,023
,312
,016
,820
,224
,099
7,313
1,8E+14
6,729
,277
4,649
3,311
2,480
,998
1,017
1,101
,327
1,637
12,419
1,832
78,741
7,537
8,296
,031
6321447
1273,250
,002
,000
,436
2,57E+40
a. Variable(s) introducida(s) en el paso 1: AGE, SEX, RACE, SER, CAN, CRN, INF, CPR, SYS, HRA, PRE, TYP, FRA,
PO2, PH, PCO, BIC, CRE, LOC.
50
Paso
a
1
AGE
SEX(1)
RACE
RACE(1)
RACE(2)
SER(1)
CAN(1)
CRN(1)
INF(1)
CPR(1)
SYS
HRA
PRE(1)
TYP(1)
FRA(1)
PO2(1)
PH(1)
PCO(1)
BIC(1)
CRE(1)
Constante
B
,042
,484
E.T.
,014
,456
-,221
-1,130
,349
-2,083
-,314
-,172
-1,548
-,013
-,011
-,728
-2,724
-,651
-,207
-,557
,949
,271
-,446
3,953
,987
1,433
,533
,908
,676
,463
,752
,007
,009
,588
,940
,949
,805
,954
,891
,786
,933
2,554
Wald
8,402
1,130
,729
,050
,622
,429
5,267
,216
,139
4,237
3,629
1,491
1,536
8,403
,471
,066
,341
1,133
,119
,229
2,396
gl
1
1
2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Sig.
,004
,288
,694
,823
,430
,512
,022
,642
,709
,040
,057
,222
,215
,004
,493
,797
,559
,287
,730
,632
,122
Exp(B)
1,043
1,623
,802
,323
1,418
,125
,730
,842
,213
,987
,989
,483
,066
,521
,813
,573
2,582
1,312
,640
52,101

Inferior
Superior
1,014
1,073
,665
3,964
,116
,019
,499
,021
,194
,340
,049
,973
,972
,153
,010
,081
,168
,088
,450
,281
,103
5,550
5,353
4,030
,738
2,745
2,085
,929
1,000
1,007
1,527
,414
3,349
3,936
3,719
14,807
6,120
3,984
a. Variable(s) introducida(s) en el paso 1: AGE, SEX, RACE, SER, CAN, CRN, INF, CPR, SYS, HRA, PRE, TYP, FRA,
PO2, PH, PCO, BIC, CRE.
51
Seleccin de modelos
52
Seleccin de modelos
Paso
1
Paso
2
Paso
3
Paso
4
Paso
5
TYP(1)
Constante
AGE
TYP(1)
Constante
AGE
CPR(1)
TYP(1)
Constante
AGE
CAN(1)
CPR(1)
TYP(1)
Constante
AGE
CAN(1)
CPR(1)
SYS
TYP(1)
Constante
B
-2,185
-1,054
,034
-2,454
E.T.
,745
,188
,011
,753
Wald
8,600
31,288
10,117
10,629
-3,055
,693
,035
-1,391
-2,306
-1,885
,037
-1,534
-1,344
-2,849
-,609
,037
-1,624
-1,247
-,013
-2,746
1,029
,011
,616
,757
,864
,012
,802
,616
,867
1,094
,012
,808
,629
,006
,879
1,356
gl
1
1
1
1
Sig.
,003
,000
,001
,001
Exp(B)
,112
,349
1,035
,086
19,453
,000
,047
9,970
5,093
9,286
4,764
10,561
3,655
4,766
10,800
,310
10,307
4,033
3,933
4,434
9,756
,576
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
,002
,024
,002
,029
,001
,056
,029
,001
,578
,001
,045
,047
,035
,002
,448
1,036
,249
,100
,152
1,038
,216
,261
,058
,544
1,038
,197
,287
,987
,064
2,799

Inferior
Superior
,026
,484
1,013
,020
1,057
,376
1,013
,074
,023
1,059
,833
,439
1,015
,045
,078
,011
1,062
1,039
,872
,317
1,015
,040
,084
,975
,011
1,062
,962
,986
,999
,359
53
Modelo final
Paso
a
1
AGE
CAN(1)
CPR(1)
SYS
TYP(1)
Constante
B
,037
-1,624
-1,247
-,013
-2,746
1,029
E.T.
,012
,808
,629
,006
,879
1,356
Wald
10,307
4,033
3,933
4,434
9,756
,576
gl
1
1
1
1
1
1
Sig.
,001
,045
,047
,035
,002
,448
Exp(B)
1,038
,197
,287
,987
,064
2,799

Inferior
Superior
1,015
1,062
,040
,962
,084
,986
,975
,999
,011
,359
a. Variable(s) introducida(s) en el paso 1: AGE, CAN, CPR, SYS, TYP.

