Tutorial

Reg Condicional vs Reg Cox

Este tutorial explica de forma práctica cuándo usar regresión logística condicional y cuándo usar regresión de Cox en R. Incluye simulaciones, ajuste de modelos y una demostración de equivalencia matemática para datos emparejados con estratos.

Ver repositorio Abrir tutorial

Descripción

clogit() se usa para estudios de casos y controles emparejados, donde cada caso se compara con su control dentro de un mismo estrato.

coxph() se usa en análisis de supervivencia, cuando interesa modelar el tiempo hasta un evento y su relación con covariables.

Cuándo usar cada modelo

Usa clogit() si no tienes tiempo de seguimiento y hay emparejamiento por estratos.
Usa coxph() si el tiempo hasta evento es parte central de la pregunta.
Ambos pueden conectarse matemáticamente en escenarios de riesgo emparejado.
El método exacto en Cox permite recuperar la formulación condicional.

Ejemplo con regresión condicional

library(survival)

set.seed(123)
n_parejas <- 100
id_pareja <- rep(1:n_parejas, each = 2)
estado <- rep(c(1, 0), times = n_parejas)

exposicion <- ifelse(
  estado == 1,
  rbinom(n_parejas, 1, 0.7),
  rbinom(n_parejas, 1, 0.3)
)

datos_clogit <- data.frame(id_pareja, estado, exposicion)

modelo_clogit <- clogit(
  estado ~ exposicion + strata(id_pareja),
  data = datos_clogit
)

Demostración de equivalencia

datos_clogit$tiempo_falso <- 1

modelo_cox_equivalente <- coxph(
  Surv(tiempo_falso, estado) ~ exposicion + strata(id_pareja),
  data = datos_clogit,
  method = "exact"
)

coef(modelo_clogit)
coef(modelo_cox_equivalente)

En este escenario, ambos coeficientes coinciden porque el problema de riesgo condicional y el de casos-control estratificado comparten la misma base.

Nota metodológica

Si tu objetivo es inferencia causal o predictiva en cohortes con tiempo de seguimiento, Cox es el marco natural. Si trabajas con diseño emparejado sin tiempo explícito, la regresión condicional es la opción más directa e interpretable.

Volver a tutoriales Ir al inicio