Technology Rain Journal ISSN: 2953-464X
Vol. 5 Núm. 1 (Enero - Julio 2026),e114X.
https://technologyrain.com.ar/
Artículo de Investigación Original
Sedentarismo en Jóvenes y Adultos en Ecuador: Análisis con Ciencia de Datos
y Regresión Logística Binaria (ENEMDU 2023)
Analyzing Sedentary Behavior in Ecuadorian Youth and Adults through Data
Science and Logistic Regression (ENEMDU 2023)
Luis Patricio Juna Pozo
1[0009-0005-9006-0502]
1
Investigador Independiente – Ecuador, junaluis@hotmail.com.
CITA EN APA:
Juna Pozo, L. P. (2026).
Sedentarismo en Jóvenes y Adultos
en Ecuador: Análisis con Ciencia de
Datos y Regresión Logística Binaria
(ENEMDU 2023). Technology Rain
Journal, 5(1).
https://doi.org/10.55204/trj.v5i1.e114
Recibido: 30 de septiembre-2025
Aceptado: 29 de diciembre-2025
Publicado: 1 de febrero-2026
Technology Rain Journal
ISSN: 2953-464X
Resumen: El sedentarismo representa un desafío creciente de salud pública
asociado al aumento de enfermedades crónicas no transmisibles. Este estudio
analiza los factores vinculados al sedentarismo en jóvenes y adultos
ecuatorianos, utilizando datos de la Encuesta Nacional de Empleo, Desempleo
y Subempleo (ENEMDU 2023). Se aplicó un modelo de regresión logística
binaria para identificar variables determinantes en la probabilidad de adoptar un
estilo de vida sedentario. Los resultados muestran que residir en zonas urbanas
(OR = 2.016) y ser mujer (OR = 1.196) incrementan significativamente el riesgo,
mientras que realizar actividad física la semana anterior (OR = 0.651) lo reduce
de manera importante. Otros factores asociados son estado civil, rol en el hogar,
empleo y nivel educativo. Los hallazgos evidencian que el sedentarismo
responde a una interacción compleja de factores sociodemográficos y
conductuales. Se concluye que las políticas públicas deben priorizar estrategias
comunitarias y de género que promuevan estilos de vida activos, especialmente
en contextos urbanos.
Palabras Clave:
Sedentarismo, actividad física, regresión logística binaria, multicolinealidad.
Los contenidos de este artículo están
bajo una licencia de Creative
Commons Attribution 4.0
International (CC BY 4.0 )
Los autores conservan los derechos
morales y patrimoniales de sus obras.
Abstract: Sedentary behavior is a growing public health concern linked
to the increasing prevalence of non-communicable chronic diseases.
This study examines the factors associated with sedentary lifestyles
among Ecuadorian youth and adults using data from the 2023 National
Employment, Unemployment, and Underemployment Survey
(ENEMDU 2023). A binary logistic regression model was applied to
identify the main determinants of adopting a sedentary lifestyle. Results
indicate that living in urban areas (OR = 2.016) and being female (OR
= 1.196) significantly increase the likelihood of sedentary behavior,
while engaging in physical activity during the previous week (OR =
0.651) substantially reduces it. Additional relevant factors include
marital status, household role, type of employment, and educational
attainment. Findings suggest that sedentary behavior in Ecuador arises
from a complex interplay of sociodemographic and behavioral variables.
Public policies should prioritize gender-sensitive, community-based
strategies that encourage physical activity, with particular emphasis on
urban environments where sedentary behavior is most prevalent.
Keywords: Sedentary behavior, physical activity, binary logistic
regression, multicollinearity.
2
https://technologyrain.com.ar/
1. INTRODUCCIÓN
Actualmente, la conducta sedentaria representa un desafío crítico para la salud pública
global, consolidándose como un patrón de comportamiento que suele arraigarse en la adolescencia
y persistir durante la etapa adulta, este fenómeno está estrechamente vinculado a los estilos de vida
contemporáneos, donde la falta de oportunidades para la actividad física cotidiana ha derivado en
un incumplimiento sistemático de las recomendaciones internacionales de salud (Bull et al., 2020).
Evidencia reciente subraya que, lejos de revertirse, los niveles de insuficiencia física muestran una
tendencia al alza a nivel mundial, lo que incrementa el riesgo de enfermedades crónicas en la
población (Strain et al., 2024). En Ecuador, este fenómeno se ha intensificado debido a la
urbanización acelerada y al incremento de actividades laborales sedentarias con el uso frecuente de
dispositivos de pantalla, lo que agrava los problemas de salud pública a lo largo de los años y
evidencia la necesidad de implementar estrategias de prevención y promoción de estilos de vida
activos desde etapas tempranas (García & Morán, 2021; León & Domínguez, 2024).
El estudio de los determinantes de la salud desde una perspectiva de curso de vida ha ganado
relevancia gracias a la consolidación de cohortes poblacionales robustas, en el contexto brasileño,
una revisión de alcance identificó múltiples estudios longitudinales con potencial para analizar cómo
los factores ambientales y de comportamiento, como la actividad física, impactan el desarrollo de
enfermedades a lo largo de las décadas, estas investigaciones son fundamentales para diseñar
intervenciones de salud pública que no solo aborden el estado actual del individuo, sino también su
trayectoria histórica de exposición a factores de riesgo (Malta et al., 2021).
En cuanto a los esfuerzos realizados sobre el sedentarismo, la literatura internacional ha
empleado ampliamente modelos de regresión logística binaria y enfoques de ciencia de datos para
identificar factores determinantes del sedentarismo en diferentes contextos, estudios recientes han
abordado su relación con la salud mental, la distribución de la actividad física, las cargas alostáticas
durante el embarazo y la prevalencia de enfermedades crónicas, aportando evidencia robusta para
el diseño de estrategias de intervención (Zhang et al., 2024; Bull et al., 2020). A nivel nacional, el
Instituto Nacional de Estadística y Censos (INEC) incorporó en 2023 un módulo específico sobre
actividad física en la ENEMDU 2023, lo que abre una oportunidad inédita para realizar análisis
detallados mediante métodos cuantitativos avanzados.
Este trabajo es motivado por la aportación de evidencia empírica actualizada que refleje la
realidad ecuatoriana mostrando en un contexto de bioestadística en conjunto con los factores
sociales y económicos para el uso de métodos cuantitativos avanzados para identificar patrones
sociodemográficos asociados al sedentarismo, esta propuesta responde a vacíos existentes en la
literatura nacional, donde la disponibilidad de datos de la ENEMDU 2023 permite un análisis
multidimensional y con una fuerte necesidad de tomar acciones ante un problema de salud pública,
Technology Rain Journal ISSN: 2953-464X (2023) 3
https://technologyrain.com.ar/
que finalmente puede contribuir a destinar esfuerzos para reducir los gastos en medicina tanto en
hogares y centros de salud.
