74926_es-ES

liliconcom

Ayuda con ajuste logístico nominal: matriz de confusión frente a salida de tabla ROC?

Hola Comunidad JMP,

 

He estado estudiando el ajuste logístico nominal para determinar el valor de un biomarcador de referencia para predecir el resultado de un tratamiento clínico.

 

Pensé que entendía el concepto de la Matriz de Confusión: devuelve los números de Verdadero Positivo, Verdadero Negativo, Falso Positivo y Falso Negativo para un modelo dado para el conjunto de datos de Entrenamiento y, si está definido, el conjunto de Validación. Sin embargo, cuando comparo la Matriz de confusión con el mejor resultado de la Tabla ROC (SENSIBILIDAD Máxima - (1 - ESPECIFICIDAD) valor), me cuesta conciliar los dos.

 

Por ejemplo, tengo un modelo con un AUC ROC = 0.654 (asociación más bien débil) donde devuelve la Matriz de confusión:

		Predicho	Predicho
		SÍ	NO
REAL	SÍ	1	82
REAL	NO	1	278

 

-> que es realmente malo (en realidad peor de lo esperado para el valor AUC de ROC).

Para el mismo modelo, la mejor combinación de SENSIBILIDAD y ESPECIFICIDAD de la Tabla ROC es:

 

Prob	1-SPEC	SENS	SENS - (1-SPEC)	Pos verdadera	Verdadero neg	Postura falsa	Fal fal neg
0.2797	0.2437	0.5060	0.2623	42	211	68	41

 

-> que es bastante malo pero más en línea con el resultado esperado de un modelo con un AUC ROC = 0.654

Entonces, mis preguntas son:

• ¿Cuál es la diferencia principal entre la matriz de confusión y la fila "mejor" de la tabla ROC?
  • ¿Es porque el primero usa la más alta Probabilidad y el segundo usa la mejor combinación de SENSIBILIDAD y ESPECIFICIDAD?
• Si presentara estos resultados, ¿cuál sería la mejor opción para presentar el Valor predictivo positivo y el Valor predictivo negativo?

Gracias por tu ayuda.

 

Sinceramente,

 

TS

Re: Ayuda con ajuste logístico nominal: matriz de confusión frente a salida de tabla ROC?

La matriz de confusión y ROC son diferentes. Usted entiende la matriz de confusión como se describe. En este ejemplo, prácticamente no tiene sensibilidad (1/83) pero bastante buena especificidad (278/279).

 

La ROC evalúa simultáneamente la sensibilidad y la especificidad, por lo que en general se ve un poco mejor que la probabilidad (AUC = 0.654).

 

La matriz de confusión es para un corte y la curva ROC usa cada observación como un corte, incluida la observación que produce la mayor separación.