---
title: "Regressão linear e regressão logística: quais são suas diferenças?"
url: https://www.blog.psicometriaonline.com.br/diferenca-entre-regressao-linear-e-regressao-logistica
canonical: https://www.blog.psicometriaonline.com.br/diferenca-entre-regressao-linear-e-regressao-logistica
language: pt-BR
published: 2025-01-28T20:46:16.000Z
updated: 2026-03-30T00:31:05.335Z
modified: 2026-03-30T00:31:05.335Z
author: "Marcos Lima"
categories: ["Análises bi e multivariadas"]
tags: ["regressão"]
description: "Neste post, apresentamos brevemente regressão linear e regressão logística para explicitar suas três principais diferenças. Saiba mais!"
source: Blog Psicometria Online
---
# Regressão linear e regressão logística: quais são suas diferenças?

> Na análise quantitativa de dados, a regressão é uma técnica fundamental para investigarmos relações preditivas entre variáveis. Existem diferentes tipos de técnicas de regressão, mas, neste post, abordaremos duas delas, a saber, regressão linear e regressão logística. Sendo assim, o objetivo do p...

Na análise quantitativa de dados, a regressão é uma técnica fundamental para investigarmos relações preditivas entre variáveis. Existem diferentes tipos de técnicas de regressão, mas, neste post, abordaremos duas delas, a saber, regressão linear e regressão logística.

Sendo assim, o objetivo do post é apresentar brevemente cada um desses tipos de regressão para, em seguida, explicitarmos suas três principais diferenças.

## Terminologia inicial

A fim de estabelecermos um vocabulário comum, introduziremos uma série de termos que serão usados a seguir.

**Variável critério** é aquela que queremos explicar ou predizer em nossos modelos estatísticos. Ela também é conhecida como [**variável dependente**](/o-que-sao-variaveis-independentes-e-dependentes) ou **variável de resultado**, em certos contextos.

Em contrapartida, a **variável preditora** é aquela que usamos para predizer os valores da variável critério. Ela também é conhecida como **variável independente** ou **variável antecedente**.

Nossos modelos de regressão podem ser simples ou múltiplos. Chamamos uma regressão de **simples** quando ela possui apenas **uma variável preditora**, enquanto uma regressão é chamada de **múltipla** quando possui **duas ou mais variáveis preditoras**. Contudo, ambas as regressões simples e múltipla possuem uma única variável critério.

## O que é regressão linear?

A **regressão linear** é uma técnica em que a variável critério é contínua ou aproximadamente contínua. Seu objetivo é estimar os parâmetros de uma equação que melhor explica a relação linear entre uma variável critério e uma ou mais variáveis preditoras. Podemos representar a equação básica da [regressão linear múltipla](/o-que-e-regressao-linear-multipla) da seguinte forma:

![equação da regressão linear múltipla.](/uploads/2023-06_regresao-linear-multipla.jpg)

Onde *y* representa a variável critério do modelo, *x*1, *x*2, …, *xk* são as variáveis preditoras, *b*₀, *b*₁, *b*₂, …, *bk* são os coeficientes de regressão não padronizados e ε é o termo de erro. Em alguns casos, apresenta-se a fórmula substituindo os *b*s por βs (letra grega beta), para indicar que os coeficientes de regressão foram [padronizados](/como-calcular-o-escore-z-no-spss).

A regressão linear é amplamente utilizada para prever ou estimar valores numéricos contínuos com base em uma ou mais variáveis explicativas.

Por exemplo, podemos querer investigar se a qualidade de parentagem dos cuidadores prediz o nível de agressividade dos filhos. Em nosso exemplo, a qualidade de parentagem é a variável preditora, e o nível de agressividade, a variável critério. Apresentamos dados hipotéticos desse exemplo na Figura 1.

![regressão linear e regressão logística, exemplo 1.](/uploads/2023-06_exemplo-regressao-linear-1.jpg)

*Figura 1. Diagrama de dispersão ilustrando relação negativa entre qualidade de parentagem dos cuidadores e nível de agressividade dos filhos. Baseado em Field (2017).*

A Figura 1 sugere que quanto **menor** a qualidade de parentagem, **maiores** os níveis de agressividade das crianças. De fato, por meio da regressão linear, é possível propor um modelo que estime a reta de melhor ajuste que descreve a relação entre variáveis.

Para fins didáticos, restringimo-nos ao caso da regressão linear simples, com apenas uma variável preditora. Contudo, poderíamos inserir outras preditoras em nosso modelo, tais como tempo assistindo televisão, tempo de jogos de videogame e nível socioeconômico da família, para citar algumas possibilidades.

## O que é regressão logística?

A **regressão logística** é uma técnica em que a variável critério é categórica. Ela estima a probabilidade de pertencimento a diferentes categorias (e.g., usar preservativos vs. não usar preservativos; adoecer vs. não adoecer; ser solteiro vs. casado vs. viúvo).

