214. Parametrik (binormal) ve yarı parametrik (ROC-GLM) ROC çözümlemesi
Şablon kimliği: parametrik_roc · Kategori: yöntem karşılaştırma · Dil: R · Dosya: pro/sablonlar/yontem_karsilastirma/parametrik_roc.R (satır 1–509; üstbilgi 1–137) · Örnek veri: _ornek/parametrik_roc_yapay.csv · Paketler: yok (yalnız R ile gelen stats ve graphics)
214.1 Ne işe yarar
Bir tanı belirtecinin (test sonucunun) hastaları sağlıklılardan ayırma gücünü iki yolla kestirir ve yan yana verir: (i) binormal ROC modeli, belirtecin iki grupta (dönüştürülmüş ölçekte) normal dağıldığını varsayar; (ii) ampirik ROC hiçbir dağılım varsaymaz. Bir ya da birkaç ortak değişken (ör. yaş) seçilirse ROC eğrisinin ortak değişkenle nasıl değiştiğini yarı parametrik ROC regresyonu ile (Pepe'nin ROC-GLM'i; isteğe bağlı olarak indüklenmiş konum-ölçek yöntemi) kestirir.
- \mu_0,\sigma_0 ve \mu_1,\sigma_1: sağlıklı ve hasta gruplarda (dönüştürülmüş) belirtecin ortalaması ve standart sapması.
- \mathrm{TPF}, \mathrm{FPF}: gerçek ve yanlış pozitif oranı (duyarlılık ve 1-özgüllük); \Phi standart normal dağılım işlevi.
- g: bağlantı işlevi (probit \Phi^{-1} ya da logit); \mathrm{ROC}_x(t): ortak değişken değeri x olan bireylerde, FPF =t iken TPF.
- \alpha_0,\alpha_1,\boldsymbol\beta: ROC-GLM katsayıları (kesişim, g(t) eğimi, ortak değişken etkileri).
Ne zaman kullanılır?
- Sürekli ya da sıralı (derecelendirme) bir belirteç için düzgün bir ROC eğrisi ve parametrik AUC isteniyorsa; ampirik eğri ile modelin uyumu karşılaştırılacaksa.
- Belirtecin tanı gücünün yaş gibi bir değişkene bağlı olup olmadığı (koşullu ROC) ve ortak değişkene göre düzeltilmiş AUC (AROC) isteniyorsa.
- Belirteç çarpıksa Box-Cox ya da log dönüşümüyle normallik sağlanıp binormal modelin kullanılması isteniyorsa.
Ne zaman kullanılmaz?
- Yalnız ampirik ROC, DeLong AUC ve kesim noktası isteniyorsa: temel programdaki ROC Curve analizi yeterlidir.
- Zamana bağlı (sağkalım) ROC isteniyorsa: Bölüm 155
zamana_bagli_roc. - İki ölçüm yönteminin uyumu soruluyorsa: Bölüm 212
deming_passing_bablokya da temel programdaki Bland-Altman; sağlıklı bireylerden referans aralığı kurulacaksa: Bölüm 213grup_referans_araligi. - Üç ya da daha çok sınıflı durum ya da iki belirtecin AUC'lerini karşılaştıran test gerekiyorsa: bu şablonda yoktur (214.8).
- Belirteç iki grupta çok farklı biçimde dağılıyor ve dönüşümle de normalleşmiyorsa binormal AUC güvenilmez; ampirik AUC'yi esas alın (214.8).
Temel programla ilişki. Temel programdaki ROC Curve analizi (gui/panels/analyses/roc_curve.py; stats/classification_eval.py:ClassificationEval.roc_curve) yalnız ampirik ROC'u kurar: AUC için DeLong, Hanley-McNeil ya da bootstrap aralığı, yön "auto" (pROC kuralı: negatiflerin ortancası pozitiflerinkinden küçükse büyük değer pozitif), Youden, sol-üst köşe, maliyet ağırlıklı ve duyarlılık/özgüllük hedefli kesim ölçütleri, kısmi AUC, kesim ayrıntısı ve duyarlılık-kesinlik eğrisi sunar. Binormal model, Dorfman-Alf kestirimi, ortak değişkenli ROC regresyonu ve AROC temel programda yoktur. Bu şablondaki ampirik AUC ve DeLong SH, temel programdakiyle aynı tanımdır (DeLong ve ark., 1988); yön ise burada kullanıcıya bırakılmıştır, otomatik değildir (bulgular B4).
214.2 Şablonun girdileri
Form, üstbilgideki 16 [[param]] bloğundan kurulur (parametrik_roc.R:10–136). Türlerin anlamı ve ortak denetim Bölüm 1.2'dedir. belirtec ve ortak sayısal roldür (Bölüm 1.3): Veri sekmesinde türü "kategorik" olan bir sütun bu role atanırsa değerleri sayı olarak aktarılır. durum rolü sayısal değildir (sutun); iki düzeyli sayısal sütun sayı olarak kalır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Belirteç · belirtec |
sayısal sütun · değişkenler | ilk sayısal sütun | sayısal sütun | Test sonucu (10–15, 145, 172). |
Gerçek durum · durum |
sütun · değişkenler | — | tam iki farklı değer | D (16–21, 156–159). |
Hasta düzeyi · pozitif |
metin · değişkenler | boş | durum sütununda bulunan değer | Boşsa 0/1'de 1, değilse sıralamada ikinci düzey (22–28, 161–169). |
Belirteç yönü · yon |
seçim · model | buyuk |
buyuk, kucuk |
isaret =\pm1 (29–36, 174, 191). |
Binormal kestirim · kestirim |
seçim · model | normal |
normal, ml, roc_ekk |
Kestirim yöntemi (37–44, 213–289). |
Dönüşüm · donusum |
seçim · model | yok |
yok, log, boxcox |
Normal kestirim ve ROC regresyonu dönüştürülmüş belirteçle (45–52, 177–193). |
En çok kategori · ml_kategori |
tamsayı · gelişmiş | 10 | 3–50 | Dorfman-Alf kategorileri (53–61, 226–230). |
Güven düzeyi · guven |
ondalık · seçenekler | 0,95 | 0,5–0,999 | Delta, DeLong ve bootstrap aralıkları (62–70, 194, 416). |
ROC regresyonu ortak değişkenleri · ortak |
sütunlar (sayısal) · değişkenler | boş | sayısal sütunlar | Doluysa 344–507 çalışır (71–78, 147, 345). |
Koşullu ROC değerleri · ortak_degerleri |
metin · değişkenler | boş | sayılar; tek ortak değişkende ; varsa virgül ondalıktır |
Değerlendirme noktaları (79–85, 356–378). |
ROC regresyonu yöntemi · reg_yontem |
seçim · model | rocglm |
rocglm, indukte |
Yöntem (86–93, 417, 442). |
Kontrol başvuru dağılımı · referans |
seçim · model | ampirik |
ampirik, normal |
Yerleşim değerlerinde artık dağılımı (94–101, 385). |
ROC-GLM bağlantısı · baglanti |
seçim · model | probit |
probit, logit |
g (102–109, 380–382). |
FPF noktası sayısı · fpf_sayisi |
tamsayı · gelişmiş | 20 | 3–200 | n_T, t_k=k/(n_T+1) (110–118, 383). |
Bootstrap yinelemesi · B |
tamsayı · seçenekler | 500 | 0–10000 | ROC regresyonu aralıkları (119–127, 415). |
Rastgele sayı tohumu · tohum |
tamsayı · gelişmiş | 1 | 0–2147483647 | Her bootstrap öncesi set.seed(tohum_k); 0 girilirse çalıştırmanın tohumu kullanılır (128–136, 155, 423, 457, 465). |
Şablonun kendi denetimleri (mq_hata):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri yok | "Önce Veri sekmesinde bir veri açın." | 144 |
| Belirteç = durum | "Belirteç ve durum farklı sütunlar olmalı." | 146 |
| Eksiksiz gözlem yok | "Eksiksiz gözlem yok." | 150 |
| Durum sütunu tam iki değer içermiyor | "Durum sütunu tam iki farklı değer içermeli; şu an N." | 154 |
| Hasta düzeyi durum sütununda yok | "Hasta düzeyi '…' durum sütununda yok …" | 162 |
| Bir grupta 5'ten az gözlem | "Her grupta en az 5 gözlem gerekli …" | 166 |
| Belirteç sonlu değil | "Belirteç sonlu sayılardan oluşmalı." | 168 |
| Belirteç bir grupta sabit | "Belirteç … grupta sabit; ROC eğrisi kestirilemez." | 170, 188 |
| Log ya da Box-Cox ve belirteç \le0 | "… yalnız pozitif belirteç değerlerinde tanımlıdır." | 176 |
| Dorfman-Alf: 3'ten az kategori | "… en az 3 belirteç kategorisi içermeli." | 228 |
| Dorfman-Alf yakınsamadı | "En çok olabilirlik kestirimi yakınsamadı …" | 256 |
| ROC noktalarına regresyon: 2'den az sonlu nokta ya da eğim \ge0 | iki ayrı ileti | 279, 281 |
| ROC regresyonu: grup küçük, ortak değişken sabit ya da bağımlı, değerler okunamadı, >20 satır | ayrı iletiler | 340–345, 353, 360 |
| Kontrol ya da hasta modelinin artık varyansı sıfır | ayrı iletiler | 385, 434 |
| ROC-GLM yakınsamadı | "ROC-GLM yakınsamadı …" | 401 |
Eksik değeri olan satırlar seçili tüm sütunlar üzerinden çıkarılır ve çıkarılan satır sayısı bir notla yazılır (149–154). Koşullu ROC değerlerinde tek ortak değişken için noktalı virgül varsa virgül ondalık ayırıcıdır (45,5; 60 iki değerdir); noktalı virgül yoksa virgül de ayırıcı sayılır, rakam-virgül-rakam görülürse uyarı yazılır (358–364). Girilen değer verinin aralığı dışındaysa dışdeğerleme uyarısı yazılır (370–372). Bootstrap tohumu tohum alanıdır; alan 0 ise kod panelindeki çalıştırma tohumu kullanılır (155), pozitifse sonuç yalnız bu alana bağlıdır.
