如何在 stata 中创建和解释 roc 曲线

逻辑回归是一种统计方法，当响应变量是二元时，我们用它来拟合回归模型。为了评估逻辑回归模型对数据集的拟合程度，我们可以查看以下两个指标：

• 敏感性：当结果实际上是积极的时，模型预测观察结果为积极的概率。
• 特异性：当结果实际上为负时，模型预测观察结果为负的概率。

可视化这两个指标的一个简单方法是创建ROC 曲线，它是显示逻辑回归模型的敏感性和特异性的图表。

本教程介绍如何在 Stata 中创建和解释 ROC 曲线。

示例：Stata 中的 ROC 曲线

在此示例中，我们将使用名为lbw的数据集，其中包含 189 位母亲的以下变量：

• 低——婴儿出生体重是否低。 1 = 是，0 = 否。
• 年龄——母亲的年龄。
• 吸烟——母亲在怀孕期间是否吸烟。 1 = 是，0 = 否。

我们将使用年龄和吸烟作为解释变量，使用低出生体重作为响应变量，对数据拟合逻辑回归模型。接下来，我们将创建一条 ROC 曲线来分析模型对数据的拟合程度。

步骤1：加载并显示数据。

使用以下命令加载数据：

使用https://www.stata-press.com/data/r13/lbw

使用以下命令快速了解数据集：

总结一下

数据集中有 11 个不同的变量，但我们唯一感兴趣的三个是低水平、年龄和吸烟。

步骤2：拟合逻辑回归模型。

使用以下命令来拟合逻辑回归模型：

低年龄烟雾 Logit

步骤 3：创建 ROC 曲线。

我们可以使用以下命令为模型创建 ROC 曲线：

洛克

步骤 4：解释 ROC 曲线。

当我们拟合逻辑回归模型时，它可以根据预测变量的值来计算给定观察结果产生积极结果的概率。

为了确定观察是否应该被分类为阳性，我们可以选择一个阈值，使得调整后的概率高于阈值的观察被分类为阳性，而所有调整后的概率低于阈值的观察被分类为阴性。 。

例如，假设我们选择阈值 0.5。这意味着任何调整概率大于 0.5 的观测值都会得到正结果，而任何调整概率小于或等于 0.5 的观测值都会得到负结果。

ROC 曲线向我们展示了阈值从 0 变化到 1 时的灵敏度值与特异性 1。具有高灵敏度和特异性的模型将具有紧贴图左上角的 ROC 曲线。低灵敏度和低特异性的模型将具有接近 45 度对角线的曲线。

AUC （曲线下面积）让我们了解模型区分正结果和负结果的能力。 AUC 的范围可以从 0 到 1。AUC 越高，模型对结果进行正确分类的能力就越好。在我们的示例中，我们可以看到 AUC 为0.6111 。

我们可以使用 AUC 来比较两个或多个模型的性能。 AUC 最高的模型表现最好。

其他资源

如何在Stata中进行逻辑回归
如何解读逻辑回归模型的ROC曲线和AUC