Stata中mlogit多分类逻辑回归各结局AUC及诊断准确性评估代码问询

针对你用mlogit拟合的四分类结局模型，mlogitroc确实无法直接输出单个结局的AUC和ROC曲线，推荐用**一对多（one-vs-rest）**的思路，结合Stata原生命令来实现各结局的区分度和诊断准确性评估，具体步骤如下：

1. 先拟合多分类逻辑回归模型 #

假设你的结局变量是y（包含4个类别，比如0、1、2、3），自变量为x1 x2 x3，先拟合模型：

mlogit y x1 x2 x3, basecategory(0)  // basecategory指定参照组，可根据你的需求调整

2. 计算单个结局的AUC与ROC曲线 #

针对每个非参照组结局，将其与其他所有结局合并为二分类问题，用predict生成该结局的预测概率，再用roc命令分析：

示例：结局1 vs 其他所有类别 #

// 生成结局1的预测概率
predict p1, pr outcome(1)
// 创建二分类标记变量：1代表是结局1，0代表是其他类别
gen y1 = (y == 1)
// 计算AUC并绘制ROC曲线，同时输出诊断准确性指标
roc y1 p1, auc graph stats all

执行后会弹出ROC曲线图形，同时在结果窗口输出AUC值、灵敏度、特异度、阳性预测值、阴性预测值等诊断指标。

重复上述步骤处理结局2和结局3 #

// 结局2 vs 其他
predict p2, pr outcome(2)
gen y2 = (y == 2)
roc y2 p2, auc graph stats all

// 结局3 vs 其他
predict p3, pr outcome(3)
gen y3 = (y == 3)
roc y3 p3, auc graph stats all

3. （可选）比较不同结局的AUC差异 #

如果需要对比多个结局的AUC是否存在统计学差异，可使用roccomp命令：

roccomp y1 p1 y2 p2 y3 p3

补充说明 #

多分类模型的性能评估采用one-vs-rest框架是行业通用做法，这种方式能直接利用Stata成熟的二分类ROC分析工具，避免mlogitroc的功能局限。如果需要整体模型的分类准确率，可直接用mlogit拟合后的内置命令：

estat classification

该命令会输出混淆矩阵和整体正确分类比例。

内容的提问来源于stack exchange，提问作者Ela