总结下ROC曲线的学习，也可顺便回答论坛中常见问题，如Roc曲线如何绘制，不同roc曲线如何进行比较，roc曲线为何不光滑等，具体如下，
基础理论知识
ROC曲线用于二分类别判断效果的分析和评价，也可用于比较两种方法的测试效果。


ROC曲线以灵敏度(sensitivity)/击中率为纵轴，以误判率(1-Specificity(特异度))/虚惊率为横轴,连接各点绘制曲线。较理想的ROC曲线应该是从左下角垂直上升至顶线，然后水平方向向右延伸到右上角。ROC曲线的对角线也叫机会线，表示分类是机遇造成的，正确分类和错分的概率各为50%，此时方法完全无效。绘制的ROC曲线越靠近机会线，曲线下的面积（AUC）越小, 判断价值或者说分类效果越不好。


ROC曲线下的面积（AUC）取值范围0.5-1.0，一般，AUC在0.5-0.7之间表明判断价值较低，在0.7-0.9之间表示判断价值中等，0.9以上表示判断价值较高。


ROC曲线上各点都是对同一信号刺激的反应，只不过是在不同的判定标准下所得的结果而已。例如对一组经金标准诊断的病人和正常人，进行某项新的诊断试验，roc曲线上各点代表的诊断结果都为阳性，可判断标准却不同，越靠近左下角曲线上的点表明击中率和虚报率越低，越靠近右上角曲线上的点表明击中率和虚报率越高。


SPSS实现
例：现用A，B两种技术检测病人血清钠水平，想了解血清钠水平对落基山猩红热（RMSF）是否有诊断作用，以及哪种检测技术更准确。共45例病人，一组确诊患有RMSF，另一组没有患，但也有发热，头痛，有蚊虫叮咬史。
sodium1，sodium2分别代表两种技术检测出来的血钠水平，fever代表是否患RMSF，1为患病，0为不患病。

Graphs -- ROC curve
test variable ： sodium1，sodium2   （ 检测变量可为连续变量，也可为有序分类变量；可选入多个变量用于比较优劣）
State variable ：fever                         （结果变量为二分变量）
Value of state variable ： 1          （1表示为RMSF患者）
display 复选框一般都会打上勾


【options】子对话框
Larger test result indicates more positive test   检验结构数值越大，是病人的可能性越大。
smaller test result indicates more positive test   检验结构数值越小，是病人的可能性越大。


有时绘制出的ROC曲线下面积可能小于0.5，即roc曲线在对角线右下方，这一般发生在该检测方法的检测结果值越小，是病人的可能性越大的情况。SPSS默认Larger test result indicates more positive test ，因此对于这类资料，绘制ROC曲线时记得勾smaller test result indicates more positive test  。


两条ROC曲线比较：若两曲线不交叉，那么更外面的、离对角线更远的曲线，其灵敏度越高，错判率越小（图1）；若交叉，可近似判断各总体ROC曲线下面积相等（图2）。


                                             

对于 有些小伙伴所问，为何制作的ROC曲线不光滑，本人查阅了资料，可能原因是样本量较小，或者有序分类变量的等级数较少。