¿Cuál es la diferencia entre regresión lineal y logística?

Quizás, primero deberías pensar en términos de variables. Aquí hay una clasificación:

1) Las variables nominales son variables que tienen dos o más categorías, pero que no tienen un orden intrínseco.

2) Las variables dicotómicas son variables nominales que tienen solo dos categorías o niveles. Es un tipo de variable nominal, es decir, binaria sin orden. Ejemplo: género, “masculino” y “femenino”.

3) Las variables ordinales son variables que tienen dos o más categorías, que tienen un orden intrínseco, es decir, puede clasificarlas. Sin embargo, las distancias entre los rangos no están claras. Ejemplo: bajo riesgo, riesgo medio y alto riesgo.

4) Las variables de intervalo son variables ordinales con una distancia clara entre los rangos pero sin origen fijo. Ejemplo, la temperatura.

5) Las variables de relación son variables de intervalo centradas en 0, es decir, origen fijo. Ejemplo: altura, peso donde sus valores en 0 significan que no hay variable allí.

Por ejemplo, en la regresión logística tendría un caso de variables dicotómicas o cualquier otra variable categórica (= variable discreta). La regresión lineal se usa con variables continuas, como ya señalaron otros contribuyentes.

Debo señalar que el término “regresión” proviene de la declaración “Regresión hacia la media”, atribuida a Francis Galton, quien era el primo medio de Charles Darwin.

Puede combinar ambas variables, como señalé en otra publicación (por ejemplo, usando Modelos Lineales Generalizados (GLM)):

La respuesta de Raúl Machado a ¿Es aconsejable realizar una regresión lineal cuando los datos son una mezcla de valores categóricos y numéricos?

El médico examina los síntomas de su enfermedad y luego diagnostica una enfermedad. Está utilizando los resultados de la regresión logística que su cerebro ha aprendido durante un período de tiempo observando a sus pacientes.

El médico observa los números de varias pruebas realizadas en usted y decide la dosis de un medicamento. Eso es aprovechar los resultados de una regresión lineal.