ROC曲线，受试者工作特征曲线 (receiver operating characteristic curve，简称ROC曲线)，又称为感受性曲线(sensitivity curve)。

ROC曲线是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线。传统的诊断试验 评价方法有一个共同的特点，必须将试验结果分为两类，再进行统计分析。

ROC曲线的评价方法与传统的评价方法不同，无须此限制，而是根据实际情况，允许有中间状态，可以把试验结果划分为多个有序分类，如正常、大致正常、可疑、大致异常和异常五个等级再进行统计分析。

因此，ROC曲线评价方法适用的范围更为 广泛。

ROC曲线下的面积值在1.0和0.5之间。在AUC>0.5的情况下，AUC越接近于1，说明诊断效果越好。AUC在 0.5～0.7时有较低准确性，AUC在0.7～0.9时有一定准确性

AUC在0.9以上时有较高准确性。AUC=0.5时，说明诊断方法完全不起作用，无诊断价值。AUC<0.5不符合真实情况，在实际中极少出现。

R中绘制ROC曲线

R的ROCR包中主要是两个函数：prediction和performance。前者是将预测结果和真实标签组合在一起，生成一个 prediction对象，然后再用performance函数，按照给定的评价方法，生成一个performance对象，最后直接对 performance用plot函数就能绘制出相应的ROC曲线。

ROCR代码：

library(ROCR)

# 载入R包

data(ROCR.simple);

# 载入数据

###绘制ROC曲线

pred

perf

plot(perf,colorize=TRUE);

###计算曲线下的AUC即面积

auc

auc_area

auc_area

#添加文本

text_auc

text(0.8,0.3,text_auc);

#分析： 我们现在取ROCR.simple 的前10个元素作为研究对象(predictions, labels各10个)。

ROCR.simple$predictions[1:10]

ROCR.simple$labels[1:10]

value_sorted

label_sorted

data.list

data.list

pred1

perf1

plot(perf1,colorize=TRUE);

SPSS 9.0以上版本可进行ROC分析

简单操作步骤如下：

1.定义列变量，并输入数据

(1)诊断分类值或检测结果(test)：多个诊断试验则定义test1，test2，...

(2)金标准类别(group)：1=病例组，0=对照组

(3)分类频数(freq)，需要进一步执行第二步

2.说明频数变量路径：Data\Weight Case..., 选项：Weight case by， 填表：Freqency Variable (freq)

3.ROC分析：路径：Grahps\Roc Curve... 填表：Test Variable(test)， State Variable (group)， Value of state variable，选项包括：

(display) ROC Curve，with diagonal reference line (机会线)， standard error and confidence interval (面积的标准误，及其可信区间)， Coordinate points of the ROC curve (ROC曲线的坐标点)

options：test direction (如果检测值小划归为阳性，则需要选)， cofidence level (%)：需要除95%以外的可信度，可在此定义。

如果是连续型测量资料，则不需要第1步的(3)及第2步。