MODELOS COM VARIÁVEIS

DEPENDENTES
QUALITATIVAS
CIC 052 – Métodos Quantitativos aplicados à Contabilidade e
Finanças
Profa. Valéria Gama Fully Bressan
Introdução

Assim como ocorre com as variáveis

explicativas, as variáveis explicadas Y em
um modelo de regressão também
poderão ter natureza qualitativa e ser
representadas por variáveis binárias
(Y = 0,Y = 1) .

2
 Modelagem das probabilidades
Uma diferença fundamental nos modelos com variáveis
dependentes qualitativas é que, enquanto nos modelos
anteriores o que se buscava era estimar o comportamento
médio de Y para um dado conjunto de valores de X, agora
estaremos estimando a probabilidade de algo acontecer
(empresa falir, divulgar uma informação não obrigatória,
lançar novo produto, etc.).

Por isso esses modelos também são chamados de modelos de

probabilidade. 3
O Modelo de Probabilidade Linear

4
O Modelo de Probabilidade Linear

5
O Modelo de Probabilidade Linear

▪ Assim, Yi probabilidade
1 Pi
0 1 − Pi

▪ Y tem a distribuição de probabilidade apresentada acima, ou seja, Yi segue a

distribuição de probabilidade de Bernoulli

6
O Modelo de probabilidade linear

Todavia, os Modelos de Probabilidade Linear apresentam

problemas estatísticos graves, que prejudicam o seu uso
empírico.

Um problema fundamental (que não pode ser corrigido)

que faz com que ele não seja muito lógico para diversas
aplicações empíricas. Ele assume que as probabilidades
Pi = E (Y = 1 | X ) variam de maneira linear em relação a X.

7
Exemplo

1,2

1
Z = 0 Solv; Z = 1 Insol.

0,8

0,6

0,4

0,2

0
-100 0 100 200 300 400 500 600
Imob. do Pat. Líq.
8
O Modelo de Probabilidade Linear

▪ Outro problema do modelo de probabilidade linear é a

ausência de normalidade dos termos de erro, ui.
▪ A premissa de normalidade de ui não se sustenta no
caso dos modelos de probabilidade linear porque, como
Yi, os termos de erro ui, também assumem apenas dois
valores, isto é, eles também seguem a distribuição de
Bernoulli.
▪ Obviamente, não podemos pressupor a distribuição
normal dos ui; eles seguem a distribuição de Bernoulli.

9
O Modelo de Probabilidade Linear
▪ Outro problema do modelo de probabilidade linear é
variância heterocedásticas dos termos de erro.
▪ Mesmo que E(ui) = 0 e cov(ui,uj) =0 para i ≠ j (inexistência de
correlação serial), não é mais possível afirmar que , nos MPL,
os termos de erro são homocedásticos.
▪ Como a teoria estatística mostra, a média e a variância
teóricas de uma distribuição de Bernoulli são,
respectivamente, p e p(1-p), onde p é a proporção de
sucesso, mostrando que a variância é uma função da média.
Portanto, a variância do erro é heterocedástica.

10
O Modelo de Probabilidade Linear
▪ Outro problema do modelo de probabilidade linear é o
valor do R2 como medida de qualidade do ajustamento é
questionável
▪ Não se espera que modelos de probabilidade linear se
ajustem bem ao gráfico de dispersão, contendo apenas
valores 0 ou 1.
▪ De acordo com Aldrick e Nelson (1981) citado por Gujarati
(2006, p. 474) “ o uso do coeficiente de determinação como
estatística sintética deveria ser evitado em modelos com
variável dependente qualitativa”.

11
 Assim sendo, precisamos de um modelo de probabilidade
que atenda às características:

a. A relação entre X e P não seja linear;

b. 0  Pi = E (Yi = 1 | X i )  1
Geometricamente:

Prof. Wagner M. Lamounier 12

O Modelo LOGIT

Existem alguns modelos que possuem essas

características, mas o mais importante e utilizado
deles é o Modelo LOGIT.

Para entender esse modelo observe-se que no MLP

a probabilidade de um fenômeno ocorrer era

definida como: Pi = E (Yi = 1 | X i ) = Xβ

13
Dedução do Modelo LOGIT
Agora, essa probabilidade será dada de acordo com a
função de distribuição cumulativa logística de
probabilidades dada por:

Zi
1 1 e
Pi = E (Yi = 1 | X) = − Xβ
= −Zi
=
1+ e 1+ e 1 + e Zi

Em que: Z i = Xβ

Esta função possui a propriedade de que quando

Zi → −  Pi → 0 e Zi → +  Pi → 1 . 14
Dedução do Modelo LOGIT

Além disso, essa passagem não se dá de forma linear,

mas sim de acordo com a forma não linear da função
logística.