El objetivo central del artículo es identificar los factores sociodemográficos y económicos
que determinan el sedentarismo en jóvenes y adultos ecuatorianos, mediante un análisis basado en
ciencia de datos y regresión logística binaria aplicado a la ENEMDU 2023, se busca generar
resultados que sirvan como insumo para diseñar políticas públicas y estrategias de promoción de la
actividad física en contextos urbanos y rurales, verificar las variables que son relevantes para la
explicación del aumento en los hábitos sedentarios de los ecuatorianos.
La propuesta consiste en un proceso sistemático de Extracción, Transformación y Carga
(ETL) de los microdatos de la ENEMDU 2023, seguido de la aplicación de un modelo Logit Binario
comparado con otros enfoques como el Modelo de Probabilidad Lineal (MPL) y el modelo Probit;
este enfoque metodológico es consistente con prácticas contemporáneas en análisis de datos
poblacionales y salud pública, donde los modelos de respuesta binaria se emplean para estimar
probabilidades condicionadas, evaluar la estabilidad de los efectos marginales y fortalecer la
interpretación de los resultados en contextos de toma de decisiones basadas en evidencia (Angrist y
Pischke, 2022; James et al., 2023).
2. METODOLOGÍA
La metodología de esta investigación se sustenta en un enfoque cuantitativo, transversal y
analítico, el cual resulta adecuado para examinar los factores asociados a fenómenos poblacionales
de salud (Tsuboi et al., 2021). Para ello, se emplearon microdatos de la Encuesta Nacional de
Empleo, Desempleo y Subempleo (ENEMDU) 2023, cuyo diseño probabilístico, estratificado y por
conglomerados garantiza la representatividad nacional. El análisis se desarrolló en tres etapas:
primero, un proceso de Extracción, Transformación y Carga (ETL) para la limpieza y estructuración
de la base; segundo, la definición de variables según recomendaciones metodológicas en estudios
epidemiológicos; y tercero, la aplicación de un modelo de regresión logística binaria, esta técnica
es idónea para el análisis de variables dicotómicas y se encuentra ampliamente validada en la
investigación de salud pública (Heissel et al., 2023). Dicho enfoque permite identificar asociaciones
significativas entre el sedentarismo y los determinantes sociodemográficos de la población
ecuatoriana.
2.1. Diseño del estudio
El estudio adopta un diseño exploratorio, analítico y transversal, seleccionado por su
pertinencia para responder a los objetivos de investigación mediante el análisis de los microdatos
de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) 2023, el enfoque
4
https://technologyrain.com.ar/
observacional se deriva del uso de datos secundarios, lo que permite examinar fenómenos existentes
en la población sin intervención directa sobre las variables de estudio.
Desde una perspectiva analítica, la aplicación de la regresión logística posibilita no solo
estimar la prevalencia del sedentarismo, sino también identificar y cuantificar la asociación entre
factores sociodemográficos y económicos, también la probabilidad de presentar conductas
sedentarias, metodología ampliamente recomendada para el análisis de variables dicotómicas en
estudios poblacionales recientes (Creswell & Creswell, 2023; Sainani, 2021). El carácter transversal
del diseño facilita la obtención de una instantánea de estas asociaciones en un momento específico
del tiempo, proporcionando una caracterización empírica de la problemática en la población
ecuatoriana, con la limitación inherente de no permitir inferencias causales directas, aunque con un
valor significativo para la formulación de estrategias de salud pública basadas en evidencia
consolidada en una base de datos estable que no tendría mayores cambios por parte del INEC.
2.2. Fuente de datos
Los datos para el presente estudio serán obtenidos de la Encuesta Nacional de Empleo,
Desempleo y Subempleo (ENEMDU) de 2023, una iniciativa clave del Instituto Nacional de
Estadística y Censos (INEC) de Ecuador, esta encuesta, diseñada con un muestreo probabilístico,
estratificado y por conglomerados, tiene como objetivo principal la recopilación de información
socioeconómica detallada de los hogares y sus miembros a nivel nacional, abarcando indicadores
de empleo, desempleo, subempleo y otras características demográficas y económicas relevantes.
La ENEMDU 2023 se selecciona como fuente de datos por su representatividad nacional y
la disponibilidad de un robusto conjunto de variables sociodemográficas y económicas que, si bien
su propósito primario no es la salud, incluyen información valiosa sobre patrones de tiempo libre,
ocupación y movilidad que pueden ser utilizados para operacionalizar y analizar el comportamiento
sedentario. El acceso a estos microdatos, previa solicitud al INEC, asegura la posibilidad de realizar
un análisis profundo y pertinente a los objetivos de esta investigación sobre el sedentarismo en
jóvenes y adultos de mediana edad en Ecuador.
2.3. Población y muestra
La población objetivo de la ENEMDU 2023 corresponde a todas las personas jóvenes y
adultos de mediana edad entre los jóvenes como personas entre 15 y 29 años, y a los adultos de
mediana edad como aquellos entre 45 y 59 años (OMS y OPS, 2020), residentes habituales en
viviendas particulares dentro del territorio ecuatoriano, incluyendo la región insular. Esta población
de referencia es la base para la generación de los indicadores laborales del país, así como otras
características socioeconómicas.
El diseño muestral utilizado es de tipo probabilístico, estratificado y por conglomerados, con
un esquema bietápico de selección. En la primera etapa, se seleccionan Unidades Primarias de
Technology Rain Journal ISSN: 2953-464X (2023) 5
https://technologyrain.com.ar/
Muestreo (UPM) por estrato, y en la segunda etapa, se seleccionan viviendas ocupadas dentro de
cada UPM. El tamaño de muestra fue de 108,192 viviendas a nivel nacional, lo que garantiza la
representatividad para los dominios nacional, urbano, rural y cinco ciudades con mayor
representatividad (Quito, Guayaquil, Cuenca, Machala y Ambato) (INEC, 2023).
Para el presente estudio, la muestra de análisis estará conformada por aquellos individuos
dentro de la ENEMDU 2023 que se clasifiquen como jóvenes y adultos de mediana edad.
Específicamente, se incluirán personas en el rango de edad de 18 a 59 años. Se aplicarán los factores
de expansión muestral proporcionados por el INEC para asegurar que los resultados obtenidos sean
representativos de los jóvenes y adultos de mediana edad en el ámbito nacional de Ecuador. La
selección final de la muestra para el análisis se realizará una vez procesados los microdatos, filtrando
por los criterios de edad definidos y las variables de interés relacionadas con el sedentarismo.
2.4. Elección de variables
Esta investigación considera como variable dependiente la actividad física en personas de
15 a 59 años, basándose en la recomendación de la OPS (OPS, 2020) de realizar entre 150 y 300
minutos semanales de actividad moderada. Este rango etario se selecciona por representar un grupo
clave dentro de la Población Económicamente Activa (PEA) en Ecuador (INEC, 2024), lo que
permite analizar su vinculación con el sedentarismo.
2.4.1 Variable Dependiente
La variable dependiente "sedentarismo" se definió como dicotómica (0 = no sedentario, 1 =
sedentario), considerando sedentarias a las personas que no alcanzaron al menos 3 horas semanales
de actividad física moderada, según la recomendación de la OMS y la estructura de la variable
af202h de la ENEMDU (OMS y OPS, 2020). Esta variable, basada en la pregunta sobre práctica de
actividad física en los últimos 7 días, fue recodificada como dummy para su uso en un modelo de
regresión logística binaria.
