Esto es exactamente lo mismo que el caso cuando el resultado está entre 0 y 1, y ese caso generalmente se maneja con un modelo lineal generalizado (GLM) como la regresión logística. Hay muchos cebadores excelentes para la regresión logística (y otros GLM) en Internet, y también hay un libro bien conocido de Agresti sobre el tema.
La regresión beta es una alternativa viable pero más complicada. Lo más probable es que la regresión logística funcione bien para su aplicación y, por lo general, sería más fácil de implementar con la mayoría del software estadístico.
¿Por qué no usar la regresión de mínimos cuadrados ordinarios? En realidad, las personas lo hacen, a veces bajo el nombre de "modelo de probabilidad lineal" (LPM). La razón más obvia por la que los LPM son "malos" es que no hay una manera fácil de restringir el resultado para que se encuentre dentro de un cierto rango, y puede obtener predicciones por encima de 1 (o 100% o cualquier otro límite superior finito) y por debajo de 0 (o algún otro límite inferior). Por la misma razón, las predicciones cerca del límite superior tienden a ser sistemáticamente demasiado altas, y las predicciones cerca del límite inferior tienden a ser demasiado bajas. La matemática subyacente en la regresión lineal asume explícitamente que tendencias como esta no existen. Por lo general, no hay una buena razón para ajustar un LPM sobre la regresión logística.
Por otro lado, resulta que todos los modelos de regresión de OLS, incluidos los LPM, se pueden definir como un tipo especial de GLM, y en este contexto los LPM están relacionados con la regresión logística.