با استفاده از ROC برای تعیین نقطه برش

پیتر دی هارت

برنامه ارتقاء سلامت ، دانشگاه ایالتی مونتانا - جمعیت شناسی شمالی ، و بهداشت ، هاور ، MT 59501 ، ایالات متحده

خلاصه

هدف از این سخنرانی مبتنی بر آموزش ، نشان دادن سودمندی در انجام تجزیه و تحلیل منحنی ویژگی عامل (ROC) است. این سخنرانی اصطلاحات پس زمینه مرتبط با یک تجزیه و تحلیل منحنی ROC را توضیح می دهد ، کدگذاری نرم افزار SAS لازم را برای اجرای یک تجزیه و تحلیل منحنی ROC نشان می دهد و در نهایت به تفسیر خروجی تجزیه و تحلیل به منظور تصمیم گیری در مورد تحقیق آگاهانه کمک می کند. مثالی که ارزیابی نمرات قطع شاخص توده بدنی (BMI) نشانگر چاقی در آموزش استفاده می شود.

واژه های کلیدی: ویژگی عامل گیرنده (ROC) ، حساسیت ، ویژگی ، شاخص توده بدنی (BMI) ، چاقی

کپی رایت © 2016 انتشارات علوم و آموزش. کلیه حقوق محفوظ است.

این مقاله را ذکر کنید:

• پیتر دی هارت. تجزیه و تحلیل منحنی ویژگی عملکرد گیرنده (ROC): یک آموزش با استفاده از شاخص توده بدنی (BMI) به عنوان معیار چاقی. مجله تحقیقات فعالیت بدنی. جلد1 ، شماره 1 ، 2016 ، صص 5-8. http://pubs. sciepub. com/jpar/1/1/2

• هارت ، پیتر د .. "تجزیه و تحلیل منحنی ویژگی عملکرد (ROC): یک آموزش با استفاده از شاخص توده بدنی (BMI) به عنوان معیار چاقی."مجله تحقیقات فعالیت بدنی 1. 1 (2016): 5-8.

• هارت ، P. D. (2016). تجزیه و تحلیل منحنی ویژگی عملکرد گیرنده (ROC): یک آموزش با استفاده از شاخص توده بدنی (BMI) به عنوان معیار چاقی. مجله تحقیقات فعالیت بدنی ، 1 (1) ، 5-8.

• هارت ، پیتر د .. "تجزیه و تحلیل منحنی ویژگی عملکرد (ROC): یک آموزش با استفاده از شاخص توده بدنی (BMI) به عنوان معیار چاقی."مجله تحقیقات فعالیت بدنی 1 ، شماره. 1 (2016): 5-8.

در یک نگاه: ارقام

شکل 1

prev next

1. معرفی

در تحقیقات فعالیت بدنی ، غالباً مورد توجه است که یک متغیر مداوم را برای استفاده متعاقباً به عنوان نتیجه یا پیش بینی کننده در یک تجزیه و تحلیل استفاده کنید. در شرایط بالینی ، این متغیرها ممکن است بخشی از یک فرآیند ارزیابی باشد و منجر به برنامه نویسی یا نسخه خاص شود. اغلب اوقات ، مقدار برش برای ایجاد چنین متغیر دلخواه است یا بر اساس استانداردهای منسوخ است. با این حال ، یک روش آماری تشخیصی برای کمک به ارزیابی این مقادیر برش وجود دارد و در برخی موارد توجیهی برای تغییر آنها فراهم می کند. منحنی ویژگی عامل گیرنده (ROC) روشی است که می تواند خروجی جدولی و گرافیکی را برای کمک به ارزیابی یک مقدار برش استفاده شده برای ایجاد یک متغیر دوگانگی تولید کند. این آموزش مختصر برای اولین بار در یک سری سخنرانی در مورد آمار کاربردی و اندازه گیری است و به برنامه آماری آنلاین University Edition SAS Edition متکی خواهد بود [1].

2. اصطلاحات

قبل از شروع این آموزش ، مهم است که ابتدا برخی از اصطلاحات مرتبط با تجزیه و تحلیل منحنی ROC را تعریف کنیم. هنگام ارزیابی اثربخشی یک متغیر دوگانگی ، این سؤال که معمولاً مطرح می شود این است که اندازه گیری در طبقه بندی مشاهدات چقدر دقیق است؟به عنوان مثال ، اگر از یک معیار دوگانگی برای تشخیص یک بیماری استفاده می شود ، پس این سؤال در طبقه بندی کسانی که این بیماری دارند و کسانی که انجام نمی دهند چقدر دقیق است؟این ویژگی یک اندازه گیری همچنین می تواند توانایی تبعیض آن را در نظر گرفته شود. یک جدول 2x2 به دیدن نتایج احتمالی این سوال کمک می کند.