2.4.2 Variables Independientes:
Listado y descripción de las variables sociodemográficas, económicas, laborales, de estilo
de vida, etc., que incluirás en tu análisis para investigar su asociación con el sedentarismo.
2.5. Procesamiento de ETL
Descripción de los pasos que seguiste para preparar los datos para el análisis (extracción de
las variables relevantes, limpieza de datos, manejo de valores faltantes, transformación de variables
categóricas, creación de nuevas variables si es necesario, carga en el software de análisis).
2.6. Análisis estadístico
El análisis estadístico se desarrolló en dos fases complementarias. En primer lugar, se
efectuó una estadística descriptiva de las variables más relevantes incluidas en el estudio, con
especial atención a la variable dependiente (sedentarismo), con el objetivo de identificar diferencias
6
https://technologyrain.com.ar/
porcentuales entre grupos y caracterizar el comportamiento general de la muestra. Se calcularon
medidas de tendencia central y dispersión, lo que permitió obtener un panorama preliminar de los
patrones sociodemográficos y económicos asociados al fenómeno. Esta etapa facilitó la
identificación de variables con potencial explicativo y la detección de posibles valores atípicos o
inconsistencias en los datos.
En una segunda fase se estimaron modelos de regresión orientados a analizar la probabilidad
de sedentarismo en función de un conjunto de predictores, el procesamiento estadístico se realizó
mediante el software SPSS versión 26 (IBM Corporation, 2020), el cual permitió llevar a cabo de
forma eficiente las etapas de depuración, ponderación y análisis de los microdatos, se especificaron
tres enfoques de modelización regresión logística binaria (Logit), Modelo de Probabilidad Lineal
(MPL) y modelo Probit, con el propósito de contrastar la estabilidad de los coeficientes estimados,
su significancia estadística y el desempeño predictivo de cada especificación, esta estrategia
comparativa resulta metodológicamente pertinente, dado que los modelos Logit y Probit permiten
capturar relaciones no lineales entre una variable dependiente dicotómica y las variables
explicativas, mientras que el MPL proporciona una aproximación lineal simplificada que funciona
como referencia analítica (Wooldridge, 2021; Hosmer et al., 2020).
2.6.1 Independencia de las observaciones
La regresión logística binaria (que es la que usarías para "sedentario" vs. "no sedentario")
requiere que la variable de resultado tenga solo dos categorías mutuamente excluyentes y
exhaustivas, las observaciones (filas de datos) en tu conjunto de datos deben ser independientes
entre sí, esto significa que la probabilidad de un evento para un individuo no debe estar relacionada
con la probabilidad de un evento para otro individuo.
2.6.2 Detección de multicolinealidad
Realizar la prueba de multicolinealidad (Figura 1.) en un modelo de regresión logística
contribuye a mejorar la estabilidad y fiabilidad de los coeficientes, evitando problemas de
redundancia entre variables independientes (Montgomery et al., 2021). En el software se lo realiza
como si fuera una regresión lineal múltiple como variable dependiente una numérica en este caso
se tomó Ingresos para obtener estadísticos de tolerancia que deben tener una tendencia a 1 y VIF<5,
lo que se verifica que no existe problema de multicolinealidad como se muestra a continuación:
Technology Rain Journal ISSN: 2953-464X (2023) 7
https://technologyrain.com.ar/
Fig. 1. Pruebas de multicolinealidad de tolerancia y VIF.
2.6.3 Correlación de las variables independientes
La regresión logística modela la relación lineal entre cada variable predictora
(independiente) y el logit de la probabilidad de que ocurra el evento (no la probabilidad en sí misma),
una de las formas más regulares de elección para incluir las variable predictoras o independientes
es saber si tienen un grado de asociación y una prueba importante es la de Chi Cuadrado y es una
herramienta estadística fundamental para la investigación en salud pública (Sapkota et al., 2021).
Las correlaciones sugieren que las variables sociodemográficas (sexo, estado civil, nivel
educativo, ruralidad/urbanidad) y ciertos aspectos del empleo (empleado privado, jefe de hogar) o
la actividad física general declarada ("hizo deporte la semana pasada") no son los principales
factores que explican la prevalencia o intensidad del sedentarismo en jóvenes y adultos en Ecuador,
a pesar de que sus asociaciones sean estadísticamente significativas (Tabla 1.).
Tabla 1. Correlación Chi Cuadrado en variables categóricas.
Estadístico
Mujeres
Casados
Empleados
Privados
Urbana
Actividad
física
moderada
Hizo
deporte
la
semana
pasada
Secundaria
Trabajó
al menos
de 40
horas
Los que no
aportan
algún seguro
Saben leer
o escribir
Correlación
de Pearson
,062
**
-,119
**
,019
**
,142
**
-,107
**
,037
**
,008
**
,012
**
-,019
**
,031
**
Sig.
(bilateral)
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
Las variables numéricas de Edad, Ingresos Laborales e Ingresos Fijos reveló que todas las
asociaciones fueron estadísticamente muy significativas (p<0.001). No obstante, la fuerza de estas
correlaciones fue consistentemente muy débil, oscilando los coeficientes r entre −0.107 (para Edad)
8
https://technologyrain.com.ar/
y 0.007 (para Ingresos Fijos). Específicamente, la edad mostró una asociación muy débil y negativa
con el sedentarismo (a mayor edad, muy ligeramente menor sedentarismo), mientras que los
ingresos laborales y fijos presentaron correlaciones positivas y extremadamente débiles, casi nulas,
con el sedentarismo (Tabla2).
Tabla 2. Correlación Chi Cuadrado en variables categóricas.
Estadístico
Edad
Ingresos
Laborales
Ingresos
fijos
Correlación
de Pearson
-,108
**
,054
**
,049
**
Sig. (bilateral)
0,000
0,000
0,000
2.6.4. Modelo de regresión Logit Binario
El modelo de regresión logística es una herramienta estadística fundamental en el análisis de
fenómenos sociales y de salud pública (Schober & Vetter, 2021), especialmente cuando la variable
de interés es dicotómica, como en el caso del sedentarismo (sedentario vs. no sedentario). Su
principal ventaja radica en la capacidad de estimar la probabilidad de ocurrencia de un evento en
función de un conjunto de variables independientes, sean estas continuas o categóricas. La fórmula
de la regresión logística binaria está dada por (James et al., 2023):
Fórmula

󰇛
󰇜

(1)
Donde:
• p es la probabilidad que ocurra el evento.
• son los odds (razón de éxito vs. fracaso).
• ln logaritmo natural.
• β₀ es la constante o intercepto
• β₁,β₂,…,βₖ son los coeficientes de X₁,X₂,…,Xₖ que son
las variables independientes.
Los Odds (razón de momios) es la razón entre la probabilidad de que ocurra el evento (p) y
que no ocurra (1−p).
