怎样用spss20绘制ROC曲线
我现在有多个筛查肿瘤的标志，分别是CEA、CA199、CA1、LRG1，用单个变量分别筛查其敏感度和特异度较低，现在想用这四个变量同时筛查，绘制成一条ROC曲线。请高手指点！
这是双盲实验，揭盲之后病例诊断是明确的
spss中如何绘制ROC曲线？
模型分析效果评价主要包括模型拟合效果和拟合优度检验。而ROC(ReceiverOperating Characteristic)曲线主要用于模型拟合效果的判断，另外对数似然值与伪决定系数、模型预测正确率均可用于用于模型拟合效果的判断。
ROC 可以直接利用预测概率进行评判。它能帮助确定合理的预测概率分类点，就是将预测概率大于（or小于）某个值的研究对象判断为阳性结果（or阴性结果）。一般自变量为连续变量，因变量为二分类变量。
基本原理是：通过判断点(cutoffpoint/cutoff value)的移动，获得众多灵敏度(sensitivity)和误判率(1-Specificity(特异度))。曲线图以误判率为横轴，以灵敏度为纵轴，连接各点绘制曲线，然后计算曲线下的面积。面积越大，判断价值越高.灵敏度:就是把实际为真值的判断为真值的概率.特异度:就是把实际为假值的判断为假值的概率.误判率:就是把实际为假值的判断为真值的概率,其值等于1-特异度。
使用SPSS的操作步骤如下:1.运行程序
Graphs/ROCCurve
在TestVariable 框内选需要分析的自变量；
在StateVariable 框内选需要分析的应变量，Value of State variable 中纳入需要比较的自变量赋值，这里选择了疾病赋值（为1）。
Display选项一般全选
点击OK按钮
2.运行结果:2.1原始数据的频数结果。
2.2 ROC曲线
2.2.1 绿色线为主对角线
蓝色线即为ROC曲线，当曲线从左下角逐渐上升到顶部，再向右延伸到右上角时，预测效果好。如果ROC曲线延主对角线方向分布，则表示结果是随机造成的。
2.2.2 曲线下方的面积（Area under the curve）：包括面积值、显著性分析和置信区间可以反映预测的效果。
这里曲线下方面积为0.719，其95%可信区间为（0.650，0.788）2.2.3.Coordinates of the curve:ROC曲线各点对应的灵敏度和（1-特异度）确定最佳临界点
模型分析效果评价主要包括模型拟合效果和拟合优度检验。而ROC(ReceiverOperating Characteristic)曲线主要用于模型拟合效果的判断，另外对数似然值与伪决定系数、模型预测正确率均可用于用于模型拟合效果的判断。
ROC 可以直接利用预测概率进行评判。它能帮助确定合理的预测概率分类点，就是将预测概率大于（or小于）某个值的研究对象判断为阳性结果（or阴性结果）。一般自变量为连续变量，因变量为二分类变量。
基本原理是：通过判断点(cutoffpoint/cutoff value)的移动，获得众多灵敏度(sensitivity)和误判率(1-Specificity(特异度))。曲线图以误判率为横轴，以灵敏度为纵轴，连接各点绘制曲线，然后计算曲线下的面积。面积越大，判断价值越高.灵敏度:就是把实际为真值的判断为真值的概率.特异度:就是把实际为假值的判断为假值的概率.误判率:就是把实际为假值的判断为真值的概率,其值等于1-特异度。
使用SPSS的操作步骤如下:1.运行程序
Graphs/ROCCurve
在TestVariable 框内选需要分析的自变量；
在StateVariable 框内选需要分析的应变量，Value of State variable 中纳入需要比较的自变量赋值，这里选择了疾病赋值（为1）。
Display选项一般全选
点击OK按钮
2.运行结果:2.1原始数据的频数结果。
2.2 ROC曲线
2.2.1 绿色线为主对角线
蓝色线即为ROC曲线，当曲线从左下角逐渐上升到顶部，再向右延伸到右上角时，预测效果好。如果ROC曲线延主对角线方向分布，则表示结果是随机造成的。
2.2.2 曲线下方的面积（Area under the curve）：包括面积值、显著性分析和置信区间可以反映预测的效果。
这里曲线下方面积为0.719，其95%可信区间为（0.650，0.788）2.2.3.Coordinates of the curve:ROC曲线各点对应的灵敏度和（1-特异度）确定最佳临界点
按约登指数确定最佳临界点，约登指数（灵敏度+特异度）-1
统计专业