Tarea semana 10
Juan Alberto Zapata
Jun 3, 2020
options(scipen=999)
pkges<-c("mfx","pROC","tidyverse","forecast","data.table","csv")
#install.packages(pkges)
lapply(pkges,"library",character.only=T)## Loading required package: sandwich## Loading required package: lmtest## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric## Loading required package: MASS## Loading required package: betareg## Type 'citation("pROC")' for a citation.##
## Attaching package: 'pROC'## The following objects are masked from 'package:stats':
##
## cov, smooth, var## -- Attaching packages ---------------------------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 0.8.5
## v tidyr 1.1.0 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ------------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
## x dplyr::select() masks MASS::select()## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zoo##
## Attaching package: 'data.table'## The following objects are masked from 'package:dplyr':
##
## between, first, last## The following object is masked from 'package:purrr':
##
## transpose## Warning: package 'csv' was built under R version 4.0.2## [[1]]
## [1] "mfx" "betareg" "MASS" "lmtest" "zoo" "sandwich"
## [7] "stats" "graphics" "grDevices" "utils" "datasets" "methods"
## [13] "base"
##
## [[2]]
## [1] "pROC" "mfx" "betareg" "MASS" "lmtest" "zoo"
## [7] "sandwich" "stats" "graphics" "grDevices" "utils" "datasets"
## [13] "methods" "base"
##
## [[3]]
## [1] "forcats" "stringr" "dplyr" "purrr" "readr" "tidyr"
## [7] "tibble" "ggplot2" "tidyverse" "pROC" "mfx" "betareg"
## [13] "MASS" "lmtest" "zoo" "sandwich" "stats" "graphics"
## [19] "grDevices" "utils" "datasets" "methods" "base"
##
## [[4]]
## [1] "forecast" "forcats" "stringr" "dplyr" "purrr" "readr"
## [7] "tidyr" "tibble" "ggplot2" "tidyverse" "pROC" "mfx"
## [13] "betareg" "MASS" "lmtest" "zoo" "sandwich" "stats"
## [19] "graphics" "grDevices" "utils" "datasets" "methods" "base"
##
## [[5]]
## [1] "data.table" "forecast" "forcats" "stringr" "dplyr"
## [6] "purrr" "readr" "tidyr" "tibble" "ggplot2"
## [11] "tidyverse" "pROC" "mfx" "betareg" "MASS"
## [16] "lmtest" "zoo" "sandwich" "stats" "graphics"
## [21] "grDevices" "utils" "datasets" "methods" "base"
##
## [[6]]
## [1] "csv" "data.table" "forecast" "forcats" "stringr"
## [6] "dplyr" "purrr" "readr" "tidyr" "tibble"
## [11] "ggplot2" "tidyverse" "pROC" "mfx" "betareg"
## [16] "MASS" "lmtest" "zoo" "sandwich" "stats"
## [21] "graphics" "grDevices" "utils" "datasets" "methods"
## [26] "base"maindir <- getwd()subdir <- c("/semana9/")datos <- read.csv(paste0(maindir,subdir,"UCI_Credit_Card.csv"),header = T)datos <- datos[complete.cases(datos),]Cambio a variable categorica.
cred <- datos[,-1]
cred$PAY_0 <- as.factor(cred$PAY_0)
cred$SEX <- as.factor(cred$SEX)
cred$MARRIAGE <- as.factor(cred$MARRIAGE)MODELO 2
Variable dependiente:
_default.payment.next.month.- pago predeterminado (1 = sí, 0 = no)
Variable independiente:
_PAY_0.- Estado de reembolso en septiembre de 2005 (-1 = pagar debidamente, 1 = retraso en el pago de un mes, 2 = retraso en el pago de dos meses, … 8 = retraso en el pago de ocho meses, 9 = retraso en el pago de nueve meses o más)
_BILL_AMT1.- Cantidad de extracto de cuenta en septiembre de 2005 (dólar NT)
_SEX.- Género (1 = masculino, 2 = femenino)
_MARRIAGE.- Estado civil (1 = casado, 2 = soltero, 3 = otros)
_LIMIT_BAL.- Cantidad de crédito otorgado en dólares NT (incluye crédito individual y familiar / complementario)
El modelo 2 se corre con toda las variables con la familia binomial con enlace lobit.
