直接开工。临床上做诊断试验，单指标的ROC曲线大家都熟，但真到了写论文或做课题汇报的时候，评审一句“你这个指标的AUC才0.7，太低了”就能把你噎住。这时候你就得换个思路：既然一个指标不够，那就把几个指标联合起来。怎么联合？最稳妥、最常用、审稿人也最容易接受的办法，就是先跑一个Logistic回归，把多个指标拟合成一个预测概率，然后再拿这个新生成的预测概率去画ROC曲线。这篇教程就是把完整的五步流程拆给你看，每一步做到什么程度、菜单怎么点、参数怎么选、结果怎么解读，全说清楚，适合正在做诊断试验、队列研究，或者正在写学位论文里“联合诊断”那部分的朋友，直接照着操作就能落地。
1. 正式动手前，先把联合诊断的思路理清楚
1.1 多指标联合诊断的核心逻辑
很多人第一次接触“多指标联合诊断”这个概念时会有一个误区，以为就是把几个指标放进同一个ROC回归里，或者把几个指标的AUC直接做个平均，这事就完了。根本不是这么回事。
ROC曲线本质上刻画的是一个“连续型判据”在所有可能截断值下的灵敏度和特异度表现。单个指标本身自带一套数值，所以我们可以不经过任何处理就直接画ROC。但换成多个指标时，问题就来了：这些指标的单位不一样、方向不一样（有的越高越危险，有的越低越危险）、权重也不一样，你不能把NT-proBNP的数值和eGFR的数值直接捏在一起算平均。这时候就需要一个能将多维度信息压缩成一个单一判据的模型，而Logistic回归在这里扮演的正是这个“数据融合器”的角色。
Logistic回归把每一个指标都乘以一个回归系数，加上截距，然后通过Logit变换，最终输出一个介于0到1之间的预测概率。这个概率值的含义是：给定这些指标的组合，研究对象属于“阳性/患病/事件组”的概率有多大。这个概率天然就是一个连续的判据，可以直接丢进ROC分析。所以说，顺序一定是先算概率、再画ROC，而不是直接拿原始变量去做所谓的“多指标ROC”。
1.2 SPSS实现联合诊断的经典路径
SPSS不需要编程，菜单操作就能完成整个流程。根据我自己的使用经验，整个联合诊断分析可以拆成五个核心步骤：
- 数据准备与预处理，把结局变量和指标变量结构整理规范。
- 跑二元Logistic回归，在Save选项里勾选Predicted probabilities，生成一个新的预测概率变量。
- 以预测概率为检验变量、以结局为状态变量，绘制ROC曲线。
- 把联合模型的AUC和各单指标的AUC对比，确认联合诊断的增益是否显著。
- 确定最佳截断值，计算联合模型在该截断值下的灵敏度、特异度、约登指数，为临床报告提供参考界值。
这五步是整个分析的主干，也是下面要逐一拆解的内容。有一个细节我提前说明：如果你用SPSS 26及以上版本，菜单是Analyze → ROC Curve，版本之间差异不大；如果你用的是汉化版，选项名称略有翻译差异，但对准英文菜单项的位置一样，不影响操作。
2. 第1步：数据准备与预处理，别急着跑分析
2.1 数据结构的规范化要求
我在帮学生改论文时见过太多因为数据结构错乱导致分析结果完全没法用的案例。ROC分析对数据格式的要求其实非常明确：一行一个研究对象，这是铁律。每一列对应一个变量，至少需要一个结局变量（0和1编码）和至少一个待评价的指标变量。
结局变量的编码必须严格是二分类，0代表阴性/对照组/非事件组，1代表阳性/病例组/事件组。有些原始数据里用的是1和2来表示组别（比如1=对照组，2=病例组），这种格式跑Logistic回归或者ROC曲线时非常容易出问题。SPSS里最省事的做法是直接用Recode into Different Variables，把组别变量重新编码成0和1，千万不要覆盖原始变量，否则后面一旦想核对原数据就找不回来了。
指标变量可以是连续变量，也可以是等级变量。如果是连续变量，我建议先做一个正态性检验，但不需要因为在非正态分布就强行转换，因为Logistic回归本身对自变量分布没有严格的正态性假设。唯一的风险是极端异常值，这一点下面单独说。
