잘못된 긍정 및 잘못된 부정

False positives and false negatives

거짓 양성(false positive)은 2진수 분류의 오류이며, 거짓 음성(false positive)은 실제로 존재하는 상태의 부재를 나타내는 검사 결과가 잘못된 반면, 거짓 음성(false positive)은 그 반대 오류이다.이는 2진수 테스트의 2종류의 오류이며, 2종류의 올바른 결과(진정한 양성 및 진정한 음성)와는 대조적입니다.또한 의학에서는 오양성(또는 오음성) 진단으로, 통계 분류에서는 오양성(또는 오음성) [1]오류로 알려져 있다.

통계 가설 테스트에서는 유사한 개념을 유형 I 및 유형 II 오류라고 합니다. 여기서 양의 결과는 귀무 가설을 기각하는 것에 해당하고, 음의 결과는 귀무 가설을 기각하지 않는 것에 해당합니다.이 용어는 종종 서로 바꿔서 사용되지만, 의료 검사와 통계 가설 검사 간의 차이로 인해 세부사항과 해석에 차이가 있다.

False positive 오류

false positive error 또는 false positive는 특정 조건이 존재하지 않을 때 나타나는 결과입니다.예를 들어, 여성이 임신하지 않았을 때 임신했다는 것을 나타내는 임신 검사나 무고한 사람의 유죄 판결 등이 있습니다.

거짓 양성 오류는 테스트가 단일 조건을 확인하고 있으며 잘못된 긍정(양성) 결정을 내리는 I형 오류입니다.그러나 유형 1 오류율과 양성 결과가 거짓일 가능성을 구별하는 것이 중요합니다.후자는 거짓 양성 위험으로 알려져 있다(아래 [2]거짓 양성 비율의 정의에서 모호성 참조).

거짓 음성 오류

거짓 음성 오류 또는 거짓 음성 오류는 조건이 유지되지 않음을 잘못 나타내는 테스트 결과입니다.예를 들어, 임신 테스트에서 여성이 임신을 하지 않았지만 임신한 것으로 나타났을 때, 또는 범죄를 저지른 사람이 무죄를 선고받았을 때, 이는 잘못된 음성입니다.'여성이 임신했다' 또는 '그 사람이 유죄다'는 조건은 유지되지만, 검사(임신검사 또는 법정재판)는 이를 깨닫지 못하고, 그 사람이 임신하지 않았거나 무죄라고 잘못 판단된다.

거짓 음성 오류는 단일 조건이 확인되고 테스트 결과가 [3]잘못되어 조건이 존재하지 않는 테스트에서 발생하는 타입 II 오류입니다.

관련 용어

거짓 양수 및 거짓 음수 비율

거짓 양성률은 여전히 양성 테스트 결과를 산출하는 모든 음성의 비율이다. 즉, 존재하지 않는 사건이 주어진 경우 양성 테스트 결과의 조건부 확률이다.

거짓 양수 비율은 유의 수준과 같습니다.검사의 특이성은 1에서 거짓 양성 비율을 뺀 값과 같습니다.

통계 가설 테스트에서 이 분수는 그리스 문자 α로 지정되며, 1~α는 테스트의 특이성으로 정의된다.검정의 특수성을 높이면 유형 I 오류의 확률은 낮아지지만 유형 II 오류(참일 [a]경우 대립 가설을 기각하는 잘못된 음성)의 확률은 높아질 수 있습니다.

보완적으로, 거짓 음성률은 테스트에서 음성 테스트 결과를 산출하는 양의 비율이다. 즉, 찾고 있는 조건이 존재할 때 음성 테스트 결과의 조건부 확률이다.

통계 가설 테스트에서 이 분수는 문자 β로 지정된다.테스트의 "검정력"(또는 "감도")은 1 - β와 같다.

