MAESTRÍA EN ECONOMETRÍA Econometría II

CURVA ROC

1
MAESTRÍA EN ECONOMETRÍA Econometría II

Introducción
•Una forma atractiva de resumir los resultados
de una regresión logística es a través de una
tabla de clasificación.
•Clasificación cruzada que evalúa el ajuste del
modelo utilizando la variable de resultado, y,
con una variable dicotómica cuyos valores se
derivan de las probabilidades logísticas
estimadas.

2
MAESTRÍA EN ECONOMETRÍA Econometría II

Introducción

•Los coeficientes producidos por el modelo se

utiliza para predecir el resultado (de forma
binaria) en lugar de para estimar la
probabilidad del evento.
•Los factores a considerar son:
Sensibilidad
Especificidad

3
MAESTRÍA EN ECONOMETRÍA Econometría II

Introducción
Son herramientas útiles pero tienen la desventaja de
que hacen referencia a un solo punto de corte

4
MAESTRÍA EN ECONOMETRÍA Econometría II

Introducción
•Sensibilidad y especificidad dependen del
único punto de corte utilizado para que
clasifique el resultado de una prueba como
positivo.
•Una descripción más completa de la
precisión de la clasificación la otorga la curva
de característica de funcionamiento del
receptor (Receiver Operating Characteristic -
ROC).
5
MAESTRÍA EN ECONOMETRÍA Econometría II

Receiver Operating Characteristic (ROC)

•Proporciona una representación gráfica del
rango de posibles puntos de corte con su
respectiva sensibilidad y especificidad
asociada.
•Permite estimar el área debajo de la curva, lo
que permite determinar la utilidad de un
modelo en función de compararlo con otro.

6
MAESTRÍA EN ECONOMETRÍA Econometría II

Receiver Operating Characteristic (ROC)

7
MAESTRÍA EN ECONOMETRÍA Econometría II

Receiver Operating Characteristic (ROC)

•La línea diagonal representa el azar.
•Una curva que está muy por encima de la
línea diagonal indica que el modelo es más
preciso.
•Graficar una curva ROC proporciona una
buena representación visual de la precisión.

8
MAESTRÍA EN ECONOMETRÍA Econometría II

Receiver Operating Characteristic (ROC)

•El área bajo la curva ROC es una
representación numérica de la precisión del
modelo, esta medida variará entre 0.5 y 1.
•Un área de 0.5 representa la diagonal,
obtenida cuando no existe discriminación o
solo se da por casualidad.
•Un área de 1 representa el indicador
perfecto.