Örnek ayar (ornek_param, satır 9): belirtec = belirtec, durum = durum, donusum = log, ortak = ["yas"], ortak_degerleri = "45, 60, 75"; öteki alanlar varsayılandır.
214.3 Örnek veri
parametrik_roc_yapay.csv: sabit tohumlu yapay veri; 240 kişi (140 sağlıklı, 100 hasta); eksik değer yoktur (üretici _parametrik_roc_veri.py).
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
durum |
gerçek durum | ikili (sayısal) | 0 (n=140), 1 (n=100) |
yas |
ortak değişken | sayısal | 35–80, ort. 57{,}2 |
belirtec |
belirteç | sayısal | 1{,}009–22{,}237, ort. 5{,}598 (sağa çarpık; log ölçeğinde yaklaşık normal) |
puan |
sıralı belirteç | sayısal | 1–5 tamsayı |
Düzey sırası. durum sayısaldır; hasta düzeyi boşsa \{0{,}1\} için "1" hasta alınır (168). Sayısal ve iki düzeyli olduğundan düzey sırası etkili değildir (iki etiketi 2 ve 10 olan sayısal sütunda 10 hasta alınır: q10_proc_iki_etiket; metin etiketlerde sıralama alfabetiktir, pozitif açık yazılmalıdır). Ek veri: aSAH (pROC'un aSAH verisi, 113 hasta; s100b belirteci; outcome: Poor hasta, Good sağlıklı; ortak değişken age), yayımlanmış değerlerle karşılaştırma için.
Bu bölümde kullanılan çalıştırmalar (q10_proc_…; tohum 1): ornek (örnek ayar); indukte (reg_yontem = indukte); logit (baglanti = logit, referans = normal); ml (belirtec = puan, kestirim = ml, ortak değişken yok); ekk (kestirim = roc_ekk); boxcox (donusum = boxcox); asah (aSAH; B = 200); ek çalıştırmalar: ml_k5, ml_k10, ml_k30; kucuk (yon = kucuk); ayrisma (tam_ayrisma.csv); eksik (eksik.csv); iki_etiket; ortak_virgul; asah_t5 ve asah_t99 (çalıştırma tohumu 5 ve 99).
214.4 Yöntem: formüller ve hesap adımları
Hesap sırası: veri ve durum kurulur (144–175); dönüşüm (177–199); ampirik ROC ve DeLong (201–209); seçilen yöntemle binormal kestirim (211–289); AUC, SH, aralık (290–301); Youden noktaları (303–325); grafik (331–342); ortak değişken seçildiyse ROC regresyonu (344–507).
214.4.1 Dönüşüm
log: z=\ln y (\lambda=0). boxcox: z=(y^\lambda-1)/\lambda, \lambda iki grubun ayrı ortalama ve ayrı varyanslı normal profil log-olabilirliğinin (-3{,}3) aralığındaki en büyüğüdür:
(182–190; \hat\sigma_k^2 grupta 1/n_k ile bölünmüş artık kareler toplamı.) Örnek veride \hat\lambda=0{,}1310. \lambda sabit kabul edilir ve belirsizliği aralıklara yansımaz (bulgular B7). Ampirik ROC, Dorfman-Alf ve ROC noktalarına regresyon sıra değişmez olduğundan dönüşümden etkilenmez; yon = kucuk ise işaret çevrilir (191, 202).
214.4.2 Ampirik ROC ve DeLong
- V_{10,j}: j. hastanın sağlıklılara göre yerleşimi (sağlıklılardan büyük olanların oranı, bağlarda yarım); V_{01,i}: i. sağlıklının hastalara göre yerleşimi (DeLong ve ark., 1988; kodda sıra tabanlı: 199–201).
- Aralık \widehat{\mathrm{AUC}}\pm z_{1-\alpha/2}\,\widehat{\mathrm{SH}}, [0{,}1]'e kırpılır (299–300).
Ampirik Youden noktası: ardışık iki farklı gözlem değerinin ortası aday eşiktir (-\infty ve +\infty dahil); J=\mathrm{TPF}+\mathrm{TNF}-1'in ilk en büyüğü seçilir (207–209, 304, 314–316).
214.4.3 Binormal kestirimler
(i) Normal varsayımı (kestirim = normal): \hat\mu_k,\hat\sigma_k grup ortalaması ve SS'si; \hat a=(\hat\mu_1-\hat\mu_0)/\hat\sigma_1, \hat b=\hat\sigma_0/\hat\sigma_1. SH delta yöntemiyle: \theta=(\mu_0,\sigma_0,\mu_1,\sigma_1) için \mathrm{Var}(\hat\theta)=\mathrm{diag}\big(\sigma_0^2/n_0,\ \sigma_0^2/[2(n_0-1)],\ \sigma_1^2/n_1,\ \sigma_1^2/[2(n_1-1)]\big) ve \delta(\theta)=(\mu_1-\mu_0)/\sqrt{\sigma_0^2+\sigma_1^2} (215–220):
Neden aralık \Phi^{-1} ölçeğinde kurulur?
AUC [0{,}1] ile sınırlıdır; \hat\delta üzerinde normal yaklaşım daha iyidir ve geri dönüşümle aralık her zaman [0{,}1] içinde kalır (kodda 294–295). Ampirik AUC aralığı ise kırpmalı Wald aralığıdır. Bu yüzden iki aralık simetrik değildir.
(ii) Dorfman-Alf en çok olabilirlik (kestirim = ml): belirteç K sıralı kategoriye ayrılır (farklı değer sayısı ml_kategori'yi aşmıyorsa her değer bir kategoridir, aşıyorsa eşit olasılıklı nicelik kategorileri; 220–226). Gizil değişken sağlıklılarda N(0{,}1), hastalarda N(\mu_1,\sigma_1^2)'dir; c_1<\dots<c_{K-1} eşikleri için
kod parametreleri (a,\ \ln b,\ c_1,\ \ln\Delta c_2,\dots) ile BFGS (analitik gradyan; iki kez; reltol 10^{-14}–10^{-15}) ile en büyükler (235–262); SH sayısal Hessian'ın tersinden, AUC SH'si delta yöntemiyle (263–271). Dorfman-Alf modeli, konum-ölçek sıralı probit modeline (ordinal::clm) eşdeğerdir (Dorfman ve Alf, 1969).
(iii) ROC noktalarına regresyon (kestirim = roc_ekk): ampirik ROC noktalarında \Phi^{-1}(\text{özgüllük})'ün \Phi^{-1}(\text{duyarlılık})'a doğrusal regresyonu; a=-\text{kesişim}/\text{eğim}, b=-1/\text{eğim} (282–288). SH verilmez; eğim \ge0 ise hata.
Koddaki tercih
Binormal Youden noktası: J(z)=\Phi(a+bz)-\Phi(z)'nin (-10{,}10) aralığındaki en büyüğü; normal kestiriminde ayrıca özgün birimde eşik c^* (J_c=\Phi((c-\mu_0)/\sigma_0)-\Phi((c-\mu_1)/\sigma_1)'nin en büyüğü) ve dönüşümse geri dönüşümle verilir (305–313). ml ve roc_ekk için eşik NaN'dır; yalnız işletim noktası (duyarlılık, özgüllük) verilir.
214.4.4 Yarı parametrik ROC regresyonu (ROC-GLM)
Ortak değişken x seçildiyse (dönüştürülmüş, yön işaretli) belirteç y için:
- Kontrol modeli. Yalnız sağlıklılarda y_0=\mathbf x_0^\top\gamma+\varepsilon (EKK); \hat s=\sqrt{\mathrm{SSE}/(n_0-p-1)} (388–389).
