ベイズの定理の結果の読み方
感度95%、偽陽性率5%を固定したまま、事前確率によって事後確率がどれほど劇的に変わるかを下の表に示します。これがベイズの定理の核心にある基準率の効果です。
| 事前確率 P(A) | 事後確率 P(A | B)(感度95% / 偽陽性率5%) |
|---|---|
| 0.1% | ≈ 1.87% |
| 1% | ≈ 16.10% |
| 10% | ≈ 67.86% |
| 50% | ≈ 95.00% |
- 事後確率は事前確率に非常に敏感で、とくに事前確率が小さいときにその影響が顕著です。陽性の検査結果やその他の新しい証拠を解釈するとき、基準率を無視できないのはこのためです。
- この計算ツールの式は、事象Aとその補集合¬Aという二分割を前提としています。互いに排反な可能性が3つ以上ある場合(複数の診断候補があるときなど)は、すべての可能性にわたるより一般的な全確率の法則が必要になります。
- 偽陽性率 P(B | ¬A) は特異度とは異なります。1から特異度を引いた値なので、「特異度95%」とされる検査の偽陽性率は5%です。
- 途中の確率を丸めてから組み合わせると、とくに事前確率が小さい場合に最終的な事後確率が目に見えてずれることがあります。可能なかぎり計算全体を通して精度を保ってください。
ベイズの定理とは
ベイズの定理は、新しい証拠 (B) を観測した後に事象 (A) の確率を更新するための公式で、事前確率と、その証拠がそれぞれのシナリオでどれくらい起こりやすいかを組み合わせます。式は P(A | B) = P(B | A) × P(A) / P(B) と書かれ、「病気であるとき陽性になる確率」といった順方向の確率を、実際に知りたい逆方向の確率、すなわち「陽性であるとき病気である確率」に変換します。
この計算ツールは、診断検査でよく使われる枠組みを採用しています。P(A) は検査前の対象集団におけるその状態の事前確率(基準率)、P(B | A) は感度、つまり状態がある場合に陽性となる確率、P(B | ¬A) は偽陽性率、つまり状態がない場合に陽性となる確率(1から特異度を引いた値)です。
基準率の誤り(base-rate fallacy)とは、検査の感度にばかり注目して事前確率を無視してしまうよくある誤りです。感度が高く偽陽性率が低い検査であっても、対象とする状態が集団内でまれであれば、事後確率は直感が示す値をはるかに下回ることがあります。
このベイズの定理計算ツールの使い方
- 事前確率 P(A) を入力します。対象集団におけるその事象や状態の基準率をパーセントで指定します。
- 感度 P(B | A)、つまり事象が真であるときにその証拠が観測される確率を入力します。
- 偽陽性率 P(B | ¬A)、つまり事象が真でないときにその証拠が観測される確率を入力します。
- 事後確率 P(A | B)、証拠の全確率 P(B)、そして尤度比(ベイズファクター)を確認します。尤度比は、その証拠がAのもとで¬Aのもとに比べて何倍起こりやすいかを表します。
ベイズの定理の計算式
ベイズの定理では、分母 P(B) を A と ¬A の2つの可能性にわたる全確率の法則で展開します: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))]。
計算例: 事前確率 P(A) = 1%、感度 P(B | A) = 95%、偽陽性率 P(B | ¬A) = 5%。分子は 0.95 × 0.01 = 0.0095。陽性となる全確率は P(B) = 0.95 × 0.01 + 0.05 × 0.99 = 0.0095 + 0.0495 = 0.059。事後確率は P(A | B) = 0.0095 / 0.059 ≈ 0.1610、つまり約16.10%です。検査が真の症例の95%を正しく検出しても、この状況では陽性の大半が、はるかに人数の多い「その状態にない人たち」から生じているためです。
尤度比(ベイズファクター)は P(B | A) / P(B | ¬A) です。この計算例では 0.95 / 0.05 = 19 となり、陽性という結果はAが真のときのほうが偽のときより19倍起こりやすいことを意味します。
よくある間違い
- 感度 P(B | A) と事後確率 P(A | B) を混同すること。感度の高い検査で陽性が出れば実際にその状態である確率も高いはずだと考え、基準率を無視してしまうのが典型的な基準率の誤りです。
- 事前確率をまったく考慮しないこと。感度95%、偽陽性率5%の検査でも、事前確率が1%なら事後確率は約16%にしかなりません。陽性の大半が、はるかに人数の多い真陰性の集団から生じるためです。
- 特異度と偽陽性率を換算せずに同じものとして扱うこと。この計算ツールが求めるのは偽陽性率 P(B | ¬A) であり、これは1から特異度を引いた値です。
- 互いに排反な可能性が3つ以上あるのに2項の式を当てはめること。単純な A と ¬A の形が成り立つのは、結果が二分割される場合に限られます。
- 途中の確率を丸めてから組み合わせること。基準率が低いときは事前確率のわずかな変化にとくに敏感な計算になるため、誤差が積み重なります。
よくある質問
なぜ精度95%の検査でも、陽性の結果がほとんど外れになることがあるのですか?
