ROC分析とは？AUCとカットオフの意味をやさしく解説

みなさん、こんにちは。スマート・アナリティクスの畠です。 「検査値やリスクスコアで陽性・陰性を見分けたいのですが、その『見分ける力』はどう評価すればよいのでしょうか？」「ロジスティック回帰で予測確率は出せたものの、当てはまりの良し悪しをどう示せばいいか分からない」——研究でデータを扱う方から、こうしたご相談をよくいただきます。そんなときに頼りになるのが、今回ご紹介するROC分析（receiver operating characteristic analysis）です。ROC分析は、連続的な値（スコア）で2つの状態（陽性／陰性）をどれだけうまく見分けられるかを、しきい値の選び方によらず評価する手法で、検査値・リスクスコア・ロジスティック回帰の予測確率などの判別性能を調べる場面で広く使われています。このページでは、感度と特異度の意味、ROC曲線がどう描かれるか、AUC（曲線下面積）の読み方、カットオフ値の決め方（Youden指数）、そして2つのモデルの比較までを、研究で使う知識として順番にやさしく解説していきます。

畠

畠 慎一郎 スマート・アナリティクス株式会社 代表取締役 統計解析ソフトの提供と分析のサポートを通じて、研究や学習でデータ分析につまずく場面をたくさん見てきました。このガイドでも、わかりにくいところをやさしく解説していきます。

ROC分析とは何か

ROC分析は、連続値（スコア）にカットオフ（しきい値）を設けて陽性／陰性を判定するとき、しきい値の選び方によらず判別性能の全体像をとらえる手法です。判定の境目をどこに置くかで、当たり方は変わります。

• カットオフを高くする——陽性と判定しにくくなります。見逃しは増えますが、誤って陽性とする誤り（誤陽性）は減ります。
• カットオフを低くする——陽性と判定しやすくなります。取りこぼしは減りますが、誤陽性は増えます。

このトレードオフを、あらゆるカットオフについて一望できるようにしたのがROC曲線であり、その全体的な性能を1つの数値に要約したのがAUCです。

感度と特異度

ROC分析の土台は、感度と特異度という2つの割合です。まずここを押さえます。

感度と特異度にはトレードオフがあります。一般に、感度を上げようとすると特異度が下がり、その逆も成り立ちます。どちらをどれだけ優先するかは、見逃しと誤陽性のどちらの代償が大きい研究文脈かによって変わります。

ROC曲線の描き方

ROC曲線は、カットオフを連続的に動かしながら、各しきい値での（1−特異度＝偽陽性率）を横軸、感度を縦軸にとってプロットした曲線です。

• 左下（0,0）から右上（1,1）へ向かう曲線になります。
• 対角線（左下から右上への直線）は「偶然と同じ＝見分ける力なし」を表します。
• 曲線が左上に張り出すほど、判別性能が高いことを意味します。

AUC（曲線下面積）の意味

AUC（area under the curve）は、ROC曲線の下の面積で、判別性能を1つの数値に要約します。

• AUC = 0.5 … 偶然と同じ（見分ける力なし）
• AUC = 1.0 … 完全に見分けられる
• 一般に、AUCは「無作為に選んだ陽性の対象のスコアが、無作為に選んだ陰性の対象のスコアより高い確率」と解釈できます。

AUCの大小を言葉で評価する目安の表は文献によって幅がありますが、広く参照される目安として「0.7前後＝許容できる、0.8前後＝良好、0.9以上＝優れている」といった区分が用いられることがあります。ただしこれは絶対的な基準ではなく、研究分野や用途によって妥当な水準は変わるため、自分の文脈に合わせて解釈し、出典を添えるのが安全です。

カットオフ値の決め方（Youden指数）

ROC曲線は「性能の全体像」を示しますが、実際に判定に使うには1つのカットオフを選ぶ必要があります。代表的な基準がYouden指数（Youden's J）です。

• Jは−1〜1の値をとり、Jが最大になるカットオフが、感度と特異度のバランスが最も良い点とされます。
• ただし、見逃しと誤陽性のどちらを重く見るかによっては、Youden指数とは別に「感度を一定以上に保つ」など目的に応じた基準を使うこともあります。

2つのモデル・指標のAUCを比べる

複数の指標やモデルのどちらが優れているかを、AUCの差で比較できます。同じ対象に基づくAUCの差の検定（DeLong法など）が用いられます。比較の際に大切なのは次の点です。

• 同一データ・同一対象で比べる——別々の集団で算出したAUCを単純に比べても、公平な比較になりません。
• 差だけでなく信頼区間と実質的な意味も見る——AUCの差がわずかでも統計的に有意になることがあり、その差に実質的な意味があるかは別途判断します。

