Answers:
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):
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。
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:
(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)。
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。
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。