Podemos representar a [regressão logística](/o-que-e-regressao-logistica) binária da seguinte maneira:

![regressão logística, equação.](/uploads/2023-06_regresao-logistica-multipla-formula.jpg)

Onde *p*(*y* = 1) representa a probabilidade de um caso fazer parte da categoria = 1 da variável critério. Os demais valores são similares à equação anterior. Já a presente equação restringe os valores de saída entre 0 e 1, como deve ocorrer com probabilidades.

Por exemplo, podemos testar se o risco percebido de relação sexual desprotegida aumenta a probabilidade de usar preservativo. O risco percebido de relação sexual desprotegida é a variável preditora, e a probabilidade de uso de preservativo, a variável critério. A Figura 2 mostra dados hipotéticos do exemplo.

![regressão linear e regressão logística, exemplo 2.](/uploads/2023-06_exemplo-regressao-logistica-1.jpg)

*Figura 2. Diagrama de dispersão ilustrando relação positiva entre risco percebido de relação sexual desprotegida e probabilidade de usar preservativo.* *Baseado em Field (2017).*

A Figura 2 sugere que quanto **maior** é o risco percebido de relação sexual desprotegida, **maior** é a probabilidade de uso de preservativo. Por meio desse modelo de regressão logística, poderíamos estimar os coeficientes que caracterizam a relação entre as variáveis de interesse.

Nesta seção, restringimo-nos ao caso da regressão logística binária simples, isto é, com variável critério com apenas dois níveis (usar preservativo vs. não usar preservativo) e com uma única variável preditora. No entanto, poderíamos testar modelos com uma variável critério com três ou mais níveis (i.e., [regressão logística multinomial](https://blog-academy.replit.app/tipos-de-regressao-logistica)), assim como modelos com múltiplas variáveis preditoras (i.e., regressão logística múltipla).

Por exemplo, outras possíveis variáveis preditoras do uso de preservativo incluem o histórico prévio de infecções sexualmente transmissíveis, o grau de confiança no(a) parceiro(a) e a religião do(a) participante.

## Quais são as diferenças entre a regressão linear e a regressão logística?

As três principais diferenças entre as regressões linear e logística (Figura 3) serão elaboradas a seguir.

![diferenças entre regressão linear e regressão logística.](/uploads/2023-06_linear-e-logistica-diferencas.jpg)

*Figura 3. Principais diferenças entre regressão linear e regressão logística.*

Primeiramente, a **variável critério** é contínua ou aproximdamente contínua na regressão linear (e.g., nível de ansiedade, renda mensal e peso), mas categórica na regressão logística (e.g., aprovação em um teste, presença de uma doença e tipo de moradia).

Além disso, o **tipo de relação** entre as variáveis preditoras e a variável critério é linear na regressão linear (veja a Figura 1), mas não linear, na regressão logística (veja a Figura 2).

Por fim, a **interpretação dos coeficientes** difere entre os dois tipos de regressão. Na regressão linear, cada coeficiente representa a mudança na variável critério associada a uma unidade de mudança na variável preditora.

Por exemplo, nosso coeficiente na Figura 1 foi de *b*1 = –0,067, o que indica que, a cada **aumento** em uma unidade na qualidade de parentagem, esperamos uma **diminuição** de 0,067 no nível de agressividade.

Em contrapartida, na regressão logística, cada coeficiente representa o log-odds associado a uma unidade de mudança na variável preditora. No entanto, para facilitar a interpretação do coeficiente, convertemos seu valor para [razão de chances](/o-que-e-razao-de-chances-odds-ratio) (RC), aplicando a função exponencial, (e.g., RC = *eb*1).

Por exemplo, o coeficiente da Figura 2 foi *b*1 = 0,671. Sendo assim, esse valor equivale a RC = *e*0,671 = 1,96, com intervalo de confiança entre 1,43 e 2,69.

Em síntese, para cada unidade de **aumento** no risco percebido de relação sexual desprotegida, os participantes são 1,96 vezes **mais prováveis** de usar preservativos. Como o intervalo de confiança de 95% não inclui o valor nulo (RC = 1), concluímos que o risco percebido é um preditor significativo do uso de preservativo.

## Conclusão

Se você precisa aprender análise de dados, então faça parte da [**Psicometria Online Academy**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post), a maior formação de pesquisadores quantitativos da América Latina. Conheça toda nossa estrutura [**aqui**](https://academy-po.psicometriaonline.com.br/?utm_source=blog&utm_medium=organico&utm_campaign=&utm_term=&utm_content=post) e nunca mais passe trabalho sozinho(a).

## Referência

Field, A. (2017). *Discovering statistics using IBM SPSS Statistics* (5th ed.). Sage.

## Como citar este post

> **Como citar este artigo:** Lima, M. (2025, 28 de janeiro). Regressão linear e regressão logística: Quais são suas diferenças? *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/diferenca-entre-regressao-linear-e-regressao-logistica