SPSSでの操作の流れ

SPSSでは、「分析」→「分類」→「ROC曲線」で、検定変数（スコア）と状態変数（2値の正解）を指定して実行します。AUCとその信頼区間、座標点（各カットオフの感度・1−特異度）が出力されます。ここでは全体像をつかんでください。実際の画面操作はSPSSの使い方シリーズで詳しく扱います。

ステップ1：分析→分類→ROC曲線を開く

判別性能を評価したいデータを開き、ROC曲線のダイアログを呼び出します。

ステップ2：検定変数と状態変数を指定する

連続値のスコア（検査値・リスクスコア・ロジスティック回帰の予測確率など）を「検定変数」に、2値の正解（陽性／陰性）を「状態変数」に指定します。

ステップ3：状態変数の「値」で陽性を表す値を入力する

状態変数のどの値が「陽性」かを指定します（例：陽性＝1）。ここを取り違えるとスコアの向きが反転するため注意します。

ステップ4：オプションでAUC・信頼区間・座標点の出力を設定する

「ROC曲線」「対角参照線」「曲線下の面積（AUC）とその標準誤差・信頼区間」「座標点（各カットオフの感度・1−特異度）」を出力するよう設定します。

ステップ5：出力を解釈し、必要ならカットオフを決める

AUCと信頼区間で全体性能を確認し、座標点の表からYouden指数（感度＋特異度−1）が最大の点などを手がかりにカットオフを検討します。SPSSの具体的な画面操作は「SPSSの使い方」シリーズでくわしく解説しています。

関連分析手法・SPSS実装ガイド

ROC分析と関連の深い分析手法・SPSSでの具体的な実装手順を以下にまとめます。研究設計や論文執筆の参考にあわせてご活用ください。

• 仮説検定の基礎 — 見逃し・誤陽性という2種類の誤りの考え方の土台。ROC分析の前提として押さえておきましょう。
• 相関分析とは？ — スコアと結果の関連の強さを見る基礎。判別性能を考える前段の確認に。
• カイ二乗検定とは？ — 2値どうしの関連（クロス集計）を調べる検定。判定の的中・不的中の集計とも相性がよい手法です。
• t検定とは？ — 陽性群・陰性群でスコアの平均差を確かめる基本の検定。
• 一元配置分散分析（ANOVA）とは？ — 3群以上でスコアの平均差を調べたいとき。
• 正規分布とは？ — スコア分布の重なりを考える土台になる、分布の基礎。
• 因子分析とは？ — スコアの背後にある構造を確かめたいときに。多変量解析の入り口です。
• ロジスティック回帰とは？ — ROC分析で評価する代表的な予測モデル。予測確率をスコアに使います。（★No.227で公開直前HTML化済＝ロジ回帰公開／同時公開時に最優先で復活し双方向リンク化。ロジ回帰HTML側にも roc-analysis のコメント行あり）
• 効果量とは？ — 性能や関連の大きさを数値で評価する考え方。（未公開・公開済ならコメント解除）
• ロジスティック回帰・ROC分析ができるSPSS製品 — やりたい分析からSPSS製品・オプションを選べる製品選定ページです。（※ROC専用ページ /spss/analysis/roc/ が公開済ならそちらへ差し替え）
• SPSSとは？研究・実務で使われる統計解析ソフトをやさしく解説 — 製品の全体像・価格・購入方法。
• SPSSの使い方シリーズ（全10回） — 起動・データ準備・分析・出力結果の解釈まで体系的に学べます。

つまずきやすいポイントと注意点

ROC分析でつまずきやすいポイントを、ここで整理しておきます。

1. AUC1つだけでモデルを断じてしまう。同じAUCでも曲線の形は違い、較正（予測確率の正確さ）はAUCとは別の話です。AUCは要約指標であって、それだけで良し悪しを決めません。

2. 状態変数の「陽性の値」を取り違える。どの値が陽性かを取り違えると、AUCが0.5を挟んで反転します。AUCが0.5より小さいときは、まずスコアの向きや陽性の定義を見直しましょう。

3. カットオフを統計だけで決めてしまう。Youden指数は出発点です。見逃しと誤陽性のどちらの代償が大きいかという研究・実務上の判断を必ず併用します。

4. 別々の集団のAUCを単純に比べてしまう。モデル比較は同一データ・同一対象で行い、AUCの差は信頼区間と実質的な意味とあわせて解釈します。

5. 解釈帯（0.7/0.8/0.9）を絶対基準のように使ってしまう。これは広く参照される目安にすぎず、分野・用途で妥当な水準は変わります。出典を添えて解釈してください。

よくある質問