A regressão logística com resposta contínua é uma alternativa à regressão logística usual quando a variável resposta possui distribuição contínua e o objetivo do estudo é estimar a probabilidade de ocorrência de valores acima ou abaixo de um determinado valor de corte. O modelo assim construído pode ser escrito na forma de um modelo linear generalizado com função de ligação composta. Quando corretamente especificada, a incorporação da informação sobre a distribuição da variável resposta no modelo faz com que os estimadores de máxima verossimilhança sejam mais eficientes. A técnica é apresentada para os casos em que a variável resposta tem distribuição normal ou log-normal. Como aplicação, considerando dados referentes à cidade de São Paulo nos anos de 1998 e 1999, um modelo de regressão logística com resposta contínua foi considerado na previsão do risco da concentração do poluente NO2 ser maior que um valor de corte estabelecido por legislação. Variáveis climáticas e temporais foram consideradas como preditoras. Mostraram-se importantes para prever o risco a temperatura, a umidade relativa do ar, os dias da semana, as estações do ano, precipitação pluviométrica e velocidade do vento.

Binary regression with continuous outcomes constitutes an alternative to logistic regression when the outcome is continuous and the investigator’s interest focuses to estimate the probability of subjects who fall above or below a cut-off value. The model is based on a generalized linear model with composite link that takes advantage of the continuous structure of the outcome, typically gaussian or lognormal. Under correct response model-ling, binary regression with continuous outcomes is more efficient than logistic regression. A binary regression with continuous outcomes was considered to predict the risk that a NO2 pollutant concentration is above the limits set by environmental legislation in São Paulo city during 1998 and 1999. Climatic and temporal variables were considered as pre-dictors. Temperature, humidity, days of the week, station of the year, precipitation and speed of the wind revealed important to predict the risk.