解答：敏感性&特異性的運用
更新於 發佈於 閱讀時間約 3 分鐘
這個問題的二大題組其實順序安排應該反過來，也就是「在不知道盛行率的情況下，計算和Q1相同的檢查結果下，對疾病診斷的預測」應該要先算才對，所以我先從Q2開始回答：
在不知道盛行率的情況下，對疾病診斷的預測(這邊應該要用LR來算)。已知：結果一的敏感性85%，特異性40%。結果二的敏感性45%，特異性90%。
- 只有結果一為陽性：LR(一+)=0.85/1-0.4=17/12。PPV=17/17+12=17/29=58.6%
- 只有結果二為陽性： LR(二+)=0.45/1-0.9=9/2。PPV=9/9+2=9/11=81.8%
- 結果一為陽性但結果二為陰性：LR(一+):17/12。LR(二-)=1-0.45/0.9=11/18，後測odds=7/12*11/18=77/216，PPV=77/77+216=77/293=26.3%
- 結果二為陽性但結果一為陰性： LR(一 -)=1-0.85/40=3/8，LR(二+):9/2，後測odds=3/8*9/2=27/16，PPV=27/27+16=27/43=62.3%
- 二都都是陽性：LR(一+):17/12 ，LR(二+):9/2，後測odds=17/12*9/2=153/24。 PPV=153/153+24=153/177=86.4%
- 二個都是陰性： LR(一 -):3/8，LR(二-):11/18，後測odds=3/8*11/18=33/144。PPV=33/33+144=33/177=18.6%
再回答Q1：如果此病的盛行率在年輕男性族群為0.2，計算以下狀況對疾病診斷的陽性預測值。已知：盛行率20%，可知前測odds=2/8。結果一的敏感性85%，特異性40%。結果二的敏感性45%，特異性90%。
- 只有結果一為陽性：LR(一+)：17/12。後測odds=2/8*17/12=17/48，PPV=17/17+48=17/65=26.1%
- 只有結果二為陽性：LR(二+)：9/2，後測odds=2/8*9/2=9/8，PPV=9/9+8=9/17=52.9%
- 結果一為陽性但結果二為陰性：LR(一+)：17/12。LR(二-)：11/18，後測odds=2/8x17/12x11/18=187/864，PPV=187/187+864=187/1051=17.8%
- 結果二為陽性但結果一為陰性： LR(一 -)：3/8，LR(二+)：9/2，後測odds=2/8x3/8x9/2=27/64，PPV=27/27+64=27/91=29.6%
- 二都都是陽性：LR(一+):17/12 ，LR(二+):9/2，後測odds=2/8x17/12x9/2=153/96，PPV=153/153+96=153/249=61.4%
- 二個都是陰性： LR(一 -):3/8，LR(二-):11/18，後測odds=2/8x3/8x11/18=33/576，PPV=33/33+576=33/609=5.4%
由以上題組可知，在不知道盛行率的狀況下，單用檢驗的結果來推測陽性預測值，會有高估的狀況，盛行率越低，誤差就越大；盛行率越高，誤差就越小。但陰性預測值就會整個反過來，盛行率越高，誤差就越大。
為什麼會看到廣告
2會員
35內容數
以簡潔的文字紀綠學佛的心得
「能不能用一句話，說明佛教最重要的內容是什麼?」一位不信宗教的客座教授這樣問，看著面面相覷的我們，他緩緩的說：「Why people suffering?」
留言
留言分享你的想法！
你可能也想看
Google News 追蹤
除了「夠好」經驗法則和避免最壞結果的決策模式外，作者也特別強調機率和自然頻率的觀念。
我們在前面討論蒙提霍爾問題時已經稍微接觸過，接下來我們繼續進行更深入的探討。以下是作者舉的一個例子:
女性罹患乳癌的盛行機率是1%。