Odds ratio (razón
de momios):

(2)
Los Odds ratio (OR) se obtiene al aplicar la exponencial al coeficiente β:
Odds ratio (OR):

(3)

Technology Rain Journal ISSN: 2953-464X (2023) 9
https://technologyrain.com.ar/
La importancia del marco metodológico descansa en proporcionar información sobre la
forma en que la se ha desarrollado la investigación y hacer posible su replicabilidad.
El marco metodológico incluye dos partes diferenciadas: los elementos relativos al diseño
de la investigación (objeto, tipo de investigación realizada, hipótesis, ámbito del estudio, muestra y
tipo de muestreo); y la metodología utilizada (variables y técnicas de investigación, trabajo de
campo, protocolos de actuación y tipo de análisis realizados) y plan de análisis, instrumentos
utilizados.
2.6.5. Comparación con el Modelo de Probabilidad Lineal (MPL) y Probit
La comparación entre los modelos Logit, Probit y el Modelo de Probabilidad Lineal (MPL)
permite fortalecer la validez del análisis y comprobar la estabilidad de los resultados en el estudio
del sedentarismo, este procedimiento busca contrastar la dirección, significancia y magnitud de los
coeficientes estimados bajo diferentes supuestos funcionales, lo cual contribuye a mejorar la
precisión y fiabilidad del modelo seleccionado (Zhang, Li, Zeng, & Chen, 2021).
El Modelo de Probabilidad Lineal (MPL), estimado mediante mínimos cuadrados ordinarios,
permite una interpretación directa de los coeficientes como efectos marginales sobre la probabilidad
del evento de interés; sin embargo, presenta limitaciones metodológicas relevantes, como la
posibilidad de generar predicciones fuera del intervalo [0,1] y la presencia de heterocedasticidad en
los términos de error, aspectos que pueden afectar la eficiencia de las estimaciones y la validez de
la inferencia estadística. Por esta razón, su uso suele plantearse como referencia comparativa frente
a modelos no lineales diseñados específicamente para variables dicotómicas, como Logit y Probit
(Cameron & Trivedi, 2021). En cambio, los modelos Logit y Probit, basados en distribuciones
logística y normal respectivamente, corrigen estas deficiencias al restringir las probabilidades
estimadas dentro de un intervalo lógico y modelar la relación de forma no lineal, mejorando la
interpretación de los efectos marginales (Jose et al., 2020).
La ventaja de comparar estos tres modelos radica en la posibilidad de verificar la coherencia
entre enfoques lineales y no lineales, identificar posibles sesgos por especificación y evaluar la
robustez estadística del modelo logístico binario principal, en este estudio, los resultados mostraron
consistencia entre Logit y Probit en los signos y niveles de significancia, lo que confirma la
estabilidad de las relaciones estimadas y refuerza la validez del modelo aplicado al análisis del
sedentarismo en jóvenes y adultos ecuatorianos.
3. RESULTADOS Y DISCUCIÓN
3.1. Análisis descriptivo de las principales variables
10
https://technologyrain.com.ar/
Se presentan los resultados del análisis descriptivo, en resumen, a través del cual se busca
identificar las principales tendencias porcentuales de forma gráfica en las principales variables en
el modelo logístico binario, principalmente con el sedentarismo y la actividad física.
El gráfico circular de la figura 2, muestra que el 95% de la población encuestada no realizó
deporte la semana pasada según las recomendaciones de la OMS, mientras que solo el 5% sí lo hizo,
reflejando un nivel extremadamente bajo de práctica deportiva reciente, esta desproporción
evidencia una preocupante inactividad física a corto plazo, lo que puede tener implicaciones
negativas para la salud pública y el bienestar general.
Fig. 2. Actividad física realizada la semana pasada según las recomendaciones de la OMS. Casos ponderados con factor de
expansión.
El gráfico circular de la figura 3, muestra que el 87% de la población analizada es sedentaria,
mientras que solo el 13% no lo es, evidenciando una alarmante prevalencia de inactividad física.
Esta distribución resalta la necesidad de implementar estrategias de salud pública que fomenten
estilos de vida activos, ya que el sedentarismo está asociado a múltiples riesgos para la salud. La
visualización, con colores contrastantes y porcentajes claros, permite interpretar de forma rápida y
efectiva la magnitud del problema.
Technology Rain Journal ISSN: 2953-464X (2023) 11
https://technologyrain.com.ar/
Fig. 3. Distribución del sedentarismo en la población analizada según la definición operacional del estudio. Casos
ponderados con factor de expansión.
3.2. Análisis de correlación en las variables numéricas y categóricas
El análisis de correlación entre las variables permite identificar el grado y la dirección de las
relaciones existentes entre los factores sociodemográficos, económicos y laborales que inciden en
el sedentarismo. Esta etapa resulta fundamental para determinar la posible multicolinealidad antes
de aplicar los modelos de regresión, asegurando que las variables seleccionadas aporten información
independiente y relevante. Asimismo, el estudio de correlaciones contribuye a comprender cómo
interactúan las condiciones individuales y estructurales dentro del fenómeno analizado, tal como
señalan (Keyvanfard et al., 2023), quienes destacan que examinar la fuerza y consistencia de las
relaciones entre predictores mejora la validez de los modelos explicativos en estudios de salud
pública.
3.2.1 Correlación de Spearman entre las variables numéricas
La Figura 4 muestra que la variable numérica evaluada no sigue una distribución normal,
dado que los puntos presentan una dispersión irregular y no se alinean alrededor de la línea de
referencia correspondiente a una desviación igual a cero, esta variabilidad, especialmente marcada
en los valores extremos, sugiere asimetría y posibles valores atípicos en la distribución. La prueba
de Kolmogorov–Smirnov confirma esta observación al obtener un p-valor menor a 0.01, lo que
indica que los datos se desvían significativamente de la normalidad, ante este comportamiento, se
utiliza el coeficiente de correlación de Spearman para analizar las asociaciones entre las variables
numéricas del estudio, puesto que esta prueba no paramétrica no requiere supuestos de normalidad
y es adecuada para identificar relaciones monotónicas en datos asimétricos o con dispersión
heterogénea.
Fig. 4. Gráfico Q–Q de la variable ingresos laborales para evaluar la normalidad.
La correlación de Spearman (Tabla 3) muestra una relación negativa y estadísticamente
significativa entre la edad y los ingresos laborales (r = -0.024) y entre la edad y los ingresos fijos (r
12
https://technologyrain.com.ar/
= -0.037), con p-valor menor a 0.001; aunque estas asociaciones son de magnitud muy débil,
sugieren que a mayor edad existe una ligera disminución en los niveles de ingreso, lo cual podría
relacionarse con procesos de retiro laboral, transiciones ocupacionales o una menor participación
en el mercado de trabajo formal.
Tabla 3. Asociación entre las variables numéricas mediante la correlación de Spearman.