Justamente por esse fato, não linearidade de Pi tanto

em relação tanto às variáveis explicativas X’s quanto
aos parâmetros β’s, o modelo não pode ser estimado
por M.Q.O. na forma como se encontra. 15
 Dedução do Modelo LOGIT
Assim sendo, deve-se proceder às seguintes
manipulações para se obter o chamado Modelo
Yi Pi
LOGIT:
1 Pi
0 1 −Pi
1
Se Pi = − Zi
(*) => É a probabilidade do evento
1+ e
(fenômeno qualitativo Y = 1) ocorrer, tem-se que:

1
1 − Pi = 1 − − Zi
(**) => Será a probabilidade de não
1+ e
ocorrência.
16
Dedução do Modelo LOGIT
Todavia,
1
1 − Pi = 1 − − Zi
1+ e
− Zi − Zi
1+ e −1 e 1
1 − Pi = − Zi
= − Zi
= − Zi

1+ e 1+ e (1 + e )e Zi

1 1
1 − Pi = Zi =
e +e 0
1+ e Zi

17
Dedução do Modelo LOGIT

Tomando-se o logaritmo natural dos dois lados da última

expressão obtém-se o Modelo LOGIT:

 Pi 
Li = ln   = ln( e Z i ) = Z i 
 1 − Pi 
 Pi 
Li = ln   =  0 + 1 X 1i +  2 X 2i +  3 X 3i +   k X ki +  i
 1 − Pi 
 Pi 
Li = ln   = Xβ + ε
 1 − Pi 
18
A Razão de Chances (Odds Ratio)

Assim, tomando-se a razão entre a probabilidade de

ocorrência (Pi) e a probabilidade de não ocorrência (1-Pi)
tem-se a chamada Razão de Chances (Odds Ratio) que será:
1
− Zi + Zi
+ Zi
= 1+ e =
Pi 1 1 e 1 e
− Zi
= − Zi

1 − Pi 1 1+ e 1 1+ e
1 + e Zi
Pi (1 + e Zi )e Zi (1 + e Zi )e Zi
= = = e Zi

1 − Pi (1 + e − Zi )e Zi (e Zi + 1)
19
A Razão de Chances (Odds Ratio)

Essa razão de chances pode ser interpretada

como a relação entre a chance do evento ocorrer
contra a chance de não ocorrer.

Por exemplo, se a probabilidade de ocorrência

for de 80%, tem-se que a razão de chances do
evento (Y=1) ocorrer é de 4 contra 1 (= 0,8 / 0,2).
20
Características do Modelo Logit

▪ O modelo é não linear nos parâmetros ().

▪ A estimação é pelo método de máxima verossimilhança.
▪ Os betas (’s) não possuem uma análise direta como no modelo de regressão
linear.
▪ O que se deve utilizar para análise é o efeito marginal, que iremos apresentar a
seguir.

21
 Efeito Marginal

▪ O efeito marginal de X mede a inclinação da curva no

ponto considerado, ou seja, é a derivada da variável
dependente em relação à variável explicativa.

▪ Efeito marginal é o cálculo da variação da

probabilidade.

▪ Esta é diferente da variação na razão de probabilidade.

22
Efeitos Marginais no Modelo LOGIT: Efeito de uma variação
unitária em uma variável explicativa X sobre P(Y=1)

O efeito de uma variação unitária em uma

dada variável explicativa sobre a
probabilidade de ocorrência do evento
(insolvência => Y = 1) poderá ser
aproximada a partir da seguinte derivada:
23
 e Zi e  0 + 1 X i dPi  e  0 + 1 X 1i 
Dado que, Pi = =  0 + 1 X i
 =  '
1+ e Zi
1+ e dX 1  1 + e  0 + 1 X 1i 
 u ( x)  u ( x)' v( x) − v( x)' u ( x)
Como,  f ( x)' =   '= 2
 v ( x )  v ( x )
e  f ( x)' = [eu ( x ) ]' = u ( x)' eu ( x ) , tem - se :
dPi 1e  0 + 1 X 1i (1 + e  0 + 1 X 1i ) − ( 1e  0 + 1 X 1i e  0 + 1 X 1i )
=  0 + 1 X 1i  0 + 1 X 1i

