SPSS多指标的ROC曲线分析使用教程

许多用户在使用SPSS软件时会有一些简单的数据分析，并且还知道物质的结果通常由单个因素确定，通常由多个复杂指示符确定。今天，小编将与SPSS一起学习，使用SPSS绘制数据ROC曲线！

操作方法：

首先，分析预测

首先准备我们必须使用的数据，如图1所示，是一组关于癌症患者和非癌症人员的指标数据。我们需要分析这些指标，无论是否有可能最初确定癌症的概率。

第1步：点击“return”在“分析”菜单中，选择“二进制物流”，通过二进制逻辑回归模型，使用性别，年龄，BMI，无论是吸烟和传递的历史，计算癌症的概率。

在回归设置界面中，将变量设置为癌症，添加块中癌症以外的其他指标，最后在该方法中选择“前进：LR”方法，并且特定设置如图4所示。

同样因为在这组数据中，COPD是一个多级类，而不是一个简单的第二类，我们使用0到4表示0到4，表示否，轻度，中等和严重。

因此，我们需要在图3的右侧单击“分类”，自定义分类变量。在“分类”海岸中选择COPD，然后选择“首先”的引用类别，单击“继续”。

最后，单击“保存”按钮（非确定按钮），然后在“预测值”中检查“概率”，如图5所示，SPSS将有助于我们生成每个记录的癌症预测概率值。

具体的预测值如图6所示，pre_1是由SPS产生的预测概率值。

其次，绘制ROC曲线

通过预测的概率结果，我们可以使用ROC曲线来分析该预测结果的准确性。单击“分析”菜单以选择“类别”，单击“ROC曲线”，如图7所示。

测试变量选择由SPSS生成的“pre_1”，选择下面的“Cancer”，然后状态变量值设置为1，单击完成上述设置后单击“确定”以生成这两个预测和实际指标ROC曲线。

最终产生的结果如图9所示，我们可以通过观察ROC曲线下的区域来确定预测的准确性。

以上是关于使用SPSS在多指示符下的ROC曲线分析的所有教程。我们首先通过回归模型生成预测值，然后分析预测值和实际值，以及我们想要的结论。