在進行某診斷方法的評估是，我們常常要用到ROC曲線。這篇博文將簡要介紹ROC曲線以及用SPSS及medcal繪製ROC曲線的方法。

定義

       ROC受試者工作特徵曲線 （receiver operating characteristic curve，簡稱ROC曲線），又稱為感受性曲線（sensitivity curve）。得此名的原因在於曲線上各點反映著相同的感受性，它們都是對同一訊號刺激的反應，只不過是在兩種不同的判定標準下所得的結果而已。受試者工作特徵曲線就是以假陽性概率（False positive rate）為

       ROC曲線是根據一系列不同的二分類方式（分界值或決定閾），以真陽性率（靈敏度）為縱座標，假陽性率（1-特異度）為橫座標繪製的曲線。傳統的診斷試驗評價方法有一個共同的特點，必須將試驗結果分為兩類，再進行統計分析。

主要作用

1.ROC曲線能很容易地查出任意界限值時的對疾病的識別能力。

2.選擇最佳的診斷界限值。ROC曲線越靠近左上角,試驗的準確性就越高。最靠近左上角的ROC曲線的點是錯誤最少的最好

3.兩種或兩種以上不同診斷試驗對疾病識別能力的比較。在對同一種疾病的兩種或兩種以上診斷方法進行比較時，可將各試驗的ROC曲線繪製到同一座標中，以直觀地鑑別優劣，靠近左上角的ROC曲線所代表的受試者工作最準確。亦可通過分別計算各個試驗的ROC曲線下的面積(AUC)進行比較，哪一種試驗的 AUC最大，則哪一種試驗的診斷價值最佳。

繪製方法

SPSS：

首先在分析列表選擇ROC曲線圖

輸入檢驗變數和狀態變數，如果檢驗變數輸入多個，則會在圖上顯示每個檢驗變數的曲線。狀態變數還需輸入表示陽性組的數值。

在輸出檔案中可以看到ROC曲線

有時ROC曲線的AUC小於0.5這是由於SPSS預設越大的量越為陽性造成的

點選選項

選擇較小的檢驗結果表示更明確地檢驗即可

多指標聯合分析時，只需將預測概率值加入到檢驗變數中即可。預測概率值計算方法見https://blog.csdn.net/tuanzide5233/article/details/83240500