Tabela de Classificação

A próxima etapa na avaliação do modelo é examinar as predições geradas pelo modelo Lembre-se de que o modelo é baseado em prever probabilidades cumulativas. No entanto, você provavelmente está mais interessado em saber com que frequência o modelo pode produzir categorias preditas corretas com base nos valores das variáveis preditoras. Para ver o quão bem o modelo se dá, é possível construir uma tabela de classificação-também chamada de matriz de confusão-tabulando as categorias preditas com as categorias reais. É possível criar uma tabela de classificação em outro procedimento, usando as categorias pregadas pelo modelo salvas Consulte o tópico Análise de classificações cruzadas usando Crosstabs para obter mais informações.

O modelo parece estar fazendo um trabalho respeitável de previsão de categorias de resultados, pelo menos para as categorias mais frequentes-categoria 3 (pagamentos de dívida correntes) e categoria 5 (conta crítica). O modelo classifica corretamente 90.6% dos casos da categoria 3 e 75.1% dos casos da categoria 5. Além disso, casos nas categorias 2 são mais propensos a serem classificados como categoria 3 do que categoria 5, um resultado desejável para prever respostas ordinais.

Por outro lado, os casos da categoria 1 (sem histórico de crédito) são pouco previstos, com a maioria dos casos sendo atribuídos à categoria 5 (conta crítica), uma categoria que teoricamente deveria ser mais diferente da categoria 1. Isso pode indicar um problema na forma como a escala de resultado ordinal é definida. No interesse da brevidade, você não buscará esse problema aqui, mas em uma situação real de análise de dados, você provavelmente desejaria investigar isso e tentar descobrir se a própria escala ordinal poderia ser melhorada reordenando, mesclando ou excluindo determinadas categorias.

Próximo