Likelihood-based Nonparametric Receiver Operating Characteristic Curve Analysis in the Presence of Imperfect Reference Standard
针对诊断研究中不完美参考标准导致ROC曲线分析偏差的问题，提出非参数密度比模型下基于似然的新方法，通过期望最大化算法实现可靠估计，模拟显示其估计误差更小且已应用于疟疾研究。
2025-02-12 stat.ME
Receiver Operating Characteristic (ROC) Curves
受试者工作特征（ROC）曲线被广泛用于评估协变量、标记或特征作为二元问题中的潜在预测因子。我们区分原始ROC诊断和ROC曲线，阐明ROC曲线的解释和建模的特殊作用，并建立ROC曲线和累积分布函数（CDF）之间的等价性。这些结果支持ROC曲线的统计建模中的范式的微妙转变，我们将其视为曲线拟合。我们介绍了灵活的两个参数的贝塔家庭拟合CDF的经验ROC曲线，推导出大样本分布的最小距离估计，并提供软件在R估计和测试，包括渐近和蒙特卡罗为基础的推理。在一系列的经验例子中，β族及其三参数和四参数分支允许直边比经典的副正态模型拟合得更好，特别是在拟合曲线是凹的重要约束下。
2018-09-13 stat.ME
Receiver operating characteristic curve analysis with non-ignorable missing disease status
针对疾病状态存在不可忽略缺失的医疗数据，本文在逻辑回归框架下确立模型参数可识别性，提出似然估计方法获取模型参数、ROC曲线及AUC并推导其渐近分布，通过模拟验证方法性能并应用于实际数据集。
2024-11-26 stat.ME
Bias-corrected methods for estimating the receiver operating characteristic surface of continuous diagnostic tests
针对三分类疾病状态下连续诊断测试评估中的验证偏差问题，本文提出了ROC曲面及其曲面下体积的验证偏差校正估计量，证明了其一致性与渐近正态性，并通过模拟研究和实例验证了方法的有效性。
2016-06-01 stat.ME
A semiparametric approach for the estimation of covariate-adjusted area under the receiver operating characteristic curve
The George Washington University（乔治华盛顿大学）；Georgetown University（乔治城大学）
本研究针对临床中生物标志物判别性能的协变量异质性问题，提出基于广义加性模型的半参数框架估计协变量调整的AUC，通过模拟和ADNI数据验证了方法的有效性。
2026-08-17 stat.ME
Neural Posterior Estimation for Spatial Individual-Level Epidemic Models
University of Calgary（卡尔加里大学）
针对空间个体级流行病模型，提出使用神经后验估计（NPE）进行摊销贝叶斯推断，通过条件归一化流直接近似后验，避免推断时的似然计算，并比较了两种嵌入架构，其中图神经网络（GNN）嵌入在空间传播参数上误差更低且置信区间更窄。
2026-10-21 stat.CO
Revisiting sample size planning for receiver operating characteristic studies: a confidence interval approach with precision and assurance
目的：受试者工作特征曲线（AUC）下面积及其差值的估计是诊断研究中的一项关键任务。我们的目的是推导、评估和实施简单的样本量公式，用于此类研究，重点是估计而不是假设检验。材料与方法：通过明确纳入预先规定的精密度和保证度来开发样本量公式，精密度表示为置信区间的下限，保证度表示为达到该下限的概率。提出了一种新的方差函数，允许疾病和非疾病组的观测值的方差不等的有效估计。通过仿真对所提公式的性能进行了评价。结果：得到了封闭形式的样本量公式。仿真结果表明，所提出的公式产生的经验保证概率接近预先指定的保证概率和经验覆盖概率接近标称的95%。为了说明，给出了真实世界的工作实例。结论：基于AUC估计及其差异，建立了样本量公式。仿真结果表明，良好的性能，达到预定的精度和保证概率。一个用于实现所提出的公式的在线计算器可以在https://dishu.page/calculator/上公开获得。
2022-08-02 stat.ME
Neyman-Pearson (NP) classification algorithms and NP receiver operating characteristics (NP-ROC)
在诸如疾病诊断和垃圾邮件检测的许多二进制分类应用中，从业者经常面临控制第一类错误（即，将类别0观测误分类为类别1的条件概率），使得其保持低于期望阈值。为了解决这一需求，Neyman-Pearson（NP）分类范式是自然的选择;它最小化了第二类错误（即，将类别1观测误分类为类别0的条件概率），同时对第一类错误实施上限$α$。虽然NP范式在假设检验中已有百年的历史，但它在分类方案中并没有得到很好的认识和实施。直接将经验第一类错误限制为不超过$α$的常见实践不满足第一类错误控制目标，因为所得分类器仍然可能具有比$α$大得多的第一类错误。因此，NP范式在实践中并未在许多分类场景中正确实现。在这项工作中，我们开发了第一个伞算法，实现NP范式的所有评分类型的分类方法，包括流行的方法，如逻辑斯谛回归，支持向量机和随机森林。由这个伞形算法的动力，我们提出了一种新的图形工具NP分类方法：NP接收器工作特征（NP-ROC）带，受欢迎的接收器工作特征（ROC）曲线。NP-ROC谱带将有助于以数据自适应的方式选择$α$并比较不同的NP分类器。我们通过模拟和真实数据案例研究，展示了R包nproc中的NP伞算法和NP-ROC带的使用和属性。
2017-09-27 stat.ME
Nonparametric worst-case bounds for publication bias on the summary receiver operating characteristic curve
本文提出一种新的敏感性分析方法，在最小假设下采用非参数选择函数推导 SROC 曲线的最坏情况界限，以量化发表偏差，并通过现实荟萃分析证明其能有效评估诊断测试结果的稳健性。
2024-01-10 stat.ME
Modelling Receiver Operating Characteristic Curves Using Gaussian Mixtures
受试者工作特征曲线广泛应用于诊断试验性能的测量。已经提出了许多直接和间接的方法来建模ROC曲线，并且由于其易处理性，高斯分布通常用于建模两个群体。我们建议使用高斯混合模型，导致一个更灵活的方法，更好地解释非典型数据。蒙特卡罗模拟用于规避缺少封闭形式的问题。我们表明，我们的方法表现良好，相比，原油副法向曲线和半参数频率主义副法向ROC使用著名的LABROC程序。
2014-06-05 stat.AP stat.CO stat.ME
An overview of methods for receiver operating characteristic analysis, with an application to SARS-CoV-2 vaccine-induced humoral responses in solid organ transplant recipients
本文概述了ROC曲线估计的参数化与半参数化框架，通过模拟展示偏差-方差权衡，并以实体器官移植受者与健康对照的SARS-CoV-2疫苗反应数据为例提供R代码实现指导。
2024-07-31 stat.ME
Semiparametric Receiver Operating Characteristic Analysis in the Presence of an Imperfect Reference Standard via a Box-Cox Density Ratio Model
University of Waterloo（滑铁卢大学）
针对不完美参考标准下的ROC分析，提出基于Box-Cox密度比模型的半参数方法，自动估计变换参数，结合经验似然和EM算法，实现准确稳定的估计与推断。
2026-09-28 stat.ME
Bayesian Posterior Interval Calibration to Improve the Interpretability of Observational Studies
本文提出一种基于贝叶斯统计的后验区间校准方法，利用阴性和阳性对照校正观察性研究中的系统误差，使置信区间和p值恢复名义特性，从而提升观察性研究的可解释性。
2024-05-01 stat.AP
Bayesian Multi-Topology Express Transportation Network Design under Posterior Predictive Demand, Sorting-Efficiency and Delivery-Time Uncertainty
Visva-Bharati University（维斯瓦·巴拉蒂大学）
本文提出基于后验预测的贝叶斯多拓扑快递网络设计方法，通过学习需求和不确定性，优化成本与可靠性，在小幅额外成本下显著降低尾部交付风险并提升枢纽可靠性。
2026-05-07 stat.OT
How Many Posterior Samples? Calibrated Stopping for Adaptive Sensing
Mitsubishi Electric R&D Centre Europe（三菱电机欧洲研发中心）
针对自适应感知中的停止问题，本文校准固定样本和序贯规则以控制错误声明概率，并证明截断可节省高达62%的后验样本，序贯停止在匹配工作点下成本最低。
2026-10-01 cs.CV eess.SP stat.ML
Conservative Software Reliability Assessments Using Collections of Bayesian Inference Problems
本文通过贝叶斯推断问题集合确定软件无故障运行的最坏情况后验预测概率，推导其渐近性质并应用于安全关键软件评估，扩展了稳健与保守贝叶斯推断方法。
2025-11-10 cs.SE stat.AP
Nonparametric Covariate Adjustment for Receiver Operating Characteristic Curves
诊断测试的准确性通常使用受试者工作特征（ROC）曲线来表征。ROC曲线下面积（AUC）等总结指标用于比较不同的测试以及测量两个人群之间的差异。通常可以获得关于已知会影响此类测量准确性的某些协变量的额外信息。我们提出了非参数方法的协变量调整的AUC。分别讨论和分析了具有正态误差和非正态误差的模型。非参数回归用于估计这两种情况下的均值和方差函数。在一般的噪声情况下，我们提出了一个协变量调整的曼-惠特尼估计AUC估计，有效地利用现有的数据来构建工作样本在任何协变量值的兴趣，是计算效率的实施。这提供了一个概括的曼-惠特尼方法比较两个群体考虑协变量的影响。我们推导了AUC估计在这两种情况下的渐近性质，包括渐近正态性、最优强一致收敛速度和均方误差一致性。所提出的方法的实用性证明通过模拟和真实数据的例子。
2009-05-04 math.ST stat.ME stat.TH
Receiver operating characteristic (ROC) movies, universal ROC (UROC) curves, and coefficient of predictive ability (CPA)
Heidelberg Institute for Theoretical Studies (HITS)（海德堡理论研究所）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
在整个科学和技术中，受试者工作特征（ROC）曲线和相关的曲线下面积（AUC）测量构成了评估二元分类问题中特征、标记和测试的预测能力的强大工具。尽管ROC分析非常受欢迎，但它受到一个基本限制，即它仅适用于二分（是或否）结果。在这里，我们介绍了ROC电影和通用ROC（UROC）曲线，适用于任何线性排序的结果，以及相关的预测能力系数（CPA）测量。CPA等于UROC曲线下的面积，并承认在概率和基于秩的协方差方面有吸引力的解释。对于二元结果，CPA等于AUC，对于成对不同的结果，CPA与斯皮尔曼系数线性相关，就像C指数与肯德尔系数线性相关一样。ROC电影、UROC曲线和CPA嵌套并概括了经典ROC分析的工具，并且在大量的应用中必然会取代它们。它们的使用在生物医学和气象学的数据示例中得到了说明，其中基于秩的度量在WeatherBench比较卷积神经网络和物理数值模型的预测性能中产生了新的见解。
2021-06-24 cs.LG stat.ME stat.ML
Non-Transitivity of the Win Ratio and the Area Under the Receiver Operating Characteristics Curve (AUC): a case for evaluating the strength of stochastic comparisons
本文研究了胜率和AUC在随机对照试验中的非传递性行为，指出了其传递性成立的充要条件，并通过真实试验数据论证了检验和报告非传递性对于评估随机比较强度的重要性。
2023-09-11 cs.PF econ.EM math.ST
Resilience family of receiver operating characteristic curves
提出了一种新的基于弹性族或比例反向风险族的ROC曲线半参数模型，它是现有模型的一种替代。得到的ROC曲线及其汇总指标（如曲线下面积（AUC）和Youden指数）具有简单的分析形式。采用部分似然法估计ROC曲线。此外，ROC曲线的弹性家族的估计方法已经开发的基础上AUC估计，利用Mann-Whitney统计和Rojo方法。已经进行了模拟研究，以评估所有考虑估计的性能。从美国国家健康和营养调查（NHANES）的真实数据进行了详细分析，建议的模型和通常的副正态模型在文献中流行的基础上。还分析了脑损伤相关生物标志物背景下的真实数据，以将我们的模型与Lehmann家族的ROC曲线进行比较。最后，我们表明，所提出的模型可能是适用于在错误的情况下，通过杜舍姆肌营养不良症的数据。
2022-03-24 math.ST stat.ME stat.TH
ROCnReg: An R Package for Receiver Operating Characteristic Curve Inference with and without Covariate Information
受试者工作特征（ROC）曲线是最常用的工具，用于评估在区分两种替代疾病状态（例如，患病和未患病）时在连续标度上测量的诊断测试/生物标志物的区分能力。在某些情况下，测试的性能和它的区分能力可能会有所不同，根据受试者的具体特点或不同的测试设置。在这种情况下，需要特定于信息的准确性测量，例如协变量特定和协变量调整的ROC曲线，因为忽略协变量信息可能会导致偏倚或错误的结果。本文介绍了R软件包ROCnReg，它允许通过不同的方法，从（半）参数和非参数的角度以及贝叶斯和频率主义范式估计合并（未调整）ROC曲线，协变量特定ROC曲线和协变量调整的ROC曲线。从估计的ROC曲线（合并的、协变量特异性的或协变量调整的），可以获得几个准确性的汇总测量，例如ROC曲线下的（部分）面积和Youden指数。该软件包还提供了使用几个标准（即，约登指数标准和为假阳性分数设置目标值的标准）来获得基于ROC的最佳阈值的功能。对于贝叶斯方法，我们提供了通过后验预测检查评估模型拟合的工具，而模型选择可以通过几个信息标准进行。为所有方法提供数值和图形输出。该软件包是通过内分泌研究的数据分析，其目的是评估身体质量指数的能力，以检测是否存在心血管疾病的风险因素。该软件包可在https://CRAN.R-project.org/package=ROCnReg上从CRAN获得。
2021-03-19 stat.AP stat.CO stat.ME
