ฉันพยายามที่จะเข้าใจวิธีคำนวณจุดตัดที่เหมาะสมที่สุดสำหรับเส้นโค้ง ROC (ค่าที่ความไวและความเฉพาะเจาะจงสูงสุด) ฉันใช้ชุดข้อมูลจากแพคเกจaSAH
pROC
outcome
ตัวแปรสามารถอธิบายได้โดยสองตัวแปรอิสระและs100b
ndka
ใช้ไวยากรณ์ของEpi
แพคเกจฉันได้สร้างสองรุ่น:
library(pROC)
library(Epi)
ROC(form=outcome~s100b, data=aSAH)
ROC(form=outcome~ndka, data=aSAH)
ผลลัพธ์จะแสดงในกราฟสองกราฟต่อไปนี้:
ในรูปแบบของกราฟแรก ( s100b
) lr.eta=0.304
ฟังก์ชั่นบอกว่าตัดจุดที่ดีที่สุดเป็นภาษาท้องถิ่นที่คุ้มค่าที่สอดคล้องกับ ในกราฟที่สอง ( ndka
) จุดตัดที่เหมาะสมที่สุดจะถูกแปลเป็นภาษาท้องถิ่นตามค่าที่สอดคล้องกับlr.eta=0.335
(ความหมายของlr.eta
) คืออะไร คำถามแรกของฉันคือ:
- อะไรคือความสอดคล้อง
s100b
และndka
ค่าสำหรับlr.eta
ค่าที่ระบุ (จุดตัดที่เหมาะสมที่สุดในแง่ของs100b
และndka
) คืออะไร?
คำถามที่สอง:
ตอนนี้สมมติว่าฉันสร้างแบบจำลองโดยคำนึงถึงตัวแปรทั้งสอง:
ROC(form=outcome~ndka+s100b, data=aSAH)
กราฟที่ได้รับคือ:
ฉันต้องการที่จะรู้ว่าสิ่งที่เป็นค่าของndka
และs100b
ที่ความรู้สึกและความเฉพาะเจาะจงจะถูกขยายโดยฟังก์ชั่น ในแง่อื่น ๆ : ค่าของndka
และs100b
ที่เรามี Se = 68.3% และ Sp = 76.4% (ค่าที่ได้จากกราฟ) คืออะไร?
ฉันคิดว่าคำถามที่สองนี้เกี่ยวข้องกับการวิเคราะห์แบบ MultiROC แต่เอกสารของEpi
แพคเกจไม่ได้อธิบายวิธีการคำนวณจุดตัดที่เหมาะสมที่สุดสำหรับตัวแปรทั้งสองที่ใช้ในแบบจำลอง
คำถามของฉันดูเหมือนกับคำถามนี้จากreasearchGateมากซึ่งกล่าวโดยย่อ:
การกำหนดคะแนนตัดที่แสดงถึงการแลกเปลี่ยนที่ดีขึ้นระหว่างความไวและความเฉพาะเจาะจงของการวัดนั้นตรงไปตรงมา อย่างไรก็ตามสำหรับการวิเคราะห์โค้ง ROC หลายตัวแปรฉันได้สังเกตว่านักวิจัยส่วนใหญ่ได้มุ่งเน้นไปที่อัลกอริทึมเพื่อกำหนดความแม่นยำโดยรวมของการรวมกันเชิงเส้นของตัวชี้วัดหลายตัว (ตัวแปร) ในแง่ของ AUC [ ... ]
อย่างไรก็ตามวิธีการเหล่านี้ไม่ได้กล่าวถึงวิธีการตัดสินใจรวมคะแนนตัดที่เกี่ยวข้องกับตัวบ่งชี้หลายตัวที่ให้ความแม่นยำในการวินิจฉัยที่ดีที่สุด
ทางออกที่เป็นไปได้คือข้อเสนอโดย Shultz ในบทความของเขาแต่จากบทความนี้ฉันไม่สามารถเข้าใจวิธีคำนวณจุดตัดที่เหมาะสมสำหรับเส้นโค้ง ROC แบบหลายตัวแปร
บางทีการแก้ปัญหาจากEpi
แพ็คเกจอาจไม่เหมาะดังนั้นลิงค์อื่น ๆ ที่เป็นประโยชน์จะได้รับการชื่นชม