- Yerleşim değerleri. Her hasta için standartlaştırılmış artık z=(y_1-\mathbf x_1^\top\hat\gamma)/\hat s; \mathrm{YD}=1-F_0(z), F_0 kontrol artıklarının ampirik (varsayılan) ya da standart normal dağılımı (390–391).
- İkili göstergeler. t_k=k/(n_T+1), k=1,\dots,n_T için U_{jk}=\mathbf 1(\mathrm{YD}_j\le t_k); karşılaştırma 10^{-10} payla yapılır, çünkü j/n_0=t_k olabilir (392–393).
- GLM. U, g(t_k) ve \mathbf x üzerine ikili GLM (g probit ya da logit); katsayılar \alpha_0,\alpha_1,\boldsymbol\beta (394–398, 418).
AROC (Janes ve Pepe, 2009): yerleşim değerlerinden ortak değişkene göre düzeltilmiş AUC: ampirik 1-\overline{\mathrm{YD}} ve ortak değişkensiz ROC-GLM ile (399–400, 485–486). İndüklenmiş yöntem (reg_yontem = indukte): sağlıklı ve hasta grupta ayrı doğrusal modeller; \mathrm{ROC}_x(t)=1-F_1\!\big(\tilde a(x)+b\,F_0^{-1}(1-t)\big), \tilde a=\mathbf x^\top(\gamma_0-\gamma_1)/s_1, b=s_0/s_1; ampirik başvuruda AUC 101 noktalı Simpson kuralıyla, normal başvuruda 1-\Phi(\tilde a/\sqrt{1+b^2}) ile (443–454, 446–450).
Bootstrap. B>0 ise her yinelemede hastalar yerine konarak çekilir (n_1 gözlem; sample.int), kontrol artıkları yerine konarak çekilip \hat f+r^* üzerinde kontrol modeli yeniden kurulur ve her şey yeniden hesaplanır; aralıklar yüzdeliktir (422–436, 415–416). Her bootstrap'tan önce set.seed(tohum) çağrılır.
Yerleşim değerleri tam ayrışmışsa
Her t_k noktasında bütün hastalar aynı göstergeyi alıyorsa (tüm hastalar kontrollerin üstünde ya da altında) ROC-GLM kestirilemez; şablon bunu yazar ve yalnız ampirik AROC'u verir (408–413). Ortak değişkensiz çıktıda tam ayrışmada binormal AUC 1 ve SH 0 çıkar (bulgular B8).
214.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–137 | Üstbilgi: 16 parametre. | Yan dosyalar kitap dışıdır. |
| 138–142 | .m, fs (sayı metni), sar (hata ve uyarı yakalayıcı). |
Uyarılar sonda "Uyarılar:" satırında birleştirilir (490). |
| 144–175 | Veri, durum düzeyleri, hasta düzeyi, D, grup boyutları. | Sabit belirteç hata. |
| 177–200 | Dönüşüm ve isaret; z ve s=\text{isaret}\cdot z; orj() eşiği özgün birime çevirir. |
\lambda profil olabilirlikle. |
| 201–209 | Ampirik ROC, DeLong, aday eşikler. | Sıra tabanlı V_{10},V_{01}. |
| 211–289 | Üç binormal kestirim. | ml: iki BFGS turu; roc_ekk: doğrusal regresyon. |
| 290–301 | \delta, AUC, SH, aralıklar; iki tablo. | Binormal aralık \Phi^{-1} ölçeğinde. |
| 303–325 | Youden noktaları ve kural metni. | Ampirik eşik iki gözlemin ortası. |
| 331–342 | Binormal ve ampirik ROC şekli. | Binormal Youden noktası işaretlenir. |
| 344–378 | Ortak değişken matrisi, denetimler, değerlendirme noktaları. | Boşsa ilk ortak değişkenin çeyrekleri. |
| 379–414 | Bağlantı, t_k, yardımcı işlevler, kontrol modeli, yerleşim değerleri, tam ayrışma denetimi. | glm.fit, \epsilon=10^{-12}. |
| 415–441 | ROC-GLM: kestirim, bootstrap, katsayı tablosu. | Aralıklar yüzdelik. |
| 442–480 | İndüklenmiş yöntem: iki model, AUC, bootstrap. | İki ayrı set.seed(tohum) serisi. |
| 481–507 | Koşullu AUC, AROC, metin, şekil. | En çok 6 koşullu eğri çizilir. |
Süre: örnek ayarda B=500 ile yaklaşık 35 s (çalıştırıcı başlatma dahil).
214.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız hesaplar dogrulama/parametrik_roc/elle_hesap.py (numpy ve scipy; şablonun işlevleri kullanılmaz: DeLong çift karşılaştırmasıyla, BFGS yerine Nelder-Mead + BFGS ile Dorfman-Alf, kendi IRLS probit/logit GLM'i) ve r_dogrulama.R (pROC roc, ci.auc, coords, smooth(method = "binormal"); ordinal::clm; ROCnReg AROC.sp ve cROC.sp; temel glm ile uzun veri çerçevesinde bağımsız bir ROC-GLM uygulaması; numDeriv) ile yapılmıştır.
Adım 1 — Grup özeti (log ölçeği). \hat\mu_0=1{,}312098, \hat\sigma_0=0{,}453794, \hat\mu_1=1{,}916473, \hat\sigma_1=0{,}507497.
Adım 2 — Binormal parametreler ve AUC. \hat a=(1{,}916473-1{,}312098)/0{,}507497=1{,}190894; \hat b=0{,}453794/0{,}507497=0{,}894180. \hat\delta=1{,}190894/\sqrt{1+0{,}894180^2}=0{,}887749; \widehat{\mathrm{AUC}}=\Phi(0{,}887749)=0{,}812662; delta yöntemiyle \widehat{\mathrm{SH}}=0{,}027591, aralık \Phi(0{,}887749\pm1{,}959964\,\widehat{\mathrm{SH}}_\delta)=[0{,}753873;\,0{,}861872].
Adım 3 — Ampirik AUC ve DeLong. Tüm 140\times100 çift karşılaştırılır: \widehat{\mathrm{AUC}}=0{,}806214, \widehat{\mathrm{SH}}=0{,}028335, aralık [0{,}750664;\,0{,}861765]. Ampirik Youden: eşik 6{,}118, duyarlılık 0{,}6100, özgüllük 0{,}8786, J=0{,}4886. Binormal Youden: log ölçeğinde c^*=1{,}639692, özgün birimde e^{1{,}639692}=5{,}1536, duyarlılık 0{,}7073, özgüllük 0{,}7648, J=0{,}4721.
Adım 4 — Kontrol modeli (sağlıklılar). \log y=0{,}804296+0{,}008650\cdot\text{yaş}, \hat s=0{,}439793.
Adım 5 — ROC-GLM (probit, ampirik başvuru). n_T=20, 20\times100=2000 gösterge satırı üzerinde ikili probit GLM: \hat\alpha_0=1{,}916551, \hat\alpha_1=0{,}831529, \hat\beta_{\text{yaş}}=-0{,}012858. Yaş 45 için \mathrm{AUC}=\Phi\big((1{,}916551-0{,}012858\cdot45)/\sqrt{1+0{,}831529^2}\big)=\Phi(1{,}337912/1{,}300553)=0{,}848200; yaş 60 için 0{,}810691; yaş 75 için 0{,}767960. AROC: ampirik 1-\overline{\mathrm{YD}}=0{,}8210; ROC-GLM (kovaryatsız) 0{,}821371.
Adım 6 — Bootstrap. B=500, tohum 1, aynı örnekleme sırası (n_1 hasta, sonra n_0 artık): \hat\alpha_0 bootstrap SH 0{,}6040, aralık [0{,}8980;\,3{,}2252]; koşullu AUC (yaş 45) aralığı [0{,}7824;\,0{,}9115]; AROC (ampirik) [0{,}7637;\,0{,}8702]. Bağımsız R uygulaması ve ROCnReg AROC.sp aynı değerleri verir.
Adım 7 — Dorfman-Alf (puan, 5 kategori). \hat a=1{,}2332, \hat b=0{,}9936 (SH 0{,}1822; 0{,}1431), AUC 0{,}8092 (SH 0{,}0289), \ell=-344{,}3020; ordinal::clm (konum-ölçek probit) aynı değerleri verir.
Adım 8 — Yayımlanmış değerler (aSAH, s100b). pROC belgesi: ampirik AUC 0{,}7314, DeLong %95 GA 0{,}6301–0{,}8326; Youden eşiği 0{,}205, duyarlılık 0{,}6341, özgüllük 0{,}8056 (Robin ve ark., 2011). Şablon: 0{,}73137; [0{,}63012;\,0{,}83262]; 0{,}2050; 0{,}63415; 0{,}80556: dört ondalığın hepsi tutar.