거짓 양수 비율 정의의 모호성

Colquhoun(2014)[4]은 "중요한" 결과가 거짓 양수일 가능성을 의미하기 위해 거짓 발견률(FDR)이라는 용어를 사용했다.이후 콜쿤(2017)[2]은 다중 비교를 수행하는 사람들이 사용하는 FDR 용어와 혼동을 피하기 위해 동일한 양에 대해 거짓 양성 위험(FPR)이라는 용어를 사용했다.다중 비교에 대한 보정은 유형 I 오류율을 보정하는 데에만 목적이 있으므로 결과는 p-값(수정)이 됩니다.따라서 다른 p-값과 동일한 오역이 발생할 수 있습니다.잘못된 양의 위험은 항상 p-값보다 [4][2]훨씬 높으며, 종종 훨씬 높습니다.

이 두 가지 생각의 혼란, 전치된 조건의 오류는 많은 해를 [5]끼쳤다.이 분야에서는 표기법이 모호하기 때문에 모든 논문의 정의를 살펴보는 것이 중요합니다.p-값에 대한 의존의 위험은 콜쿤([2]2017)에서 p = 0.001의 관측치조차 귀무 가설에 대한 강력한 증거가 아니라고 지적함으로써 강조되었다.귀무 가설에 대한 대립 가설에 유리한 우도비가 100에 가깝지만, 실제 효과의 이전 확률이 0.1인 가설이 타당하지 않다면 p = 0.001의 관측치조차도 8%의 잘못된 양의 비율을 가질 수 있습니다.5퍼센트 수준도 안 될 거예요.결과적으로, 모든 p-값은 5%의 잘못된 양성 위험을 달성하기 위해 가정할 필요가 있는 실제 효과가 있을 수 있는 사전 확률을 동반해야 한다고 권고했다[2][6].예를 들어, 단일 실험에서 p = 0.05를 관찰하면 5%의 잘못된 양성 위험을 달성하기 위해 실험이 수행되기 전에 실제 효과가 있는지 87% 확신해야 합니다.

수신기 작동 특성

수신기 동작 특성」에서는, 다양한 종류의 에러율에 근거하는 통계 신호 처리의 파라메타에 대해 설명합니다.

「 」를 참조해 주세요.

메모들

  1. ^ 탐지 알고리즘 또는 테스트를 개발할 때 잘못된 음성과 잘못된 양성의 위험 사이에서 균형을 선택해야 합니다.통상, 알고리즘이 일치를 리포트하기 전에, 어느 정도의 일치를 소정의 샘플과 일치시킬 필요가 있는지를 나타내는 임계치가 있습니다.이 임계값이 높을수록 false negative가 많아지고 false positive가 적어집니다.

레퍼런스

  1. ^ 폴스 포지티브와 폴스
  2. ^ a b c d e Colquhoun, David (2017). "The reproducibility of research and the misinterpretation of p-values". Royal Society Open Science. 4 (12): 171085. doi:10.1098/rsos.171085. PMC 5750014. PMID 29308247.
  3. ^ Banerjee, A; Chitnis, UB; Jadhav, SL; Bhawalkar, JS; Chaudhury, S (2009). "Hypothesis testing, type I and type II errors". Ind Psychiatry J. 18 (2): 127–31. doi:10.4103/0972-6748.62274. PMC 2996198. PMID 21180491.
  4. ^ a b Colquhoun, David (2014). "An investigation of the false discovery rate and the misinterpretation of p-values". Royal Society Open Science. 1 (3): 140216. arXiv:1407.5296. Bibcode:2014RSOS....140216C. doi:10.1098/rsos.140216. PMC 4448847. PMID 26064558.
  5. ^ Colquhoun, David. "The problem with p-values". Aeon. Aeon Magazine. Retrieved 11 December 2016.
  6. ^ Colquhoun, David (2018). "The false positive risk: A proposal concerning what to do about p values". The American Statistician. 73: 192–201. arXiv:1802.04888. doi:10.1080/00031305.2018.1529622. S2CID 85530643.