dX 1 (1 + e )(1 + e )
dPi 1[e  0 + 1 X 1i (1 + e  0 + 1 X 1i ) − e  0 + 1 X 1i e  0 + 1 X 1i ]
=  0 + 1 X 1i  0 + 1 X 1i

dX 1 (1 + e )(1 + e )
dPi 1 (e  0 + 1 X 1i + e  0 + 1 X 1i e  0 + 1 X 1i − e  0 + 1 X 1i e  0 + 1 X 1i )
=  0 + 1 X 1i  0 + 1 X 1i

dX 1 (1 + e )(1 + e ) Pi (1-Pi)
dPi 1e  0 + 1 X1i e  0 + 1 X 1i 1
=  0 + 1 X 1i  0 + 1 X 1i
= 1
dX 1 (1 + e )(1 + e ) (1 + e  0 + 1 X 1i ) (1 + e  0 + 1 X 1i )

24
Efeito de uma variação unitária em
uma variável explicativa X sobre P(Y=1)

e Zi 1 dPi
Como, Pi = e 1 − Pi =  = 1Pi (1 − Pi )
1+ e Zi
1+ e Zi
dX1

Generalizando-se, tem-se que esse mesmo raciocínio valerá

para qualquer variável independente Xk , o que implica que:

Pi
=  k Pˆi (1 − Pˆi )
X k

Obs.: Para os cálculos das probabilidades toma-se as médias

das variáveis explicativas.
25
Como analisar o efeito Marginal: Exemplo

O efeito marginal de -1,45 informa que a variação de 0,1 na capitalização

causa variação, em sentido contrário, de 0,145 pontos percentuais na
probabilidade de a cooperativa de crédito rural de Minas Gerais tornar-se
26
insolvente.
Propriedades e interpretação dos resultados do
modelo LOGIT

a) À medida que P vai de 0 a 1 (com Z

indo de −  a +  ) L também irá de
− a + .
b) L é linear em X, mas as probabilidades
P não. Ou seja, é o log da razão de
chances (Logíto) que varia
linearmente com X. 27
Propriedades e interpretação dos resultados do modelo
LOGIT

c) O  0 é o valor do log natural da razão de chances

quando as variáveis explicativas forem nulas (iguais a

zero).

Já os demais parâmetros  k mostram as mudanças

no log da razão de chances em favor da ocorrência

do evento (Y = 1) provocada por uma variação
unitária em Xk. 28
Propriedades e interpretação dos
resultados do modelo LOGIT

d) Para se calcular a probabilidade (Pi) do

evento ocorrer, deve-se substituir os
parâmetros  ' s estimados na equação
associando-se aos mesmos os respectivos
valores das variáveis explicativas (X’s):

1
Pˆi = −( ˆ0 + ˆ1 X 1i + ˆ2 X 2 i ++ ˆk X ki )
1+ e
29
 Medidas para avaliação do
ajustamento do modelo LOGIT

▪A análise de significância estatística dos

parâmetros associados às variáveis explicativas
também deve ser feita, da mesma forma que para
os outros modelos de regressão.
▪Para tal, sugere-se o uso da seguinte regra que
utiliza o Valor de Probabilidade da estatística z.

30
Medidas para avaliação do
ajustamento do modelo LOGIT
A medida para avaliação do ajustamento global do modelo
LOGIT é o Count R2 (R2 Contado) dado por:

número de previsões corretas

Count R =
2

número de observaçõe s

Todavia, geralmente estaremos interessados em avaliar a

capacidade de classificação correta do modelo para os
dois grupos de dados. Isso é feito a partir da análise da
Matriz de Classificações do modelo estimado, ou também
denominada de Tabela de expectativa de predição.
31
Qualidade do Ajuste – Exemplo de uma
tabela de expectativa de predição ou matriz de classificação

32
 Qualidade do Ajuste – Tabela de expectativa de predição

▪ Informações relevantes para avaliar a saída do stata:

▪ Sensibilidade
▪ Y = 1 nas observações, classificados como 1 pelo modelo (de acordo com o ponto de
corte (cutoff)).
▪ Exemplo, se cutoff = 0,5; valores de probabilidade acima de 0,5 serão classificados como
1; e valores abaixo de 0,5 serão classificados como 0.
▪ Especificidade
▪ Y = 0 nas observações, classificados como 0 pelo modelo (de acordo com o ponto de
corte (cutoff)).

