生成一条ROC曲线，在观察到的比例评分量表的不同截止值处绘制假阳性率与真阳性率的对比图。
LL.ROC(
x = NULL,
reliability,
min = 0,
max = 1,
truecut,
true.model = "4P",
error.model = "Binomial",
AUC = FALSE,
maxJ = FALSE,
raw.out = FALSE,
grainsize = 100
)
x : 观察结果的矢量。
reliability : 试验的可靠性系数。
min : 在观察到的分数表上可能达到的最小值。默认值为0（假设x表示比例）。
max : 在观察到的分数表上可能达到的最大值。默认值为1（假设x表示比例）。
truecut : 沿x标度标记分类阈值的真实点。
true.model : 拟合真实分数分布矩的概率分布。选项是“4P”（默认）和“2P”，指的是四参数和两参数Beta分布。“4P”方法产生一个四参数β分布，其前四个矩（均值、方差、偏度和峰度）与估计的真分数分布相同，而“2P”方法产生一个双参数β分布，其前两个矩（均值和方差）与估计的真分数分布相同。
error.model : 用于在真实分数表的不同点产生抽样分布的概率分布。选项有二项式和beta。二项分布是离散的，是利文斯顿和刘易斯最初使用的分布。二项分布的使用包括将有效测试长度四舍五入到最接近的整数值。β分布是连续的，不涉及有效测试长度的四舍五入。
AUC : 计算并包括曲线下的面积？默认值为FALSE。
maxJ : 在曲线上标出Youden的J统计量最大化的点？默认值为FALSE。
raw.out : 将原始坐标作为输出而不是绘图？默认值为FALSE。
grainsize : 指定要计算ROC曲线的截止点的数目。这个数字越大，精确度就越高。默认值为100分。
# Generate some fictional data. Say, 100 individuals take a test with a
# maximum score of 100 and a minimum score of 0.
set.seed(1234)
testdata < - rbinom(100, 100, rBeta.4P(100, .25, .75, 5, 3))
hist(testdata, xlim = c(0, 100))
# Suppose the cutoff value for attaining a pass is 50 items correct, and
# that the reliability of this test was estimated to 0.7. To produce a plot
# with an ROC curve using LL.ROC(), along with the AUC statistics and the
# points at which Youden's J. is maximized:
LL.ROC(x = testdata, reliability = .7, truecut = 50, min = 0, max = 100,
AUC = TRUE, maxJ = TRUE)