Auc curve in stata forex

Bem-vindo ao Instituto de Pesquisa e Educação Digital Stata FAQ Como posso testar a diferença de área sob curva ROC para dois modelos de regressão logística Em Stata é muito fácil obter a área sob a curva ROC seguindo logit ou logística usando o lroc comando. No entanto, com lroc você não pode comparar as áreas sob a curva ROC para dois modelos diferentes. É possível fazer isso usando os preditores lineares logísticos eo comando roccomp. Aqui está um exemplo: Temos 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 na área sob a curva ROC. O uso de roccomp com preditores lineares de regressão logística funcionará com modelos aninhados e não aninhados. Graças ao Sid Port por sugerir esta abordagem. Mario A. Cleves, A partir do help desk: Comparando áreas sob as curvas características de operação do receptor de dois ou mais modelos probit ou logit. The Stata Journal (2002) 2, N�3, p�inas 301-313. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site particular, livro ou produto de software pela Universidade da Califórnia. ROCSS: Stata módulo 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 sujeitos classificados corretamente em pontos de corte de probabilidade especificados pelo usuário. Ao contrário do lsens, o rocss não é um comando pós-estimativa e permite ao usuário definir limites arbitrários de probabilidade. No entanto, se usado em probabilidades preditas derivadas por logística, logit ou probit, rocss representa uma alternativa flexível para lsens. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Seja paciente, pois os arquivos podem ser grandes. Componente de software fornecido pelo Boston College Departamento de Economia em sua série Estatística Componentes de Software com o número S438101. Ao solicitar uma correção, mencione, por favor, estes itens handle: 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 download, entre em contato: (Christopher F Baum) Se você é autor deste item e ainda não está registrado no RePEc, recomendamos que o faça aqui . Isso permite vincular seu perfil a este item. Ele também permite que você aceite citações em potencial para este item que estamos incertos sobre. Se as referências estiverem totalmente ausentes, você pode adicioná-las usando este formulário. Se as referências completas listarem um item que está presente no RePEc, mas o sistema não tiver vinculado a ele, você pode 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 como acima, para cada item referente. Se você é um autor registrado deste item, você também pode querer verificar a guia de citações no seu perfil, pois pode haver algumas citações esperando confirmação. Tenha em atenção que as correcções podem demorar algumas semanas para filtrar os vários serviços RePEc. Mais serviços MyIDEAS Seguir séries, jornais, autores e mais Novos artigos por e-mail Inscrever-se para novas adições ao RePEc Registro de autor Perfis públicos para pesquisadores de economia Rankings Vários rankings de pesquisa em economia e campos relacionados Genealogia Quem foi um estudante de quem, usando RePEc BiblE Artigos curados artigos de amp papéis vários temas de economia MPRA Carregar seu artigo para ser listado em RePEc e IDEAS EconAcademics agregador de blogs para a pesquisa de economia Plágio Casos de plágio em Economia Papéis do mercado de trabalho RePEc série de papel de trabalho dedicado ao mercado de trabalho Fantasy League Pretend você está no leme Fed7.2.3 - Curva característica de operação do receptor (ROC) A Curva característica de operação do receptor (ROC) é uma técnica padrão para resumir o desempenho do classificador ao longo de um período de tempo Gama de trade-offs entre taxas de erro verdadeiras positivas (TP) e falsas positivas (FP) (Sweets, 1988). A curva ROC é um gráfico de sensibilidade (a capacidade do modelo para predizer um evento corretamente) versus 1-especificidade para os possíveis valores de probabilidade de corte de classificação 0. Para regressão logística, você pode criar uma tabela de classificação 2 2 de valores preditos a partir do seu modelo para a sua resposta se (hat 0) ou 1 versus o valor verdadeiro de y 0 ou 1. A previsão if (hat 1) depende de algum cut-off Probabilidade, 0. Por exemplo, (hat 1) se (hat igtpi0) e (hat 0) se (hat i leq pi0). O valor mais comum para 0 0,5. Então (sensibilidadeP (chapéu 1y1)) e (especificidadeP (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 limiares possíveis (pontos de corte). O ROC da suposição aleatória encontra-se na linha diagonal. O ROC de uma técnica diagnóstica perfeita é um ponto no canto superior esquerdo do gráfico, onde a proporção TP é 1,0 ea proporção FP é 0. A Área sob a Curva (AUC), também referida como índice de precisão (A ), Ou índice de concordância. C. Em SAS, e é uma métrica de desempenho tradicional aceita para uma curva ROC. Quanto maior a área sob a curva, melhor será o poder de predição do modelo. C 0,8 pode ser interpretado como significando que um indivíduo seleccionado aleatoriamente do grupo positivo tem um valor de teste maior do que aquele para um indivíduo escolhido aleatoriamente do grupo negativo 80 por cento do tempo. Para mais detalhes veja Agresti (2007), Seções 5.1.6-5.1.8, Agresti (2017), Seção 6.2 e links 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 desta saída é uma tabela de classificação para o Nível de Probado especificado. 0. Aqui está o gráfico ROC da saída R: A área sob a curva é c 0.746 o que indica bom poder preditivo do modelo. Navegação