Codificaci
n de
Type of admission
CPR prior to ICU
admission
problem
Elective
Emergency
No
Yes
No
Yes
Frecuencia
53
147
187
13
180
20
(1)
1,000
,000
1,000
,000
1,000
,000
54
Modelo final
Cambio de codificacin
Cuidado: Los intevalos

de confianza son muy
amplios
Paso
a
1
AGE
CAN(1)
CPR(1)
SYS
TYP(1)
Constante
B
,037
1,624
1,247
-,013
2,746
-4,588
E.T.
,012
,808
,629
,006
,879
1,431
Wald
10,307
4,033
3,933
4,434
9,756
10,276
gl
1
1
1
1
1
1
Sig.
,001
,045
,047
,035
,002
,001
Exp(B)
1,038
5,071
3,481
,987
15,585
,010

Inferior
Superior
1,015
1,062
1,040
24,732
1,015
11,944
,975
,999
2,782
87,323
a. Variable(s) introducida(s) en el paso 1: AGE, CAN, CPR, SYS, TYP.

Codificaci
n de
Type of admission
CPR prior to ICU
admission
problem
Elective
Emergency
No
Yes
No
Yes
Frecuencia
53
147
187
13
180
20
(1)
,000
1,000
,000
1,000
,000
1,000
CAN, CPR y TYP

son las variables
ms importantes
55
Interpretacin
Un individuo de 55 aos ingresado en urgencias, con
una presin sistlica de 100, con cancer y CPR previo
tiene una probabilidad de morir igual a 0.85
una presin sistlica de 100, sin cancer ni CPR previo
tiene una probabilidad de morir igual a 0.25
una presin sistlica de 100, con cancer y sin CPR
previo tiene una probabilidad de morir igual a 0.62
una presin sistlica de 60, con cancer y sin CPR
previo tiene una probabilidad de morir igual a 0.74
56
Limitaciones de la regresin
logstica
Independencia de variables
Podemos considerar efectos de

interaccin entre variables
Es difcil concretar los efectos
Efectos lineales de las variables en el

valor del logit
Alternativas: Redes Neurales
57
Redes neurales
Algoritmo de clculo que es capaz de
aprender la relacin entre variables
de entrada (predictoras) y salida
(sucesos, grupos, etc.)
Generalizan cualquier funcin nolineal
El proceso de aprendizaje es crtico
58
Redes neurales
Inputs
59
Redes neurales
Inputs
Outputs
60
Redes neurales
Inputs
Hidden
units
Outputs
61
Redes neurales
Inputs
Hidden
units
Outputs
62
Redes neurales
Inputs
Hidden
units
Outputs
63
Redes neurales
Inputs
Hidden
units
Outputs
64
Redes neurales
Inputs
Hidden
units
Outputs
65

SPSS Regresion Logistica

Cargado por

Copyright:

Formatos disponibles

SPSS Regresion Logistica

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SPSS Regresion Logistica

Cargado por

Copyright:

Formatos disponibles

Anlisis de regresin logstica

Anlisis de regresin logstica

Concepto de riesgo relativo

Cmo realizar un anlisis de regresin

El concepto de riesgo relativo

Tabla de contingencia EXPOSICI * ENFERMO

El IC del riesgo relativo es (1.51 , 3,14)

La interpretacin depende de cmo se han

Tabla de contingencia EXPO * STATUS

Razn de las ventajas

Definicin de odds ratio

El odds ratio como aproximacin

Ejemplo: El odds ratio como

Clculo del odds ratio

Es aconsejable utilizar el riesgo relativo

Necesidad del planteamiento

La edad, el colesterol, el gnero, la hipertensin y

Necesidad del planteamiento

El modelo logstico para la

Probabilidad de un suceso en funcin de los valores de

P(S/X) puede cambiar en funcin

P(S/X) puede cambiar en funcin

El modelo logstico univariante

El modelo logstico univariante

Codificacin de la variable dependiente

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: EDAD.

Una persona que tiene un ao ms

Tratamiento de variables discretas

Razn de las ventajas para HIPERT (Si / No)

a. Variable(s) introducida(s) en el paso 1: HIPERT.

I.C. 95,0% para EXP(B)

Tratamiento de variables discretas

Tratamiento de variables discretas

Tabla de contingencia GENO * STATUS

a. Variable(s) introducida(s) en el paso 1: GENO.

Tratamiento de variables discretas

Tabla de contingencia GENO * STATUS

a. Variable(s) introducida(s) en el paso 1: GENO.

El modelo logstico multivariante

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: SEXO, X1, X2.

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: SEXO, X1, X2.

La estimacin del riesgo relativo de hombres respecto a

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: SEXO, X1, X2.

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: X2.

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: SEXO, X1, X2.

Podemos eliminar las variables que no son significativas

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: X1, X2.

I.C. 95,0% para EXP(B)

a. Variable(s) introducida(s) en el paso 1: X1, X2.

Uso de la regresin logstica como

A menudo queremos evaluar si existe relacin entre