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！
ROC简介
ROC曲线的全称是Receiver Operating Characteristic Curve（受试者工作特征）。
ROC曲线是用来检验模型的预测能力的常用方式。
ROC的常用指标是AUC，全称是area under the curve（曲线下面积）。
AUC越大，表明模型的预测能力越好。
一般而言：
- 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
我们常做的横断面研究，常常需要分析一些自变量对某一个因变量的关系，这时候可以用上ROC曲线。以下是一个简单的举例。
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 自变量与因变量的关系（某一个自变量与因变量的关系）
② 多个自变量构建出的模型对焦虑症的预测能力
分析思路
可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是有影响，有统计学意义的，也就是P<0.05。再将有统计学意义的变量构建出一个模型，这个模型来预测焦虑症。那么我们就可以通过绘制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
分析→回归→二元logistic
将变量放入相应的变量框
在“保存”中选中“概率”，点击继续
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
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）
将“预测概率”放入检验变量，将“焦虑症”（实际值）放入状态变量
“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
在SPSS的输出中，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
怎么保存编辑好的图呢？
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
这样ROC曲线就画好咯
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。