Los modelos de regresión logística enfrentan desafíos con predictores correlacionados y valores atípicos influyentes. Este estudio integra estimadores robustos, incluido el estimador de Bianco-Yohai (BY) y el estimador de influencia acotada condicionalmente no sesgado (CE), con los estimadores logísticos Liu (LL), logístico ridge (LR) y logístico KL (KL). Los estimadores resultantes (LL-BY, LL-CE, LR-BY, LR-CE, KL-BY y KL-CE) se evalúan a través de simulaciones y ejemplos de la vida real. KL-BY emerge como la opción preferida, mostrando un rendimiento superior al reducir los valores del error cuadrático medio (MSE) y mostrando robustez contra la multicolinealidad y los valores atípicos. Adoptar KL-BY puede conducir a predicciones estables y precisas en el análisis de regresión logística.