XB <- as.formula("default.payment.next.month ~ factor(PAY_0)+BILL_AMT1+factor(SEX)+factor(MARRIAGE)+LIMIT_BAL")
modelo2 <- glm(XB,data = cred,
family = binomial(link = "logit"))
summary(modelo2)##
## Call:
## glm(formula = XB, family = binomial(link = "logit"), data = cred)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -1.8399 -0.5945 -0.5247 -0.3773 2.6964
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.3400631752 0.5043734688 -4.640 0.0000034918 ***
## factor(PAY_0)-1 0.1532357179 0.0672759845 2.278 0.022743 *
## factor(PAY_0)0 -0.3966578760 0.0673618386 -5.888 0.0000000039 ***
## factor(PAY_0)1 0.9229080060 0.0686246499 13.449 < 0.0000000000000002 ***
## factor(PAY_0)2 2.2651756785 0.0754840260 30.009 < 0.0000000000000002 ***
## factor(PAY_0)3 2.5518768302 0.1447547887 17.629 < 0.0000000000000002 ***
## factor(PAY_0)4 2.1095655651 0.2564535306 8.226 < 0.0000000000000002 ***
## factor(PAY_0)5 1.3474893846 0.4011388948 3.359 0.000782 ***
## factor(PAY_0)6 1.5720973733 0.6124299301 2.567 0.010259 *
## factor(PAY_0)7 2.6124553647 0.8070251387 3.237 0.001207 **
## factor(PAY_0)8 1.6609843738 0.4729346516 3.512 0.000445 ***
## BILL_AMT1 0.0000014441 0.0000002700 5.349 0.0000000884 ***
## factor(SEX)2 -0.1667665520 0.0314658479 -5.300 0.0000001159 ***
## factor(MARRIAGE)1 1.3029925352 0.5005755583 2.603 0.009241 **
## factor(MARRIAGE)2 1.1067325985 0.5005064194 2.211 0.027020 *
## factor(MARRIAGE)3 1.2827076888 0.5195430723 2.469 0.013552 *
## LIMIT_BAL -0.0000027485 0.0000001544 -17.796 < 0.0000000000000002 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 31705 on 29999 degrees of freedom
## Residual deviance: 26732 on 29983 degrees of freedom
## AIC: 26766
##
## Number of Fisher Scoring iterations: 4Estimate son las betas de las variables independientes del modelo 2.
Los betas con un p value de significancia de cada covariable tiene una probabilidad menor de 0.05 tienen la menor probabilidad de cometer el error tipo 1.
Estimacion con menor AIC
Te ayuda a escoger la menor cantidad de variables para obtener la menor cantidad de aic.
model.AIC <- stepAIC(modelo2)## Start: AIC=26766.11
## default.payment.next.month ~ factor(PAY_0) + BILL_AMT1 + factor(SEX) +
## factor(MARRIAGE) + LIMIT_BAL
##
## Df Deviance AIC
## <none> 26732 26766
## - factor(SEX) 1 26760 26792
## - BILL_AMT1 1 26760 26792
## - factor(MARRIAGE) 3 26779 26807
## - LIMIT_BAL 1 27077 27109
## - factor(PAY_0) 10 30794 30808yhat1 es la predicción en grafico de histograma.
yhat1<-model.AIC$fitted.values
hist(yhat1)
Sensibilidad y Espesifidad
c<-seq(0.01,0.3,by=0.01)
sens<-c()
spec<-c()
for (i in 1:length(c)){
y.pred<-ifelse(model.AIC$fitted.values > c[i], yes = 1, no = 0)
spec[i]<-prop.table(table(cred$default.payment.next.month,y.pred),1)[1]
sens[i]<-prop.table(table(cred$default.payment.next.month,y.pred),1)[4]
}
o.cut<-mean(c[which(round(spec,1)==round(sens,1))],na.rm = T)
plot(c,sens,type="l",col=2,main=c("Especificidad vs Sensibilidad"),ylab=c("Especificidad/Sensibilidad"))
lines(c,spec,col=3)
abline(v=0.163)
print(o.cut)## [1] 0.16La especifidad y sencibilidad evaluado entre el punto de corte donde las dos lineas se interceptan es de 0.16.