Estadístico
Variables
Edad
Ingresos
Laborales
Ingresos fijos
Coeficiente de
correlación
Edad
1,000
-,024
**
-,037
**
Sig. (bilateral)
0,000
0,000
3.2.2 Correlación de Pearson entre las variables categóricas
Para el análisis de las variables categóricas se aplicó el coeficiente de correlación de Pearson,
con el objetivo de identificar asociaciones significativas entre los factores sociodemográficos y el
sedentarismo. Este procedimiento resulta adecuado debido a que todas las variables categóricas del
estudio fueron operacionalizadas de forma dicotómica codificando con 1 a la categoría a ser
evaluada y cero con las que se compara o grupo de entre las variables nominales, lo que permite que
Pearson actúe como una correlación phi o punto-biserial (permite evaluar si la diferencia entre los
dos grupos categóricos), evaluando si las diferencias observadas entre categorías representan
relaciones estadísticamente significativas, su aplicación facilita comprender la interacción entre
variables como sexo, zona de residencia, estado civil y afiliación al seguro social en el
comportamiento sedentario de la población ecuatoriana.
La correlación de Pearson en las variables categóricas (Tabla 4) muestra asociaciones
estadísticamente significativas entre el sedentarismo y varios factores sociodemográficos, se
observa una correlación positiva con el sexo masculino (r = 0,341), el estado civil casado (r = 0,215),
el nivel educativo secundario (r = 0,223) y la residencia urbana (r = 0,103), lo que indica que el
sedentarismo es más frecuente en estos grupos. Por el contrario, las correlaciones negativas con ser
empleado privado (r = −0,050), trabajar al menos 40 horas semanales (r = −0,062), aportar al seguro
social (r = −0,084) y saber leer y escribir (r = −0,028) sugieren una ligera reducción en la
probabilidad de presentar sedentarismo. Aunque las magnitudes de los coeficientes son bajas, todas
las asociaciones son significativas (p < 0,01), lo que evidencia una influencia estructural del
contexto educativo y laboral sobre los hábitos de actividad física.
Technology Rain Journal ISSN: 2953-464X (2023) 13
https://technologyrain.com.ar/
Tabla 4. Asociación entre el sedentarismo y variables categóricas mediante la correlación de Pearson
Estadístico
Sedentarismo
La
comparación
es con las
mujeres
Casados
Jefe
del
hogar
Empleados
Privados
Urbana
Secundaria
Trabajó
al menos
de 40
horas en
la semana
Los que
aportan
algún
seguro
social
Saben
leer y
escribir
Correlación
de Pearson
1
,341
**
,215
**
,012
*
*
-,050
**
,103
**
,223
**
-
,062
**
-,084
**
-,028
**
Sig.
(bilateral)
0,000
0,000
0,008
0,000
0,000
0,000
0,000
0,000
0,000
3.3. Resultados del Análisis de Regresión Logística
El análisis de la regresión logística (Figura 5) evidencia que diversos factores
sociodemográficos y laborales influyen significativamente en la probabilidad de presentar
sedentarismo en Ecuador, la edad presenta un efecto protector, ya que cada año adicional reduce
ligeramente la probabilidad de ser sedentario (B = –0,013; OR = 0,987) con p-valor menor a 0,001.
En contraste, el género masculino (B = 0,271; OR = 1,312) y la residencia urbana (B = 0,738; OR
= 2,092) incrementan de manera marcada el riesgo, indicando que los hombres y los habitantes de
zonas urbanas tienen mayor propensión a estilos de vida inactivos.
Asimismo, estar casado (B = –0,521; OR = 0,594) y ser jefe del hogar (B = –0,410; OR =
0,664) disminuyen significativamente la probabilidad de sedentarismo, lo que sugiere que las
responsabilidades familiares y domésticas se asocian con mayores niveles de actividad cotidiana,
en cambio, trabajar al menos 40 horas semanales incrementa la probabilidad de sedentarismo (B =
0,306; OR = 1,358), posiblemente debido a largas jornadas laborales que implican mayor tiempo
sentado.
Los efectos de los ingresos, el nivel educativo y la afiliación al seguro social, aunque
estadísticamente significativos, presentan magnitudes reducidas, lo que indica una influencia
limitada en el comportamiento sedentario, siendo así, los resultados muestran que la edad, el sexo y
el entorno urbano constituyen los principales determinantes del sedentarismo en la población
ecuatoriana.
14
https://technologyrain.com.ar/
Fig. 5. Variables incluidas en la ecuación del modelo Logit Binario (coeficientes B y significancia estadística).
Vivir en zonas urbanas (OR = 2.016) y trabajar al menos 40 horas a la semana (OR = 1.332)
incrementan de manera significativa la probabilidad de presentar sedentarismo, lo que sugiere que
los entornos urbanos y las largas jornadas laborales favorecen estilos de vida menos activos. De
igual forma, ser mujer (OR = 1.196) y saber leer o escribir (OR = 1.173) se asocian con una mayor
probabilidad de sedentarismo, posiblemente debido a la concentración de estas personas en
actividades laborales de oficina o tareas que requieren menor esfuerzo físico. Por el contrario, estar
casado (OR = 0.600), realizar actividad física moderada (OR = 0.651), ser jefe del hogar (OR =
0.683) y trabajar en el sector privado (OR = 0.886) disminuyen la probabilidad de sedentarismo, lo
que evidencia el papel protector de la estructura familiar, la actividad física regular y ciertos tipos
de ocupación. En conjunto, estos resultados reflejan que los contextos social, familiar y laboral
ejercen una influencia determinante sobre los hábitos de actividad física de la población ecuatoriana
(Tabla 5).
Tabla 5. Resultados del modelo de regresión logística binaria: coeficientes B, significancia y variación porcentual asociada
al sedentarismo.
Variable
B
Sig.
Interpretación porcentual
Interpretación de coherencia
Edad
-0,013
0,000
Cada año reduce en 1,3 % la
probabilidad de sedentarismo.
Los adultos mayores tienden a
mantener más actividad cotidiana y
menos inactividad laboral.
Ingresos laborales
0,000
0,000
Cada dólar adicional incrementa en
un porcentaje mínimo la
probabilidad de sedentarismo.
Refleja empleos formales y urbanos
con ligera tendencia a estilos de vida
sedentarios.
Ingresos fijos
0,000
0,000
Cada dólar adicional incrementa en
un porcentaje mínimo la
probabilidad de sedentarismo.
La estabilidad económica puede
relacionarse con rutinas laborales
menos activas.
Technology Rain Journal ISSN: 2953-464X (2023) 15
https://technologyrain.com.ar/
Comparación con
mujeres
0,271
0,000
Ser hombre incrementa en 31,2 % la
probabilidad de sedentarismo.
En contextos urbanos, los hombres
suelen realizar menos actividad física
estructurada.
Casados
-0,521
0,000
Ser casado reduce en 40,6 % la
probabilidad de sedentarismo.
Las rutinas familiares y la vida en
pareja favorecen actividades
cotidianas más activas.
Jefe de hogar
-0,410
0,000
Ser jefe del hogar reduce en 33,6 %
la probabilidad de sedentarismo.
Las responsabilidades domésticas
implican mayor movilidad y
participación en tareas diarias.
