条件概率｜Harvard Online

该模型通过显示 $P(+\mid D)$（灵敏度）固定在 $95\%$，而计算出的 $P(D\mid +)$（阳性预测值）仅为 $~16.1\%$ 来说明这种差异。这表明给定疾病时阳性测试的概率与给定阳性测试时患病的概率不相同，尤其是在患病率低的情况下。

适用条件：灵敏度为 $95\%$。；计算出的 $P(D\mid +)$ 为 $~16.1\%$。；患病率为 $1\%$。

假阳性更多是因为健康人群远大于患病人群。尽管假阳性率很低（$5\%$），但将其应用于庞大的基数（1,980 人）会产生较高的绝对计数（99），而将高灵敏度率（$95\%$）应用于较小的基数（20 人）仅产生 19。

适用条件：患病率为 $1\%$（20 人患病，1,980 人健康）。；假阳性率为 $5\%$。；灵敏度为 $95\%$。

阳性检测结果并不意味着患病概率很高，因为疾病的基准率（患病率）与健康人群相比非常低。即使灵敏度和特异度都很高，庞大的健康个体数量也会产生大量的假阳性。

适用条件：疾病患病率为 $1\%$。；检测的灵敏度为 $95\%$，特异度为 $95\%$。；人群是 2,000 人的假设模型。

患病率决定了人群中患病和健康子群体的规模。它作为先验概率，影响了给定阳性检测时患病的最终后验概率。

适用条件：模型使用虚构的人群。；患病率设定为 $1\%$。

灵敏度是指给定某人患有疾病时检测呈阳性的概率（$P(+\mid D)$），而特异度是指给定某人未患疾病时检测呈阴性的概率（$P(-\mid D^c)$）。在模型中，两者均假设为 $95\%$，但它们适用于不同的子群体：患病者与未患病者。

适用条件：检测的灵敏度为 $95\%$。；检测的特异度为 $95\%$。；模型区分患病人群和非患病人群。

该模型产生了 19 个真阳性和 99 个假阳性。真阳性是根据 20 名患病个体使用 $95\%$ 的灵敏度计算得出的，而假阳性是根据 1,980 名健康个体使用 $5\%$ 的假阳性率（由 $95\%$ 的特异度导出）计算得出的。

适用条件：人口规模为 2,000。；患病率为 $1\%$（20 人患病，1,980 人健康）。；灵敏度为 $95\%$。；特异度为 $95\%$。

要计算给定阳性检测结果时患病的概率，必须统计真阳性的数量，并将其除以阳性结果的总数（真阳性加假阳性）。在模型中，这涉及在 118 个总阳性检测中识别出 19 个真阳性，得出约 $16.1\%$。

适用条件：2,000 人中的患病率为 $1\%$。；灵敏度为 $95\%$。；特异度为 $95\%$。

出现基准率谬误是因为学习者经常忽略疾病的低患病率（基准率），而只关注测试的高准确性。这导致错误地假设阳性检测结果很可能是真阳性，而事实上，大量的健康人群产生的假阳性远多于真阳性。

适用条件：患病率低（$1\%$）。；测试准确性（灵敏度/特异度）高（$95\%$）。；观察者关注测试准确性而不是人群构成。