2.2 异常值与缺失值的处理
联合诊断研究中最让人头疼的不是统计方法选错，而是数据质量本身。对于极端异常值，比如某个指标的值偏离了临床合理范围好几个数量级，这种值会严重影响Logistic回归的系数估计。我的习惯是先用Explore功能画箱线图，看一下每个指标变量是否有明显离群点；发现可疑值后回到原始记录核实，能修正就修正，确实属于录入错误且无法追踪的，在敏感性分析中剔除后重新跑一遍，看结论是否稳健。
缺失值处理同样关键。SPSS默认在Logistic回归中会将含有缺失值的个案整体排除（listwise deletion），如果你的缺失比例超过5%，这样处理会比较浪费样本。可以考虑用多重插补（Multiple Imputation）填充后再进行分析，SPSS里有现成的模块。不过我必须提醒一句：如果是小样本研究，多重插补可能引入额外的模型不确定性，我一般会做一个对比，即完整个案分析和插补后分析的结果方向一致，才会在论文里放心报告。
2.3 样本量需要多大才够用
关于样本量，有一个常用的经验法则叫EPV（Events Per Variable，每个自变量的事件数）。简单说，就是你要保证“阳性事件数”和“自变量个数”的比值至少达到10:1。比如你有4个指标要做联合诊断，那么事件组至少要40例，普通情况下总样本量最好在事件组40例、对照组40例以上。低于这个标准时，Logistic回归的系数估计会很不稳定，生成的预测概率也会过拟合，导致ROC曲线看起来特别漂亮，但换个数据集就崩盘。
这个经验值我强调过无数次，因为它在实际操作中非常容易被忽略。有些初学者拿30例的总样本、10个指标跑联合诊断，最后AUC跑到0.95，但结果一点说服力都没有。审稿人或统计学家看到EPV低于10的模型，第一反应就是怀疑结果的可重复性。所以，跑分析之前务必先数一下事件组和控制组的样本量。
3. 第2步：用Logistic回归“合成”联合预测值
3.1 Logistic回归在这里到底起什么作用
先打个比方。假如你现在要判断一个患者是否有某种疾病，你手头有化验单上的三个指标：A指标、B指标、C指标。这三个指标就像三个评委，有的评委水平高一些（权重高），有的评委水平低一些（权重低），有的评委喜欢打高分（方向正向），有的评委打分规则反着来（方向负向）。你不可能让三个评委轮流说话然后举手表决，更合理的办法是设定一套加权规则，把三个人的意见综合成一个总分。这套加权规则在Logistic回归里就是各变量的回归系数，而最后的总分经过转换就变成了预测概率。
预测概率的取值范围在0到1之间，它比原始指标更干净，因为它已经把方向统一了：预测概率越大，表示患病或事件发生的可能性越大。这就给ROC分析提供了一个方向一致、量纲统一的判据。
3.2 SPSS操作：Binary Logistic参数设置
具体操作路径如下：
- 菜单栏选择 Analyze → Regression → Binary Logistic。
- 把结局变量（0/1编码）放入 Dependent 框。
- 把要联合的指标变量全部放入 Covariates 框。
- Method 选项，我建议用 Enter（强行进入法）。当你已经有明确的临床假设，确定这几个指标都必须进入模型时，不要用逐步回归，让所有的变量都保留在模型中即可。逐步回归用于探索性分析是可以的，但在联合诊断这个场景下，你的目的不是筛选变量，而是获取一个完整的预测概率，所以Enter法是更稳妥的选择。
- 点击 Save 按钮，勾选 Probabilities（预测概率），SPSS会生成一个新变量 PRE_1。
- 点击 Options 按钮，勾选 CI for exp(B)（默认就是勾选状态），这样结果里会输出OR值的95%置信区间，可以在论文报告中使用。
- 运行回归，先不要急着看变量筛选结果。
