Regresión logística nominal

La regresión logística nominal es una herramienta estadística que analiza la relación entre una o más variables predictoras y una variable de respuesta categórica con tres o más categorías sin orden — como rayadura, abolladura o desgarro. Predice la probabilidad de que ocurra cada categoría a partir de los valores de los predictores.

Última revisión:

Idea clave

La regresión logística nominal es una herramienta estadística que analiza la relación entre una o más variables predictoras y una variable de respuesta categórica con tres o más categorías sin orden.

En esta página
  1. ¿Qué es la regresión logística nominal?
  2. ¿Cuándo usar la regresión logística nominal?
  3. Pautas para el uso correcto de la regresión logística nominal
  4. Alternativas: cuándo no usar la regresión logística nominal
  5. Ejemplo de regresión logística nominal
  6. Cómo realizar una regresión logística nominal

¿Qué es la regresión logística nominal?

La regresión logística nominal es una herramienta estadística que analiza la relación entre una o más variables predictoras y una variable de respuesta categórica con tres o más categorías sin orden — como rayadura, abolladura o desgarro. Predice la probabilidad de que ocurra cada categoría a partir de los valores de los predictores.

¿Cuándo usar la regresión logística nominal?

Variables predictoras

  • Los predictores pueden ser continuos, categóricos o una combinación de ambos
  • Las variables discretas pueden tratarse como continuas o categóricas según el número de niveles y el objetivo del análisis
  • Solo un predictor continuo con una respuesta continua → use Ajustar modelo de línea (Fit Line Model)
  • Varios predictores con una respuesta continua → use Ajustar modelo de regresión (Fit Regression Model)

Variable de respuesta

  • La respuesta debe tener tres o más categorías sin un orden natural (p. ej., color, tipo de material, tipo de defecto)
  • Si la respuesta es continua → use Ajustar modelo de regresión (Fit Regression Model)
  • Si la respuesta tiene dos categorías (aprobado/rechazado) → use Ajustar modelo logístico binario (Fit Binary Logistic Model)
  • Si la respuesta tiene categorías ordenadas (bajo/medio/alto) → use Regresión logística ordinal

Pautas para el uso correcto de la regresión logística nominal

  • La variable de respuesta debe tener tres o más categorías sin orden; si las categorías tienen un orden natural, use en su lugar la regresión logística ordinal.
  • Los predictores pueden ser continuos o categóricos; asegúrese de que cada variable esté correctamente clasificada antes de ejecutar el análisis.
  • Asegúrese de que los datos representen con exactitud a la población objetivo; los datos sesgados o incompletos producirán predicciones poco fiables.
  • Recopile suficientes puntos de datos por categoría — si hay muy pocas observaciones en alguna categoría, el modelo se vuelve inestable y las predicciones dejan de ser fiables.
  • Mida todas las variables con la mayor exactitud posible; los errores en los datos de entrada reducen directamente la exactitud de las probabilidades predichas.
  • Registre los datos en el orden en que se recopilan para ayudar a identificar patrones temporales que podrían afectar a los resultados.
  • Tras el ajuste, valide el modelo con estadísticos de bondad de ajuste y diagnósticos de residuos; un modelo mal ajustado produce predicciones de categorías engañosas.
  • Compruebe que ninguna categoría tenga muy pocas observaciones — las categorías poco frecuentes reducen la fiabilidad del modelo y pueden causar problemas de estimación.

Alternativas: cuándo no usar la regresión logística nominal

  • Si la variable de respuesta es continua, use en su lugar Ajustar modelo de regresión (Fit Regression Model) .
  • Si tiene un solo predictor continuo con una respuesta continua, use en su lugar Ajustar modelo de línea (Fit Line Model) .
  • Si la respuesta tiene dos categorías (p. ej., aprobado/rechazado), use en su lugar Ajustar modelo logístico binario (Fit Binary Logistic Model) .
  • Si las categorías de la respuesta tienen un orden natural (p. ej., bajo/medio/alto), use en su lugar Regresión logística ordinal .
  • Si tiene un predictor categórico con una respuesta continua, use en su lugar el ANOVA de un factor .

Ejemplo de regresión logística nominal

Para evaluar la eficacia de distintos métodos de enseñanza, un administrador escolar reúne datos de 30 estudiantes y registra la asignatura favorita de cada uno junto con el método de enseñanza utilizado en su aula. Como la variable de respuesta —la preferencia de asignatura (matemáticas, ciencias o lengua)— es categórica y sin orden inherente, el administrador aplica la regresión logística nominal. Este análisis ayuda a explorar cómo se asocian la edad de los estudiantes (de 10 a 13 años) y el tipo de método de enseñanza (demostración o explicación) con sus preferencias de asignatura. Los pasos fueron los siguientes:

  1. Recopiló los datos necesarios.
Nominal Logistic Regression — figure 1
  1. Ahora analice los datos en Zometric Statistical Software en https://statsai.zometric.com/.
  2. Para encontrar la regresión logística nominal, elija Statistical module> Regression>Nominal Logistic Regression.
  3. Dentro de la herramienta, introduzca los datos junto con las demás entradas como se indica a continuación:
Nominal Logistic Regression — figure 2

5. Después de usar la herramienta mencionada, se obtiene la siguiente salida:

Nominal Logistic Regression — figure 3Nominal Logistic Regression — figure 4

Cómo realizar una regresión logística nominal

La guía es la siguiente:

  1. Inicie sesión en Zometric Statistical Software en https://statsai.zometric.com/
  2. En la página de inicio, elija Statistical Tool> Regression > Nominal Logistic Regression.
  3. A continuación, introduzca los datos manualmente o copie todos los datos (Ctrl+C) de una hoja de Excel y péguelos (Ctrl+V). También existe la opción Load Example, que carga los datos de ejemplo.
  4. A continuación, debe completar las opciones necesarias.
  5. Por último, haga clic en calculate en la parte inferior de la página para obtener los resultados deseados.

En el tablero de la regresión logística nominal, la ventana está dividida en dos partes.

Nominal Logistic Regression — figure 5

En la parte izquierda se encuentra el panel de datos (Data Pane). En el Data Pane, cada fila forma un subgrupo. Los datos pueden introducirse manualmente, o bien copiarse por completo (Ctrl+C) desde una hoja de Excel y pegarse (Ctrl+V) aquí.

Load example:Se cargarán los datos de ejemplo.

Load File: Se usa para cargar directamente los datos de Excel.

En la parte derecha hay numerosas opciones, como las siguientes:

  • Response: La variable de resultado que se desea predecir o clasificar — debe contener tres o más categorías sin un orden natural, como el tipo de defecto (rayadura, abolladura, desgarro) o el método de pago (efectivo, tarjeta, en línea). El modelo estima la probabilidad de que ocurra cada categoría a partir de los valores de los predictores proporcionados.
  • Categorical Predictor: Una variable predictora que contiene un conjunto fijo de grupos o etiquetas distintos, como el tipo de máquina, el turno o el material. Estos grupos no tienen una distancia medible entre sí. Cada categoría se trata como un nivel independiente y el modelo estima cómo influye cada grupo en la probabilidad de cada categoría de la respuesta.
  • Continuous Predictor: Una variable predictora que puede tomar cualquier valor numérico medible dentro de un intervalo, como la temperatura, la presión o el tiempo. El modelo usa estos valores para estimar cómo un aumento de una unidad en el predictor modifica la probabilidad de que la respuesta pertenezca a cada categoría.
  • Model: Define qué predictores y términos de interacción se incluyen en el análisis. De forma predeterminada, el análisis construye un modelo de efectos principales con todos los predictores seleccionados. Puede personalizarlo para incluir términos de interacción (p. ej., A*B) si cree que dos predictores influyen conjuntamente en la respuesta. Elegir la estructura de modelo adecuada es importante: incluir términos innecesarios añade ruido, mientras que omitir términos clave conduce a predicciones inexactas.

Preguntas frecuentes

¿Qué es la regresión logística nominal?

La regresión logística nominal analiza la relación entre una o más variables predictoras y una respuesta categórica con tres o más categorías sin orden, como rayadura, abolladura o desgarro. Predice la probabilidad de que ocurra cada categoría de la respuesta a partir de los valores de los predictores. Los predictores pueden ser continuos, categóricos o una combinación de ambos.

¿Cuál es la diferencia entre la regresión logística nominal y la ordinal?

La regresión logística nominal es para una respuesta con tres o más categorías que no tienen un orden natural, como color, tipo de material o tipo de defecto. Si las categorías tienen un orden natural, como bajo, medio y alto, use en su lugar la regresión logística ordinal. Para una respuesta de dos categorías, como aprobado/rechazado, use la regresión logística binaria.

¿Cuáles son los requisitos de la regresión logística nominal?

La respuesta debe tener tres o más categorías sin orden, y cada categoría necesita observaciones suficientes, ya que las categorías poco frecuentes vuelven inestable el modelo y pueden causar problemas de estimación. Los datos deben representar a la población objetivo, medirse con exactitud y registrarse en el orden de recopilación. Tras el ajuste, valide el modelo con estadísticos de bondad de ajuste y diagnósticos de residuos.

¿Cómo se ejecuta la regresión logística nominal en Zometric Statistical Software?

Elija Statistical Tool > Regression > Nominal Logistic Regression e introduzca o pegue los datos. Seleccione la Response, los Categorical y Continuous Predictors que correspondan y defina el Model, que por defecto es un modelo de efectos principales y puede incluir términos de interacción como A*B. Después haga clic en Calculate para obtener los resultados.