جدول 1. نتایج احتمالی از استفاده از یک اندازه گیری جدید در مقایسه با یک نتیجه واقعی

بارگیری به عنوان

شکل

دو سلول در جدول 1 در تجزیه و تحلیل منحنی ROC تأکید شده است. مثبت واقعی (TP) تعداد مشاهداتی است که اندازه گیری ما به عنوان مثبت و در واقع مثبت است. از طرف دیگر ، یک منفی واقعی (TN) تعداد مشاهداتی است که اندازه گیری ما به عنوان منفی و در واقع منفی است. مقادیر TP و TN ما را به دو اقدام توصیفی دیگر سوق می دهد. حساسیت به نسبت (احتمال) مشاهدات مثبت اشاره دارد که اندازه گیری ما به طور دقیق به عنوان مثبت شناخته می شود (یعنی میزان TP). حساسیت را می توان به راحتی از سلولهای ما محاسبه کرد: حساسیت = A / (A + C). خاصیت S به نسبت (احتمال) مشاهدات منفی اشاره دارد که اندازه گیری ما به طور دقیق به عنوان منفی شناخته می شود (یعنی نرخ TN). ویژگی نیز می تواند از سلولهای ما محاسبه شود: ویژگی = d / (b + d).

در حالت ایده آل ، یک اندازه گیری دارای حساسیت بالا و ویژگی بالایی است. با این حال ، در واقعیت ، این دو ارزش اغلب یک رابطه معکوس دارند [2]. موقعیت های خاص دیکته می شود که مهمتر است. به عنوان مثال ، ممکن است مهم تر از این بیماری باشد که یک محقق ممکن است بیش از حد این بیماری را قربانی کند. به عبارت دیگر ، در این حالت ، اندازه گیری ما نتایج مثبت تری را فراهم می کند. و اگرچه نتایج مثبت تر می تواند نتایج TP را افزایش دهد ، اما می تواند نتایج FP را افزایش دهد. این بدان معنی است که این اندازه گیری حساسیت بالایی دارد اما ویژگی کم است. نتیجه آزمایش منفی در اینجا به ما اطمینان بیشتری می دهد که این بیماری وجود ندارد. یک وضعیت متفاوت ممکن است نیاز به تأکید بیشتر بر حاکمیت در یک بیماری که محقق فدا می کند کمبود بیماری را فدا کند. در اینجا ، اندازه گیری ما با افزایش نتایج TN ، اما همچنین نتایج FN را افزایش می دهد. این بدان معنی است که این اندازه از ویژگی های بالایی برخوردار است اما حساسیت کم دارد. از طرف دیگر ، نتیجه آزمایش مثبت در اینجا به ما اطمینان بیشتری می دهد که این بیماری وجود دارد.

تصمیم نهایی در تحقیقات که منجر به این مقادیر متضاد حساسیت و ویژگی می شود ، مقدار قطع است که برای ایجاد متغیر دوگانگی استفاده می شود. مقدار برش همان چیزی است که یک اندازه گیری مداوم را به یک اندازه گیری دوگانگی تبدیل می کند که به نوبه خود برای طبقه بندی مشاهدات استفاده می شود. تجزیه و تحلیل منحنی ROC یک گزارش آماری برای محقق برای ارزیابی و سپس استفاده از آن برای انتخاب یا اصلاح نمره برش ارائه می دهد [3]. مثال زیر یک تجزیه و تحلیل منحنی ROC را نشان می دهد.

3. مثال

شاخص توده بدنی (BMI) یک اندازه گیری رایج و مفید از ترکیب بدن در تحقیقات فعالیت بدنی است [4]. علیرغم یک نقطه قطع توافق شده برای چاقی (30 BMI) ، ممکن است اطمینان حاصل شود که طبقه بندی ما در جمعیتی که ما در حال تحقیق هستیم دقیق است. داده های مورد تجزیه و تحلیل در این آموزش شامل اندازه گیری BMI در 252 مرد است [5]. مجموعه داده همچنین حاوی متغیر وضعیت چاقی (چاقی) است که از درصد چربی بدن (PBF) حاصل می شود. متغیر وضعیت چاقی به عنوان یک اقدام استاندارد طلایی عمل می کند ، که برای هر تجزیه و تحلیل منحنی ROC مورد نیاز است. متغیر چاق برای مردان چاق و 0 برای مردان غیر چاق کدگذاری شده است. PBF 25 و چاقی نشان داده شده بیشتر [6]. جدول 2 کد SAS University Edition (SAS Studio) را برای تهیه لیستی از مجموعه داده ها نشان می دهد (جدول 3). گزینه Obs = 5 برای چاپ فقط پنج مشاهده اول استفاده می شود.