如果一名婦女有乳癌，那麼她檢驗為陽性的機率是90%。
倘若一名婦女沒有乳
近期朋友圈裡有人分享這個已經風靡一陣子的測驗。
我也是帶著疑惑的心情去做的，人類是否能完全相信一個測驗的測出來的結果還是對我來說還是一個未知數，我認為光用一個數值就去評判別人是不怎麼準確的。總之最後我抱著有趣的心態花了接近半小時做了這份問卷。
在這個過程中，我認為他的問題比起以往的問卷更讓我容易
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
關於流感/新冠肺炎的到了今年2024年，仍持續的有確診，因為仍有一堆民眾在問這類相關問題，我把去年至今年的流感/新冠肺炎的做成一個FAQ給大家參考(就是我常遇到的，已及分享經驗的)
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
當你說出樂觀與保守的估計值後，一定有人會問落在這個範圍的機率為何？這時你可以根據過去統計資料來推算發生機率，沒有資料就用你自己的方法來推算發生的機率。
比如說：「 預估範為 200~500 萬，機率 90%，因為...，除此之外超出 500 萬機率是 8 %，低於 200 萬是 2 %。 」
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。
除了「夠好」經驗法則和避免最壞結果的決策模式外，作者也特別強調機率和自然頻率的觀念。
我們在前面討論蒙提霍爾問題時已經稍微接觸過，接下來我們繼續進行更深入的探討。以下是作者舉的一個例子:
女性罹患乳癌的盛行機率是1%。
如果一名婦女有乳癌，那麼她檢驗為陽性的機率是90%。
倘若一名婦女沒有乳
近期朋友圈裡有人分享這個已經風靡一陣子的測驗。
我也是帶著疑惑的心情去做的，人類是否能完全相信一個測驗的測出來的結果還是對我來說還是一個未知數，我認為光用一個數值就去評判別人是不怎麼準確的。總之最後我抱著有趣的心態花了接近半小時做了這份問卷。
在這個過程中，我認為他的問題比起以往的問卷更讓我容易
前面說明了所謂「假設檢定」的邏輯，也就是推論統計的基礎。但前面都還只是概念的階段，目前沒有真正進行任何的操作──還沒有提到推論統計的技術。
這篇其實有點像是一個過渡，是將前面的概念銜接到下一篇t分數之間的過程，也可以說是稍微解釋一下t檢定怎麼發展出來的。
關於流感/新冠肺炎的到了今年2024年，仍持續的有確診，因為仍有一堆民眾在問這類相關問題，我把去年至今年的流感/新冠肺炎的做成一個FAQ給大家參考(就是我常遇到的，已及分享經驗的)
隨因為推論統計邏輯明顯有問題
心理學實驗看到的 p value是 P(Data| Hyptohesis), 也就是假設成立的情況下拿到這樣的資料的機率 以下是大家常見的推論步驟:
先設一個虛無假設 (H0)
拿資料, 算 p value ( = P(Data | Hypothesis)
選舉民調是預測選舉結果的重要工具。然而，如果我們不了解樣本和母體的概念，就很容易被民調結果誤導。
在本文中，我們將介紹樣本和母體的概念，以及它們對民調結果的影響。我們還將提供一些在閱讀民調報告時的注意事項。
接續上一篇，繼續來講如何從常態分布的機率進行假設檢定，進而推論母體的平均數吧！
這篇會提到否證的邏輯、魔法數字0.5以及統計檢定到底是什麼這三個主題。
當你說出樂觀與保守的估計值後，一定有人會問落在這個範圍的機率為何？這時你可以根據過去統計資料來推算發生機率，沒有資料就用你自己的方法來推算發生的機率。
比如說：「 預估範為 200~500 萬，機率 90%，因為...，除此之外超出 500 萬機率是 8 %，低於 200 萬是 2 %。 」
在上一篇文章解釋了常態分布怎麼幫助我們計算事件發生的機率，而更之前也看過了抽樣分布是如何形成常態分布的過程，現在就要利用這兩件事情來慢慢帶出什麼是統計學中的「假設檢定」了。