対象の状態がまれな場合、陽性の大半は、実際にその状態にある少数の人ではなく、はるかに人数の多い「状態がないのに偽陽性となった人たち」から生じます。事前確率1%、感度95%、偽陽性率5%のとき、陽性が出たときの事後確率はわずか約16.10%です。真の症例に対する検査の精度が95%であってもこうなります。
基準率の誤りとは何ですか?
基準率の誤りとは、証拠(陽性の検査結果など)が得られたときの事象の確率を、主に証拠の精度だけで判断し、そもそもその事象がどれほどまれか(あるいはありふれているか)を無視してしまうよくある誤りです。ベイズの定理は事前確率を明示的に組み込むことで、この偏りを補正します。
感度・特異度・偽陽性率の違いは何ですか?
感度は、状態がある場合に陽性となる確率 P(B | A) です。特異度は、状態がない場合に陰性となる確率です。偽陽性率は特異度の補数、すなわち状態がない場合に陽性となる確率で、P(B | ¬A) = 1 − 特異度 となります。
ベイズファクター(尤度比)とは何ですか?
ベイズファクター(尤度比)は P(B | A) を P(B | ¬A) で割った値で、観測された証拠がAのもとで¬Aのもとに比べて何倍起こりやすいかを表します。このページの計算例(感度95%、偽陽性率5%)ではベイズファクターは19となり、陽性という結果は、その状態があるときのほうがないときより19倍起こりやすいことを意味します。
事前確率は事後確率にどう影響しますか?
非常に大きく影響します。感度と偽陽性率を固定した場合、事前確率が低いほど事後確率も大きく下がります。数多くの真陰性のなかから生じる偽陽性が、陽性結果の中で大きな割合を占めるようになるためです。感度95%・偽陽性率5%のまま事前確率を1%から10%に上げると、事後確率は約16.10%から約67.86%まで上昇します。
事前確率・感度・偽陽性率の合計は100%になる必要がありますか?
いいえ。この3つはそれぞれ別のことを表す独立した確率です。事象の基準率と、各シナリオのもとで証拠が観測される2つの条件付き確率であり、いずれも特定の合計値になる必要はありません。
参考文献
- Bayes T, Price R. An Essay towards Solving a Problem in the Doctrine of Chances. Philosophical Transactions of the Royal Society of London 1763; 53: 370-418.
- Kahneman D, Tversky A. On the psychology of prediction. Psychological Review 1973; 80(4): 237-251 (base-rate neglect in probability judgment).
- National Institute of Standards and Technology (NIST). NIST/SEMATECH e-Handbook of Statistical Methods — probability rules and Bayes' theorem. nist.gov.
- Moore DS, McCabe GP, Craig BA. Introduction to the Practice of Statistics. W. H. Freeman (conditional probability and Bayes' rule).
- Casella G, Berger RL. Statistical Inference (2nd ed). Duxbury, 2002 (Bayes' theorem and conditional probability).