阳性和阴性预测值的统计检验

我读了一篇论文，看到一张桌子，上面有PPV（正预测值）和NPV（负预测值）之间的比较。他们为他们做了某种统计检验，这是表格的示意图：

PPV    NPV    p-value
65.9   100    < 0.00001
...

每行都引用一个特定的列联表。

他们做了什么样的假设检验？谢谢！

假设像下面所示的交叉分类（此处为筛查工具）

我们可以定义筛查准确性和预测能力的四种度量：

• 灵敏度（se），a /（a + c），即在存在疾病的情况下筛查提供阳性结果的可能性；
• 特异性（sp），d /（b + d），即在没有疾病的情况下筛查提供阴性结果的可能性；
• 阳性预测值（PPV），a /（a + b），即测试结果阳性的患者被正确诊断（阳性）的概率；
• 负预测值（NPV）d /（c + d），即测试结果阴性的患者被正确诊断（阴性）的概率。

每四个度量都是根据观测数据计算出的简单比例。因此，合适的统计检验应该是二项式（精确）检验，大多数统计软件包或许多在线计算器都应提供该检验。检验的假设是观察到的比例是否显着不同于0.5。但是，我发现提供置信区间而不是单次显着性检验更为有趣，因为它可以提供有关测量精度的信息。无论如何，为了重现显示的结果，您需要知道双向表的总边距（您只将PPV和NPV设置为％）。

例如，假设我们观察到以下数据（CAGE调查表是酒精筛查调查表）：

那么在R中，PPV将计算如下：

> binom.test(99, 142)

    Exact binomial test

data:  99 and 142 
number of successes = 99, number of trials = 142, p-value = 2.958e-06
alternative hypothesis: true probability of success is not equal to 0.5 
95 percent confidence interval:
 0.6145213 0.7714116 
sample estimates:
probability of success 
             0.6971831 

如果您使用的是SAS，则可以查看使用说明24170：如何估算灵敏度，特异性，正负预测值，假正负概率和似然比？。

要计算置信区间，请使用高斯近似（1.96是标准正态分布在或时的分位数，其中实际上是使用％），尤其是当比例很小或很大时（在此通常是这种情况）。 p=0.9751-α/2α=$p \pm 1.96 \times \sqrt{p(1-p)/n}$$p=0.975$$1-\alpha/2$$\alpha=5$

为了进一步参考，您可以查看

RG，纽科姆。单比例的双向置信区间：七种方法的比较。 医学统计学，17，857-872（1998）。

请参见

Kosinski，AndrzejS。加权广义得分统计量，用于比较诊断测试的预测值。医学统计学（http://dx.doi.org/10.1002/sim.5587） 在线发布：2012年8月22日