判断 点在曲线上_ROC曲线应该怎么看？

Roc曲线，也称“受试者工作特征曲线”，或者感受性曲线，抛开这写难记的名字不谈，今天主要来谈谈它的用法以及如何解读。

应用场景

ROC曲线主要是用于X对Y的预测准确率情况。最初ROC曲线是运用在军事上，现在更多应用在医学领域，判断某种因素对于某种疾病的诊断是否有诊断价值。

简单理解

ROC曲线

ROC曲线图是反映敏感性与特异性之间关系的曲线。横坐标X轴为 1 – 特异性，也称为假阳性率（误报率），X轴越接近零准确率越高；纵坐标Y轴称为敏感度，也称为真阳性率（敏感度），Y轴越大代表准确率越好。

根据曲线位置，把整个图划分成了两部分，曲线下方部分的面积被称为AUC（Area Under Curve），用来表示预测准确性，AUC值越高，也就是曲线下方面积越大，说明预测准确率越高。曲线越接近左上角（X越小，Y越大），预测准确率越高。

案例分析

（1）背景

当前进行一项影响“低出生体重儿”的研究，希望研究产妇年龄，产妇体重对于“低出生体重儿”的预测准确率。将低出生体重儿赋值为1，正常出生体重儿赋值为0。

（2）操作步骤

使用路径：SPSSAU→可视化→ROC曲线

拖拽分析项到分析框中，放置位置如下图所示：

右侧的数值（分割点）代表变量Y的判断标准，大于或等于这个标准的数值判断为“阳性”，小于这个标准的数值判断为“阴性”。默认判断数值为1，如果默认数值与判断标准不符，可手动修改。

*设置不同的数值，会得到不一样的结果，如果没有公认的金标准，也可以尝试设置不同的数值，对比分析找到更佳的预测曲线。

本例中数字1代表低出生体重儿，数字0代表正常儿，所以将分割点设为1。

（3）结果分析

①频数分析

表1 频数分析

表1为频数分析表格，主要来简单描述Y值的分布情况。根据上表显示，低出生体重儿共有130人，正常儿为59人，阳性比例为68.78%，阴性比例为31.22%。

②ROC结果汇总表

表2 ROC曲线结果汇总

表2展示的是根据产妇年龄、产妇体重分别构建的ROC曲线。

AUC代表ROC曲线下的面积，表示预测准确率。AUC值取值在0-1之间，数值越大，代表正确率越高。

根据上表可知，产妇年龄对应的AUC值为0.549，说明产妇年龄对于低出生体重儿的诊断价值比较低。产妇体重对应的AUC值为0.601大于0.05但小于0.7，P=0.025 <0.05，说明虽然产妇体重对低出生体重儿的诊断价值显著的高于0.5，但诊断价值依旧比较低。

综合来看，产妇年龄、产妇体重两个因素对判断低出生体重儿的诊断价值都比较低。

ROC曲线

从ROC曲线上也可以直观的看出：曲线没有靠近左上角，说明诊断的准确性并不高，也就没有很高的诊断价值。

③ROC最佳界值结果

最佳界值

如果表2的某个因素的AUC值大于0.7说明有较高的诊断价值，此时可通过此表找到最佳界值。最佳界值点也就是ROC曲线最靠近左上角的点。

从上表可以看出：产妇年龄，其最佳界值出现在敏感度为0.277，特异度为0.881时，即在该点时，最靠近左上角，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时，整体最优。

最佳界值

其他说明

通常情况下AUC值普遍大于0.5，如果出现AUC小于0.5时，通常原因诊断标准设置有误，比如把阳性设为0，阴性设为1。判断标准为1，此时得到的就是相反的结果。

更多干货内容可登录SPSSAU官网查看

SPSSAU：19种回归分析你知道几种呢？

SPSSAU：快速掌握Logistic回归分析及应用

SPSSAU：多重共线性问题，如何解决？