给定真阳性，假阴性率，您可以计算假阳性，真阴性吗？

我有价值观True Positive (TP)和False Negative (FN)如下：

TP = 0.25
FN = 0.75

根据这些值，我们可以计算False Positive (FP)和True Negative (TN)吗？

在这方面有很多术语混淆。就个人而言，我总是觉得回到混乱的矩阵进行思考是有用的。在分类/筛选测试中，您可以有四种不同的情况：

                      Condition: A        Not A

  Test says “A”       True positive   |   False positive
                      ----------------------------------
  Test says “Not A”   False negative  |    True negative

在该表中，“真肯定”，“假否定”，“假肯定”和“真否定”是事件（或其概率）。你有什么是可能因此真阳性率和假阴性率。区别很重要，因为它强调两个数字都有一个分子和一个分母。

让人感到困惑的地方是，您可以找到“误报率”和“误报率”的几种定义，但有不同的分母。

例如，维基百科提供了以下定义（它们看起来很标准）：

• 真阳性率（或敏感性）：$TPR = TP/(TP + FN)$
• 误报率：$FPR = FP/(FP + TN)$
• 真实阴性率（或特异性）：$TNR = TN/(FP + TN)$

在所有情况下，分母都是列的总和。这也为他们的解释提供了提示：真实阳性率是当真实值确实为A时测试说“ A”的概率（即，这是一个条件概率，条件是A为真）。这并不能告诉您在打“ A”时正确的可能性（即，以测试结果为“ A”为条件的真实阳性的概率）。

假设错误负利率的定义方式相同，则我们的（请注意，您的数字与此一致）。但是，我们不能直接从真实的阳性率或假的阴性率中得出假阳性率，因为它们没有提供有关特异性的信息，即当“非A”是正确答案时测试的表现。因此，您的问题的答案是“不，这不可能”，因为您在混淆矩阵的右列上没有信息。$FNR = 1 - TPR$

但是，文献中还有其他定义。例如，Fleiss（比率和比例的统计方法）提供以下内容：

• “ [...]假阳性率[...]是实际上没有疾病的阳性反应者中的人口比例。”
• “假阴性率[…]是在测试中阴性但仍患有疾病的人群中的比例。”

（他也承认先前的定义，但认为它们“浪费了宝贵的术语”，正是因为它们与敏感性和特异性有着直接的关系。）

参考混淆矩阵，这意味着和所以分母是行总计。重要的是，根据这些定义，假阳性率和假阴性率不能直接从测试的敏感性和特异性中得出。您还需要知道患病率（即，A在感兴趣的人群中有多频繁）。$FPR = FP / (TP + FP)$$FNR = FN / (TN + FN)$

Fleiss没有使用或定义短语“真正的否定率”或“真正的肯定率”，但是如果我们假设在给定特定测试结果/分类的情况下，它们也是条件概率，则@ guill11aume答案是正确的。

无论如何，您都需要小心定义，因为对您的问题没有无可争辩的答案。

编辑：请参阅盖尔·劳兰斯的答案，这更准确。

如果您的真实阳性率为0.25，则意味着每次您呼叫阳性时，您都会有0.75错误的可能性。这是您的误报率。同样，每当您叫一个负数时，您的正确率就有0.25，这是您的真实负率。

如果“正”和“负”对于当前问题没有任何意义，则没有意义。我看到许多问题，其中“正”和“负”是对序数或连续变量的任意强制选择。FP，TP，sens，spec仅适用于全有或全无的现象。

http://www.statsdirect.com/help/default.htm#clinical_epidemiology/screening_test.htm

1）正确+ ve和错误-ve使100％2）错误+ ve和正确-ve使100％3）正确肯定与错误肯定之间没有关系。