Regresión Logística Multinomial en Ciencias Sociales

Este elemento es una ampliación de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs] En inglés: Multinomial logistic regression.

Nota: véase también la información sobre la Regresión Logística, los Modelos de Ecuaciones Estructurales en Ciencias Sociales y los Enfoques Metodológicos en el Diseño de la Investigación.

Regresión Multinomial y Ordinaria

El modelo de regresión múltiple requiere un nivel de medición métrica para la variable dependiente. Para las variables dependientes de escala nominal u ordinal, se pueden aplicar modelos de regresión logística para las variables dependientes categóricas.Entre las Líneas En estos modelos, las probabilidades de realización de las expresiones de la variable dependiente se representan como funciones de la variable explicativa.Entre las Líneas En el caso de las variables dependientes de escala nominal con expresiones K, una variable explicativa con hasta coeficientes (ratios) de regresión K – 1 puede actuar sobre la variable dependiente. La no linealidad y multidimensionalidad de la función de regresión hace difícil la interpretación de un modelo logístico categórico a nivel de probabilidades de realización. (Tal vez sea de interés más investigación sobre el concepto). Por esta razón, los modelos logísticos a menudo consideran los cambios multiplicativos en los cocientes de probabilidad de dos características (probabilidades).Entre las Líneas En el caso de las variables dependientes ordinales, también es posible interpretar la variable observada como una medición inexacta de una variable métrica no observada. Un modelo logit ordinal puede entonces interpretarse como un modelo de regresión para una variable dependiente de la métrica no observada.

Observación

Además de la especificación e interpretación de los modelos logit, se discuten los prerrequisitos para la estimación de los parámetros del modelo, la prueba de hipótesis de los modelos logit y los problemas de aplicación. (Tal vez sea de interés más investigación sobre el concepto).Entre las Líneas En un ejemplo empírico, investigamos cómo el logro educativo de los padres influye en el de sus hijos.

Introducción al procedimiento de Regresión

En el modelo de regresión múltiple, las medias condicionales de una variable dependiente de la métrica se presentan como funciones lineales de las expresiones de las variables explicativas, los predictores (véase).

Puntualización

Sin embargo, en el caso de las variables nominales en cascada, los valores medios no son parámetros significativos, ya que se pueden asignar diferentes valores a diferentes características, pero se les puede asignar cualquier número de valores y, por lo tanto, las distancias (diferencias) entre dos números no contienen ninguna información empírica. Las variables dicotómicas son una excepción. (Tal vez sea de interés más investigación sobre el concepto). Si se asignan los números 0 y 1 a los dos valores, el valor medio de una variable coordinada de esta manera indica la proporción o probabilidad con la que se realiza el valor codificado con el número 1. Los valores medios condicionales de las variables dependientes codificadas 0/1 pueden, por lo tanto, representarse como funciones de regresión de las variables explicativas.

De la regresión logística binaria a la multinomial//El uso de modelos de regresión lineal para variables dependientes codificadas 0/1 es, sin embargo, problemático, ya que el modelo de regresión lineal no puede asegurar que los valores predichos estén siempre en el rango de valores entre 0 y 1. Además, las variantes residuales son necesariamente heteroscedásticas, es decir, varían con los valores predichos. Estos problemas no surgen al aplicar la regresión logística (binaria).Entre las Líneas En la regresión logística, el valor medio condicional de la variable dependiente codificada 0/1 se interpreta como la probabilidad con la que el valor codificado con 1 en una muestra se realiza en una muestra aleatoria. Las probabilidades condicionales están vinculadas a través de la función de distribución logística con una ecuación lineal de la variable explicativa, que conduce a una relación en forma de S entre la variable explicativa y la variable dependiente probabilística. Las probabilidades (estimadas) están entonces siempre entre 0 y 1 para cualquier valor de la variable explicativa (véase).Entre las Líneas En el caso de una variable de escala nominal con más de dos instancias, se podría plantear la idea de formar una variable codificada 0/1 separada para cada instancia de la variable y considerarlas como funciones de la variable explicativa en los modelos de regresión logística. Si, en aras de la simplicidad, se supone que solo una variable explicativa X influye en las probabilidades de realización de las expresiones Y=1,2,…, K de las variables dependientes.

Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):

Revisor: Lawrence

Véase También

Introducción a los Métodos de Investigación Cualitativa, Investigación de Métodos Mixtos, Investigación Cualitativa en Gestión Empresarial, Investigación Cualitativa en Educación, Investigación Estadística en Gestión Empresarial, Diseño de Investigación, Métodos de Investigación en Comunicación, Métodos de Investigación en Educación, Métodos de Investigación en Trabajo Social, Métodos de Investigación en Sociología, Investigación para Disertaciones, Regresión logística, Multinomio probit, Estadística, Algoritmos

▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.