33
 Qualidade do Ajuste – Curva ROC

▪ A curva ROC (Receiver Operating Characteristic) que relaciona a

sensibilidade versus a especificidade do modelo estimado.

▪ Um modelo com nenhum poder preditivo teria a curva ROC como uma linha
de 45 graus. Quanto maior o poder preditivo do modelo, maior a curva, e a
área sob a curva é utilizada como uma medida de capacidade preditiva do
modelo.

34
 Qualidade do Ajuste – Exemplo: Curva ROC

1,00
0,75
Sensibilidade

0,50
0,25
0,00

0,00 0,25 0,50 0,75 1,00

Especificidade
Area abaixo da curva ROC = 0,8298
35
 Exemplo:
Estimação do modelo LOGIT
utilizando o STATA

36
Exemplo: Análise de insolvência utilizando o STATA

▪ Parte da base de dados da dissertação de Bressan (2002).

(Arquivo Stata: [Link], com 1036 observações).

▪ Avaliar se os indicadores de capitalização, encaixe e

despesas totais são preditores de insolvência em uma
amostra de cooperativas de crédito rural de Minas Gerais.
▪ Modelo Logit a ser estimado:
 Pi 
Li = ln   =  0 + 1Cap1i +  2 Enc2i +  3 Desptotal3i +  i
 1 − Pi 

▪ Vamos assumir para esta estimação o nível de significância

de 5%.
37
 Exemplo: Análise de insolvência

▪ Y=1 -> insolvente

▪ Fecharam, patrimônio líquido ajustado negativo, e, ou, o mínimo de 40% de resultados finais negativos, no
período do estudo.

▪ Y=0 -> solvente

▪ Descrição dos indicadores contábeis financeiros (X´s):
▪ Capitalização (cap) = Patrimônio Líquido/Passivo Real.
▪ Encaixe (enc) = Disponibilidades/Depósitos a Vista.
▪ Despesa Total (desptotal) = Total das Despesas/Captação Total.
▪ OBS:
▪ Passivo Real = Passivo total – Relações interfinanceiras – Relações interdependências
▪ Captação Total = Passivo Real – Patrimônio Líquido – Diversos

38
1a Etapa: Avalie a correlação entre as variáveis explicativas

▪ Comando stata:
correlate cap enc desptotal

De acordo com os resultados apresentados acima, pode-se afirmar que as variáveis

explicativas possuem baixa correlação.

39
 2a Etapa : Estime o modelo logit

▪ Comando stata:
logit insolvencia cap enc desptotal

Similar ao teste
F do modelo de
regressão

Similar
R2

40
 2a Etapa : Estime o modelo logit

▪ Nota-se pelo modelo estimado que:

▪ Os coeficientes () são estatisticamente diferentes de zero, pois o

Valor P foi menor do que o nível de significância determinado de
0,05.

▪ Todavia, conforme mencionado anteriormente não há uma

interpretação direta dos betas estimados.

▪ Podemos retirar o antilog (razão de chances) ou ir direto para análise

o efeito marginal

41
 2a Etapa : Estime o modelo logit
▪ Se retirarmos o antilog (é o mesmo resultado quando usamos o comando logistic para encontrar a razão de
chances)

coef e(coef)
CAP -2.26448 0.103884
ENC -1.07817 0.340219
DESPTOTAL 6.0287 415.175

- Quanto maior a capitalização menor a probabilidade de insolvência.

- Podemos inverter os valores (quando o coeficiente é negativo) para o resultado ficar mais claro, fazendo,
1/0.103884 = 9,63, indica que o aumento da capitalização reduz em 9,63 vezes a chance da empresa ficar
insolvente, mantido os demais fatores constantes.
- No caso das despesa total, quanto maior a despesa total maiores as chances de insolvência, ou seja, se a
despesa total dobrar as chances da empresa se tornar insolvente é de 415 vezes, mantido os demais fatores
constantes. (Obs. Quando a relação é positiva não precisa inverter, pois o antilog foi calculado a partir de um
valor positivo).

42
 2a Etapa : Estime o modelo logit
Igual ao antilog: Razão de Chances
▪ Comando stata:
logistic insolvencia cap enc desptotal

Os valores do odds ratio é o exponencial do coeficiente estimado anteriormente no

comando logit.