Matriz de Confusion
y.pred <- ifelse(model.AIC$fitted.values > o.cut, yes = 1, no = 0)
matriz_confusion <- table(cred$default.payment.next.month, y.pred,
dnn = c("observaciones", "predicciones"))Evaluamos en la matriz de confusion, donde si tiende a 0 sensibilidad y 1 especifidad
prop.table(matriz_confusion,1)## predicciones
## observaciones 0 1
## 0 0.6590909 0.3409091
## 1 0.3090717 0.6909283Donde se observa que tiene un 0.6590909 en sensibilidad y 0.6909283 especifidad.
Area bajo la curva roc
roc(cred$default.payment.next.month,yhat1)## Setting levels: control = 0, case = 1## Setting direction: controls < cases##
## Call:
## roc.default(response = cred$default.payment.next.month, predictor = yhat1)
##
## Data: yhat1 in 23364 controls (cred$default.payment.next.month 0) < 6636 cases (cred$default.payment.next.month 1).
## Area under the curve: 0.7467plot(roc(cred$default.payment.next.month,yhat1),main=c("Curva ROC"))## Setting levels: control = 0, case = 1
## Setting direction: controls < cases
La función roc muestra el area bajo la curva donde es 0.7467
EFECTO MARGINAL
Muestra la probabilidad de caer en morosidad de las siguientes variables.
marginalEf <- logitmfx(formula=XB, data=cred)
marginalEf## Call:
## logitmfx(formula = XB, data = cred)
##
## Marginal Effects:
## dF/dx Std. Err. z
## factor(PAY_0)-1 0.024343674424 0.010991191771 2.2148
## factor(PAY_0)0 -0.061104016309 0.010346743590 -5.9056
## factor(PAY_0)1 0.172320724921 0.014776881917 11.6615
## factor(PAY_0)2 0.488274465511 0.016537005619 29.5262
## factor(PAY_0)3 0.559787897712 0.027348434250 20.4687
## factor(PAY_0)4 0.469081536104 0.057587070041 8.1456
## factor(PAY_0)5 0.284684087495 0.099997339763 2.8469
## factor(PAY_0)6 0.340830898685 0.152477381923 2.2353
## factor(PAY_0)7 0.571870621722 0.146182248410 3.9120
## factor(PAY_0)8 0.362844783174 0.116855768231 3.1051
## BILL_AMT1 0.000000222829 0.000000041597 5.3569
## factor(SEX)2 -0.026010315765 0.004956405578 -5.2478
## factor(MARRIAGE)1 0.208705370836 0.082893827906 2.5177
## factor(MARRIAGE)2 0.167728776622 0.074752336238 2.2438
## factor(MARRIAGE)3 0.267364234459 0.128306634037 2.0838
## LIMIT_BAL -0.000000424107 0.000000023432 -18.0996
## P>|z|
## factor(PAY_0)-1 0.026771 *
## factor(PAY_0)0 0.0000000035130637745 ***
## factor(PAY_0)1 < 0.00000000000000022 ***
## factor(PAY_0)2 < 0.00000000000000022 ***
## factor(PAY_0)3 < 0.00000000000000022 ***
## factor(PAY_0)4 0.0000000000000003774 ***
## factor(PAY_0)5 0.004414 **
## factor(PAY_0)6 0.025398 *
## factor(PAY_0)7 0.0000915202185973819 ***
## factor(PAY_0)8 0.001902 **
## BILL_AMT1 0.0000000846787999051 ***
## factor(SEX)2 0.0000001539110036955 ***
## factor(MARRIAGE)1 0.011811 *
## factor(MARRIAGE)2 0.024846 *
## factor(MARRIAGE)3 0.037179 *
## LIMIT_BAL < 0.00000000000000022 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## dF/dx is for discrete change for the following variables:
##
## [1] "factor(PAY_0)-1" "factor(PAY_0)0" "factor(PAY_0)1"
## [4] "factor(PAY_0)2" "factor(PAY_0)3" "factor(PAY_0)4"
## [7] "factor(PAY_0)5" "factor(PAY_0)6" "factor(PAY_0)7"
## [10] "factor(PAY_0)8" "factor(SEX)2" "factor(MARRIAGE)1"
## [13] "factor(MARRIAGE)2" "factor(MARRIAGE)3"La variable PAY_0 (-1) cambia la probabilidad de 0.024343674424 de caer en morosidad.
