Immagina di voler prevedere se un paziente risponderà a un trattamento. Non quanto migliorerà, ma solo se migliorerà, sì o no. Laregressione linearein questo caso non basta. È costruita per predire valori continui e quando la si forza su un esito binario, i risultati escono dall’intervallo logico. Valori superiori a uno o negativi, privi di senso nel contesto di una previsione che dovrebbe stare tra “impossibile” e “certo”.
La regressione logistica nasce esattamente per rispondere a queste problematiche. Prende tutti i predittori che vuoi considerare — età, dosaggio, valori di laboratorio — e restituisce sempre un numero compreso tra 0 e 1, con la forma di una curva a S. Questo risultato è una probabilità vera, non un’approssimazione forzata.
Il meccanismo è semplice nell’idea: il modello non lavora sulla probabilità diretta, ma sul suo logit, ossia il logaritmo del rapporto tra la probabilità che l’evento accada e quella che non accada. Una trasformazione che “apre” la scala e permette di usare predittori lineari senza uscire dall’intervallo possibile.
I coefficienti si leggono come odds ratio: quanto varia il rapporto di probabilità a favore dell’evento per ogni unità di variazione del predittore. Richiede un po’ di pratica, ma ha una logica precisa e consistente.
La regressione logistica nasce per rispondere a domande con esito binario. Non restituisce un valore continuo, ma una probabilità: quanto è probabile che l’evento accada, dato un certo profilo di predittori.
Nota editoriale
Questo articolo ha finalità divulgative e informative. I contenuti non costituiscono consulenza professionale e non sostituiscono una valutazione specifica del tuo studio o progetto di ricerca. Mathsly Research declina ogni responsabilità per decisioni metodologiche o analitiche adottate sulla base dei soli contenuti del magazine senza consulenza professionale dedicata. Per supporto specifico:mathsly.it.