214.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| örnek (log, ROC-GLM probit): binormal AUC | 0,81266204 | 0,81266204 | 0,81266204 | 1,1e−16 | ✓ |
| örnek (log, ROC-GLM probit): ampirik AUC (DeLong) | 0,80621429 | 0,80621429 | 0,80621429 | 3,3e−16 | ✓ |
| örnek (log, ROC-GLM probit): DeLong SH | 0,02834254 | 0,02834254 | 0,02834254 | 1,0e−17 | ✓ |
| örnek (log, ROC-GLM probit): DeLong GA alt | 0,75066393 | 0,75066393 | 0,75066393 | 1,1e−16 | ✓ |
| örnek (log, ROC-GLM probit): DeLong GA üst | 0,86176464 | 0,86176464 | 0,86176464 | 5,6e−16 | ✓ |
| örnek (log, ROC-GLM probit): binormal AUC SH (delta) | 0,02759114 | 0,02759114 | 0,02759114 | 2,0e−12 | ✓ |
| örnek (log, ROC-GLM probit): binormal AUC GA alt | 0,75387292 | 0,75387292 | 0,75387292 | 4,7e−12 | ✓ |
| örnek (log, ROC-GLM probit): binormal AUC GA üst | 0,86187223 | 0,86187223 | 0,86187223 | 3,3e−12 | ✓ |
| örnek (log, ROC-GLM probit): binormal a | 1,19089369 | 1,19089369 | 1,19089369 | 2,1e−15 | ✓ |
| örnek (log, ROC-GLM probit): binormal b | 0,89418009 | 0,89418009 | 0,89418009 | 1,1e−16 | ✓ |
| örnek (log, ROC-GLM probit): Youden ampirik eşik | 6,118 | 6,118 | 6,118 | 0 | ✓ |
| örnek (log, ROC-GLM probit): Youden ampirik duyarlılık | 0,61 | 0,61 | 0,61 | 0 | ✓ |
| örnek (log, ROC-GLM probit): Youden ampirik özgüllük | 0,87857143 | 0,87857143 | 0,87857143 | 4,4e−16 | ✓ |
| örnek (log, ROC-GLM probit): Youden ampirik J | 0,48857143 | 0,48857143 | 0,48857143 | 4,4e−16 | ✓ |
| örnek (log, ROC-GLM probit): Youden binormal duyarlılık | 0,70725547 | 0,70725547 | 0,70725547 | 4,1e−11 | ✓ |
| örnek (log, ROC-GLM probit): Youden binormal özgüllük | 0,7648222 | 0,7648222 | 0,7648222 | 4,1e−11 | ✓ |
| örnek (log, ROC-GLM probit): Youden binormal J | 0,47207767 | 0,47207767 | 0,47207767 | 5,6e−16 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (45) | 0,84820009 | 0,84820009 | 0,84820009 | 1,1e−9 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (45) GA alt | 0,78243371 | — | 0,78243371 | 0 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (45) GA üst | 0,91150726 | — | 0,91150726 | 0 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (60) | 0,81069084 | 0,81069085 | 0,81069084 | 1,6e−10 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (60) GA alt | 0,73960779 | — | 0,73960779 | 0 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (60) GA üst | 0,86392085 | — | 0,86392085 | 0 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (75) | 0,76796013 | 0,76796013 | 0,76796013 | 1,1e−9 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (75) GA alt | 0,63989188 | — | 0,63989188 | 0 | ✓ |
| örnek (log, ROC-GLM probit): koşullu AUC (75) GA üst | 0,86424977 | — | 0,86424977 | 0 | ✓ |
| örnek (log, ROC-GLM probit): kontrol modeli kesişim | 0,80429575 | 0,80429575 | 0,80429575 | 6,7e−16 | ✓ |
| örnek (log, ROC-GLM probit): kontrol modeli yas | 0,00864976 | 0,00864976 | 0,00864976 | 8,0e−17 | ✓ |
| örnek (log, ROC-GLM probit): kontrol modeli σ₀ | 0,43979271 | 0,43979271 | 0,43979271 | 1,1e−16 | ✓ |
| örnek (log, ROC-GLM probit): AROC ampirik | 0,821 | 0,821 | 0,821 | 0 | ✓ |
| örnek (log, ROC-GLM probit): AROC ROC-GLM | 0,82137091 | 0,82137091 | 0,82137091 | 1,1e−9 | ✓ |
| örnek (log, ROC-GLM probit): AROC ROC-GLM GA alt | 0,75923186 | — | 0,75923186 | 0 | ✓ |
| örnek (log, ROC-GLM probit): AROC ROC-GLM GA üst | 0,86879876 | — | 0,86879876 | 0 | ✓ |
| örnek (log, ROC-GLM probit): AROC ampirik GA alt | 0,76369107 | — | 0,76369107 | 0 | ✓ |
| örnek (log, ROC-GLM probit): AROC ampirik GA üst | 0,87019107 | — | 0,87019107 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM katsayısı α₀ | 1,91655117 | 1,9165512 | 1,91655117 | 1,6e−8 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₀ bootstrap SH | 0,60404305 | — | 0,60404305 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₀ GA alt | 0,89800695 | — | 0,89800695 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₀ GA üst | 3,22519774 | — | 3,22519774 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM katsayısı α₁ | 0,83152853 | 0,83152853 | 0,83152853 | 7,8e−9 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₁ bootstrap SH | 0,10983516 | — | 0,10983516 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₁ GA alt | 0,66252456 | — | 0,66252456 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM α₁ GA üst | 1,08140545 | — | 1,08140545 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM katsayısı ortak değişken | −0,01285809 | −0,01285809 | −0,01285809 | 4,2e−10 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM ortak değişken bootstrap SH | 0,01067285 | — | 0,01067285 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM ortak değişken GA alt | −0,03430751 | — | −0,03430751 | 0 | ✓ |
| örnek (log, ROC-GLM probit): ROC-GLM ortak değişken GA üst | 0,00736751 | — | 0,00736751 | 5,0e−17 | ✓ |
| indüklenmiş: binormal AUC | 0,81266204 | 0,81266204 | 0,81266204 | 1,1e−16 | ✓ |
| indüklenmiş: ampirik AUC (DeLong) | 0,80621429 | 0,80621429 | 0,80621429 | 3,3e−16 | ✓ |
| indüklenmiş: DeLong SH | 0,02834254 | 0,02834254 | 0,02834254 | 1,0e−17 | ✓ |
| indüklenmiş: DeLong GA alt | 0,75066393 | 0,75066393 | 0,75066393 | 1,1e−16 | ✓ |
| indüklenmiş: DeLong GA üst | 0,86176464 | 0,86176464 | 0,86176464 | 5,6e−16 | ✓ |
| indüklenmiş: binormal AUC SH (delta) | 0,02759114 | 0,02759114 | 0,02759114 | 2,0e−12 | ✓ |
| indüklenmiş: binormal AUC GA alt | 0,75387292 | 0,75387292 | 0,75387292 | 4,7e−12 | ✓ |
| indüklenmiş: binormal AUC GA üst | 0,86187223 | 0,86187223 | 0,86187223 | 3,3e−12 | ✓ |
| indüklenmiş: binormal a | 1,19089369 | 1,19089369 | 1,19089369 | 2,1e−15 | ✓ |
| indüklenmiş: binormal b | 0,89418009 | 0,89418009 | 0,89418009 | 1,1e−16 | ✓ |
| indüklenmiş: Youden ampirik eşik | 6,118 | 6,118 | 6,118 | 0 | ✓ |
| indüklenmiş: Youden ampirik duyarlılık | 0,61 | 0,61 | 0,61 | 0 | ✓ |
| indüklenmiş: Youden ampirik özgüllük | 0,87857143 | 0,87857143 | 0,87857143 | 4,4e−16 | ✓ |
| indüklenmiş: Youden ampirik J | 0,48857143 | 0,48857143 | 0,48857143 | 4,4e−16 | ✓ |
| indüklenmiş: Youden binormal duyarlılık | 0,70725547 | 0,70725547 | 0,70725547 | 4,1e−11 | ✓ |
| indüklenmiş: Youden binormal özgüllük | 0,7648222 | 0,7648222 | 0,7648222 | 4,1e−11 | ✓ |