这里有一个操作细节：如果某个指标变量是多分类（例如疾病分期I、II、III期），你要提前把它设置成哑变量，SPSS里可以用Categorical按钮来指定参考类别。如果你忽略这一点，直接把多分类变量作为连续变量丢进Covariates，会被默认为线性效应，这可能会掩盖真实的剂量反应关系。
3.3 结果输出中要重点看什么
Logistic回归的输出结果里，有几个部分值得重点关注。
Omnibus Tests of Model Coefficients：这个表格检验的是“加入了这些指标之后，模型是否比只含截距的模型更有预测力”。如果p值小于0.05，说明整体模型有意义。但注意，这个p值只能说明模型整体上有统计学意义，不能说明每个指标都有效。
Variables in the Equation：这里列出了每个变量的回归系数B、Wald检验p值、OR值和OR的95%CI。OR值解释为：在控制其他指标后，该指标每增加一个单位，事件发生概率的倍数变化。如果p值大于0.05，不一定代表这个指标没有诊断价值，它可能与其他指标存在共线性或者信息重叠。此时不要急着删变量，因为后续我们要的是预测概率，而不是单变量的显著性检验。
关于共线性，SPSS的Logistic回归不直接输出VIF（方差膨胀因子），我的做法是先用Linear Regression跑一遍，在Statistics里勾选Collinearity diagnostics，看VIF是否超过5。如果有两个指标的VIF很高（例如大于10），意味着它们携带了高度重叠的信息，你可以考虑删掉其中一个，或者用主成分分析做降维后再进入模型。不过这种情况在临床指标中不太常见，通常遇到的还是中度相关。
还有一个细节：Save里生成的PRE_1，在数据集最后一列可以看到。这个变量名在不同的SPSS版本里可能有细微差异（PRE_1、PRE_2等），建议在Variable View里把它重命名成容易识别的名字，比如PredProb。
4. 第3步：用预测概率绘制联合模型的ROC曲线
4.1 ROC曲线对数据格式的要求
打开Analyze → ROC Curve之后，界面看起来很简单，但有几个选项千万别勾错。
状态变量（State Variable）必须放结局变量，而且下方的State Value必须填1。这一步的含义是：SPSS要去计算“结局=1”那一组相比“结局=0”那一组在检验变量上的区分度。如果你忘了填State Value或者填了0，出来的曲线就是反的，AUC可能小于0.5，这时候很多人会以为自己做错了，其实只是状态值设反了。
检验变量（Test Variable）可以同时放入多个变量，SPSS会在一张图里绘制多条ROC曲线，非常方便。在这里，你可以把第2步生成的PRE_1和原始指标一起放进去，这样就能直接在同一张图里比较联合模型与单个指标的ROC曲线。
方向性这个事我再强调一下：ROC曲线假设检验变量值越大，越倾向于归为阳性组。如果某个指标是“越低越危险”的类型（比如eGFR，越低说明肾功能越差），SPSS在绘制ROC曲线时会自动处理方向，但解读时你需要注意。更严谨的做法是在跑ROC前，先做一个简单的独立样本t检验或Mann-Whitney U检验，确认这个指标在两组间的分布方向是否符合预期。如果方向反了，要么反转变量，要么在结果中特别说明。
4.2 SPSS操作：ROC曲线参数设置
操作路径就两步：
- 菜单栏选择 Analyze → ROC Curve。
- 把结局变量放入 State Variable，设置State Value为1；把PRE_1和所有待比较的指标放入 Test Variable。
- 勾选 With confidence interval（输出AUC的95%置信区间）和 ROC Reference Line（图中显示对角线，即AUC=0.5的参考线）。
