鲁达 前言
如前面我们的文章里讲过的约登指数、阳性阴性似然比、优势比等等内容，充分的利用了灵敏度和特异度的信息，但这些指标都与诊断临界值或者阈值的选取有关，同一项监测方法，采用不同的斩断临界值就有不同的灵敏度和特异度，为了更全面的评价监测方法的诊断价值，必须考虑各种可能的诊断临界值。
ROC曲线是接受工作者特征曲线或者相对工作特征曲线的缩写。ROC分析于20世纪50年代起源于统计决策理论，后来应用于雷达的信号接受能力评价，自从80年代起，该方法广泛应用于医学诊断试验性能的评价。通过改变临界值，获得多对灵敏度与特异度值，以灵敏度横坐标，特异度为纵坐标，绘制ROC曲线，计算与比较曲线下面积，以此反应诊断试验的诊断价值。
如何制作ROC曲线
如采用骨髓诊断作为金标准，对100例患者进行诊断，其中34例确诊为缺铁性贫血，其余诊断为正常组，实现测试好的红细胞平均容积，那么我们尝试采用ROC曲线对MCV诊断缺铁性贫血的能力进行评价。
变量
局部数据截图
准备好数据就可以考虑ROC分析了
ROC命令
我们可以直接在分析里的菜单尾部找到ROC曲线图
面板
状态变量值
需要说明的是状态变量值是指阳性的代码，我们自己默认为1，人为规定的。
在弹出的ROC曲线图的对话框里处理好数据变量的情况，如本例，检验变量是MCV结果，状态变量为骨髓诊断。输出的时候全部勾选，最重要的还是ROC曲线，其他的备选。
曲线选项
处理好曲线的选项这里重要的一点是选择较小的检验结果表示更明确的检验。
因为一般情况下MCV的值越小越容易诊断为阳性，这个与一般的情况不一样，比较特殊，因此需要特殊注明。
结果
ROC
MCV结果
需要对结果进行释疑： 从结果可以看出，曲线下面积为0.717，表示诊断试验的诊断准确度中等，相应的标准误为0.053，P=0.000，95%置信区间（0.614,0.820）。图示显示了ROC曲线上不同的坐标点，这实际上是不同诊断临界值的对子，相同结果值只有一个诊断临界值。而本结果需要与不同的诊断做比较，ROC一般介于0.5-1,0.5认为没有诊断价值，0.9以上表示诊断价值较高。0.7-0.9表示诊断价值中等，本例面积为0.717，也就是说诊断价值一般。
好啦，ROC曲线就到这里，有疑问随时私信，乐于接受大家的质疑和建议。欢迎转载，注明出处。