| indüklenmiş: Youden binormal J | 0,47207767 | 0,47207767 | 0,47207767 | 5,6e−16 | ✓ |
| indüklenmiş: koşullu AUC (45) | 0,84346667 | 0,84346667 | 0,84346667 | 4,4e−16 | ✓ |
| indüklenmiş: koşullu AUC (45) GA alt | 0,78092167 | — | 0,78092167 | 0 | ✓ |
| indüklenmiş: koşullu AUC (45) GA üst | 0,90851333 | — | 0,90851333 | 0 | ✓ |
| indüklenmiş: koşullu AUC (60) | 0,8118 | 0,8118 | 0,8118 | 1,1e−16 | ✓ |
| indüklenmiş: koşullu AUC (60) GA alt | 0,757315 | — | 0,757315 | 0 | ✓ |
| indüklenmiş: koşullu AUC (60) GA üst | 0,86568917 | — | 0,86568917 | 0 | ✓ |
| indüklenmiş: koşullu AUC (75) | 0,77756667 | 0,77756667 | 0,77756667 | 2,2e−16 | ✓ |
| indüklenmiş: koşullu AUC (75) GA alt | 0,67293417 | — | 0,67293417 | 0 | ✓ |
| indüklenmiş: koşullu AUC (75) GA üst | 0,86446 | — | 0,86446 | 0 | ✓ |
| indüklenmiş: kontrol modeli kesişim | 0,80429575 | 0,80429575 | — | 6,7e−16 | ✓ |
| indüklenmiş: kontrol modeli yas | 0,00864976 | 0,00864976 | — | 7,3e−17 | ✓ |
| indüklenmiş: kontrol modeli σ₀ | 0,43979271 | 0,43979271 | — | 1,1e−16 | ✓ |
| indüklenmiş: AROC ampirik | 0,821 | 0,821 | 0,821 | 0 | ✓ |
| indüklenmiş: AROC ampirik GA alt | 0,76369107 | — | 0,76369107 | 0 | ✓ |
| indüklenmiş: AROC ampirik GA üst | 0,87019107 | — | 0,87019107 | 0 | ✓ |
| indüklenmiş: indüklenmiş katsayı kesişim | 1,84345266 | 1,84345266 | 1,84345266 | 3,6e−16 | ✓ |
| indüklenmiş: indüklenmiş katsayı yas | −0,0107846 | −0,0107846 | −0,0107846 | 5,7e−17 | ✓ |
| indüklenmiş: indüklenmiş katsayı b | 0,86479773 | 0,86479773 | 0,86479773 | 1,1e−16 | ✓ |
| logit, normal başvuru: binormal AUC | 0,81266204 | 0,81266204 | 0,81266204 | 1,1e−16 | ✓ |
| logit, normal başvuru: ampirik AUC (DeLong) | 0,80621429 | 0,80621429 | 0,80621429 | 3,3e−16 | ✓ |
| logit, normal başvuru: DeLong SH | 0,02834254 | 0,02834254 | 0,02834254 | 1,0e−17 | ✓ |
| logit, normal başvuru: DeLong GA alt | 0,75066393 | 0,75066393 | 0,75066393 | 1,1e−16 | ✓ |
| logit, normal başvuru: DeLong GA üst | 0,86176464 | 0,86176464 | 0,86176464 | 5,6e−16 | ✓ |
| logit, normal başvuru: binormal AUC SH (delta) | 0,02759114 | 0,02759114 | 0,02759114 | 2,0e−12 | ✓ |
| logit, normal başvuru: binormal AUC GA alt | 0,75387292 | 0,75387292 | 0,75387292 | 4,7e−12 | ✓ |
| logit, normal başvuru: binormal AUC GA üst | 0,86187223 | 0,86187223 | 0,86187223 | 3,3e−12 | ✓ |
| logit, normal başvuru: binormal a | 1,19089369 | 1,19089369 | 1,19089369 | 2,1e−15 | ✓ |
| logit, normal başvuru: binormal b | 0,89418009 | 0,89418009 | 0,89418009 | 1,1e−16 | ✓ |
| logit, normal başvuru: Youden ampirik eşik | 6,118 | 6,118 | 6,118 | 0 | ✓ |
| logit, normal başvuru: Youden ampirik duyarlılık | 0,61 | 0,61 | 0,61 | 0 | ✓ |
| logit, normal başvuru: Youden ampirik özgüllük | 0,87857143 | 0,87857143 | 0,87857143 | 4,4e−16 | ✓ |
| logit, normal başvuru: Youden ampirik J | 0,48857143 | 0,48857143 | 0,48857143 | 4,4e−16 | ✓ |
| logit, normal başvuru: Youden binormal duyarlılık | 0,70725547 | 0,70725547 | 0,70725547 | 4,1e−11 | ✓ |
| logit, normal başvuru: Youden binormal özgüllük | 0,7648222 | 0,7648222 | 0,7648222 | 4,1e−11 | ✓ |
| logit, normal başvuru: Youden binormal J | 0,47207767 | 0,47207767 | 0,47207767 | 5,6e−16 | ✓ |
| logit, normal başvuru: koşullu AUC (45) | 0,84400916 | 0,84400916 | 0,84400916 | 1,5e−14 | ✓ |
| logit, normal başvuru: koşullu AUC (60) | 0,80778231 | 0,80778231 | 0,80778231 | 1,7e−13 | ✓ |
| logit, normal başvuru: koşullu AUC (75) | 0,76608721 | 0,76608721 | 0,76608721 | 5,4e−14 | ✓ |
| logit, normal başvuru: kontrol modeli kesişim | 0,80429575 | 0,80429575 | 0,80429575 | 6,7e−16 | ✓ |
| logit, normal başvuru: kontrol modeli yas | 0,00864976 | 0,00864976 | 0,00864976 | 8,0e−17 | ✓ |
| logit, normal başvuru: kontrol modeli σ₀ | 0,43979271 | 0,43979271 | 0,43979271 | 1,1e−16 | ✓ |
| logit, normal başvuru: AROC ampirik | 0,82373735 | 0,82373735 | 0,82373735 | 1,1e−16 | ✓ |
| logit, normal başvuru: AROC ROC-GLM | 0,81812689 | 0,81812689 | 0,81812689 | 2,8e−13 | ✓ |
| logit, normal başvuru: ROC-GLM katsayısı α₀ | 3,39908381 | 3,39908381 | 3,39908381 | 1,6e−13 | ✓ |
| logit, normal başvuru: ROC-GLM katsayısı α₁ | 0,90802413 | 0,90802413 | 0,90802413 | 4,2e−15 | ✓ |
| logit, normal başvuru: ROC-GLM katsayısı ortak değişken | −0,02291526 | −0,02291526 | −0,02291526 | 9,1e−15 | ✓ |
| Dorfman-Alf: binormal AUC | 0,80916868 | 0,80916868 | 0,80916868 | 4,3e−9 | ✓ |
| Dorfman-Alf: ampirik AUC (DeLong) | 0,79764286 | 0,79764286 | 0,79764286 | 1,1e−16 | ✓ |
| Dorfman-Alf: DeLong SH | 0,02887419 | 0,02887419 | 0,02887419 | 6,9e−18 | ✓ |
| Dorfman-Alf: DeLong GA alt | 0,74105048 | 0,74105048 | 0,74105048 | 2,2e−16 | ✓ |
| Dorfman-Alf: DeLong GA üst | 0,85423524 | 0,85423524 | 0,85423524 | 0 | ✓ |
| Dorfman-Alf: binormal AUC SH (delta) | 0,02889938 | 0,02889939 | 0,02889939 | 2,9e−9 | ✓ |
| Dorfman-Alf: binormal a | 1,23323639 | 1,23323636 | 1,23323639 | 3,1e−8 | ✓ |
| Dorfman-Alf: binormal b | 0,99357218 | 0,99357216 | 0,99357219 | 2,5e−8 | ✓ |
| Dorfman-Alf: a SH | 0,18225448 | 0,18225457 | 0,18225458 | 1,0e−7 | ✓ |
| Dorfman-Alf: b SH | 0,14310149 | 0,14310159 | 0,14310161 | 1,3e−7 | ✓ |
| Dorfman-Alf: Youden ampirik eşik | 2,5 | 2,5 | 2,5 | 0 | ✓ |
| Dorfman-Alf: Youden ampirik duyarlılık | 0,79 | 0,79 | 0,79 | 0 | ✓ |
| Dorfman-Alf: Youden ampirik özgüllük | 0,72142857 | 0,72142857 | 0,72142857 | 4,4e−16 | ✓ |
| Dorfman-Alf: Youden ampirik J | 0,51142857 | 0,51142857 | 0,51142857 | 4,4e−16 | ✓ |
| ROC noktalarına regresyon: binormal AUC | 0,81155509 | 0,81155509 | 0,81155509 | 3,3e−16 | ✓ |
| ROC noktalarına regresyon: ampirik AUC (DeLong) | 0,80621429 | 0,80621429 | 0,80621429 | 3,3e−16 | ✓ |
| ROC noktalarına regresyon: DeLong SH | 0,02834254 | 0,02834254 | 0,02834254 | 1,0e−17 | ✓ |
| ROC noktalarına regresyon: DeLong GA alt | 0,75066393 | 0,75066393 | 0,75066393 | 1,1e−16 | ✓ |
| ROC noktalarına regresyon: DeLong GA üst | 0,86176464 | 0,86176464 | 0,86176464 | 5,6e−16 | ✓ |
| ROC noktalarına regresyon: binormal a | 1,16532592 | 1,16532592 | 1,16532592 | 1,3e−15 | ✓ |
| ROC noktalarına regresyon: binormal b | 0,85975147 | 0,85975147 | 0,85975147 | 1,1e−16 | ✓ |
| ROC noktalarına regresyon: Youden ampirik eşik | 6,118 | 6,118 | 6,118 | 0 | ✓ |
