筛查中的 Bayes
一千个人,按患病与否、检测阴阳分成四块。改变患病率、灵敏度和误报率,看阳性的人里真正患病的占多少;再对阳性者复检一次。
- 患病 · 阳性
- 健康 · 阳性
- 患病 · 阴性
- 健康 · 阴性
阳性 89其中患病 10占比(人数取整) 10/89 ≈ 0.112
你观察到了什么?先动手,再回答。想清楚之后再看解释。
- 1.默认参数下,阳性的人里真正患病的有几个?为什么灵敏度高达 95%,这个比例却这么低?
- 2.把患病率从 1% 拖到 20%,后验概率怎样变?检测本身并没有变。
- 3.打开“复检阳性者”:为什么同一个检测做第二次,结论就可靠得多?
默认参数下约 个病人几乎全被查出,可 个健康人里有约 个误报,阳性者约 人,真正患病的只占约 。灵敏度回答的是 ,我们关心的是 ,两者之间隔着先验:病人太少,误报的绝对人数就压过了真阳性。患病率升高时,同样的检测给出的后验大幅上升,所以同一张化验单在不同人群里含义不同。复检时,第一次阳性的人群患病率已经是 而不是 :上一次的后验成了这一次的先验,后验跳到约 。这一步假设两次检测在“是否患病”已知时相互独立;如果误报来自某种会重复出现的体质原因,复检的作用会小得多。
对应知识点:条件概率与 Bayes
讨论
发现错误、有疑问或建议,也可以直接写信到 620026600@qq.com
还没有评论。写下你的理解、疑问,或者指出这一页的错误。
登录后参与讨论