用ROC曲线检验模型？无需代码，用SPSS也能绘制出好看的ROC曲线哦！

用ROC曲线检验模型？无需代码，用SPSS也能绘制出好看的ROC曲线哦！

引用

CSDN

1.

https://blog.csdn.net/m0_69097016/article/details/141362128

ROC曲线（受试者工作特征曲线）是评估模型预测能力的常用工具，其AUC（曲线下面积）指标越大，表明模型的预测能力越好。本文将通过一个关于焦虑症预测的示例，详细介绍如何使用SPSS软件绘制ROC曲线，帮助读者快速掌握这一实用技能。

ROC简介

ROC曲线的全称是Receiver Operating Characteristic Curve（受试者工作特征）。它是用来检验模型预测能力的常用方式。ROC的常用指标是AUC（Area Under the Curve，曲线下面积）。AUC的大小反映了模型预测能力的强弱：

• AUC=1：模型能够完美区分正负样本
• 0.85≤AUC≤0.95：预测效果优秀
• 0.7≤AUC≤0.85：预测效果良好
• 0.5≤AUC≤0.7：有一定的预测能力，但效果较低
• AUC=0.5：预测能力与随机猜测无异
• AUC<0.5：预测能力比随机猜测还差

在横断面研究中，我们常常需要分析自变量对某一个因变量的关系，这时就可以用上ROC曲线。

示例说明

数据

• 自变量：人口学特征如性别、年龄、婚姻、学历、体重指数等分类变量
• 因变量：是否患有焦虑症（二分类变量）

分析目的

1. 分析单个自变量与因变量的关系
2. 评估多个自变量构建的模型对焦虑症的预测能力

分析思路

可以先通过单因素和多因素的logistic回归判断哪些自变量对因变量有影响（即P<0.05），然后将有统计学意义的变量构建出一个模型来预测焦虑症。最后通过绘制ROC曲线来判断模型的预测能力。

数据分析

此处省略利用SPSS进行logistic分析的过程。假设得出的结果是多因素logistic回归结果显示性别、年龄、婚姻、学历、体重指数都与焦虑症正向相关。

SPSS建立模型

1. 打开SPSS，选择“分析”→“回归”→“二元logistic”
2. 将变量放入相应的变量框
3. 在“保存”中选中“概率”，点击继续
4. 变量列表会多出一列，就是预测概率，可以理解为预测值，这个预测值将会用来与实际值比较，绘制ROC曲线

SPSS绘制ROC曲线

1. 打开SPSS，选择“分析”→“ROC曲线”（不同SPSS版本这个功能位置不同，有的在“分类”模块里面）
2. 将“预测概率”放入检验变量，将“焦虑症”（实际值）放入状态变量
3. “状态变量值”一般指的是阳性的变量值，这里的数据有焦虑症用1表示，无焦虑症用0表示。所以这里的状态变量值为1。“显示”可以勾选前三个
4. 在SPSS的输出中，查看曲线和曲线下面积值

区域下面积就是AUC值，是要得出的数据

这个AUC值还可以，模型预测能力良好

双击图像可以唤出图像编辑器对横纵坐标、颜色等进行编辑

根据需要编辑图表大小，填充与边框，变量

单击一次可以变成可输入的文本框，转成英文标题
双击轴标题可以改变字号，颜色等

保存编辑好的图

在“编辑”下面点击“复制图表”，可以把图表粘贴到word中保存下来

当需要在一张图中绘制多条ROC曲线时，就可以用R语言绘制，下期再更新。