Auc curve in stata forex

Bem-vindo ao Instituto de Pesquisas Digitais e Educação Stata FAQ Como posso testar a diferença de área sob a curva ROC para dois modelos de regressão logística No Stata é muito fácil obter a área sob a curva ROC seguindo logit ou logistic usando o lroc comando. No entanto, com o lroc você não pode comparar as áreas sob a curva ROC para dois modelos diferentes. É possível fazer isso usando os preditores lineares logísticos e o comando roccomp. Aqui está um exemplo: Nós executamos dois modelos diferentes e temos áreas sob a curva ROC de .5785 e .8330. Em seguida, usaremos os dois preditores lineares com o comando roccomp para obter um teste das diferenças de área sob a curva ROC. O uso do roccomp com preditores lineares da regressão logística funcionará com modelos aninhados e não aninhados. Obrigado ao Sid Port por sugerir esta abordagem. Mario A. Cleves, Do help desk: Comparando as áreas sob as curvas características de operação do receptor de dois ou mais modelos probit ou logit. The Stata Journal (2002) 2, No. 3, pp 301-313. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software em particular pela Universidade da Califórnia. ROCSS: Módulo Stata para calcular a curva ROC e outras estatísticas para qualquer método de classificação rocss calcula a sensibilidade, especificidade , área cumulativa sob a curva ROC e porcentagem de indivíduos classificados corretamente em pontos de corte de probabilidade especificados pelo usuário. Ao contrário de lsens, rocss não é um comando pós-estimativa e permite ao usuário definir limites de probabilidade arbitrários. No entanto, se usado em probabilidades previstas derivadas de logistic, logit ou probit, rocss representa uma alternativa flexível para lsens. Se você tiver problemas para baixar um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda do IDEAS. Observe que esses arquivos não estão no site do IDEAS. Por favor, seja paciente, pois os arquivos podem ser grandes. Componente de software fornecido pelo Departamento de Economia do Boston College em sua série Statistical Software Components com o número S438101. Ao solicitar uma correção, por favor mencione este item identificador: RePEc: boc: bocode: s438101. Veja informações gerais sobre como corrigir material no RePEc. Para questões técnicas sobre este item, ou para corrigir seus autores, título, resumo, informações bibliográficas ou de download, entre em contato com: (Christopher F Baum) Se você é o autor deste item e ainda não está registrado no RePEc, nós encorajamos você a fazê-lo aqui . Isso permite vincular seu perfil a esse item. Também permite aceitar citações em potencial para este item sobre o qual não temos certeza. Se as referências estiverem totalmente ausentes, você poderá adicioná-las usando este formulário. Se as referências completas listarem um item presente no RePEc, mas o sistema não tiver vinculado a ele, você poderá ajudar com este formulário. Se você souber de itens ausentes citando este, você pode nos ajudar a criar esses links adicionando as referências relevantes da mesma maneira que acima, para cada item de referência. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações em seu perfil, pois pode haver algumas citações aguardando confirmação. Por favor, note que as correções podem levar algumas semanas para filtrar os vários serviços RePEc. Mais serviços MyIDEAS Acompanhe séries, periódicos, autores e mais Novos artigos por email Subscreva as novas adições ao RePEc Registo do autor Perfis públicos para Pesquisadores de economia Rankings Vários rankings de investigação em áreas relacionadas com a economia Genealogia Quem foi aluno de quem, usando RePEc RePEc Biblio Artigos com curadoria e vários tópicos sobre economia MPRA Publique seu artigo para ser listado no RePEc e IDEAS EconAcademics Agrupador de blog para pesquisa em economia Plágio Casos de plágio em Economia Documentos do Mercado de Trabalho Série de trabalho em papel RePEc dedicada ao mercado de trabalho Fantasy League Finja que você está no comando de um departamento de economia Serviços do StL Fed Dados, pesquisa, aplicativos e mais do St. Louis Fed7.2.3 - Receiver Operating Characteristic Curve (ROC) Uma Receiver Operating Characteristic Curve (ROC) é uma técnica padrão para resumir o desempenho do classificador em um gama de trade-offs entre taxas de erro verdadeiro positivo (TP) e falso positivo (FP) (Swee ts, 1988). A curva ROC é um gráfico de sensibilidade (a capacidade do modelo de prever um evento corretamente) versus 1-especificidade para os possíveis valores de probabilidade de classificação de corte 0. Para regressão logística, você pode criar uma tabela de classificação 2 2 dos valores previstos do seu modelo para sua resposta se (chapéu 0) ou 1 versus o valor verdadeiro de y 0 ou 1. A previsão se (chapéu 1) depende de algum ponto de corte probabilidade, 0. Por exemplo, (hat 1) if (hat igtpi0) e (hat 0) if (hat i leq pi0). O valor mais comum para 0 0,5. Então (sensitivityP (hat 1y1)) e (specificityP (hat 0y0)). A curva ROC é mais informativa do que a tabela de classificação, uma vez que resume o poder preditivo para todos os possíveis 0. A posição do ROC no gráfico reflete a precisão do teste de diagnóstico. Abrange todos os possíveis limiares (pontos de corte). O ROC de adivinhação aleatória está na linha diagonal. O ROC de uma técnica perfeita de diagnóstico é um ponto no canto superior esquerdo do gráfico, onde a proporção de TP é 1.0 e a proporção de FP é 0. A área sob a curva (AUC), também referida como índice de precisão (A ), ou índice de concordância. c. no SAS, e é uma métrica de desempenho tradicional aceita para uma curva ROC. Quanto maior a área sob a curva, melhor o poder de previsão que o modelo possui. c 0,8 pode ser interpretado como significando que um indivíduo selecionado aleatoriamente do grupo positivo tem um valor de teste maior do que aquele para um indivíduo escolhido aleatoriamente do grupo negativo em 80% do tempo. Para obter mais detalhes, consulte os links Agresti (2007), Seção 5.1.6-5.1.8, Agresti (2013), Seção 6.2 e SAS fornecidos no início. Aqui está o programa SAS assay4.sas. Aqui está o gráfico ROC resultante. Área sob a curva é c 0,746 indica bom poder preditivo do modelo. A opção ctable imprime as tabelas de classificação para vários pontos de corte. Cada linha dessa saída é uma tabela de classificação para o nível de probabilidade especificado. 0 Aqui está o gráfico ROC da saída R: A área sob a curva é c 0,746, o que indica um bom poder preditivo do modelo. Navegação