| ROC noktalarına regresyon: Youden ampirik duyarlılık | 0,61 | 0,61 | 0,61 | 0 | ✓ |
| ROC noktalarına regresyon: Youden ampirik özgüllük | 0,87857143 | 0,87857143 | 0,87857143 | 4,4e−16 | ✓ |
| ROC noktalarına regresyon: Youden ampirik J | 0,48857143 | 0,48857143 | 0,48857143 | 4,4e−16 | ✓ |
| Box-Cox: binormal AUC | 0,81349566 | 0,81349566 | 0,81349566 | 6,0e−11 | ✓ |
| Box-Cox: ampirik AUC (DeLong) | 0,80621429 | 0,80621429 | 0,80621429 | 3,3e−16 | ✓ |
| Box-Cox: DeLong SH | 0,02834254 | 0,02834254 | 0,02834254 | 1,0e−17 | ✓ |
| Box-Cox: DeLong GA alt | 0,75066393 | 0,75066393 | 0,75066393 | 1,1e−16 | ✓ |
| Box-Cox: DeLong GA üst | 0,86176464 | 0,86176464 | 0,86176464 | 5,6e−16 | ✓ |
| Box-Cox: binormal AUC SH (delta) | 0,02779995 | 0,02779995 | 0,02779995 | 3,9e−11 | ✓ |
| Box-Cox: binormal AUC GA alt | 0,75419489 | 0,75419489 | 0,75419489 | 3,1e−11 | ✓ |
| Box-Cox: binormal AUC GA üst | 0,86301233 | 0,86301233 | 0,86301233 | 1,2e−10 | ✓ |
| Box-Cox: binormal a | 1,15343355 | 1,15343356 | 1,15343355 | 5,1e−9 | ✓ |
| Box-Cox: binormal b | 0,8224274 | 0,82242741 | 0,82242739 | 1,1e−8 | ✓ |
| Box-Cox: Box-Cox λ | 0,13101946 | 0,13101944 | 0,13101947 | 2,1e−8 | ✓ |
| Box-Cox: Youden ampirik eşik | 6,118 | 6,118 | 6,118 | 0 | ✓ |
| Box-Cox: Youden ampirik duyarlılık | 0,61 | 0,61 | 0,61 | 0 | ✓ |
| Box-Cox: Youden ampirik özgüllük | 0,87857143 | 0,87857143 | 0,87857143 | 4,4e−16 | ✓ |
| Box-Cox: Youden ampirik J | 0,48857143 | 0,48857143 | 0,48857143 | 4,4e−16 | ✓ |
| Box-Cox: Youden binormal duyarlılık | 0,69029372 | 0,69029372 | 0,69029372 | 2,5e−9 | ✓ |
| Box-Cox: Youden binormal özgüllük | 0,78772469 | 0,78772469 | 0,78772469 | 3,5e−9 | ✓ |
| Box-Cox: Youden binormal J | 0,47801841 | 0,47801841 | 0,47801841 | 1,0e−9 | ✓ |
| aSAH s100b: binormal AUC | 0,72333488 | 0,72333488 | 0,72333488 | 2,2e−16 | ✓ |
| aSAH s100b: ampirik AUC (DeLong) | 0,73136856 | 0,73136856 | 0,73136856 | 1,1e−16 | ✓ |
| aSAH s100b: DeLong SH | 0,05165929 | 0,05165929 | 0,05165929 | 6,9e−18 | ✓ |
| aSAH s100b: DeLong GA alt | 0,63011821 | 0,63011821 | 0,63011821 | 3,3e−16 | ✓ |
| aSAH s100b: DeLong GA üst | 0,83261892 | 0,83261892 | 0,83261892 | 1,1e−16 | ✓ |
| aSAH s100b: binormal AUC SH (delta) | 0,0547579 | 0,0547579 | 0,0547579 | 2,3e−12 | ✓ |
| aSAH s100b: binormal AUC GA alt | 0,60722205 | 0,60722205 | 0,60722205 | 5,2e−12 | ✓ |
| aSAH s100b: binormal AUC GA üst | 0,8195019 | 0,8195019 | 0,8195019 | 3,6e−12 | ✓ |
| aSAH s100b: binormal a | 0,62779475 | 0,62779475 | 0,62779475 | 4,4e−16 | ✓ |
| aSAH s100b: binormal b | 0,34876493 | 0,34876493 | 0,34876493 | 5,0e−16 | ✓ |
| aSAH s100b: Youden ampirik eşik | 0,205 | 0,205 | 0,205 | 2,8e−17 | ✓ |
| aSAH s100b: Youden ampirik duyarlılık | 0,63414634 | 0,63414634 | 0,63414634 | 3,3e−16 | ✓ |
| aSAH s100b: Youden ampirik özgüllük | 0,80555556 | 0,80555556 | 0,80555556 | 4,4e−16 | ✓ |
| aSAH s100b: Youden ampirik J | 0,4397019 | 0,4397019 | 0,4397019 | 1,1e−16 | ✓ |
| aSAH s100b: Youden binormal duyarlılık | 0,54770141 | 0,54770141 | 0,54770141 | 1,0e−12 | ✓ |
| aSAH s100b: Youden binormal özgüllük | 0,92735796 | 0,92735796 | 0,92735796 | 1,0e−12 | ✓ |
| aSAH s100b: Youden binormal J | 0,47505937 | 0,47505937 | 0,47505937 | 2,2e−16 | ✓ |
| aSAH s100b: koşullu AUC (40) | 0,67201002 | 0,67201002 | 0,67201002 | 4,0e−10 | ✓ |
| aSAH s100b: koşullu AUC (40) GA alt | 0,48493198 | — | 0,48493198 | 0 | ✓ |
| aSAH s100b: koşullu AUC (40) GA üst | 0,79985982 | — | 0,79985982 | 0 | ✓ |
| aSAH s100b: koşullu AUC (60) | 0,74099262 | 0,74099262 | 0,74099262 | 5,3e−10 | ✓ |
| aSAH s100b: koşullu AUC (60) GA alt | 0,63850096 | — | 0,63850096 | 0 | ✓ |
| aSAH s100b: koşullu AUC (60) GA üst | 0,84124638 | — | 0,84124638 | 0 | ✓ |
| aSAH s100b: kontrol modeli kesişim | 0,10215716 | 0,10215716 | 0,10215716 | 1,1e−16 | ✓ |
| aSAH s100b: kontrol modeli age | 0,00121405 | 0,00121405 | 0,00121405 | 1,0e−17 | ✓ |
| aSAH s100b: kontrol modeli σ₀ | 0,13070452 | 0,13070452 | 0,13070452 | 2,2e−16 | ✓ |
| aSAH s100b: AROC ampirik | 0,72798103 | 0,72798103 | 0,72798103 | 1,1e−16 | ✓ |
| aSAH s100b: AROC ROC-GLM | 0,72285866 | 0,72285866 | 0,72285866 | 3,4e−11 | ✓ |
| aSAH s100b: AROC ROC-GLM GA alt | 0,62820641 | — | 0,62820641 | 0 | ✓ |
| aSAH s100b: AROC ROC-GLM GA üst | 0,81607846 | — | 0,81607846 | 0 | ✓ |
| aSAH s100b: AROC ampirik GA alt | 0,63075034 | — | 0,63075034 | 0 | ✓ |
| aSAH s100b: AROC ampirik GA üst | 0,81912263 | — | 0,81912263 | 0 | ✓ |
| aSAH s100b: ROC-GLM katsayısı α₀ | 0,05394478 | 0,05394477 | 0,05394478 | 8,0e−9 | ✓ |
| aSAH s100b: ROC-GLM α₀ bootstrap SH | 0,84687629 | — | 0,84687629 | 0 | ✓ |
| aSAH s100b: ROC-GLM α₀ GA alt | −1,9411253 | — | −1,9411253 | 0 | ✓ |
| aSAH s100b: ROC-GLM α₀ GA üst | 1,43754673 | — | 1,43754673 | 0 | ✓ |
| aSAH s100b: ROC-GLM katsayısı α₁ | 0,7288919 | 0,72889191 | 0,7288919 | 6,4e−9 | ✓ |
| aSAH s100b: ROC-GLM α₁ bootstrap SH | 0,1429754 | — | 0,1429754 | 0 | ✓ |
| aSAH s100b: ROC-GLM α₁ GA alt | 0,54084665 | — | 0,54084665 | 0 | ✓ |
| aSAH s100b: ROC-GLM α₁ GA üst | 1,05502794 | — | 1,05502794 | 0 | ✓ |
| aSAH s100b: ROC-GLM katsayısı ortak değişken | 0,01243256 | 0,01243256 | 0,01243256 | 2,1e−10 | ✓ |
| aSAH s100b: ROC-GLM ortak değişken bootstrap SH | 0,01547815 | — | 0,01547815 | 0 | ✓ |
| aSAH s100b: ROC-GLM ortak değişken GA alt | −0,01069763 | — | −0,01069763 | 0 | ✓ |
| aSAH s100b: ROC-GLM ortak değişken GA üst | 0,04775569 | — | 0,04775569 | 0 | ✓ |
| aSAH yayımlanmış: ampirik AUC | 0,73136856 | 0,7314 | — | 3,1e−5 | ✓ |
| aSAH yayımlanmış: DeLong GA alt | 0,63011821 | 0,6301 | — | 1,8e−5 | ✓ |
| aSAH yayımlanmış: DeLong GA üst | 0,83261892 | 0,8326 | — | 1,9e−5 | ✓ |
| aSAH yayımlanmış: Youden eşiği | 0,205 | 0,205 | — | 0 | ✓ |
| aSAH yayımlanmış: duyarlılık | 0,63414634 | 0,6341 | — | 4,6e−5 | ✓ |
| aSAH yayımlanmış: özgüllük | 0,80555556 | 0,8056 | — | 4,4e−5 | ✓ |
| Dorfman-Alf: log-olabilirlik (konsol, 4 ondalık) | −344,302 | −344,30198858 | −344,30198858 | 3,3e−8 | ✓ |
Ölçütü karşılayan: 204/204. Güven aralığı ve bootstrap SH satırları yalnız R koluyla karşılaştırılır (aynı tohum ve aynı yeniden örnekleme sırası). Yayımlanmış satırlar dört ondalıklıdır.
