ROC曲線圖是反映敏感性與特異性之間關係的曲線。橫座標X軸為 1 – 特異性，也稱為假陽性率（誤報率），X軸越接近零準確率越高；縱座標Y軸稱為敏感度，也稱為真陽性率（敏感度），Y軸越大代表準確率越好。

根據曲線位置，把整個圖劃分成了兩部分，曲線下方部分的面積被稱為AUC（Area Under Curve），用來表示預測準確性，AUC值越高，也就是曲線下方面積越大，說明預測準確率越高。曲線越接近左上角（X越小，Y越大），預測準確率越高。

案例分析

（1）背景

當前進行一項影響“低出生體重兒”的研究，希望研究產婦年齡，產婦體重對於“低出生體重兒”的預測準確率。將低出生體重兒賦值為1，正常出生體重兒賦值為0。

（2）操作步驟

使用路徑：SPSSAU→視覺化→ROC曲線

拖拽分析項到分析框中，放置位置如下圖所示：

右側的數值（分割點）代表變數Y的判斷標準，大於或等於這個標準的數值判斷為“陽性”，小於這個標準的數值判斷為“陰性”。預設判斷數值為1，如果預設數值與判斷標準不符，可手動修改。

*設定不同的數值，會得到不一樣的結果，如果沒有公認的金標準，也可以嘗試設定不同的數值，對比分析找到更佳的預測曲線。

本例中數字1代表低出生體重兒，數字0代表正常兒，所以將分割點設為1。

（3）結果分析

①頻數分析

表1 頻數分析

表1為頻數分析表格，主要來簡單描述Y值的分佈情況。根據上表顯示，低出生體重兒共有130人，正常兒為59人，陽性比例為68.78%，陰性比例為31.22%。

②ROC結果彙總表

表2 ROC曲線結果彙總

表2展示的是根據產婦年齡、產婦體重分別構建的ROC曲線。

AUC代表ROC曲線下的面積，表示預測準確率。AUC值取值在0-1之間，數值越大，代表正確率越高。

根據上表可知，產婦年齡對應的AUC值為0.549，說明產婦年齡對於低出生體重兒的診斷價值比較低。產婦體重對應的AUC值為0.601大於0.05但小於0.7，P=0.025 <0.05，說明雖然產婦體重對低出生體重兒的診斷價值顯著的高於0.5，但診斷價值依舊比較低。

綜合來看，產婦年齡、產婦體重兩個因素對判斷低出生體重兒的診斷價值都比較低。

ROC曲線

從ROC曲線上也可以直觀的看出：曲線沒有靠近左上角，說明診斷的準確性並不高，也就沒有很高的診斷價值。

最佳界值

如果表2的某個因素的AUC值大於0.7說明有較高的診斷價值，此時可透過此表找到最佳界值。最佳界值點也就是ROC曲線最靠近左上角的點。

從上表可以看出：產婦年齡，其最佳界值出現在敏感度為0.277，特異度為0.881時，即在該點時，最靠近左上角，整體最優。針對產婦體重，其最佳界值出現在敏感度為0.785，特異度為0.407時，整體最優。

最佳界值

ROC曲線的縱座標為敏感度，橫座標為1-特異度，只有當上述兩個指標均為0時，ROC曲線才會經過原點，所列舉的例子是1-特異度為0時，所對應的靈敏度為0.2以上，因此，曲線不經過原點。可訪問如下連結（http://www.navan.name/roc/）檢視不同靈敏度和特異度下ROC曲線變化的動畫。

ROC曲線的縱座標為敏感度，橫座標為1-特異度，只有當上述兩個指標均為0時，ROC曲線才會經過原點，所列舉的例子是1-特異度為0時，所對應的靈敏度為0.2以上，因此，曲線不經過原點。可訪問如下連結（http://www.navan.name/roc/）檢視不同靈敏度和特異度下ROC曲線變化的動畫。