ROC 分析

受試者工作特徵 (ROC) 分析是用來評量模型預測正確性的一個有用方法，評量方式是繪製分類檢定的靈敏度與（1-特異度）（因為臨界值在診斷檢定結果的整個範圍會改變）。 給定 ROC 曲線 (AUC) 下的完整區域會制定重要統計量，以代表在觀察到檢定變數時 (針對從觀察值群組隨機選取的一個受試者，以及針對從控制群組隨機選取的另一個受試者) 以正確順序進行預測的機率。 「ROC 分析」支援對單一 AUC、查準率-查全率 (PR) 曲線進行推理，並提供選項用來比較根據獨立群組或配對受試者產生的兩個 ROC 曲線。

舊的 ROC 曲線程序支援關於單一 ROC 曲線的統計推斷。 新的「ROC 分析」程序也可以回復此情況。 此外，新的 ROC 分析程序可以比較從獨立群組或成對受試者產生的兩個 ROC 曲線。

PR 曲線會繪製查準率與查全率，當觀察資料樣本高度扭曲時該曲線往往更加有用，並且它針對在類別分佈中有很大偏差的資料提供 ROC 曲線的替代方案。

範例

銀行依利息將客戶分成兩種，會借貸者與不會借貸者，因此便發展出這類特殊模型，以執行這類判斷。 ROC 分析可用來評估和評量模型預測的正確性。

統計資料

AUC、負面群組、遺漏值、正面分類、截斷值、確信強度、兩端漸近信賴區間、分佈、標準誤、獨立群組設計、成對樣本設計、無母數假設、雙負指數分佈假設、中間點、分割點、PR 曲線、逐步插入、漸近顯著性（兩尾）、靈敏度和（1-特異度）、查準率與查全率。

方法

會比較位於兩個 ROC 曲線下根據獨立群組或配對受試者產生的區域。 在兩個比較診斷方法產生的正確性方面，比較兩個 ROC 曲線可以提供更多資訊。