ROC分析（受试者工作特征曲线）
方法简介：ROC（Receiver Operating Characteristic）分析用于评估检测指标对二分类结果的诊断价值。通过计算AUC（曲线下面积）、敏感度、特异度等指标，判断检测方法的准确性。
核心指标
- AUC（曲线下面积）：0.5-1之间，越接近1诊断价值越高
- 敏感度：真阳性率，实际为阳性被正确诊断的比例
- 特异度：真阴性率，实际为阴性被正确诊断的比例
- 最佳截断值(Cut-off)：基于约登指数确定的最优判断阈值
AUC值的判断标准
| AUC值 |
诊断价值 |
| 0.9 - 1.0 | 优秀 |
| 0.8 - 0.9 | 良好 |
| 0.7 - 0.8 | 一般 |
| 0.6 - 0.7 | 较差 |
| 0.5 - 0.6 | 失败（接近随机猜测） |
适用场景
- 医学诊断：评估生化指标对疾病的诊断价值
- 信用评分：评估评分模型预测违约的能力
- 风险预测：评估风险因素对事件发生的预测能力
- 模型比较：比较多个预测模型的优劣
使用 chatspss 进行ROC分析
"评估血糖指标对糖尿病的诊断价值"
"分析信用评分对违约的预测能力，计算AUC和最佳截断值"
联合诊断
当输入多个预测变量时，chatspss会自动构建逻辑回归模型，生成"联合诊断"的ROC曲线，评估多指标联合的诊断价值。
相关方法
逻辑回归 |
t检验 |
方差分析
立即使用 chatspss 进行ROC分析