Comparison of two analytical options in academic performance prediction: classification trees versus logistic regression
Keywords:
árboles de clasificación y regresión, regresión logística, rendimiento académico, estudios de predicciónAbstract
Classification and regression trees and logistic regression are two statistical techniques frequently used in biomedical research, which are contained in several statistical programs. However, their advantages and disadvantages, and the conditions for the application of each, are not well known. The purpose of this article is to compare, from a didactic perspective, the two analytical resources in the context of prediction studies. This paper emphasizes the advantages and relative disadvantages of these two techniques and their values and complementary uses. Efforts are made to minimize the use of technical language, and instead, highly intuitive and practical reasoning arguments are presented. Both options are illustrated with the results of an investigation related to the prognosis of academic performance in first-year medical students at the Faculty of Medical Sciences “Victoria de Girón”, University of Medical Sciences of Havana.
Downloads
References
Breiman L, Friedman J, Olshen RA, Stone CJ. Classification and Regression Trees. Monterey, CA: Brooks/Cole Publishing; 1984.
Loh W-Y. Classification and regression trees. WIREs: Data Mining Knowl Discov [Internet]. 2011 [citado 30 Ene 2025];1(1):14-23. Disponible en: https://wires.onlibrary.wiley.com//doi/10.1002/widm.8
Carrasco RA, Bueno I, Montero JM. Árboles de clasificación y regresión. En: Fernández Avilés G, Montero JM, editores. Fundamentos de ciencia de datos en R [Internet]. Madrid: McGraw-Hill Interamericana de España S. L.; 2024 [citado 20 Mar 2025]. Disponible en: https://cdr-book.github.io/cap-arboles.html
Carrizosa E, Molero-Río C, Romero Morales D. Mathematical optimization in classification and regression trees. TOP [Internet]. 2021 [citado 20 Mar 2025];29:5-33. Disponible en: https://link.springer.com/content/pdf/10.1007/s11750-021-00594-1.pdf
Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: data mining, inference and prediction. Nueva York, NY: Springer; 2009.
James G, Witten D, Hastie T, Tibshirani R. An Introduction to Statistical Learning with Applications in R. Nueva York, NY: Springer; 2021.
Martínez Pérez JA, Pérez Martín PS. Regresión logística. Medicina de Familia. SEMERGEN [Internet]. 2024 [citado 21 Mar 2025];50(1):1-7. Disponible en: https://www.elsevier.es/es-revista-familia-semergen-40-pdf-S1135389323001661
Schalttmann P. Statistics in diagnostic medicine. Clin Chem Lab Med [Internet]. 2022 Mar 31 [citado 23 Feb 2025];60(6):801-807. Disponible en: https://degruyterbrill.com/document/doi/10.1515/cclm-2022-0225/html
McShane BB, Gal D, Gelman A, Robert C, Tackett JL. Abandon Statistical Significance. Am Stat [Internet]. 2019 [citado 30 Ene 2025];73(Suppl 1):S235-245. Disponible en: https://tandfonline.com/doi/full/10.1080/00031305.2018.1527253?scroll=top&needAcces
Hurlbert SH, Levine RA, Utts J. Coup de Grâce for a Tough Old Bull: “Statistically Significant” Expires. Am Stat [Internet]. 2019 [citado 30 Ene 2025];73(suppl 1):S352-357. Disponible en: https://tandfonline.com/doi/full/10.1080/00031305.2018.1543616?scroll=top&needAcces
Greenland S. For and Against Methodologies: Some Perspectives on Recent Causal and Statistical Inference Debates. Eur J Epidemiol [Internet]. 2017 [citado 16 Feb 2025];32(1):3-20. Disponible en: https://link.springer.com/article/10.1007/s10654-017-0230-6
Anstey E. D-48 Tests de Dominós. Manual. 12 ed. Madrid: TEA Ediciones; 1999.
Martínez Angulo MR. Manual de técnicas de exploración psicológica. La Habana: Editorial Pueblo y Educación; 2013.
Zou H, Hastie T. Regularization and variable selection via the elastic net. J R Stat Soc Series B: Statistical Methodology [Internet]. 2005 [citado 2 Mar 2025];67(2):301-320. Disponible en: https://studylib.net/doc/8388343/regularization-and-variable-selection-via-the-elastic-net
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 http://creativecommons.org/licenses/by-nc-sa/4.0
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes: Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC-BY-NC 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista. Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
Como Revista Cubana de Investigaciones Biomédicas forma parte de la red SciELO, una vez los artículos sean aceptados para entrar al proceso editorial (revisión), estos pueden ser depositados por parte de los autores, si estan de acuerdo, en SciELO preprints, siendo actualizados por los autores al concluir el proceso de revisión y las pruebas de maquetación.
