调整ROC曲线分析中的协变量

这个问题是关于在存在相关量表的情况下，在多维筛查问卷中估算截止分数以预测二值终点的问题。

有人问我在设计可用于酗酒筛查的测量量表（人格特质）每个维度的临界值时，控制相关子分数的兴趣。也就是说，在这种特殊情况下，此人对调整外部协变量（预测变量）不感兴趣-这导致在经协变量调整的ROC曲线下产生（局部）面积（例如（1-2）），但实际上对其他分数没有影响来自同一份调查表，因为它们彼此相关（例如“冲动”与“寻求感觉”）。它构成了一个GLM，在左侧包含感兴趣的得分（我们寻求分值）和从同一份问卷中计算出的另一个得分，而在右侧则可能显示饮酒状态。

为了阐明（按@robin请求），假设我们有分数，例如（例如，焦虑，冲动，神经质，寻求感觉），并且我们想找到一个值（即“阳性案例”），否则为“负数”）。在设计此类临界值时，我们通常会针对其他风险因素（例如性别或年龄）进行调整（使用ROC曲线分析）。现在，由于已知SS与IMP相关联，因此如何在性别，年龄和寻求感觉（SS）上调整冲动（IMP）呢？换句话说，如果去除了年龄，性别和焦虑水平的影响，我们将获得IMP的临界值。x j t j x j > t $j=4$$x_j$$t_j$$x_j>t_j$

除了说分界必须尽可能简单之外，我的回应是

关于协变量，我建议评估有无调整后的AUC，以查看预测性能是否提高。在这里，您的协变量仅仅是从同一度量工具定义的其他子评分，而我从未遇到过这种情况（通常，我会根据已知的风险因素进行调整，例如年龄或性别）。[...]此外，由于您对预后问题（即问卷的筛查功效）感兴趣，因此您可能还对估计阳性预测值（PPV，测试结果呈阳性并被正确分类的患者的概率）感兴趣您可以根据调查表上的子分数将主题分类为“阳性”或“阴性”。请注意，

您是否对这种特殊情况有更全面的了解，并在可能的情况下链接到相关论文？

参考文献

1. Janes，H和Pepe，MS（2008）。在诊断，筛选或预后标志物研究中调整协变量：新环境中的旧观念。美国流行病学杂志 168（1）：89-97。
2. Janes，H和Pepe，MS（2008）。ROC分析中的调节协变量。华盛顿大学生物统计学工作论文系列，论文322。

您设想分析的方式实际上不是我建议您开始考虑的方式。首先，很容易表明，如果必须使用截止值，则截止值不会应用于单个特征，而是会应用于总体预测概率。单个协变量的最佳临界值取决于其他协变量的所有水平。它不能恒定。其次，ROC曲线在满足针对单个主题做出最佳决策的目标方面不起作用。

为了处理相关尺度，有许多数据缩减技术可以提供帮助。其中之一是形式上的冗余分析，其中依次从所有其他预测变量中非线性预测每个预测变量。这是在redunR Hmisc包中的函数中实现的。变量聚类，主成分分析和因子分析是其他可能性。但我认为，分析的主要部分应该是建立一个良好的概率模型（例如，二进制逻辑模型）。

Janes Pepe文章关于协变量调整后的ROC曲线的观点是，可以更灵活地解释估计的ROC曲线值。这是对目标人群中特定群体之间的ROC曲线进行分层的一种方法。估计的真实阳性分数（TPF；当量灵敏度）和真实阴性分数（TNF；当量特异性）被解释为“在相同[调整后的变量中，如果疾病状态为Y / N，则正确筛查结果的可能性列表]”。乍一看，这似乎是您要尝试通过在面板中添加更多标记来改进诊断测试。

要更好地理解这些方法，最好的背景是阅读Cox比例风险模型并查看Pepe的书“分类和……的医学检验的统计评估”。您会注意到筛选可靠性测度与生存曲线具有许多相似的特性，将拟合得分视为生存时间。就像Cox模型允许对生存曲线进行分层一样，他们建议提供分层的可靠性度量。

在二进制混合效应模型的背景下，对我们如此重要的原因可能是合理的：假设您有兴趣预测成为甲基苯丙胺成瘾者的风险。SES对此具有明显的主导作用，因此评估诊断测试似乎是愚蠢的，该诊断测试可能基于个人行为而没有分层。这是因为，即使有钱人出现躁狂和抑郁症状，他们也可能永远不会尝试使用冰毒。但是，一个穷人会表现出更大的患上此类心理症状的风险（和更高的风险评分）。粗略的风险分析将显示您的预测模型的性能很差，因为两组的相同差异并不可靠。但是，如果您分层（富人与穷人），

协变量调整的重点是，由于不同阶层之间的风险模型中较低的患病率和相互作用，因此考虑不同的群​​体是同质的。