Eventos por variable en regresión logística y redes Bayesianas para predecir actitudes emprendedoras

• Autores: Jorge López Puga, Juan García García
• Localización: REMA, ISSN-e 1135-6855, Vol. 16, Nº. 1, 2011, págs. 13-34
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Pese a que la regresión logística es una de las técnicas estadísticas de análisis mas usadas en ciencias sociales no está carente de ciertas limitaciones. El reducido tamaño de la muestra y la presencia de casos perdidos son algunas de las situaciones que han sido identificadas como problemáticas para la regresión logística. En este trabajo hemos comparado la regresión logística dicotómica y el clasificador simple de Bayes en su habilidad para predecir la tendencia emprendedora manipulando el número de eventos por variable. Una muestra de estudiantes universitarios (N = 1230) respondió a cinco escalas (motivación, actitud emprendedora, obstáculos, carencias y preparación percibida) que fueron utilizadas como variables predictoras de la tendencia emprendedora y a un conjunto de tres preguntas relativas a la tendencia emprendedora que fueron consideradas como variables de respuesta. Nuestros resultados indican que el número de eventos por variable afecta más a la regresión logística en términos del área bajo la curva ROC comparado con las redes bayesianas. Así pues, proponemos que las redes bayesianas podrían considerarse como otra alternativa más, junto a las ya existentes, para superar las debilidades de la regresión logística en determinadas condiciones de ejecución.

  • English

    Although logistic regression is one of the most commonly used data analysis techniques in social sciences it is also true that it has some limitations. A reduced sample size and the presence of missing data are some of the problems logistic regression can´t cope with. In this work we compare the success of dichotomic logistic regression model and the Bayes simple classifier to predict entrepreneurship after manipulating the sample size. A sample of university undergraduate students (N = 1230) was asked to fill in five scales (motivation, attitude towards business creation, obstacles, deficiencies and training needs) whose scores were used as predictors and three questions referred to entrepreneurship tendency were considered as outcomes. Our results show that the Receiver Operating Characteristic (ROC) curve is affected by the number of events per variable in both techniques but logistic regression seems to be more vulnerable. We propose to use Bayesian networks as an additional alternative to surpass the weaknesses of logistic regression.