Estadística Unir

Señala la opción correcta sobre el modelo de regresión logística: Es un algoritmo de clasificación binaria que se utiliza cuando la variable repuesta solo puede tomar dos valores no excluyentes (por ejemplo, cuando los mismos sujetos responden a la misma pregunta de una encuesta). Es un algoritmo de clasificación binaria que se utiliza cuando la variable respuesta solo puede tomar dos valores excluyentes (por ejemplo, la ocurrencia o no de un evento). Es un algoritmo de clasificación binaria que se utiliza cuando la variable respuesta solo puede tomar dos valores excluyentes (por ejemplo, la ocurrencia o no de un evento). Es una ecuación que se utiliza para poder entender y predecir el comportamiento de una variable cuantitativa a partir de otras variables.

Para interpretar la relación entre la variable independiente y la dependiente es una regresión logística. Se suelen utilizar los odds-ratio (OR), también llamados exponenciales de beta (Eb), dado que son más fáciles de interpretar. Nunca se usan los odds-ratio (OR), también llamados exponenciales de beta (Eb), dada su dificultad interpretativa. Se suelen utilizar los odds-ratio (OR), también llamados coeficientes beta (b) dado que son más fáciles de interpretar. Se suelen utilizar las medidas de riesgo relativo (RR) dado que son más fáciles de interpretar.

Antes de ajustar un modelo de regresión logística, que debemos hacer siempre?. Un análisis exploratorio de los datos. Haremos un gráfico de cajas para relacionar una variable independiente cuantitativa con la variables dependiente binario y un gráfico de barras para relacionar una variable independiente cualitativa con la variable dependiente binaria. Un análisis exploratorio de los datos. Haremos un gráfico de cajas para relacionar una variable independiente cualitativa con la variable dependiente binaria y un gráfico de barras para relacionar una variable independiente cuantitativa con la variable dependiente binaria. Un análisis exploratorio de los datos. Como la variable dependiente es cualitativa y binaria solamente necesitaremos gráficos de barras para la exploración. No debemos hacer nada. Podemos ajustar directamente el modelo de regresión logística.

Imagina que ajustas un modelo de regresión logística para predecir si pasar muchas horas navegando en Internet (escala del uno al seis) predice que un individuo sea víctima de una delito de cyberbullying (No/Si) es una muestra de jóvenes. Obtienes un OR de 1082 para la variable independiente, con un estadístico z=3.10 y un p-valor inferior a 0.001. La OR es menor a uno, la probabilidad de ser víctima de cyberbullying será mayor al aumentar el número de horas que los jóvenes pasan en internet. La OR es menor a uno, la probabilidad de ser víctima de cyberbullying será menor al aumentar el número de horas que los jóvenes pasan en internet. La OR es mayor a uno, la probabilidad de ser víctima de cyberbullying será mayor al aumentar el número de horas que los jóvenes pasan en internet. La OR es igual a uno, en este caso no existe ningún efecto significativo del número de horas navegando en internet en la probabilidad de ser víctima de cyberbullying.

En lo que respecta al diagnóstico del modelo, indica cuál de los siguientes supuestos no sería necesario evaluar en un modelo de regresión logística: La multicolinealidad entre las variables predictoras. La existencia de valores influyentes. La relación entre el logit de p y las variables predictoras. El supuesto de normalidad, es decir, si la variable dependiente sigue una distribución normal o gaussiana.

Señala cuál de las siguientes afirmaciones sobre el coeficiente pseudo R2 no es cierta. Es una medida de bondad de ajuste del modelo de regresión logística. Es un coeficiente que sirve para medir cómo es la relación entre las variables independientes y la dependiente. A diferencia del coeficiente de determinación R2 de la regresión lineal, el coeficiente pseudo R2 de la regresión logística no se mide en términos de varianza explicada. Es una buena medida que sirve para evaluar el rendimiento de modelo, es decir, cuán bueno es en sus predicciones.

Imagina que evalúas la bondad de ajuste del modelo de regresión logística que predice que un individuo sea víctima de cyberbullyng en función de pasar muchas horas navegando en internet. Obtienes una prueba Hosmer Lemeshow con un p valor inferior a 0.05. Que significa esto?. Que el modelo no se ajusta del todo bien a los datos. Que el modelo se ajusta bien a los datos. Que el modelo tiene un R2 muy elevado. Es una buena medida que sirve para evaluar el rendimiento del modelo, es decir, cuán bueno es en sus predicciones.

Imagina que decides calcular el AUC del modelo de regresión logística que predice que un individuo sea víctima de cyberbullying en función de pasar muchas horas navegando en internet. Obtienes un valor de AUC de 0.76. Como se interpretaría este valor?. La discriminación del modelo es aceptable. La discriminación del modelo es excepcional. La discriminación del modelo es excelente. El modelo no puede clasificar nada bien los sujetos como víctimas y no víctimas de cyberbullying en función de esta variable predictora.

¿A qué se refiere el concepto de sensibilidad cuando hacemos el análisis de ROC con el modelo de regresión logística?. A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es negativo (verdadero negativo). A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es positivo (falso negativo). A la probabilidad de que el modelo prediga un resultado positivo para un observación cuando en realidad ese resultado es negativo (falso positivo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es positivo (verdadero positivo).

¿ A que se refiere el concepto de especificidad cuando hacemos el análisis ROC con el modelo de regresión logística?. A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad ese resultado es negativo (verdadero negativo). A la probabilidad de que el modelo prediga un resultado negativo para una observación cuando en realidad es positivo (falso negativo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es negativo (falso positivo). A la probabilidad de que el modelo prediga un resultado positivo para una observación cuando en realidad ese resultado es positivo (verdadero positivo).