214.7 Çıktıyı okuma
Örnek ayar (q10_proc_ornek):
Binormal ROC: n = 240 (sağlıklı 140, hasta 100; hasta düzeyi '1'); büyük değer hastalığı gösterir; dönüşüm: log
Kural: belirteç > eşik ise test pozitif. Ampirik eşik ardışık iki gözlem değerinin ortası; binormal eşik normal kestiriminde özgün birimde, öteki kestirimlerde yalnız işletim noktası verilir.
Binormal AUC = 0,8127 (SH 0,0276; %95 GA 0,7539-0,8619), ampirik AUC = 0,8062 (DeLong SH 0,0283; %95 GA 0,7507-0,8618). a = 1,1909, b = 0,8942.
Bootstrap: 500 yineleme (tohum 1), yüzdelik güven aralıkları; sağlıklı grupta artıklar, hasta grupta gözlemler yeniden örneklendi.
AROC (ampirik) = 0,8210; ortak değişkene koşullu AUC: 45,00 → 0,8482; 60,00 → 0,8107; 75,00 → 0,7680.
Tablolar (7 tablo; kısaltılmış):
Binormal model parametreleri parametre kestirim SH
μ₀ 1.3121 0.0384 σ₀ 0.4538 0.0272
μ₁ 1.9165 0.0507 σ₁ 0.5075 0.0361
a 1.1909 0.1512 b 0.8942 0.0832
AUC: binormal ve ampirik binormal (delta) 0.8127 0.0276 0.7539 0.8619
ampirik (DeLong) 0.8062 0.0283 0.7507 0.8618
Youden kesim noktaları ampirik esik 6.118 duyarlilik 0.6100 ozgulluk 0.8786 youden 0.4886
binormal esik 5.1536 duyarlilik 0.7073 ozgulluk 0.7648 youden 0.4721
ROC-GLM katsayıları (probit; ampirik)
kesişim (α₀) 1.9166 SH 0.6040 [0.8980, 3.2252]
Φ⁻¹(t) eğimi (α₁) 0.8315 SH 0.1098 [0.6625, 1.0814]
yas -0.0129 SH 0.0107 [-0.0343, 0.0074]
Ortak değişkene koşullu AUC 45: 0.8482 [0.7824, 0.9115] 60: 0.8107 [0.7396, 0.8639] 75: 0.7680 [0.6399, 0.8642]
Ortak değişkene göre düzeltilmiş AUC (AROC)
ampirik (1 − ortalama yerleşim değeri) 0.8210 [0.7637, 0.8702]
ROC-GLM (probit, ortak değişkensiz) 0.8214 [0.7592, 0.8688]
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Binormal ve ampirik AUC | Model ve dağılımsız AUC; SH ve aralık. | İkisi yakınsa binormal model uygundur; farklıysa model uyumunu sorgulayın. |
| a, b | Binormal parametreler. | b<1: hastalarda dağılım daha geniş (sağlıklılar daha dar); a büyüdükçe ayrım artar. |
| Youden noktası | Eşik, duyarlılık, özgüllük, J. | Ampirik ve binormal nokta aynı olmak zorunda değildir (B6); kural: belirteç > eşik ise pozitif. |
| ROC-GLM katsayıları | \alpha_0,\alpha_1,\boldsymbol\beta; bootstrap SH ve yüzdelik aralık. | \beta aralığı 0'ı içeriyorsa ortak değişkenin ROC üzerindeki etkisi için kanıt yoktur (örnekte yaş: [-0{,}034;\,0{,}007]). |
| Koşullu AUC | Verilen ortak değişken değerinde AUC. | Yaşla azalma örnekte 0{,}848\to0{,}768 ama 75 yaşta aralık çok geniştir (0{,}640–0{,}864). |
| AROC | Ortak değişkenden arındırılmış ortalama AUC. | Koşullu AUC'lerin bir tür ortalamasıdır; ortak değişken ayrım gücünü değiştiriyorsa tek sayı yanıltabilir. |
Şekil 214.1. Binormal (mor) ve ampirik (gri basamak) ROC eğrisi; turuncu nokta binormal Youden işletim noktasıdır. İki eğri yakındır; AUC değerleri 0{,}813 ve 0{,}806.

Şekil 214.2. Ortak değişkene (yaş) koşullu ROC eğrileri (45, 60, 75 yaş) ve AROC (kesikli siyah ampirik basamak). Yaş arttıkça eğri aşağı iner; AROC bu koşullu eğrilerin ortalamasına yakındır.

Diğer çalıştırmalar:
| Çalıştırma | Sonuç |
|---|---|
indukte |
Katsayılar: kesişim 1{,}8435, yaş -0{,}0108, b=0{,}8648; koşullu AUC 0{,}8435; 0{,}8118; 0{,}7776 (probit ROC-GLM'den farklı: 0{,}8482; 0{,}8107; 0{,}7680). |
logit (referans = normal) |
ROC-GLM \alpha_0=3{,}3991, \alpha_1=0{,}9080, yaş -0{,}0229; koşullu AUC 0{,}8440; 0{,}8078; 0{,}7661; AROC ampirik 0{,}8237. |
ml (puan) |
Dorfman-Alf a=1{,}2332, b=0{,}9936, AUC 0{,}8092; ampirik 0{,}7976; Youden (ampirik) eşik 2{,}5 (duyarlılık 0{,}79, özgüllük 0{,}7214); binormal eşik NaN. |
ekk |
a=1{,}1653, b=0{,}8598, AUC 0{,}8116 (198 ROC noktası); SH ve aralık verilmez. |
boxcox |
\hat\lambda=0{,}1310; binormal AUC 0{,}8135 (SH 0{,}0278); log dönüşümüyle 0{,}8127. |
asah |
Binormal AUC 0{,}7233 (0{,}6072–0{,}8195), ampirik 0{,}7314; binormal Youden eşiği 0{,}3521 (ampirik 0{,}205). Belirteç çok çarpıktır; dönüşümsüz binormal model zayıf uyar. |
Rapor cümlesi örneği:
Belirtecin tanı gücü 240 kişide (140 sağlıklı, 100 hasta) log dönüşümlü binormal modelle ve ampirik ROC ile incelendi. Binormal AUC 0{,}813 (%95 GA 0{,}754–0{,}862), DeLong ile ampirik AUC 0{,}806 (%95 GA 0{,}751–0{,}862) bulundu. Yaşa göre koşullu ROC-GLM'de (probit; 500 bootstrap) AUC 45, 60 ve 75 yaşlarında sırasıyla 0{,}848, 0{,}811 ve 0{,}768 idi; yaş katsayısının %95 aralığı sıfırı içerdi (-0{,}034; 0{,}007). Yaşa göre düzeltilmiş AUC 0{,}821 (%95 GA 0{,}764–0{,}870) olarak kestirildi.
