Permítanme dar un ejemplo inspirado en la obra de Richard William presentación y el comando de Stata margins
.
webuse nhanes2f, clear
keep if !missing(diabetes, black, female, age, age2, agegrp)
gen femage = female*age
label variable femage "female * age interaction"
probit diabetes black female age, nolog
Probit regression Number of obs = 10,335
LR chi2(3) = 380.15
Prob > chi2 = 0.0000
Log likelihood = -1808.992 Pseudo R2 = 0.0951
------------------------------------------------------------------------------
diabetes | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
black | .3567259 .0638644 5.59 0.000 .231554 .4818978
female | .0859841 .0450391 1.91 0.056 -.0022909 .1742592
age | .0271895 .0016318 16.66 0.000 .0239912 .0303879
_cons | -3.215875 .1015044 -31.68 0.000 -3.41482 -3.01693
------------------------------------------------------------------------------
Entre otras cosas, los resultados muestran que envejecer es malo para la salud (¡sorpresa!), pero ¿hasta qué punto lo es?
Las predicciones ajustadas (también conocidas como márgenes de predicción) pueden hacer más tangibles estos resultados. Con las predicciones ajustadas, se especifican los valores de cada una de las variables independientes del modelo y, a continuación, se calcula la probabilidad de que se produzca el suceso para un individuo que tenga esos valores. Utilizando los valores medios de las otras variables independientes (mujer, negro) que están en el modelo, obtenemos:
margins, at(age=(20(10)70)) atmeans
Adjusted predictions Number of obs = 10,335
Model VCE : OIM
Expression : Pr(diabetes), predict()
1._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 20
2._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 30
3._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 40
4._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 50
5._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 60
6._at : black = .1050798 (mean)
female = .5250121 (mean)
age = 70
------------------------------------------------------------------------------
| Delta-method
| Margin Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_at |
1 | .0063084 .0009888 6.38 0.000 .0043703 .0082465
2 | .0113751 .0013794 8.25 0.000 .0086715 .0140786
3 | .0204274 .0017892 11.42 0.000 .0169206 .0239342
4 | .0364184 .0021437 16.99 0.000 .0322167 .04062
5 | .0641081 .0028498 22.50 0.000 .0585226 .0696935
6 | .1104379 .005868 18.82 0.000 .0989369 .121939
------------------------------------------------------------------------------
Los resultados muestran que una persona de 20 años tiene menos de un 1% de probabilidades de tener diabetes (.0063084), mientras que una persona de 70 años tiene un 11% de probabilidades (.1104379).