统计分析之ROC曲线与多指标联合分析 |
您所在的位置:网站首页 › 多变量逻辑回归模型分析 › 统计分析之ROC曲线与多指标联合分析 |
在进行某诊断方法的评估是,我们常常要用到ROC曲线。这篇博文将简要介绍ROC曲线以及用SPSS及medcal绘制ROC曲线的方法。 定义ROC受试者工作特征曲线 (receiver operating characteristic curve,简称ROC曲线),又称为感受性曲线(sensitivity curve)。得此名的原因在于曲线上各点反映着相同的感受性,它们都是对同一信号刺激的反应,只不过是在两种不同的判定标准下所得的结果而已。受试者工作特征曲线就是以假阳性概率(False positive rate)为横轴,真阳性(True positive rate)为纵轴所组成的坐标图,和受试者在特定刺激条件下由于采用不同的判断标准得出的不同结果画出的曲线。 ROC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。传统的诊断试验评价方法有一个共同的特点,必须将试验结果分为两类,再进行统计分析。 主要作用1.ROC曲线能很容易地查出任意界限值时的对疾病的识别能力。 2.选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值,其假阳性和假阴性的总数最少。 3.两种或两种以上不同诊断试验对疾病识别能力的比较。在对同一种疾病的两种或两种以上诊断方法进行比较时,可将各试验的ROC曲线绘制到同一坐标中,以直观地鉴别优劣,靠近左上角的ROC曲线所代表的受试者工作最准确。亦可通过分别计算各个试验的ROC曲线下的面积(AUC)进行比较,哪一种试验的 AUC最大,则哪一种试验的诊断价值最佳。 绘制方法SPSS: 首先在分析列表选择ROC曲线图 输入检验变量和状态变量,如果检验变量输入多个,则会在图上显示每个检验变量的曲线。状态变量还需输入表示阳性组的数值。 在输出文件中可以看到ROC曲线 有时ROC曲线的AUC小于0.5这是由于SPSS默认越大的量越为阳性造成的 点击选项 选择较小的检验结果表示更明确地检验即可 多指标联合分析时,只需将预测概率值加入到检验变量中即可。预测概率值计算方法见https://blog.csdn.net/tuanzide5233/article/details/83240500
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |