Boot重抽样获取logistic回归模内部验证AUC并绘制带可信区间的重抽样ROC曲线

bootstrap自采样目前广泛应用与统计学中，其原理很简单就是通过自身原始数据抽取一定量的样本（也就是取子集），通过对抽取的样本进行统计学分析，然后继续重新抽取样本进行分析，不断的重复这一过程N（大于500次以上）次，然后得到N个统计结果，然后进行区间分析，得到最终结果。

我们在上一篇文章《Boot重抽样获取logistic回归内部验证AUC可信区间》已经介绍了通过bootstrap自采样获取logistic回归内部验证AUC可信区间，当时我介绍到对数据进行重抽样，然后算出每个数据的AUC然后求出可信区间，这种方法是不能绘制ROC的可信区间图的，事实证明是我肤浅了，后面一位粉丝的投稿创意让我获得了灵感，突破了最关键的地方，成功绘制了曲线，今天来介绍一下bootstrap自采样获取logistic回归内部验证AUC可信区间并绘制ROC曲线，本文高度原创，而且创作十分不易，要收一点辛苦费。
继续使用我们的不孕症数据进行演示（回复：不孕症，可以获得数据），我们先导入数据和R包

library(pROC)
library(tidyverse)
bc<-read.csv("E:/r/test/buyunzheng.csv",sep=',',header=TRUE)

数据有8个指标，最后两个是PSM匹配结果，我们不用理他，其余六个为：
Education：教育程度，age:年龄，parity产次，induced：人流次数，case：是否不孕，这是结局指标，spontaneous：自然流产次数。
有一些变量是分类变量，我们需要把它转换一下

bc$education<-ifelse(bc$education=="0-5yrs",0,ifelse(bc$education=="6-11yrs",1,2))
bc$spontaneous<-as.factor(bc$spontaneous)
bc$case<-as.factor(bc$case)
bc$induced<-as.factor(bc$induced)
bc$education<-as.factor(bc$education)

建立模型

fit<-glm(case ~ age  + parity +spontaneous,
         family = binomial(link = logit), data =bc)

本文为转载文章，原文地址如下：https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247486634&idx=1&sn=986f9f70a6d2dd84b2dbca1387f84c36&chksm=ea26ecb6dd5165a0a12c6e089c1144606ec4370076444ec09f5cc1259310587835cc6d899495#rd