- 对于输出详细坐标点，需要点击 Options，再勾选 Coordinate points of the ROC Curve（各截断值对应的灵敏度和特异度），这个选项对后续确定最佳截断值非常关键。
这里有一个容易忽略的坑：如果你希望ROC曲线的X轴是“1-特异度”（这是默认），不需要额外设置；但有些领域习惯用“特异度”作为横轴，这时需要点击Options并在分类标准里调整。绝大多数论文用的是1-特异度，所以保持默认即可。
4.3 结果解读：AUC、灵敏度、特异度
运行后，SPSS会在Output Viewer中输出一个Area Under the Curve表格，其中包括每个检验变量的AUC、标准误、渐进显著性p值（用于检验AUC是否等于0.5），以及95%置信区间。
解读标准如下：
- AUC接近1：诊断价值很高。
- AUC在0.7到0.9之间：中等诊断价值，临床上一般可接受。
- AUC在0.5到0.7之间：诊断价值偏低。
- AUC接近0.5：基本没有诊断价值。
- 如果AUC的95%置信区间包含0.5，说明该指标的诊断能力可能与随机猜测无异。
这里我要说一个常见的误读：AUC小于0.5不代表反向诊断。ROC曲线默认是“高值预测阳性”，如果你的指标在疾病组反而偏低，AUC就会小于0.5，这时候只要把方向反过来（比如把变量取负值，或者用1减去该变量），AUC就大于0.5了。但在临床报告中最好如实描述“该指标呈负向关联”，不要硬性反转。
联合模型（PRE_1）的AUC通常会比任何一个单一指标的AUC都高。这并不意外，因为模型本身就是在样本内拟合出来的。真正要小心的是，如果样本人群偏小、指标个数偏多，联合模型的AUC会有过度乐观的倾向。后续需要做内部验证（比如Bootstrap校正）来校正乐观度，不过SPSS做Bootstrap校正比较麻烦，我通常只用它做初步分析，正式报告时会用R的pROC包补充验证。这个话题在第7节还会展开。
5. 第4步：单指标与联合模型AUC的对比
5.1 为什么要做比较
联合诊断不是做出来就完了，你必须向读者证明“联合之后确实比单个指标更好”。如果你的联合模型AUC是0.85，而其中某个单指标AUC是0.84，那联合的意义就非常有限。如果联合模型的AUC是0.88，单指标最高才0.80，这就说明联合诊断明显提升了区分能力。
好消息是，SPSS可以把这些AUC直接放在同一个表格里输出。坏消息是，SPSS本身不会自动输出AUC两两比较的p值，也就是Delong检验。很多人在这一步卡住了，因为直接报告AUC的差异但没有p值，审稿人通常会提出意见。
5.2 SPSS中Delong检验的实现
Delong检验是一种专门用来比较两个相关ROC曲线AUC差异的方法。所谓“相关”，是因为这些ROC曲线往往来自同一个样本、同一个结局变量，只是检验变量不同（比如PRE_1和单指标A），所以它们不是独立样本，不能用普通的Z检验。
SPSS没有内置Delong检验，但这不影响你完成分析。我常用的做法有两种：
第一种，在MedCalc软件中重新导入数据并运行ROC比较。MedCalc的ROC分析模块非常成熟，直接可以输出两两比较的AUC差异和p值。但MedCalc是付费软件，如果没装的话需要走第二种方案。
第二种，用R语言跑Delong检验。只用几行代码就能完成，不需要额外安装太多包。
下面是一个基于R的示例代码，使用的是pROC包：
# 安装并加载pROC包 install.packages("pROC") library(pROC) # 读取数据，假设data.csv中有：group列（0/1）、indicator1、indicator2、indicator3、pred_prob（预测概率） data <- read.csv("data.csv") # 分别为联合模型和每个单指标构建ROC对象 roc_comb <- roc(data$group, data$pred_prob, levels = c(0, 1), direction = "<") roc_ind1 <- roc(data$group, data$indicator1, levels = c(0, 1), direction = "<") roc_ind2 <- roc(data$group, data$indicator2, levels = c(0, 1), direction = "<") # Delong检验：比较联合模型 vs 指标1 roc.test(roc_comb, roc_ind1, method = "delong") # 比较联合模型 vs 指标2 roc.test(roc_comb, roc_ind2, method = "delong")代码里有个细节需要注意：direction参数设置成"<"，意思是“数值越大，越可能是阳性组”。如果你的指标方向是反的，需要相应调整。
如果你不会R，也可以用SPSS的Bootstrap来近似检验AUC差异的置信区间。方法是Analyze → ROC Curve后，在Options里勾选Bootstrap，这会输出AUC的Bootstrap置信区间。如果联合模型AUC的Bootstrap置信区间与单指标AUC的置信区间没有重叠，可以间接说明差异有统计学意义。但这个办法比较粗糙，不如Delong检验直接。
5.3 关于灵敏度特异度比较的补充
AUC是从整体上衡量诊断价值，但临床医生更关心的是具体截断值下的灵敏度和特异度。两个指标可能AUC差不多，但在某个截断值下的灵敏度差异很大，这个信息AUC是体现不出来的。所以在论文报告时，建议除了报告AUC比较，还要报告最佳截断值下的灵敏度、特异度差异，并用McNemar检验对配对二分类结果进行比较。McNemar检验在SPSS里没有直接的菜单入口，但可以用交叉表配合Exact功能实现，或者用R的mcnemar.test函数。这一块属于进阶内容，本科论文阶段可以先不做，但如果是投SCI期刊，大概率会被问到。
我自己在实际操作中建议的顺序是：先用SPSS完成全部分析，拿到AUC对比和截断值结果，再用R或MedCalc补一个Delong检验的p值。这样既保证了分析流程的完整性，又能在方法学上站稳脚跟。
6. 第5步：确定最佳截断值以及临床参考界值
6.1 约登指数的计算方法
ROC曲线绘制出来只是第一步，更实际的临床问题是：这个联合诊断模型应该用哪个数值作为阳性判断的界值？如果你的预测概率大于某个阈值，就判定为阳性；小于这个阈值，就判定为阴性。这个阈值就是截断值（cut-off value）。
最常用的选择标准是约登指数（Youden's Index），公式为：
约登指数 = 灵敏度 + 特异度 - 1
约登指数的取值范围在0到1之间，值越大说明在该截断值下兼顾灵敏度与特异度的综合表现越好。实际操作中，我们会计算每一个可能的截断值对应的约登指数，然后取最大值对应的截断值作为最佳界值。
6.2 如何在SPSS中获取不同截断值对应的灵敏度与特异度
在绘制ROC曲线时，如果你勾选了Coordinate points of the ROC Curve，SPSS会在输出中生成一个很大的表格，里面列出了每一个可能的截断值对应的“敏感性”（灵敏度）和“1-特异性”（1-特异度）。
拿到这个表格后的操作是：新增一列计算约登指数，即灵敏度减去（1-特异度），数值上等价于灵敏度+特异度-1。找到最大值所在行，那一行对应的检验变量值就是最佳截断值。
举个例子，假设表格中某一行显示截断值为0.732，灵敏度为0.82，1-特异度为0.13，那么特异度就是0.87，约登指数是0.82+0.87-1=0.69。如果这是所有行中约登指数的最大值，那么0.732就是联合模型的最佳截断值。
不过我建议输出最佳截断值后，再补充一个临床可行性判断。约登指数最大化是一个纯统计学标准，它不考虑临床代价。比如，如果错过一个患者的代价极大（例如某种致死性疾病的漏诊），那么你可能更倾向于选择灵敏度更高、特异度稍低的截断值，这时候就要根据临床场景灵活调整，而不是死守约登指数。
6.3 报告规范与论文写作建议
在论文的方法学部分，联合诊断分析的写作套路一般如下：
- 描述研究对象与分组情况，报告事件组和对照组的例数。
- 说明采用二元Logistic回归计算联合预测概率，模型包括哪些指标。
- 说明以预测概率为检验变量绘制ROC曲线，计算AUC及其95%置信区间。
- 说明采用Delong检验比较联合模型与单指标AUC的差异。
- 说明以约登指数最大化确定最佳截断值，并报告该截断值下的灵敏度、特异度。
结果部分常做的表格形式是：
| 模型 | AUC | 95%CI | 灵敏度 | 特异度 | 约登指数 | 最佳截断值 |
|---|---|---|---|---|---|---|
| 指标A | 0.763 | 0.682-0.844 | 0.75 | 0.70 | 0.45 | 12.5 |
| 指标B | 0.718 | 0.632-0.804 | 0.68 | 0.66 | 0.34 | 8.2 |
| 联合模型 | 0.865 | 0.798-0.932 | 0.82 | 0.87 | 0.69 | 0.732 |
表格里放到联合模型这一行时，一定要在表格下方加一行注释说明联合模型的最佳截断值是在预测概率（PRE_1）层面确定的，不是一个临床可直接测量的原始指标值，在临床使用时需要先通过Logistic回归方程计算出预测概率再与截断值比较。
这一点很多人会忽略，导致后续读到论文的临床医生不知道该怎么应用。我做联合诊断项目时一般会额外提供一个Excel工具表，把Logistic回归的常数项和各变量系数填进去，自动计算预测概率，这样临床科室才能真正用起来，而不是停留在论文层面。
7. 实战中经常踩的坑与排查技巧
7.1 高频问题速查表
| 问题 | 常见原因 | 解决建议 |
|---|---|---|
| AUC小于0.5 | 状态变量State Value填错或方向反了 | 检查State Value是否为1；确认指标方向是否“高值对应阳性” |
| ROC曲线只有少数几个点，不光滑 | 检验变量是分类变量或SPSS内部的截断值分组太少 | 检查指标是否误设为字符串或名义变量；确认数据是否有大量重复值 |
| 无法生成PRE_1变量 | Save选项中未勾选Probabilities | 重新运行Logistic回归，在Save中勾选Probabilities |
| Logistic回归出现警告“There are ... quasi-complete separation” | 某一个指标完美预测了结局 | 检查是否存在极端值、分组是否完全可分离；考虑使用Firth惩罚回归 |
| 联合模型AUC过高（>0.99） | 模型过拟合或数据存在泄漏 | 核查建模流程，确保预测概率没有用到未来信息；使用交叉验证或Bootstrap校正 |
| 单指标AUC与报告文献差异大 | 纳入人群不同、疾病谱构成不同、样本量小 | 与文献对比人群基线特征，考虑是否需按亚组分析 |
7.2 几个容易忽略的细节
第1个细节：预测概率变量参与单因素分析时的“悖论”
联合诊断和单因素回归分析有一个逻辑衔接问题：你可能在基线表格里看到指标A在两组间没有统计学差异（p>0.05），因此不敢把它放进Logistic回归。这个想法有一定道理，但也不是绝对的。单因素分析没有差异，可能是因为该指标的作用需要与其他指标联合才能体现，也可能是协变量干扰。我的建议是：先用有临床依据的变量集合建模，再参考统计分析结果调整，不要唯p值论。
第2个细节：ROC曲线生成后要检查图形中参考线的位置
参考线是左下角到右上角的对角线，代表AUC=0.5。如果模型曲线明显在对角线下方，说明方向反了。这种情况在临床数据中时有发生，尤其是那些“越低越危险”的指标混在一起时最容易出现。检查方式是在结果表格中看AUC是否大于0.5，也可以直接看曲线位置。
第3个细节：Bootstrap校正可能是你省不掉的流程
如果你准备投高质量期刊，样本量又不够大（比如事件组只有40例），我强烈建议做Bootstrap内部验证。方法是在R中调用pROC包的auc函数的参数，或者用SPSS的Bootstrap选项。校正后的AUC通常会比原始AUC低0.02到0.08，这个校正值在报告时会更有说服力。R代码也很简单：
set.seed(123) result <- boot(data, function(data, indices) { d <- data[indices, ] roc_obj <- roc(d$group, d$pred_prob, levels = c(0, 1), direction = "<", quiet = TRUE) return(auc(roc_obj)) }, R = 1000) boot.ci(result, type = "perc")这段代码会输出AUC的Bootstrap置信区间，比SPSS输出的基于正态近似的置信区间更稳健。
第4个细节：指数级增长的Menus可视化技巧
SPSS的ROC Curve界面里有一个“With diagonal reference line”选项，建议勾选上。如果你不放参考线，审稿人可能看不出来曲线相对随机水平线的位置，也会影响图的美观度。图形输出后，我一般会双击图表，把线条加粗、X轴和Y轴标签改成中文或英文全称，导出为TIFF或PNG格式，分辨率至少300dpi，这样放到论文里才不会糊。
第5个细节：Logistic回归中分类变量的编码会影响截断值
如果你把多分类变量通过哑变量方式放入模型，预测概率方程会变得更加复杂。在报告最佳截断值时，一定要说明预测概率是在什么变量编码体系下产生的。把哑变量编码表附在补充材料里，可以免去很多后续麻烦。
8. 我个人在这套流程里踩过的一些体会
联合诊断的ROC曲线分析，乍一看就是“点两下菜单”的事情，但实操过程中真正花时间的不是SPSS的操作，而是数据准备和对结果的理解。我从第一次做联合诊断到现在，最大的体会有三点。
第一，不要迷信AUC的绝对数值。联合模型的AUC比单指标高是正常现象，但高出来的幅度是否具有临床意义，需要结合研究背景去判断。一个AUC从0.75提升到0.77的联合模型，可能并不值得你在临床上增加检测成本。反过来，如果联合模型能把灵敏度从0.60提升到0.85，即使AUC只提高了0.05，在需要优先排除高危患者的场景下也是很有价值的。
第二，约登指数只是参考，不是决定。最佳截断值的最终选择，一定要回到临床场景里重新校验。一个预测概率0.85以上的联合模型判定为阳性，听起来很好，但如果目标疾病在人群中的患病率只有5%，这个截断值对应的阳性预测值可能仍然偏低。诊断试验的评价里，AUC固然重要，但阳性预测值、阴性预测值、患病率这些因素都不能脱离临床背景空谈。
第三，尽早规划验证集。如果你手头还有另一批独立的验证人群数据，哪怕样本量小一些，也比做Bootstrap内部验证更有说服力。用训练集确定模型和截断值，再用验证集评价模型的区分度和校准度，这才是联合诊断研究比较扎实的路径。如果暂时没有独立验证集，至少要在论文的局限性部分承认这一点，建议后续研究开展外部验证。
最后再分享一个小技巧：在SPSS里做完Logistic回归生成PRE_1之后，顺手做一次校准图。SPSS虽然没有专门画校准曲线的模块，但你可以用Analyze → Descriptive Statistics → Crosstabs，将预测概率按十分位分组，交叉表对比预测事件数和实际事件数，绘制散点图。这个图的临床意义非常大，因为一个AUC高但校准差的模型，在临床决策中可能会误导医生。联合诊断的最终目的不是让曲线漂亮，而是让临床决策更准确。数据准备越扎实、模型验证越充分，你的分析结果就越经得起推敲。