43
 3a Etapa : Gere o efeito marginal

▪ Comando stata:
mfx

Probabilidade
média de
insolvência

O efeito marginal de X é a derivada da variável dependente em

relação à variável explicativa.
44
 3a Etapa : Gere o efeito marginal

▪ Análise do Efeito Marginal

▪ Capitalização : -0,57
▪ O efeito marginal de -0,57 informa que a variação de 0,1 unidade no indicador de capitalização causa variação, em sentido
contrário, de 0,057 pontos percentuais na probabilidade da cooperativa de crédito rural de Minas Gerais tornar-se
insolvente.
▪ Encaixe: -0,27
▪ O efeito marginal de -0,27 informa que o aumento de 0,1 unidade no indicador de encaixe provoca uma redução de 0,027
pontos percentuais na probabilidade da cooperativa de crédito rural de Minas Gerais tornar-se insolvente.
▪ Despesas Totais: 1,51
▪ O efeito marginal de 1,51 informa que o aumento de 0,1 unidade no indicador de despesas totais causa variação, no
mesmo sentido, de 0,15 pontos percentuais na probabilidade de a cooperativa de crédito rural de Minas Gerais tornar-se
insolvente.

45
 3a Etapa : Gere o efeito marginal

▪ Análise do Efeito Marginal

▪ Se especificarmos no cálculo do efeito marginal uma cooperativa com
▪ Capitalização : 0.12
▪ Encaixe: 0.02
▪ Despesas Totais: 0.45

Essa cooperativa
terá a probabilidade
média de insolvência
de 98%

46
 4a Etapa : Validação do Modelo – Matriz de
Classificação

▪ Comando stata:
estat clas

Obs.: “!=” representa o

símbolo “diferente” () e ==
o símbolo igual.
Então, D=1 e ~D=0 na
notação ao lado.

47
▪ Em termos globais, o modelo classificou corretamente
74,52% das observações
((n11+n00)/N=(385+387)/1036); ou seja, um count R2 =
74,52%. Para valores de y = 1 (empresas insolventes), o
modelo acerta 74,32% das previsões (n11/N1=385/518).
Já para valores de y = 0 (empresas solventes), o modelo
acerta 74,71% (n00/N0=387/518).
48
 4a Etapa : Validação do Modelo – Tabela de
expectativa de predição
▪ Organizando a saída do modelo

Sensibilidade

Especificidade

49
 4a Etapa : Validação do Modelo – Tabela de
expectativa de predição

▪ Análise da Tabela de Expectativa de predição

▪ Constata-se que o modelo ajustado apresentou 74,52% de classificação correta das
cooperativas, considerando os dados mensais.
▪ Das 518 observações referentes a insolvência, com o ponto de corte de 0,5, 385 foram captadas
pelo modelo, o que indica um nível de acerto de 74,32% para cooperativas insolventes.
▪ Para as observações referentes as cooperativas solventes, o modelo apresentou 74,71% de
classificação correta.
▪ De modo geral, o modelo apresentou bom ajuste, em termos de tabela de expectativa de
predição.

50
 4a Etapa : Validação do Modelo – Curva ROC

▪ Comando stata:
lroc

A curva ROC (Receiver Operating

Characteristic) relaciona a sensibilidade
versus a especificidade do modelo
estimado. Um modelo com nenhum poder
preditivo teria a curva ROC como uma
linha de 45 graus. Quanto maior o poder
preditivo do modelo, maior a concavidade
da curva, e a área sob a curva é utilizada
como uma medida de capacidade preditiva
do modelo. Neste sentido, pode-se notar,
pela Figura ao lado, que o modelo
estimado para as cooperativas de crédito
mineiras apresentou uma boa capacidade
preditiva, com uma área de 0,8176

51
Informações adicionais do modelo: probalidade de
insolvencia para cada observação

▪ Para calcular a probabilidade de cada observação utiliza-se o predict [nome], p

▪ Comando stata:
predict probinsol, p

Irá gerar uma variável no editor de dados com a probabilidade de insolvência para cada observação do banco de
dados.