La variable PAY_0 (0) cambia la probabilidad de -0.061104016309 de caer en morosidad.
La variable PAY_0 (1) cambia la probabilidad de 0.172320724921 de caer en morosidad.
La variable PAY_0 (2) cambia la probabilidad de 0.488274465511 de caer en morosidad.
La variable PAY_0 (3) cambia la probabilidad de 0.559787897712 de caer en morosidad.
La variable PAY_0 (4) cambia la probabilidad de 0.469081536104 de caer en morosidad.
La variable PAY_0 (5) cambia la probabilidad de 0.284684087495 de caer en morosidad.
La variable PAY_0 (6) cambia la probabilidad de 0.340830898685 de caer en morosidad.
La variable PAY_0 (7) cambia la probabilidad de 0.571870621722 de caer en morosidad.
La variable PAY_0 (8) cambia la probabilidad de 0.362844783174 de caer en morosidad.
La variable BILL_AMT1 cambia la probabilidad de 0.000000222829 de caer en morosidad.
La variable sex cambia la probabilidad de -0.026010315765 de caer en morosidad.
La variable marriage en 1 cambia la probabilidad de 0.208705370836 de caer en morosidad.
La variable marriage en 2 cambia la probabilidad de 0.167728776622 de caer en morosidad.
La variable marriage en 3 cambia la probabilidad de 0.267364234459 de caer en morosidad.
La variable LIMIT_BAL cambia la probabilidad de -0.000000424107 de caer en morosidad.
RATIO DE ODDG
PAY_0 (-1): Estado de reembolso en septiembre de 2005 (-1 = pagar debidamente,
1 = retraso en el pago de un mes,
2 = retraso en el pago de dos meses,
8 = retraso en el pago de ocho meses,
9 = retraso en el pago de nueve meses o más)
ratio_oddg_1 <- exp(modelo2$coefficients[2])-1
ratio_oddg_1## factor(PAY_0)-1
## 0.1655997probabilidad_1 <- exp(modelo2$coefficients[2])/(1+exp(modelo2$coefficients[2]))
probabilidad_1## factor(PAY_0)-1
## 0.5382341La chance de cambiar en morosidad es de 0.1655997
La probabilidad de caer en morosidad es de 0.5382341
PAY_0 (0):
ratio_oddg0 <- exp(modelo2$coefficients[3])-1
ratio_oddg0## factor(PAY_0)0
## -0.3274359probabilidad0 <- exp(modelo2$coefficients[3])/(1+exp(modelo2$coefficients[3]))
probabilidad0## factor(PAY_0)0
## 0.4021156La chance de cambiar en morosidad es de -0.3274359
La probabilidad de caer en morosidad es de 0.4021156
PAY_0 (1):
ratio_oddg1 <- exp(modelo2$coefficients[4])-1
ratio_oddg1## factor(PAY_0)1
## 1.516598probabilidad1 <- exp(modelo2$coefficients[4])/(1+exp(modelo2$coefficients[4]))
probabilidad1## factor(PAY_0)1
## 0.7156343La chance de cambiar en morosidad es de 1.516598
La probabilidad de caer en morosidad es de 0.7156343
PAY_0 (2):
ratio_oddg2 <- exp(modelo2$coefficients[5])-1
ratio_oddg2## factor(PAY_0)2
## 8.632817probabilidad2 <- exp(modelo2$coefficients[5])/(1+exp(modelo2$coefficients[5]))
probabilidad2## factor(PAY_0)2
## 0.9059515La chance de cambiar en morosidad es de 8.632817
La probabilidad de caer en morosidad es de 0.9059515
