Efectos marginales en el modelo probit

Los efectos marginales se pueden construir en base a probabilidades y, de hecho,

esta es la representación más común. A diferencia de los modelos lineales, los
parámetros de los modelos probit y logit no corresponden a los efectos marginales de las
variables.(Pérez, 2011)

Matriz de confusión

Una matriz de confusión es una herramienta muy útil para evaluar qué tan bueno
es un modelo de clasificación basado en aprendizaje automático. En particular, ayuda a
indicar explícitamente cuándo una clase se confunde con otra, lo que permite manejar
diferentes tipos de errores por separado.(SANTOS, 2021)

Falsos positivos y negativos

Falsos positivos (FP): el número de casos informados como positivos por la prueba que
en realidad son negativos. Verdaderos negativos (VN): el número de casos declarados
negativos por la prueba que en realidad son negativos. Falsos negativos (FN): el número
de casos informados como negativos cuando la prueba es realmente positiva.

Tabla de contingencia en probit

Un método útil para clasificar los datos obtenidos en un recuento es mediante las tablas
de contingencia.

En estadística, se emplean para registrar y analizar la asociación entre dos o más

variables, habitualmente de naturaleza cualitativa (nominales u ordinales).

Se trata de tablas en cuyas celdas figuran probabilidades, y en la cual podemos

determinar unas probabilidades conociendo otras de la tabla.

Sensibilidad y especificidad en probit

La sensibilidad y la especificidad son términos utilizados para calcular la precisión de

los resultados de las pruebas.
La sensibilidad se refiere a la probabilidad de que dé positivo para una enfermedad
cuando en realidad la tiene. A medida que aumenta la sensibilidad de la prueba,
disminuye el número de personas con la enfermedad que dan negativo (falsos
negativos).

La especificidad es la probabilidad de un resultado de prueba negativo cuando no hay

una enfermedad real. A medida que aumenta la especificidad de la prueba, disminuye el
número de personas que no tienen la enfermedad, pero dan positivo (resultados falsos
positivos). (Husney, 2023)