设有一种千人中一人患的病,检测能把 99% 的患者查出来,却也会把 1% 的健康人标阳。被标阳的人真正患病的概率,分子是 0.99 × 0.001,分母是 0.99 × 0.001 + 0.01 × 0.999,工作台答 0.09016393442623。一个 99% 准确的检测,十分之九的阳性是假的。
把两项的大小摆出来就明白了:真阳性每人 9.9⋅10−4,假阳性每人 0.00999——后者是十倍的水流。换成自然频数更顺:筛一千人,一个病人以 0.99 的概率被抓到,而 999 名健康人里仍有 9.99 个被误标。检测本身没有不准,不准的是直觉:稀缺的是病,于是施加在健康人群上的 1% 差错,淹没了施加在患者身上的 99% 命中率。
答案
0.09016393442623
口径说明
工作台上的阳性预测值。后两个链接分别是它的分子与假阳性那一项,后者更大。
出处
Positive predictive value = sensitivity·prevalence / (sensitivity·prevalence + false-positive-rate·(1 − prevalence)); base-rate neglect was demonstrated in Kahneman and Tversky's taxi-cab problem and the screening version popularised by Gerd Gigerenzer
在计算器里做这道题
下面的链接直接打开对应的计算器,并把这道题的数字填进屏幕——答案就是上面那一行,可以自己核对。