PAY_0 (3):
ratio_oddg3 <- exp(modelo2$coefficients[6])-1
ratio_oddg3## factor(PAY_0)3
## 11.83116probabilidad3 <- exp(modelo2$coefficients[6])/(1+exp(modelo2$coefficients[6]))
probabilidad3## factor(PAY_0)3
## 0.9276995La chance de cambiar en morosidad es de 11.83116
La probabilidad de caer en morosidad es de 0.9276995
PAY_0 (4):
ratio_oddg4 <- exp(modelo2$coefficients[7])-1
ratio_oddg4## factor(PAY_0)4
## 7.244659probabilidad4 <- exp(modelo2$coefficients[7])/(1+exp(modelo2$coefficients[7]))
probabilidad4## factor(PAY_0)4
## 0.8918294La chance de cambiar en morosidad es de 7.244659
La probabilidad de caer en morosidad es de 0.8918294
PAY_0 (5):
ratio_oddg5 <- exp(modelo2$coefficients[8])-1
ratio_oddg5## factor(PAY_0)5
## 2.847753probabilidad5 <- exp(modelo2$coefficients[8])/(1+exp(modelo2$coefficients[8]))
probabilidad5## factor(PAY_0)5
## 0.7937189La chance de cambiar en morosidad es de 2.847753
La probabilidad de caer en morosidad es de 0.7937189
PAY_0 (6):
ratio_oddg6 <- exp(modelo2$coefficients[9])-1
ratio_oddg6## factor(PAY_0)6
## 3.81674probabilidad6 <- exp(modelo2$coefficients[9])/(1+exp(modelo2$coefficients[9]))
probabilidad6## factor(PAY_0)6
## 0.8280824La chance de cambiar en morosidad es de 3.81674
La probabilidad de caer en morosidad es de 0.8280824
PAY_0 (7):
ratio_oddg7 <- exp(modelo2$coefficients[10])-1
ratio_oddg7## factor(PAY_0)7
## 12.63248probabilidad7 <- exp(modelo2$coefficients[10])/(1+exp(modelo2$coefficients[10]))
probabilidad7## factor(PAY_0)7
## 0.9316589La chance de cambiar en morosidad es de 12.63248
La probabilidad de caer en morosidad es de 0.9316589
PAY_0 (8):
ratio_oddg8 <- exp(modelo2$coefficients[11])-1
ratio_oddg8## factor(PAY_0)8
## 4.264491probabilidad8 <- exp(modelo2$coefficients[11])/(1+exp(modelo2$coefficients[11]))
probabilidad8## factor(PAY_0)8
## 0.8403701La chance de cambiar en morosidad es de 4.264491
La probabilidad de caer en morosidad es de 0.8403701
Variables especificas de PAY_0
XB_PAY <- modelo2$coefficients[2]*(1) + modelo2$coefficients[3]*(1) + modelo2$coefficients[4]*(1) + modelo2$coefficients[5]*(1) + modelo2$coefficients[6]*(1) + modelo2$coefficients[7]*(1) + modelo2$coefficients[8]*(1) + modelo2$coefficients[9]*(1) + modelo2$coefficients[10]*(1) + modelo2$coefficients[11]*(1) Un incremento tiene un efecto positivo
exp(XB_PAY) / (1+exp(XB_PAY))## factor(PAY_0)-1
## 0.9999996La probabilidad estima es de 0.99
BILL_AMT1: Cantidad de extracto de cuenta en septiembre de 2005 (dólar NT)
ratio_oddg21 <- exp(modelo2$coefficients[12])-1
ratio_oddg21## BILL_AMT1
## 0.000001444096probabilidad21 <- exp(modelo2$coefficients[12])/(1+exp(modelo2$coefficients[12]))
probabilidad21## BILL_AMT1
## 0.5000004La chance de BILL_AMT1 de cambiar en morosidad es de 0.000001444096
La probabilidad de BILL_AMT1 de caer en morosidad es de 0.5000004