Empleados privados
-0,128
0,000
Ser empleado del sector privado
reduce en 12,0 % la probabilidad de
sedentarismo.
Los trabajos privados suelen requerir
desplazamientos o actividades
presenciales.
Urbana
0,738
0,000
Vivir en zona urbana incrementa en
109,2 % la probabilidad de
sedentarismo.
En las ciudades predominan los
trabajos sedentarios y el uso de
transporte motorizado.
Secundaria
-0,081
0,000
Tener educación secundaria reduce
en 7,7 % la probabilidad de
sedentarismo.
Puede asociarse con mayor
conciencia laboral y participación en
actividades de movilidad.
Trabajo al menos 40
horas semanales
0,306
0,000
Trabajar al menos 40 horas
semanales incrementa en 35,8 % la
probabilidad de sedentarismo.
Las largas jornadas laborales suelen
implicar más tiempo sentado y
menor actividad física.
Aporta al seguro
social
-0,209
0,000
Aportar al seguro social reduce en
18,9 % la probabilidad de
sedentarismo.
Se asocia con empleo formal y
acceso a programas institucionales de
bienestar físico.
Sabe leer y escribir
0,141
0,000
Saber leer y escribir incrementa en
15,1 % la probabilidad de
sedentarismo.
Refleja un efecto estructural de la
composición poblacional más que un
factor causal directo.
El forest plot (Figura 5) muestra que vivir en zonas urbanas, ser hombre y trabajar al menos
40 horas semanales incrementan de manera significativa la probabilidad de presentar sedentarismo,
lo que refleja el impacto de las condiciones laborales extensas y de los entornos urbanos en la
reducción de la actividad física. En contraste, estar casado, ser jefe del hogar, aportar al seguro
social y trabajar en el sector privado disminuyen la probabilidad de sedentarismo, lo que sugiere
que la estabilidad familiar y laboral favorece niveles más altos de actividad cotidiana. Estas
tendencias permiten identificar patrones diferenciales de riesgo entre grupos poblacionales,
especialmente en función del entorno y las responsabilidades familiares y laborales.
16
https://technologyrain.com.ar/
Fig. 4. Forest plot de los odds ratio del modelo Logit Binario. Valores a la derecha de 1 indican mayor probabilidad de
sedentarismo.
3.4. Comparación de resultados entre: MPL, LOGIT y PROBIT
La comparación entre los modelos de Probabilidad Lineal (MPL), Logit y Probit permite evaluar
la coherencia de las estimaciones y la solidez del análisis sobre el sedentarismo, aunque los tres
modelos buscan explicar una variable binaria, se diferencian en la función con la que estiman la
probabilidad del evento, lo que hace pertinente contrastar sus resultados para verificar la estabilidad
de los coeficientes y la validez estadística del modelo principal.
La Tabla 6 muestra que existe una consistencia notable en la dirección y significancia de los
coeficientes entre los tres modelos, lo que evidencia la robustez de los resultados, en los tres casos,
las variables edad, estado civil, jefe del hogar, nivel educativo y aporte al seguro social presentan
efectos negativos, indicando que estas condiciones reducen la probabilidad de sedentarismo,
posiblemente debido a rutinas familiares más estructuradas, mayores responsabilidades domésticas
y una movilidad cotidiana superior, en cambio, las variables sexo masculino, residencia urbana y
trabajo prolongado mantienen efectos positivos, lo que sugiere que los entornos urbanos y las largas
jornadas laborales favorecen comportamientos sedentarios.
El modelo Logit resulta el más interpretable al expresar los efectos en términos de
probabilidades relativas (odds ratios), mientras que el Probit ofrece estimaciones suavizadas y
estables, especialmente útiles en muestras grandes, por su parte, el MPL, aunque útil como punto
de comparación, presenta limitaciones técnicas al asumir linealidad en una variable dependiente
dicotómica, los tres modelos refuerzan la evidencia de que el sedentarismo en Ecuador está
condicionado por factores sociodemográficos y laborales, destacando de manera particular la
influencia del entorno urbano y de los patrones de empleo formal.
Tabla 6. Comparación de los modelos MPL, Logit y Probit en la estimación de la probabilidad de sedentarismo.
Variable
Dirección del
efecto
MPL
(B)
Logit
(B)
Probit
(B)
Interpretación general
Edad
Negativo
−0,002
−0,013
−0,008
A mayor edad, menor probabilidad de
sedentarismo.
Ingresos
laborales
Positivo débil
1,6e−7
0,000
0,000
Efecto mínimo; ingresos más altos
ligeramente aumentan el sedentarismo.
Ingresos fijos
Negativo
débil
−6,6e−8
0,000
0,000
Efecto marginal; estabilidad económica
reduce levemente el sedentarismo.
Sexo (hombre
vs. mujer)
Positivo
0,032
0,271
0,148
Ser hombre incrementa la probabilidad de
sedentarismo.
Casados
Negativo
−0,065
−0,521
−0,284
Estar casado disminuye el sedentarismo,
asociado a rutinas familiares más activas.
Jefe del hogar
Negativo
−0,052
−0,410
−0,228
Mayor movilidad y participación
doméstica reducen el sedentarismo.
Technology Rain Journal ISSN: 2953-464X (2023) 17
https://technologyrain.com.ar/
Empleado
privado
Negativo
−0,017
−0,128
−0,068
Actividades presenciales reducen la
inactividad.
Zona urbana
Positivo
0,097
0,738
0,400
La vida urbana duplica la probabilidad de
sedentarismo.
Educación
secundaria
Negativo
−0,011
−0,081
−0,044
Niveles educativos medios tienden a
menor sedentarismo.
Trabajó ≥ 40
h/semana
Positivo
0,029
0,306
0,167
Largas jornadas laborales se asocian a
más sedentarismo.
Aporta seguro
social
Negativo
−0,045
−0,209
−0,104
Empleo formal reduce el sedentarismo.
Sabe leer y
escribir
Positivo
0,022
0,141
0,068
Refleja un efecto estructural poblacional,
más no causal.
3.5. Discusión
Los resultados muestran que factores sociodemográficos y laborales influyen
significativamente en el riesgo de sedentarismo en la población ecuatoriana, vivir en zonas urbanas
incrementa de manera considerable la probabilidad de sedentarismo (OR ≈ 2.09), lo que coincide
con diagnósticos institucionales que señalan que los entornos urbanos concentran actividades
sedentarias y limitan las oportunidades de movimiento cotidiano (Ministerio de Educación, 2023;
Instituto Nacional de Estadística y Censos [INEC], 2023; Revista Gestión, 2024). De igual forma,
trabajar al menos 40 horas semanales aumenta el riesgo de sedentarismo (OR ≈ 1.36), lo que refleja
el impacto de las largas jornadas laborales sobre los niveles de actividad física.