52
 Exemplo: Aplicação do modelo logit
Arquivo Stata: [Link]
▪ Vamos analisar o que impacta a participação das mulheres
casadas na força de trabalho no ano de 1985, utilizando o
modelo logit
▪ Y = 1 se a mulher casada teve trabalho remunerado fora de
casa, 0, caso contrário
▪ Vamos utilizar as seguintes variáveis para buscar explicar a
probabilidade de participação das mulheres na força de
trabalho no ano de 1985
▪ Rendamarido = renda do marido em milhares de dólares
▪ Educ = anos de estudos
▪ Filhos6 = filhos < 6 anos
▪ FilhosM6 = Filhos entre 6-18 anos
▪ Idade = Idade das mulheres em anos
▪ exper = tempo de experiência no mercado de trabalho
53
. correlate Filhos6 FilhosM6 Idade educ rendamarido exper
(obs=753)

Filhos6 FilhosM6 Idade educ rendam~o exper

Filhos6 1.0000
FilhosM6 0.0842 1.0000
Idade -0.4339 -0.3854 1.0000
educ 0.1087 -0.0589 -0.1202 1.0000
rendamarido 0.0324 -0.0297 0.0270 0.2849 1.0000
exper -0.1940 -0.2995 0.3340 0.0663 -0.1033 1.0000
. logit TRABFEM Filhos6 FilhosM6 Idade educ rendamarido exper

Iteration 0: log likelihood = -514.8732

Iteration 1: log likelihood = -408.23668
Iteration 2: log likelihood = -407.41378
Iteration 3: log likelihood = -407.41258
Iteration 4: log likelihood = -407.41258

Logistic regression Number of obs = 753

LR chi2(6) = 214.92
Prob > chi2 = 0.0000
Log likelihood = -407.41258 Pseudo R2 = 0.2087

TRABFEM Coef. Std. Err. z P>|z| [95% Conf. Interval]

Filhos6 -1.431415 .200326 -7.15 0.000 -1.824047 -1.038784

FilhosM6 .0458369 .0728917 0.63 0.529 -.0970282 .1887021
Idade -.0944319 .0141987 -6.65 0.000 -.1222608 -.066603
educ .2146634 .0424543 5.06 0.000 .1314544 .2978724
rendamarido -.039967 .0211402 -1.89 0.059 -.0814009 .001467
exper .1227519 .0135437 9.06 0.000 .0962067 .1492971
_cons 1.007997 .833036 1.21 0.226 -.6247234 2.640718
. mfx

Marginal effects after logit

y = Pr(TRABFEM) (predict)
= .588139

variable dy/dx Std. Err. z P>|z| [ 95% C.I. ] X

Filhos6 -.3467339 .04871 -7.12 0.000 -.442205 -.251263 .237716

FilhosM6 .0111032 .01766 0.63 0.530 -.023508 .045715 1.35325
Idade -.0228744 .00344 -6.64 0.000 -.029624 -.016125 42.5378
educ .0519982 .01028 5.06 0.000 .031846 .072151 12.2869
rendam~o -.0096813 .00512 -1.89 0.059 -.019714 .000351 7.48218
exper .0297344 .00325 9.16 0.000 .023374 .036095 10.6308

Rendamarido = renda do marido em milhares de dólares

Educ = anos de estudos
Filhos6 = filhos < 6 anos
FilhosM6 = Filhos entre 6-18 anos
Idade = Idade das mulheres em anos
exper = tempo de experiência no mercado de trabalho
. estat clas

Logistic model for TRABFEM

True
Classified D ~D Total

+ 347 116 463

- 81 209 290

Total 428 325 753

Classified + if predicted Pr(D) >= .5

True D defined as TRABFEM != 0

Sensitivity Pr( +| D) 81.07%

Specificity Pr( -|~D) 64.31%
Positive predictive value Pr( D| +) 74.95%
Negative predictive value Pr(~D| -) 72.07%

False + rate for true ~D Pr( +|~D) 35.69%

False - rate for true D Pr( -| D) 18.93%
False + rate for classified + Pr(~D| +) 25.05%
False - rate for classified - Pr( D| -) 27.93%

Correctly classified 73.84%

 1.00
0.75
Sensitivity

0.50
0.25
0.00

0.00 0.25 0.50 0.75 1.00

1 - Specificity
Area under ROC curve = 0.7948

. lroc

Logistic model for TRABFEM

number of observations = 753

area under ROC curve = 0.7948
 Bibliografia Básica

▪ GUJARATI, D. N. Econometria Básica. São Paulo: Elsevier, 2006. (Capítulo

15)

59