pROC包中roc.test()输出的AUC估计值与roc()函数原始结果不一致的原因探究

嘿，这个问题其实是pROC包的roc.test()在处理相关ROC曲线（基于同一组样本的不同预测指标）时的默认行为导致的，我帮你梳理清楚：

核心原因：样本集被自动筛选了 #

当你用roc.test()比较两条相关的ROC曲线时，它会自动只保留同时拥有两个预测变量（SOFA1和SOFA7）有效观测值的样本——简单说就是剔除了那些SOFA1或SOFA7存在缺失值的样本。

看你的数据就能发现差异：

• 单独构建roc1时用了26个存活样本 + 18个死亡样本 = 44个样本，AUC为0.7692
• 单独构建roc2时用了26个存活样本 + 2个死亡样本 = 28个样本，AUC为0.9327

而roc.test()计算时用的是这两个样本集的交集（同时有SOFA1和SOFA7数据的样本），样本量比28个还要少（或刚好一致），这直接导致了AUC结果的变化——你看到的roc.test里的0.9615就是roc1在这个子集上的AUC，而非原来44个样本的结果。

另外要注意：roc2的死亡样本只有2个，这么小的样本量计算出来的AUC可靠性极低，解读时一定要谨慎！

怎么让两者的AUC一致？ #

如果你想让roc.test()使用和单独构建ROC曲线时完全相同的样本集，需要手动先筛选出完整的样本对，再重新构建ROC曲线并比较：

# 先筛选同时有SOFA1和SOFA7数据的样本
complete_subset <- cData$`<60`[!is.na(cData$`<60`$SOFA1) & !is.na(cData$`<60`$SOFA7), ]

# 用筛选后的样本构建ROC曲线
roc1 <- roc(complete_subset$resule, complete_subset$SOFA1)
roc2 <- roc(complete_subset$resule, complete_subset$SOFA7)

# 再进行曲线比较
roc.test(roc1, roc2)

这时候你再查看roc对象和roc.test的输出，AUC值就会完全一致了。

内容的提问来源于stack exchange，提问作者dbcoffee