Factores como el estado civil, la jefatura del hogar, la afiliación al seguro social y el empleo
en el sector privado reducen la probabilidad de sedentarismo, lo cual se atribuye a mayores
responsabilidades domésticas, rutinas familiares estructuradas y dinámicas laborales presenciales
que fomentan la movilidad cotidiana, este patrón es consistente con investigaciones que asocian la
presencia del cónyuge y el acceso a recursos familiares con niveles superiores de actividad física y
una reducción del tiempo sedentario en adultos mayores (Kim & Kim, 2021). Por su parte, la edad
ejerce un efecto protector moderado (−1,3 % anual), sugiriendo que la población adulta mayor, pese
a disminuir el ejercicio vigoroso, conserva hábitos de movilidad o actividad física ligera, los
mencionados comportamientos se vinculan con un proceso de envejecimiento más saludable y una
mitigación del impacto negativo derivado de las conductas sedentarias (Manca et al., 2023).
El análisis también evidencia que los hombres presentan mayor probabilidad de
sedentarismo en comparación con las mujeres, tendencia que coincide con estudios regionales que
han identificado diferencias de género en la participación en actividades físicas, así como barreras
culturales y sociales que influyen en los niveles de movimiento. A su vez, los efectos del nivel
educativo y la alfabetización resultaron significativos pero modestos, lo que sugiere que su
influencia sobre el sedentarismo es parcial y probablemente mediada por factores laborales y de
entorno.
18
https://technologyrain.com.ar/
Estos resultados coinciden con hallazgos previos en la población ecuatoriana, como los
reportados por León y Domínguez (2024), quienes identificaron asociaciones entre condiciones
sociodemográficas, sedentarismo y enfermedades crónicas, esto probablemente es una evidencia
que indica que el sedentarismo responde a un conjunto de factores estructurales más que a
determinantes individuales aislados.
Desde una perspectiva de política pública, los hallazgos subrayan la necesidad de fortalecer
el acceso a espacios seguros para la actividad física, promover campañas de concienciación y
diseñar estrategias diferenciadas para grupos de mayor riesgo, especialmente en zonas urbanas y
entre trabajadores con jornadas prolongadas, adicionalmente, la limitada influencia de los ingresos
sugiere que las barreras a la actividad física son principalmente sociales, culturales y laborales, más
que económicas, en futuras investigaciones podrían profundizar en la interacción entre factores
ambientales, laborales y demográficos para desarrollar intervenciones más integrales y efectivas
frente al sedentarismo en Ecuador.
4. CONCLUSIONES
Los resultados del estudio evidencian que el sedentarismo en la población ecuatoriana
responde a un conjunto de factores sociodemográficos, laborales y estructurales que influyen de
manera diferenciada en la probabilidad de presentar esta conducta, la residencia en zonas urbanas
constituye el principal factor de riesgo, reflejando el impacto de entornos caracterizados por
actividades predominantemente sedentarias y la escasez de espacios accesibles para la actividad
física, las largas jornadas laborales incrementan la probabilidad de sedentarismo, lo que refuerza la
relación entre las condiciones laborales y los niveles de inactividad.
Aspectos como: el estado civil, la jefatura del hogar, el empleo formal y la participación
laboral en el sector privado se asociaron con una menor probabilidad de sedentarismo, sugiriendo
que las responsabilidades familiares y las dinámicas de trabajo estable favorecen una mayor
movilidad cotidiana, la edad presentó un efecto protector leve, lo cual podría atribuirse a la
continuidad de actividades físicas domésticas o comunitarias en etapas de vida más avanzadas y su
preocupación por un mayor cuidado en su salud, aunque, variables como el nivel educativo o la
alfabetización mostraron asociaciones significativas, sus efectos fueron moderados, lo que indica
que no constituyen determinantes principales del sedentarismo.
La consistencia observada entre los modelos MPL, Logit y Probit confirma la solidez
estadística de los hallazgos y permite establecer que el sedentarismo es un fenómeno condicionado
más por estructuras sociales y laborales que por características individuales aisladas, estos
resultados resaltan la necesidad de diseñar políticas públicas orientadas a promover estilos de vida
activos, con énfasis en la población urbana y en trabajadores con jornadas prolongadas, así como la
Technology Rain Journal ISSN: 2953-464X (2023) 19
https://technologyrain.com.ar/
importancia de generar estrategias que reduzcan inequidades en el acceso a oportunidades de
actividad física, en definitiva, los hallazgos abren la puerta a futuras investigaciones que incorporen
variables ambientales, urbanas y culturales para comprender de manera más integral los
determinantes del sedentarismo en Ecuador.
FINANCIACIÓN. Financiamiento Propio
CONFLICTO DE INTERESES
Yo Luis Patricio Juna Pozo, con DNI 1718306655, ecuatoriano, declaro que no existe
conflicto de intereses, o lo que corresponda.
CONTRIBUCIÓN DE AUTORÍA (Obligatorio)
En concordancia con la taxonomía establecida internacionalmente para la asignación de créditos a autores de
artículos científicos (https://credit.niso.org/). Los autores declaran sus contribuciones en la siguiente matriz:
Luis Juna
Participar activamente en:
Conceptualización
X
Análisis formal
X
Adquisición de fondos
X
Investigación
X
Metodología
X
Administración del proyecto
X
Recursos
X
Redacción –borrador original
X
Redacción –revisión y edición
X
La discusión de los resultados
X
Revisión y aprobación de la versión final del trabajo.
X
Referencias
Angrist, J. D., & Pischke, J.-S. (2022). Mostly Harmless Econometrics: An Empiricist’s Companion. Princeton: Princeton
University Press.
Bull, F., Al-Ansari, S., Biddle, S., Borodulin, K., Buman, M., Cardon, G., & Willumsen, J. (2020). World Health
Organization 2020 guidelines on physical activity and sedentary behaviour. British Journal of Sports
Medicine, 1451-1462. doi:https://doi.org/10.1136/bjsports-2020-102955
Cameron, A. C., & Trivedi, P. K. (2022). Microeconometrics: Methods and Applications. New York: Cambridge
University Press.
Creswell, J. W., & Creswell, J. D. (2023). Research design: Qualitative, quantitative, and mixed methods approaches.
Los Angeles: SAGE Publications.
Domínguez, M. (2021). Regresión Logística y Técnicas de Aprendizaje. Aplicaciones. Zaragoza.
Durán, L. E. (s.f.). La regresión logística: una herramienta útil en investigación clínica. (Revista Nefrología) Obtenido
de https://www.revistanefrologia.com/es-la-regresion-logistica-una-herramienta-articulo-
X0211699500035664
20
https://technologyrain.com.ar/
García, K., & Morán, W. (2021). Estilos de vida asociados al sedentarismo en la comunidad Quebrada “La Paja”.
Milagro, Ecuador: Universidad Estatal de Milagro (UNEMI).
Heissel, A., Heinen, D., Brokmeier, L. L., Skarabis, N., & Schuch, F. B. (2023). Exercise for depression in adults: a meta-
analysis of randomized controlled trials adjusting for publication bias. British Journal of Sports Medicine
(BJSM), 1589-1595. doi:https://doi.org/10.1136/bjsports-2022-106282
Hosmer, D. W., Lemeshow, S., & Sturdivant, R. X. (2020). Regresión Logística y Técnicas de Aprendizaje. Hoboken, NJ:
Wiley.
