ROC曲线分析教程

ROC曲线分析教程

受试者工作特征曲线，是根据一系列不同的二分类方式（分界值或决定阈），以真

阳性率（灵敏度）为纵坐标，假阳性率（1-特异度）为横坐标绘制的曲线。

ROC曲线下的面积值在1.0和0.5之间。在

AUC>0.5的情况下，AUC越接近于1，说明诊

断效果越好。AUC在0.5～0.7时有较低准确性，

AUC在0.7～0.9时有一定准确性，AUC在0.9以

0709时有定准确性09

上时有较高准确性。AUC=0.5时，说明诊断方

法完全不起作用，无诊断价值。

软件采用Spss22.0，导入数据，

sample是样本名称，Group是分类变量，

后面的是观测变量（可以是差异化合物，

临床指标，也可以是模型的预测值等）

单个观察变量ROC 分析步骤：

单个观察变量ROC分析结果：

曲線下的區域

測試結果變數Y predictive l

測試結果變數: value

區域圖標準錯誤a漸進顯著性b 漸進95% 信賴區間下限上限

.948.035.000.880 1.000

a a. 在非參數式假設下

b. 空值假設：true 區域= 0.5

多个观察变量ROC 分析步骤：

多个观察变量ROC 分析结果：

是不是有些小伙伴做出来的图是反的？那是因为你在上一步没有将状态变量的值设为0的缘故 呢这是因为我们的数据没有做逻辑回归的缘故继续往下看

为何是设为0而不是1呢？这是因为我们的数据没有做逻辑回归的缘故，继续往下看！

如何将多个指标同时纳入诊断体系呢（多变量观察值）？：

首先要做一个逻辑回归（Logistic Regression ）：点二元Logistic Regression-设置因变量和协变量-点保存-勾选概率预测值-点继续-点回归窗口的确定

回到表格，你会发现多了一列PRE-1，就是我们要的逻辑回归以后的数据：

利用这一列数据做的ROC曲线就是XT1和XT2两个变量的综合了，

具体做法参考单个观察变量ROC的做法。

多变量观察值ROC 分析结果：

大家是不是很惊奇的发现PRE-1做出来的结果和之前Y predictive value 做出来的结果一模一样，这绝对不是巧合，我能告诉大家的是Y predictive value 是PLS-DA 的Y 变量预测值，

而XT1和XT2正是PLS-DA X 变量第一主成分和第二主成分的预测值，个中原因大家细细品味吧

11