Logistic回归calibration曲线

Calibration曲线能够评价模型或者变量对结局预测的准确性。

下面基于R语言自带的数据集lung数据集展示一下Logistic回归calibration曲线的画法，这段代码同时还会展示出斜率（slope）和bier指数，帮助你在图形和数据上评价模型预测的效果

library(rms)

#看一下数据集

head(lung)

 

# sex+ph.karno+meal.cal+pat.karno，用这几个指标来预测结局状态

m3 <- lrm(status1~sex+ph.karno+meal.cal+pat.karno, x = T,y = T,data = lung)

#B是bootstrap,重抽样次数，可以酌情写成500或者1000或者更多。

cal <- calibrate(m3,  method = "boot", B = 500)

plot(cal,main = "Calibration Curve")

 

#选择第101到200行的数据来建立为新的数据集，这里的行数是可以自行选择和调整的

newdata <- lung[101:200,]

pred.lg<- predict(m3,newdata )

newdata$prob <- 1/(1+exp(-pred.lg))

val.prob(newdata$prob,as.numeric( newdata$status1) , m=10, cex=.9) 

 

斜率（slope）和bier指数是从数值上来评价模型预测的准确性的，其中slope越接近1，说明模型预测的准确性越好，bier指数<0.25, 说明模型预测的准确性比较好。

Dxy跟AUC可以换算，AUC=Dxy/2+0.5

在logistics回归里面，AUC和concordance index (c index)是同一个东西，在Cox回归里面，两者有区别。

一般情况下AUC在0.50认为没有预测价值，0.50-0.70为准确度较低；在0.70-0.80之间为准确度可接受；在0.71-0.80之间为准确度佳；而高于0.90则为高准确度（DOI: 10.1097/JTO.0b013e3181ec173d）。