1.
分析预测
首先准备好我们要使用的数据，如图1，这是一组关于癌症患者与非癌症人员的各项指标数据，我们需要通过分析，判断这些指标，是否能初步判断人员患上癌症的概率。
2.
第一步：点击“分析”菜单中的“回归”，选择“二元Logistic”，通过二元Logistic回归模型，用性别、年龄、BMI、是否吸烟和过往COPD病史，来计算人员患癌症的概率。
3.
在回归设置界面中，设置因变量为cancer，在块中加入除了cancer以外的其他指标，最后在方法中选择“向前：LR”方法，具体设置如图3。
4.
又因为在本组数据中，COPD是多分类变量，而不是简单的二分类，我们将COPD的程度，使用0到4进行表示，分别表示无、轻度、中度、重度。
因此我们需要点击上图3右侧的“分类”，自定义分类变量。在分类协变量中选择COPD，然后选择参考类别为“第一个”，点击“继续”。
5.
最后，点击“保存”按钮（非确定按钮），然后勾选上“预测值”中的“概率”，如图5，此时SPSS就会帮我们生成每条记录的癌症预测概率值。
6.
具体的预测值如图6，PRE_1就是SPSS自动生成的预测概率值。
7.
绘制ROC曲线
有了预测概率结果后，我们就可以利用ROC曲线，来分析这个预测结果的准确性。点击“分析”菜单，选择“分类”，点击“ROC曲线”，如图7。
8.
检验变量选择SPSS生成的“PRE_1”，下方的状态变量选择“cancer”，然后状态变量值设置为1，完成上述设置后点击“确定”，即可生成关于这2个预测和实际指标之间的ROC曲线。
9.
最后生成的结果见下图9，我们可通过观察ROC曲线下的面积，来判断预测准确性。