214.8 Sık hatalar ve tuzaklar
- Belirtecin yönünü ters girmek.
yonveriyle ters seçilirse ampirik AUC 0{,}5'in altında çıkar (örnek veridekucukile 0{,}1938) ve sonuç metni "yön ters olabilir" uyarısı yazar (327–330); yönü değiştirip yeniden çalıştırın. Temel programdaki ROC analizi yönü kendi belirler. - Normal varsayımı çarpık belirteçte dönüşümsüz kullanmak. aSAH
s100bverisinde binormal AUC (0{,}723) ve eşik (0{,}352) ampirik değerlerden (0{,}731; 0{,}205) ayrılır; dönüşümle ya da ampirik yöntemle karşılaştırın. - Koşullu ROC değerlerinde ondalık virgül. Değerler noktalı virgülle ayrılırsa virgül ondalıktır:
45,5; 60için koşullu AUC 0{,}8470 (45{,}5 yaşında) ve 0{,}8107 (60 yaşında). Noktalı virgül yoksa (45,5 60) virgül ayırıcı sayılır,45ve5iki ayrı değer olur ve uyarı yazılır. - Tohum. Bootstrap
tohumalanı pozitifken yalnız o alana bağlıdır; çalıştırma tohumunu kullanmak için alana 0 girin. - Dorfman-Alf'ta sürekli belirteç. Kategori sayısı sonuçları değiştirir (B5); sürekli belirteçte
normalya daroc_ekktercih edin. - Kategorik ortak değişkeni olduğu gibi seçmek. Ortak değişkenler sayısal olmalıdır; kategorik değişkenler önceden 0/1 göstergelere çevrilmelidir. İki ortak değişkende değerler
45 0; 60 1biçiminde, satırlar noktalı virgülle girilir. - Küçük gruplarda ROC regresyonu. Her grupta en az p+3 gözlem gerekir; küçük örneklemde bootstrap aralıkları çok geniştir (örnekte 75 yaşta koşullu AUC aralığı 0{,}640–0{,}864).
- Eksik değer nedeniyle örneklem kaybı. Çıkarılan satır sayısı sonuç metninde yazılır; kalan örneklem büyüklüğünü ve grup sayılarını denetleyin.
- Binormal AUC'nin \Phi^{-1} ölçekli aralığını ampirik Wald aralığı ile karıştırmak. İkisi simetrik değildir (214.4.3).
214.9 Uzman soruları
S1. Binormal AUC ne zaman ampirik AUC'den daha iyidir?
Model doğruysa binormal AUC daha az değişkendir ve küçük örneklemde daha kararlıdır; belirteç iki grupta (dönüştürülmüş ölçekte) normal değilse yanlıdır. Örnek veride log ölçeğinde fark küçüktür (0{,}8127 ve 0{,}8062); aSAH'da dönüşümsüz binormal model ampirik AUC'den 0{,}008 uzaktır. Model uyumu için iki eğrinin şekilde çakışması bakılır.
S2. ROC-GLM neden uzun veri çerçevesi ve ikili GLM ile kestirilir?
Pepe (2000) yerleşim değerlerinden U_{jk}=\mathbf 1(\mathrm{YD}_j\le t_k) göstergelerini her t_k için kurar; P(U_{jk}=1)=\mathrm{ROC}_x(t_k) olduğundan ikili GLM (g(t) ve x üzerine) ROC eğrisini doğrudan modeller (Alonzo ve Pepe, 2002). Göstergeler aynı bireyin tekrarlı gözlemleridir; standart hatalar bu yüzden GLM'den değil bootstrap'tan alınır (şablonda B).
S3. İndüklenmiş yöntemle ROC-GLM neden farklı koşullu AUC verir?
İndüklenmiş yöntem hasta ve sağlıklı grupta ayrı konum-ölçek modelleri kurup ROC'u bunlardan türetir; ROC-GLM ise ROC'un kendisini modeller. Örnekte AUC (yaş 75): 0{,}7776 ve 0{,}7680; ortak değişken etkisi iki modelde farklı parametrelendirildiğinden küçük farklar doğaldır. ROCnReg cROC.sp indüklenmiş yöntemi, ROC-GLM için hazır bir R paketi yoktur (214.6).
S4. AROC neden "ortalama" koşullu AUC değildir?
AROC, yerleşim değerlerinin dağılımından (ortak değişkene göre standartlaştırılmış) türeyen tek bir ROC eğrisidir; ortak değişken ROC'u değiştiriyorsa koşullu eğrilerin düz ortalaması AROC ile birebir aynı olmaz (Janes ve Pepe, 2009). Örnekte AROC 0{,}821, koşullu AUC'ler 0{,}768–0{,}848.
S5. Bootstrap neden hem artıkları hem hastaları yeniden örnekler?
Kontrol modelinin artıkları n_0 sağlıklıdan, hasta gözlemleri n_1 hastadan gelir; ikisinin belirsizliği ayrı ayrıdır. Şablon hastaları gözlem olarak, sağlıklıları artık olarak yeniden örnekler (yerine koymayla); kontrol modeli \hat f+r^* üzerinde yeniden kurulur. ROCnReg AROC.sp aynı şemayı kullanır ve aynı tohumda aynı aralığı verir (214.6).
S6. Dorfman-Alf kestirimi neden ordinal::clm ile aynıdır?
Gizil binormal model, konum ve ölçeği gruba bağlı bir sıralı probit modelidir (clm(puan ~ D, scale = ~ D, link = "probit")). Şablonun (a,b) ile clm'in (\beta,\zeta) katsayıları a=\beta e^{-\zeta}, b=e^{-\zeta} ile dönüşür; log-olabilirlik ve AUC birebir aynıdır (214.6).
S7. Tam ayrışmada ne olur?
Hasta ve sağlıklı değerleri kesişmiyorsa ampirik AUC =1 olur; binormal SH sıfıra gider ve ROC-GLM'in olabilirliği sonsuza yönelir. Şablon ROC-GLM için bunu denetler ve yalnız ampirik AROC verir (390–395). Ortak değişkensiz çıktıda aynı denetim yoktur (B8).
S8. Box-Cox \lambda'nın belirsizliği neden yansıtılmaz?
Şablon \lambda'yı iki grubun ayrı varyanslı normal olabilirliğinden bir kez kestirir ve sabit sayar; delta yöntemi yalnız (\mu_0,\sigma_0,\mu_1,\sigma_1)'nın belirsizliğini içerir. Daha geniş bir aralık için bootstrap'ı \lambda'yı da yeniden kestirecek biçimde kurmak gerekir; şablonda yoktur (B7).
214.10 Kaynaklar
- Alonzo, T. A., & Pepe, M. S. (2002). Distribution-free ROC analysis using binary regression techniques. Biostatistics, 3(3), 421–432. https://doi.org/10.1093/biostatistics/3.3.421
- Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B, 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
- DeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: A nonparametric approach. Biometrics, 44(3), 837–845. https://doi.org/10.2307/2531595
- Dorfman, D. D., & Alf, E. (1969). Maximum-likelihood estimation of parameters of signal-detection theory and determination of confidence intervals: Rating-method data. Journal of Mathematical Psychology, 6(3), 487–496. https://doi.org/10.1016/0022-2496(69)90019-4
- Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36. https://doi.org/10.1148/radiology.143.1.7063747
- Janes, H., & Pepe, M. S. (2009). Adjusting for covariate effects on classification accuracy using the covariate-adjusted receiver operating characteristic curve. Biometrika, 96(2), 371–382. https://doi.org/10.1093/biomet/asp002
- Pepe, M. S. (2000). An interpretation for the ROC curve and inference using GLM procedures. Biometrics, 56(2), 352–359. https://doi.org/10.1111/j.0006-341X.2000.00352.x
- Robin, X., Turck, N., Hainard, A., Tiberti, N., Lisacek, F., Sanchez, J.-C., & Müller, M. (2011). pROC: An open-source package for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12, 77. https://doi.org/10.1186/1471-2105-12-77
- Rodríguez-Álvarez, M. X., & Inácio, V. (2021). ROCnReg: An R package for receiver operating characteristic curve inference with and without covariates. The R Journal, 13(1), 525–555. https://doi.org/10.32614/RJ-2021-066
- Youden, W. J. (1950). Index for rating diagnostic tests. Cancer, 3(1), 32–35. https://doi.org/10.1002/1097-0142(1950)3:1<32::AID-CNCR2820030106>3.0.CO;2-3
- Yazılım kaydı: R 4.5.3 (stats, graphics; çalıştırmanın yazılım kaydından); bağımsız doğrulama: pROC 1.19.0.1, ordinal, ROCnReg 1.0.9, numDeriv, Python 3.13.1 (numpy 2.4.6, scipy 1.16.3).