SEXO: Género (1 = masculino, 2 = femenino)
ratio_oddg31 <- exp(modelo2$coefficients[13])-1
ratio_oddg31## factor(SEX)2
## -0.1536028probabilidad31 <- exp(modelo2$coefficients[13])/(1+exp(modelo2$coefficients[13]))
probabilidad31## factor(SEX)2
## 0.4584047La chance del Género de cambiar en morosidad es de -0.1536028
La probabilidad del Género de caer en morosidad es de 0.4584047
Estado civil (1 = casado, 2 = soltero, 3 = otros)
ratio_oddg41 <- exp(modelo2$coefficients[14])-1
ratio_oddg41## factor(MARRIAGE)1
## 2.680294probabilidad41 <- exp(modelo2$coefficients[14])/(1+exp(modelo2$coefficients[14]))
probabilidad41## factor(MARRIAGE)1
## 0.7863382La chance de un casado de cambiar en morosidad es de 2.680294
La probabilidad de un casado de caer en morosidad es de 0.7863382
ratio_oddg42 <- exp(modelo2$coefficients[15])-1
ratio_oddg42## factor(MARRIAGE)2
## 2.02446probabilidad42 <- exp(modelo2$coefficients[15])/(1+exp(modelo2$coefficients[15]))
probabilidad42## factor(MARRIAGE)2
## 0.7515195La chance de un soltero de cambiar en morosidad es de 2.02446
La probabilidad de un soltero de caer en morosidad es de 0.7515195
ratio_oddg43 <- exp(modelo2$coefficients[16])-1
ratio_oddg43## factor(MARRIAGE)3
## 2.606392probabilidad43 <- exp(modelo2$coefficients[16])/(1+exp(modelo2$coefficients[16]))
probabilidad43## factor(MARRIAGE)3
## 0.7829103La chance de otros de cambiar en morosidad es de 2.606392
La probabilidad de otros de caer en morosidad es de 0.7829103
Variables especificas de Estado Civil
XB_Estado <- modelo2$coefficients[14]*(1) + modelo2$coefficients[15]*(1) + modelo2$coefficients[16]*(1) Un incremento tiene un efecto positivo
exp(XB_Estado) / (1+exp(XB_Estado))## factor(MARRIAGE)1
## 0.9756942La probabilidad estima es de 0.97
LIMIT_BAL: Cantidad de crédito otorgado en dólares NT (incluye crédito individual y familiar / complementario
ratio_oddg51 <- exp(modelo2$coefficients[17])-1
ratio_oddg51## LIMIT_BAL
## -0.00000274852probabilidad51 <- exp(modelo2$coefficients[17])/(1+exp(modelo2$coefficients[17]))
probabilidad51## LIMIT_BAL
## 0.4999993La chance de la Linea de credito de cambiar en morosidad es de -0.00000274852
La probabilidad de la Linea de credito de caer en morosidad es de 0.4999993
Tabla de datos
id.Modelo2 <- data.frame(
Nomb= c("Estado_2005 (-1)","Estado_2005 (0)","Estado_2005 (1)",
"Estado_2005 (2)","Estado_2005 (3)","Estado_2005 (4)","Estado_2005 (5)",
"Estado_2005 (6)","Estado_2005 (7)","Estado_2005 (8)", "BILL_AMT1","SEXO",
"Estado_civil_1","Estado_civil_2","Estado_civil_3","Cantidad_crédito"),
Estimate = c(modelo2$coefficients[2],modelo2$coefficients[3],modelo2$coefficients[4],
modelo2$coefficients[5],modelo2$coefficients[6],modelo2$coefficients[7],
modelo2$coefficients[8],modelo2$coefficients[9],modelo2$coefficients[10],
