spss模型预测操作,spss怎么建立周预测模型

临床预测模型也是大家比较感兴趣的，今天就带着大家看一篇临床预测模型的文章，并且用一个例子给大家过一遍做法。

这篇文章来自护理领域顶级期刊的文章，文章名在下面

Ballesta-Castillejos A, Gómez-Salgado J, Rodríguez-Almagro J, Hernández-Martínez A. Development and validation of a predictive model of exclusive breastfeeding at hospital discharge: Retrospective cohort study. Int J Nurs Stud. 2021 May;117:103898. doi: 10.1016/j.ijnurstu.2021.103898. Epub 2021 Feb 7. PMID: 33636452.

文章作者做了个出院时单纯母乳喂养的预测模型，数据来自两个队列，一个队列做模型，另外一个用来验证。样本量的计算用的是“10个样本一个变量”的标准，预测结局变量是个二分类，变量筛选的方法依然是单因素有意义的都纳入预测模型中，具体的建模方法是logistic回归模型。然后用AUC进行模型的评估。

在结果报告上，作者报告了所有的有意义的预测因素，每个因素会展示OR和OR的置信区间，还有整体模型的评价指标，包括展示了模型的ROC曲线，和AUC，作者还展示了不同概率阶截断值下的模型的Sensitivity， Specificity， PPV， NPV， LR ， LR-。如图：

作者整个文章是用SPSS做出来的，今天给大家写写论文中的各种指标都是什么意义以及如何用R语言做出来论文中需要报告的各种指标。

首先给大家写灵敏度（Sensitivity）与特异度（Specificity），这两个东西都是针对二分类结局来讲的，大家先瞅瞅下面的图：

我们真实的结果有两种可能，模型的预测也有两种可能，上图的AD表示模型预测对的个案数量，那么灵敏度就是：在真的有病了，你的模型有多大可能检验出来，表示为

Sensitivity: A/(A C) × 100

在论文中就是这个母亲真的是单纯母乳喂养的，模型有多大可能识别为真的单纯母乳喂养。

特异度就是：我是真的真的没病，你的模型有多大可能说我真的没病，表示为：

Specificity: D/(D B) × 100

在论文中就是这个母亲真的不会去单纯母乳喂养的，模型有多大可能识别为真的不单纯母乳喂养。

有些同学说，我知道个模型预测准确率不就好了吗，用(A D)/(A B C D)来评估模型不就好了吗？搞这么麻烦。。

不能这么想的，比如你现在有一个傻瓜模型，这个模型傻到它只会将所有的人都预测为没病，刚好这个模型被用在了一个正常人群中，然后我们发现这个傻瓜模型的正确率也是100%，这个就很离谱，所以并模型预测准确性是不能全面评估模型表现的，需要借助Sensitivity， Specificity。

我们再看 PPV， NPV这两个指标：

Positive Predictive Value: A/(A B) × 100

Negative Predictive Value: D/(D C) × 100

看上面的公式，相信大家都看得出这两个其实就是模型的阳性预测准确性和阴性预测准确性，也可以从特定角度说明模型的表现。

再看LR 和 LR-，这两个就是阳性似然比 (positive likelihood ratio, LR )和 阴性似然比

(positive likelihood ratio, LR )，似然比的概念请参考下一段英文描述：

Likelihood ratio (LR) is the ratio of two probabilities: (i) probability that a given test result may be expected in a diseased individual and (ii) probability that the same result will occur in a healthy subject.

那么：(LR ) = sensitivity / (1 - specificity)，意思就是真阳性率与假阳性率之比。说明模型正确判断阳性的可能性是错误判断阳性可能性的倍数。比值越大，试验结果阳性时为真阳性的概率越大。

(LR-) = (1 - sensitivity) / specificity，意思就是假阴性率与真阴性率之比。表示错误判断阴性的可能性是正确判断阴性可能性的倍数。其比值越小，试验结果阴性时为真阴性的可能性越大。

所以大家记住：阳性似然比越大越好，阴性似然比越小越好。

最后再把上面的所有的内容总结一个表献给可爱的粉丝们，嘿嘿。下面就是一个分类结局预测变量需要报告的一些模型评估指标：

再回过头想想我们所谓的阳性或者阴性，如果用logistics回归做的话本身这个阳性阴性的判别都是可以设定的，因为我们的模型拟合出来的是响应概率，就是Logit公式里面的那个p值，你可以以p=0.5为我们判别阴阳性的cutoff，当然你还可以以0.9或者0.1为cutoff，cutoff不同自然我们模型灵敏度和特异度就不同了，就是说灵敏度和特异度是随着cutoff不同而变化着的，所以要稳定地评估模型表现还需要另外的指标，这个时候我们就引出了一个很重要的概念：ROC曲线和曲线下面积AUC。

我现在手上有数据如下：