Logistic回归模型C统计量及95%可信区间计算

临床预测模型是临床研究的常用方法，通常我们构建出模型，需要对模型进行评估，其中一个重要指标是区分能力，也就是区分有病/无病、有效/无效、死亡/存活等结局的预测能力。区分能力一般用C统计量的大小来表示。
构建疾病风险预测模型最常用的是R软件，虽然R可以比较方便的计算Logistic回归模型的C统计量，但遗憾的是C统计量的95%可信区间并未直接给出，而临床预测模型的文章通常需要我们提供这些数据。
有的专家建议可以使用SPSS软件计算曲线下面积AUC的95%可信区间。
补充知识点：对于结局是二分类的回归模型，ROC曲线下面积的值与C指数是一样的，95%可信区间也是一样的。
虽然能解决这个问题，但软件换来换去，还是略显麻烦一些，我们一起来看看如何计算通过R软件计算C统计量的95%可信区间。
02

R软件操作

首先，通过复制粘贴的方法导入数据。
    mydata <- read.delim("clipboard")
    打包数据：
      library(rms)ddist <- datadist(mydata)options(datadist="ddist")
      构建logistic回归模型：
        mylog<-lrm(disease~x+y,data=mydata,x=T,y=T)
        计算C指数：
          install.packages("Hmisc")library(Hmisc)Cindex <- rcorrcens(mydata$disease~predict(mylog))

          剩余文章内容<<<

          赞 (0)

          相关推荐