Roc曲线

一、 应用场景

ROC曲线，也称受试者工作特征曲线，感受性曲线；ROC曲线最初是运用在军事上，当前在医学领域使用非常广泛，用于研究X对于Y的预测准确率情况。

案例：

雷达兵的任务在于监视雷达，观察是否有敌机来袭，当然如果有飞鸟来袭，也会出现信号，如果过于谨慎有信号就报告，会增加误报风险，但如果过于大胆，凡是信号都认为是飞鸟这会出现很大风险。ROC曲线正是解决此类问题，即用于尽最大可能研究敌机信号和飞鸟信号之间的区别，以增加预报准确性。

核心在于研究漏报和误报之间的概率分布情况，横坐标表示飞鸟信息不报告的概率，纵坐标表示敌机信息报告的概率即正确报告的概率，将对应的点连成曲线，这条曲线就是ROC曲线。

二、名词解释

ROC曲线最初运用于军事上，当前ROC曲线在医学领域有着广泛的使用。医学上更多称为“阳性”（比如敌机）或“阴性”（比如飞鸟），对应着X轴即1-特异性也称为假阳性率（误报率），该值越小越好；Y轴敏感度也称为真阳性率（敏感度），该值越大越好。

三、 操作与分析

1.数据背景

本案例研究产妇年龄，产妇体重这两项对于“低出生体重儿”的预测准确率，针对“低出生体重儿”列，数字1表示低出生体重儿，0表示不是低出生体重。数字1表示“阳性”，数字0表示“阴性”，因此切割点设置为1。

PS：非真实收集数据仅作案例使用

2.SPSSAU操作截图如下

3.SPSSAU数据输出说明

分析结果来源于SPSSAU

说明1

从上表可知，针对产妇年龄, 产妇体重共2项构造ROC曲线，用于判断其对于“低出生体重儿”的诊断预测价值，首先进行状态变量的设置。以数字1作为切割点， 1为阳性，0作为阴性。最终从上表可可以看出：阳性（此处即为“低出生体重儿”）比例为68.78%，阴性（此处即为“非低出生体重儿”）比例为31.22%。

ROC 曲线可用于疾病识别能力的判断，首先需要确定金标准(分割点)，并且主动设置；第一步：状态变量等于分割点时为阳性，其它为阴性；第二步：可对阳性和阴性的基本频数分布情况进行简单描述。

说明2

从上表可知，针对产妇体重, 产妇年龄共2项构造ROC曲线，用于判断它们对于低出生体重儿的诊断价值，从上表可以看出：产妇体重对应的AUC值为0.601，意味着产妇体重对于低出生体重儿的诊断价值比较低。产妇年龄对应的AUC值为0.549，意味着产妇年龄对于低出生体重儿的诊断价值比较低。
总结可知：产妇体重, 产妇年龄共2项的对就看AUC值均低于0.7，意味着它们对于低出生体重儿的诊断价值较低。

说明3

从上表可以看出：产妇体重对应的AUC值为0.601，意味着产妇体重对于低出生体重儿的诊断价值比较低。产妇年龄对应的AUC值为0.549，意味着产妇年龄对于低出生体重儿的诊断价值比较低。
总结可知：产妇体重, 产妇年龄共2项的对就看AUC值均低于0.7，意味着它们对于低出生体重儿的诊断价值较低。

SPSSAU还提供ROC曲线之AUC比较检验：

例：

如果需要比较两种临床诊断效果ROC曲线面积(AUC值)的差异性(独立样本)，可直接在上表进行输入设置得到结果。
第一步：输入对应的两个AUC值，两个标准误（SE值）;
第二步：结合生成的z值和p值进行差异判断,如果p<0.05则说明两个ROC面积(AUC)有显著差异,反之无显著差异；
第三步：如果p<0.05,具体差异直接对比AUC差值即可。

4.总结

针对产妇年龄，其最佳界值出现在敏感度为0.277，特异度为0.881（1-特异度为0.119）时，即在该点时，最靠近左上角（此时整体最优），针对产妇体重，其最佳界值出现在敏感度为0.785，特异度为0.407（1-特异度为0.593）时，即在该点时，最靠近左上角（此时整体最优）。

最后针对产妇年龄, 产妇体重这两项的AUC面积是否呈现出显著性差异进行检验，最终显示产妇年龄, 产妇体重这两项的AUC值并没有显著性差异（z =-0.8357,p =0.4033>0.05）。

四、 扩展

ROC曲线是以1 - 特异性即误报率为X轴，以特异性（敏感度）作为Y轴而建立的折线图。ROC曲线以下的面积值代表着预测的准确率情况，称其为AUC值。显然，AUC越大，意味着预测准确率越高，反之说明预测准确率越低。AUC值介于0到1之间，关于AUC值的判断说明如下：

针对ROC曲线的X（检验变量）和Y（状态变量）的进一步说明，X(检验变量)和Y（状态变量）可为任意数据类型（定量和定类数据均可）；有以下两点需要特别提示