メモ: 第 “ROC曲線の例”も参照してください。
ある疾患にかかっているかどうかを、次のようにXの値によって診断するとします。
|
•
|
Xの値が特定の閾値より大きいときは、その疾患にかかっていると診断するとします。
|
|
•
|
Xの値が閾値より小さいときは、その疾患にかかっていないと診断するとします。
|
たとえば、特定の種類のガンを診断する検査では、ある血液成分の濃度を測定します。診断における閾値をいろいろな値に変更し、それに伴って変化した偽陽性率と偽陰性率をプロットしてみれば、 診断の良し悪しが分かります。分析の目的は、真陰性と真陽性を最も高める、Xに対する閾値を求めることです。受診者動作特性（ROC; Receiver Operating Characteristic）曲線を見ると、これらの値がどれだけ急激に変化するかがわかります。理想的な診断では、ROC曲線における曲線下の面積（AUC; Area Under Curve）が大きくなります。
|
•
|
感度 ある状態が存在しているときに、その状態が存在していることを、与えられたXの閾値によって（診断や検査によって）正確に予測する確率。Xの閾値が与えられているときに、状態が本当は存在しているのに存在していないと予測される確率は、「1-感度」です。
|
|
•
|
特異度 ある状態が存在していないときに、その状態が存在しないことを、診断によって正確に予測する確率。
|
受診者動作特性（ROC）曲線は、Xの閾値ごとに、「1-特異度」に対して感度をプロットしたものです。ROC曲線より下の面積(AUC)は、曲線によって示唆された情報を要約するための指標として使用されます。
単純ロジスティック回帰の応答が2値の場合は、ROC曲線コマンドがプラットフォームのポップアップメニューに表示されます。［ROC曲線］オプションを選択すると、どちらの水準を「陽性」にするかを指定するウィンドウが開きます。