我们在实际的工作生活中，往往结果都不是由单个因素所决定的，而是由多个复杂的指标共同产生。如衡量某个人是否健康时，我们会根据他的年龄、性别、过往病史等多个因素同时进行评价。

接下来我们就需要使用到IBM SPSS Statistics，来绘制数据的ROC曲线，进而分析数据结果的准确性。

一、分析预测

首先准备好我们要使用的数据，如图1，这是一组关于癌症患者与非癌症人员的各项指标数据，我们需要通过分析，判断这些指标，是否能初步判断人员患上癌症的概率。

第一步：点击“分析”菜单中的“回归”，选择“二元Logistic”，通过二元Logistic回归模型，用性别、年龄、BMI、是否吸烟和过往COPD病史，来计算人员患癌症的概率。

在回归设置界面中，设置因变量为cancer，在块中加入除了cancer以外的其他指标，最后在方法中选择“向前：LR”方法，具体设置如图3。

又因为在本组数据中，COPD是多分类变量，而不是简单的二分类，我们将COPD的程度，使用0到4进行表示，分别表示无、轻度、中度、重度。

因此我们需要点击上图3右侧的“分类”，自定义分类变量。在分类协变量中选择COPD，然后选择参考类别为“第一个”，点击“继续”。

最后，点击“保存”按钮（非确定按钮），然后勾选上“预测值”中的“概率”，如图5，此时SPSS就会帮我们生成每条记录的癌症预测概率值。

具体的预测值如图6，PRE_1就是SPSS自动生成的预测概率值。

二、绘制ROC曲线

有了预测概率结果后，我们就可以利用ROC曲线，来分析这个预测结果的准确性。点击“分析”菜单，选择“分类”，点击“ROC曲线”，如图7。

检验变量选择SPSS生成的“PRE_1”，下方的状态变量选择“cancer”，然后状态变量值设置为1，完成上述设置后点击“确定”，即可生成关于这2个预测和实际指标之间的ROC曲线。

最后生成的结果见下图9，我们可通过观察ROC曲线下的面积，来判断预测准确性。

以上就是关于使用SPSS进行多指标下的ROC曲线分析的全部教程，我们首先通过回归模型生成预测值，再将预测值和真实值之间进行ROC曲线分析，得出我们想要的结论。如果大家对IBM SPSS Statistics软件有兴趣，欢迎进入IBM SPSS Statistics中文网站下载试用。 

作者署名：包纸