嘿，我看了你的问题和代码，马上就发现了问题的核心——你混淆了ROC分析的输入变量类型，导致预期和结果不匹配。咱们一步步理清楚：

你的错误根源 #

你当前的ROC分析是用logistic回归输出的预测概率来做的，而不是直接用ndka这个原始的预测变量。当你把ndka乘以10得到ndka10后，logistic回归的系数会自动缩小10倍（因为模型要保持预测效果一致），最终计算出的预测概率和原来几乎完全相同。这就导致ROC曲线的最佳截断值（是一个概率值，比如0.7）自然不会按10倍变化，完全不符合你对原始变量阈值的预期。

而你真正要找的是原始ndka变量的MCID截断值，所以得换个正确的姿势来做ROC分析。

修正后的代码（直接用原始变量做ROC） #

这才是能得到你预期结果的正确方式——直接用ndka或ndka10作为ROC的预测变量，而不是用logistic回归的预测概率：

install.packages("pROC")
library(pROC)

# 加载内置数据集
df <- aSAH
# 生成放大10倍的ndka变量
df$ndka10 <- 10 * df$ndka

# 方法1：用原始ndka构建ROC，计算Youden指数最佳截断值
roc_ndka <- roc(df$outcome, df$ndka, direction = "<")
# 输出所有最佳截断相关指标
coords(roc_ndka, "best", ret = "all")

# 方法2：用放大10倍的ndka10构建ROC
roc_ndka10 <- roc(df$outcome, df$ndka10, direction = "<")
coords(roc_ndka10, "best", ret = "all")

跑这段代码你会发现，ndka10的最佳截断值正好是ndka的10倍，完全符合你的预期。

如果你一定要用logistic回归的结果怎么办？ #

如果因为某些原因，你必须基于logistic回归的预测概率来反推原始变量的阈值，那可以通过回归系数反向计算：

# 用ndka构建logistic模型
model <- glm(outcome ~ ndka, data = df, family = binomial)
# 基于预测概率做ROC
roc_out <- roc(df$outcome, predict(model, type = "response"), direction = "<")
best_coords <- coords(roc_out, "best", ret = "all")

# 把概率截断值转换为logit值
logit_cutoff <- log(best_coords$threshold / (1 - best_coords$threshold))
# 反推原始ndka的截断值
ndka_cutoff <- (logit_cutoff - coef(model)[1]) / coef(model)[2]
cat("ndka的原始截断值：", ndka_cutoff, "\n")

# 对ndka10重复操作
model2 <- glm(outcome ~ ndka10, data = df, family = binomial)
roc_out2 <- roc(df$outcome, predict(model2, type = "response"), direction = "<")
best_coords2 <- coords(roc_out2, "best", ret = "all")

logit_cutoff2 <- log(best_coords2$threshold / (1 - best_coords2$threshold))
ndka10_cutoff <- (logit_cutoff2 - coef(model2)[1]) / coef(model2)[2]
cat("ndka10的截断值：", ndka10_cutoff, "\n")

这段代码会帮你从预测概率的截断值，反推出原始变量的阈值，结果同样会满足10倍的对应关系。

最后总结一下 #

你要的是原始预测变量的MCID，就直接用该变量做ROC分析，别绕到预测概率的ROC上。后者的截断值是概率值，和原始变量的缩放没有直接的倍数关系，这就是你之前代码出问题的核心原因。

内容来源于stack exchange