IBM Corporation. (2020). IBM SPSS Statistics 26 - Guía breve de estadísticos. IBM. Obtenido de
https://www.ibm.com/docs/en/SSLVMB_26.0.0/pdf/es/IBM_SPSS_Statistics_Brief_Guide.pdf.
INEC. (2023). Nota Técnica Actividad Física ENEMDU 2023. Obtenido de
https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Sociales/Actividad_fisica/2023/Nota_tecnica_Actividad_Fisica.pdf
INEC. (2024). Instituto Nacional de Estadística y Censos. (Encuesta Nacional de Empleo, Desempleo y Subempleo
ENEMDU - Diciembre 2024) Obtenido de https://www.ecuadorencifras.gob.ec/documentos/web-
inec/EMPLEO/2024/Diciembre/202412_Mercado_Laboral.pdf
Instituto Nacional de Estadística y Censos (INEC). (12 de 2023). Resultados Actividad Física – ENEMDU 2023.
Obtenido de https://www.ecuadorencifras.gob.ec/documentos/web-
inec/Estadisticas_Sociales/Actividad_fisica/2023/Actividad_Fisica.pdf
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2023). An Introduction to Statistical Learning: with Applications in
R. New York: Springer.
Jose, A., Philip, M., Prasanna, L. T., & Manjula, M. (2020). Comparison of Probit and Logistic Regression Models in the
Analysis of Dichotomous Outcomes. Current Applied Science and Technology (o la revista que figure en el
cintillo superior, según el formato del paper).
Keyvanfard, F., Akbari, H., & Shojaee, S. (2023). Explainable statistical learning in public health for policy
development: the case of real-world suicide data. Scientific Reports, Art. 18274.
doi:https://doi.org/10.1038/s41598-022-23030-x
Kim, J.-H., & Kim, J. (2021). Differences in Physical Activity, Sedentary Behavior, and Mental Health of the Older
Population in South Korea Based on Marital Status and Gender. International Journal of Environmental
Research and Public Health, 18(11). doi:https://doi.org/10.3390/ijerph18115824
Klein, D. K. (2010). Logistic Regression: A Self-Learning Text. ( New York: Springer) Obtenido de doi: 10.1007/978-1-
4419-1742-3
León, P., & Domínguez, R. (2024). Relación entre el sedentarismo y el desarrollo de enfermedades crónicas no
transmisibles más prevalentes en Ecuador según los egresos hospitalarios en el año 2023. Quito:
Universidad de las Américas.
León, P., & Domínguez, R. (2024). Relación entre el sedentarismo y el desarrollo de enfermedades crónicas no
transmisibles más prevalentes en Ecuador según los egresos hospitalarios en el año 2023 (Tesis de
maestría). Universidad de las Américas, Quito.
Malta, D. C., de Oliveira, P. C., de Almeida, M. d., & Teixeira, M. G. (2021). Brazilian cohorts with potential for life-
course studies: a scoping review. Revista Brasileira de Epidemiologia, e210002.
doi:https://doi.org/10.11606/s1518-8787.2020054001825
Technology Rain Journal ISSN: 2953-464X (2023) 21
https://technologyrain.com.ar/
Manca, R., De la Cruz-Puebla, M.-J., & Gaitan, J. M. (2023). Gender inequalities as contributors to dementia in Latin
America and the Caribbean: what factors are missing from research? The Lancet Healthy Longevity, 4(12),
e712-e723. doi:10.1016/S2666-7568(23)00213-1
Ministerio de Educación. (2023). Guía para la prevención del sedentarismo. Quito.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis. Hoboken, NJ:
Wiley.
OMS y OPS. (2020). Clasificación de grupos etarios en salud pública. (Organización Mundial de la Salud y
Organización Panamericana de la Salud) Obtenido de https://www.paho.org/es/temas/salud-
publica/clasificacion-etaria
OPS. (4 de 12 de 2020). Elige Vivir Sano y OPS/OMS Chile presentaron las nuevas recomendaciones sobre actividad
física. Obtenido de https://www.paho.org/es/noticias/4-12-2020-elige-vivir-sano-opsoms-chile-
presentaron-nuevas-recomendaciones-sobre-
actividad#:~:text=Los%20adultos%20deben%20acumular%20a,de%20intensidad%20moderada%20y%20vig
orosa
Organización Mundial de la Salud (OMS). (2020). Informe mundial sobre la actividad física. Obtenido de
https://apps.who.int/iris/handle/10665/345610
Revista Gestión. (2024). El sedentarismo y la obesidad, una epidemia silenciosa en Ecuador. Obtenido de
https://revistagestion.primicias.ec/analisis-sociedad/el-sedentarismo-y-la-obesidad-una-epidemia-
silenciosa-en-ecuador/
Sainani, K. L. (2021). Clinical research methods: A practical approach. Cham, Switzerland: Springer.
Sapkota, S., Parajuli, P., Pokharel, A., Jha, N., & Khatiwada, S. (2021). Association of Gender with Awareness and
Attitude Towards Blood Donation among Medical Students: A Cross-Sectional Study from Central Nepal.
Journal of Nepal Medical Association, 59(237), 436-441. Obtenido de https://doi.org/10.31729/jnma.6335
Schober, P., & Vetter, T. R. (2021). Logistic Regression in Medical Research. Anesthesia & Analgesia, 365-366.
doi:https://doi.org/10.1213/ANE.0000000000005247
Strain, T., Bull, F. C., Guthold, R., & Stevens, G. A. (2024). National, regional, and global trends in insufficient physical
activity among adults from 2000 to 2022: a pooled analysis of 507 population-based surveys with 5·7
million participants. The Lancet Global Health, e1132-e1141.
Tsuboi, M., Evans, J., Davies, S. C., Rowley, J., & Taylor, M. M. (2021). Estimating burden of syphilis among men who
have sex with men - Authors' reply. The Lancet Global Health, 9(12), e1653.
doi:https://doi.org/10.1016/S2214-109X(21)00473-3
Wolldridge, J. (2021). Introductory Econometrics: A Modern Approach (8.ª ed.). Cengage Learning.
Zhang, R., Yu, X., Le, J., Bo, W., & Wang, H. (2024). Physical activity, weight management, and mental health among
healthcare students: factores influyentes mediante regresión logística binaria. PLOS ONE.
doi:https://doi.org/10.1371/journal.pone.0302894
Zhang, Y.-H., Li, J., Zeng, T., & Chen, L. (2021). Robust meta-analysis for large-scale genomic experiments based on an
empirical approach. Bioinformatics, 37(10), 1424-1432. doi:https://doi.org/10.1093/bioinformatics/btaa948
Zhao, G., Li, C., Ford, E., & Balluz, L. (2020). Recommended physical activity and all-cause and cause-specific mortality
in US adults: prospective cohort study. (BMJ, 368, m1209.) Obtenido de https://doi.org/10.1136/bmj.m1209
22
https://technologyrain.com.ar/