SPSS 校准曲线怎么看：预测概率与实际概率的对照

校准曲线怎么看，关键是比较预测概率与同一批对象的实际事件频率，并同时检查分箱稳定性和校准回归。点靠近理想对角线是样本层面的图形表现，检验未显著则表示尚未检出系统失准，两者都需要结合误差大小与验证来源解释。

预测概率与实际概率怎样准备

本例使用完整的演示数据（模拟生成，不代表真实研究结论），共 300 行；每行是一位对象的预测和结局。预测值须在观察结局之前定义，事件的编码方向也应一致；如果把未发生事件当成正类，整张图的含义就会改变。方法入口及适用范围见校准曲线。

数据列	内容	分配位置
是否发生终点事件	已观察到的二分类结局	放入 [二分类] 结局变量
模型A预测概率	对正类事件的概率预测	放入 [定量] 预测概率

同一对象的预测与结局应保持同行，尤其是从建模工具导出概率后再合并随访表时，应按对象标识核对。为了区分模型记忆与可推广性能，研究记录还需说明这些概率来自训练集回代、交叉验证还是外部样本；导入概率本身并不会完成这个设计判断。

校准曲线怎么看：先复现分箱设置

1. 选择「校准曲线」，按上表放置结局与预测列，核对正类事件定义。
2. 保持「分箱数」为 10，与本例设置一致；开始分析后先看样本概览和期望频数检查。
3. 将主结果中的斜率、截距与图形配合起来读，再看逐箱偏差，而非只摘一个 p 值。

本次有部分箱的期望事件或非事件数偏少，H-L 的卡方近似应谨慎使用。分箱数还决定每箱能积累多少事件；增加箱数能显示更细的局部差异，却会使每箱实测率更易波动，适当的取舍需要看本次数据的实际分布。

校准曲线与逐箱事件数分别说明什么

横轴是箱内平均预测概率，纵轴是该箱实测事件率。位于理想线下方的箱表示预测高于实测，位于上方则相反；这种方向判断针对箱均值，尚不足以断言每个个体都被高估或低估。图上局部上下交替，也不自动意味着模型存在稳定的非线性失准。

柱状图回到事件数尺度，帮助定位偏差来自哪些分箱。期望事件数是箱内预测概率的总和，实测数则从结局列计数，两者都依赖当前样本；低风险箱事件稀少时，少量个案就能明显改变箱内比率，应同时回看数据量。

本次 H-L 检验 p=0.2403，未检出整体失准；校准斜率为 0.915，区间为 [0.691, 1.139]，包含理想值。Brier 为 0.1834，它汇总概率预测与结局之间的平方误差，同时受到区分能力与校准的影响，宜作为补充指标而非单独的校准证明。

截图展示报告结论卡，使用时应与前面的频数前提和图形一起核对。自动摘要中的评价文字需要研究者结合区间与验证设计审视，尤其是近似条件受限时，正文更适合使用「未检出明显失准」这样的检验口径。

预测模型验证中保留校准度的不确定性

可写为：「采用分箱校准图及校准回归评估概率预测。H-L 检验未检出整体偏离；斜率区间覆盖理想值，但存在低期望频数箱，因此结合曲线及误差指标解释结果。」正式研究应补上实际样本的统计量，并说明是否在独立于建模的数据中完成评估。

验证路线把概率评价与后续决策衔接起来。校准关注概率是否可信，区分能力关注排序，净获益关注指定阈值下的决策取舍；即便前一环节表现尚可，后一环节仍要按具体用途单独检查。

校准分析常见错误

• 把 H-L 未显著写成校准成立：保留检验未发现差异的措辞，并交代区间和近似条件。
• 用训练集回代图代表外部表现：先说明预测来源，再按研究设计安排验证。
• 把 Brier 当成纯失准指标：将其与斜率、截距及分箱误差结合解释。
• 只凭一个偏离点调整模型：先核查分箱数据与抽样波动，再在适当验证流程中评价调整方案。

开通会员后可导出 Word / PDF 报告、使用 AI 解读。保存结果时也请保留数据来源和分析设置，便于后续核查。

延伸阅读