Regresión logística y rna’s para la clasificación del consumo de alcohol en universitarios de la facfym- unprg 2025.

Abstract

La presente investigación tuvo como objetivo comparar el desempeño de dos enfoques estadísticos —la regresión logística y las redes neuronales artificiales (RNA)— en la clasificación del consumo de alcohol en estudiantes universitarios de la Facultad de Ciencias Físicas y

Matemáticas de la Universidad Nacional Pedro Ruiz Gallo (FACFyM- UNPRG) durante el año 2025. Con un diseño no experimental, transversal

y de enfoque cuantitativo predictivo, se trabajó con una muestra aleatoria simple de 250 estudiantes, aplicando un cuestionario estructurado que recogió información sociodemográfica, social, psicológica y biológica. Se estimaron dos modelos predictivos: uno basado en regresión logística binaria y otro en redes neuronales multicapa. Ambos mostraron un rendimiento aceptable, pero la RNA superó al modelo logístico en todas las métricas evaluadas (precisión: 87% vs. 82%, AUC-ROC: 0.85 vs. 0.79, F1-score: 0.86 vs. 0.81). Las variables más influyentes en ambos modelos fueron la presión de grupo, la ansiedad/estrés, la edad de inicio del consumo y los antecedentes familiares. Se concluye que, aunque la regresión logística permite interpretar con claridad los factores asociados al consumo, las redes neuronales ofrecen una mayor capacidad predictiva. Esta combinación de modelos aporta herramientas útiles para el diseño de estrategias preventivas en contextos educativos y de salud pública.

The present study aimed to compare the performance of two statistical approaches —logistic regression and artificial neural networks (ANN)— in classifying alcohol consumption among university students from the Faculty of Physical and Mathematical Sciences at the National University Pedro Ruiz Gallo (FACFyM-UNPRG) during the year 2025. Using a non-experimental, cross-sectional, and predictive quantitative design, a simple random sample of 250 students was analyzed through a structured questionnaire gathering sociodemographic, social, psychological, and biological data. Two predictive models were developed: one based on binary logistic regression and another using a multilayer artificial neural network. Both models showed acceptable performance, but the ANN outperformed logistic regression across all metrics (accuracy: 87% vs. 82%, AUC-ROC: 0.85 vs. 0.79, F1-score: 0.86 vs. 0.81). The most influential variables in both models included peer pressure, anxiety/stress, age at drinking onset, and family history of alcohol use. It is concluded that while logistic regression allows for clearer interpretation of risk factors, neural networks offer higher predictive capability. This dual-model approach provides valuable tools for designing