嗨！大家好，我是一棵树，这是我第一次在解螺旋发文，还是蛮激动的。下面就开始吧！ 今天的主题是：ROC分析时一定要告诉R分析谁 用到的软件是：R语言 用到的R包是：pROC和ROCit
1.安装R包
install.packages('pROC') install.packages('ROCit')
2.构建数据
我们先构建2个连续变量score1和score2，1个2分类变量class。class变量有2个数值0和1，0代表阴性结果，1代表阳性结果。
score1=c(0.830410619,0.455829518,0.058478492, 0.729325234,0.831480755,0.134660431, 0.695320049,0.662420877,0.528904992, 0.371757106,0.87803265,0.705919705, 0.740182936,0.060545256,0.891066853, 0.568020037,0.379067286) score2=c(0.376703255,0.694968207,0.066650344, 0.261298118,0.079832816,0.005758134, 0.433320986,0.211177625,0.68847034, 0.085216767,0.452439458,0.054711128, 0.719909102,0.653851262,0.500626397, 0.380789783,0.430002115) class=c(1,1,1,1,1,1,1,0,0,0,0,0,0,0,0,0,0)
3.常规的ROC分析
现在，我们来做score1和class的ROC分析，看一下他们的AUC
使用pROC包
pROC::roc(predictor = score1,response = class)
## Setting levels: control = 0, case = 1
## Setting direction: controls < cases
## ## Call: ## roc.default(response = class, predictor = score1) ## ## Data: score1 in 10 controls (class 0) < 7 cases (class 1). ## Area under the curve: 0.4714
使用ROCit包
ROCit::rocit(score = score1,class = class)$AUC
## [1] 0.4714286
两个包的AUC结果一致，都是0.4714。这种做法也是我们常规的做法。
4.不一致的ROC分析结果
奇怪的事情马上就要发生了！ 现在，我们再对score2和class做ROC分析，看一下他们的AUC
使用pROC包
pROC::roc(predictor = score2,response = class)
## Setting levels: control = 0, case = 1
## Setting direction: controls > cases
## ## Call: ## roc.default(response = class, predictor = score2) ## ## Data: score2 in 10 controls (class 0) > 7 cases (class 1). ## Area under the curve: 0.6857
使用ROCit包
ROCit::rocit(score = score2,class = class)$AUC
## [1] 0.3142857
这个时候pROC包计算的AUC是0.6857，而ROCit包计算的结果是0.3142，两个差别很大啊。这是咋回事？相同的命令，换个数据结果就不一样了？
5.为什么2个包的结果会矛盾
我们再回头看，使用pROC包分析score1和class时，有这样一段提示
## Setting direction: controls < cases
同样使用pROC包分析score2和class时，也有这样一段提示
## Setting direction: controls > cases
同样的class，两次计算的方向竟然不同，第一次是controls < cases，而第二次是controls > cases，这个是什么意思呢？
controls < cases：表示controls组的中位数小于cases组的中位数，pROC包对cases组进行ROC分析，计算cases组的AUC。 controls > cases：表示controls组的中位数大于cases组的中位数，pROC包对controls组进行ROC分析，计算controls组的AUC。
我们先来看一下score1在class两组的中位数。
c(controls=median(score1[class==0]), cases=median(score1[class==1]))
## controls cases ## 0.6152205 0.6953200
再来看一下score2在class两组的中位数。
c(controls=median(score2[class==0]), cases=median(score2[class==1]))
## controls cases ## 0.4412208 0.2612981
谜底终于揭开：pROC包在自动进行ROC分析的时候，是根据两组中位数的大小来决定分析哪组的，谁的中位数大，就分析谁，就计算谁的AUC！
6.带来的问题
这样会带来很严重的问题！ 很多时候，我们进行ROC分析时，默认都是去计算class=1那组，也就是阳性组的AUC，而class=0，被我们默认当成了阴性组，也就是参考组。在ROCit包中就是这样的，但是在大名鼎鼎的pROC包中，ROC分析的依据却是中位数的大小。这一点千万要注意。 如果你用pROC包做ROC分析，那么接下来的AUC和cutoff value都是要注意的，如果你不事先设置参考，得到的结果可能就搞不清楚是阴性组的AUC还是阳性组的AUC，仅仅是中位数高的那组的AUC，而你默认都是当成阳性组的AUC。
千万要注意这一点！
7.告诉R去ROC谁
在pROC::roc()函数中，有2个参数是需要我们设置的levels和direction，levels表示结局变量中的数值水平，direction的值是大于号>或小于号<，表示levels的第1个数值和第2个数值的大小关系。 现在我们给levels赋值0和1，direction赋值小于号<，表示0组的中位数小于1组的中位数，让pROC始终ROC1组，AUC1组。
pROC::roc(predictor = score2,response = class, levels = c(0,1), direction='<')
## ## Call: ## roc.default(response = class, predictor = score2, levels = c(0, 1), direction = "<") ## ## Data: score2 in 10 controls (class 0) < 7 cases (class 1). ## Area under the curve: 0.3143
这个时候得到结果0.314，和ROCit包的结果一致了。 在ROCit::rocit()函数中，我们通过给negref参数赋值0，设置ROC分析的阴性参考
ROCit::rocit(score = score2,class = class, negref = 0)$AUC
## [1] 0.3142857
8.总结
ROC分析时一定要设置结局的阴性参考！ ROC分析函数，不提供设置参考的参数，可以考虑丢弃了！