modelo2$coefficients[11],modelo2$coefficients[12],modelo2$coefficients[13],
modelo2$coefficients[14],modelo2$coefficients[15],modelo2$coefficients[16],
modelo2$coefficients[17]),
dF_dx = c(marginalEf$mfxest[1],marginalEf$mfxest[2],marginalEf$mfxest[3],
marginalEf$mfxest[4],marginalEf$mfxest[5],marginalEf$mfxest[6],
marginalEf$mfxest[7],marginalEf$mfxest[8],marginalEf$mfxest[9],
marginalEf$mfxest[10],marginalEf$mfxest[11],marginalEf$mfxest[12],
marginalEf$mfxest[13],marginalEf$mfxest[14],marginalEf$mfxest[15],
marginalEf$mfxest[16]),
RATIO_ODDG = c(ratio_oddg_1,ratio_oddg0,ratio_oddg1,ratio_oddg2,ratio_oddg3,ratio_oddg4,
ratio_oddg5,ratio_oddg6,ratio_oddg7,ratio_oddg8,ratio_oddg21,ratio_oddg31,
ratio_oddg41,ratio_oddg42,ratio_oddg43,ratio_oddg51),
PROBABILIDAD = c(probabilidad_1,probabilidad0,probabilidad1,probabilidad2,probabilidad3,
probabilidad4,probabilidad5,probabilidad6,probabilidad7,probabilidad8,
probabilidad21,probabilidad31,probabilidad41,probabilidad42,probabilidad4,
probabilidad51),
stringsAsFactors = FALSE
)Imprimir el marco de datos.
print(id.Modelo2) ## Nomb Estimate dF_dx
## factor(PAY_0)-1 Estado_2005 (-1) 0.153235717916 0.0243436744238
## factor(PAY_0)0 Estado_2005 (0) -0.396657875979 -0.0611040163088
## factor(PAY_0)1 Estado_2005 (1) 0.922908005970 0.1723207249210
## factor(PAY_0)2 Estado_2005 (2) 2.265175678523 0.4882744655114
## factor(PAY_0)3 Estado_2005 (3) 2.551876830236 0.5597878977121
## factor(PAY_0)4 Estado_2005 (4) 2.109565565140 0.4690815361035
## factor(PAY_0)5 Estado_2005 (5) 1.347489384640 0.2846840874951
## factor(PAY_0)6 Estado_2005 (6) 1.572097373276 0.3408308986852
## factor(PAY_0)7 Estado_2005 (7) 2.612455364668 0.5718706217225
## factor(PAY_0)8 Estado_2005 (8) 1.660984373789 0.3628447831737
## BILL_AMT1 BILL_AMT1 0.000001444095 0.0000002228292
## factor(SEX)2 SEXO -0.166766552023 -0.0260103157653
## factor(MARRIAGE)1 Estado_civil_1 1.302992535225 0.2087053708355
## factor(MARRIAGE)2 Estado_civil_2 1.106732598549 0.1677287766221
## factor(MARRIAGE)3 Estado_civil_3 1.282707688763 0.2673642344590
## LIMIT_BAL Cantidad_crédito -0.000002748524 -0.0000004241074
## RATIO_ODDG PROBABILIDAD
## factor(PAY_0)-1 0.165599699296 0.5382341
## factor(PAY_0)0 -0.327435913395 0.4021156
## factor(PAY_0)1 1.516598041569 0.7156343
## factor(PAY_0)2 8.632816731490 0.9059515
## factor(PAY_0)3 11.831163112856 0.9276995
## factor(PAY_0)4 7.244658739324 0.8918294
## factor(PAY_0)5 2.847753165785 0.7937189
## factor(PAY_0)6 3.816740108801 0.8280824
## factor(PAY_0)7 12.632482507467 0.9316589
## factor(PAY_0)8 4.264490521139 0.8403701
## BILL_AMT1 0.000001444096 0.5000004
## factor(SEX)2 -0.153602822015 0.4584047
## factor(MARRIAGE)1 2.680293613315 0.7863382
## factor(MARRIAGE)2 2.024460107061 0.7515195
## factor(MARRIAGE)3 2.606391502968 0.8918294
## LIMIT_BAL -0.000002748520 0.4999993