Hiểu kết quả định lý Bayes của bạn
Giữ nguyên độ nhạy ở mức 95% và tỷ lệ dương tính giả ở mức 5%, bảng dưới đây cho thấy xác suất hậu nghiệm thay đổi mạnh mẽ như thế nào theo xác suất tiên nghiệm — đây chính là hiệu ứng tỷ lệ nền nằm ở trung tâm của định lý Bayes.
| Xác suất tiên nghiệm P(A) | Xác suất hậu nghiệm P(A | B), tại độ nhạy 95% / tỷ lệ dương tính giả 5% |
|---|---|
| 0,1% | ≈ 1,87% |
| 1% | ≈ 16,10% |
| 10% | ≈ 67,86% |
| 50% | ≈ 95,00% |
- Xác suất hậu nghiệm rất nhạy cảm với xác suất tiên nghiệm, đặc biệt khi xác suất tiên nghiệm nhỏ — đây là lý do tỷ lệ nền không thể bị bỏ qua khi diễn giải một kết quả xét nghiệm dương tính hoặc bằng chứng mới khác.
- Công thức của máy tính này áp dụng cho một phép chia đôi: một sự kiện A và phần bù ¬A của nó. Các tình huống có nhiều hơn hai khả năng loại trừ lẫn nhau (ví dụ, nhiều hơn một chẩn đoán khả dĩ) đòi hỏi dạng đầy đủ hơn của quy tắc xác suất toàn phần trên tất cả các khả năng.
- Tỷ lệ dương tính giả, P(B | ¬A), không giống với độ đặc hiệu — nó bằng 1 trừ độ đặc hiệu, vậy một xét nghiệm được mô tả là 'đặc hiệu 95%' có tỷ lệ dương tính giả 5%.
- Làm tròn các xác suất trung gian trước khi kết hợp chúng có thể làm sai lệch đáng kể xác suất hậu nghiệm cuối cùng, đặc biệt khi xác suất tiên nghiệm nhỏ; hãy giữ đầy đủ độ chính xác trong suốt phép tính khi có thể.
Định lý Bayes là gì?
Định lý Bayes là một công thức để cập nhật xác suất của một sự kiện (A) sau khi quan sát bằng chứng mới (B), kết hợp một xác suất tiên nghiệm với khả năng xảy ra của bằng chứng đó trong các tình huống khác nhau. Nó được viết là P(A | B) = P(B | A) × P(A) / P(B), và nó chuyển đổi một xác suất 'thuận', chẳng hạn khả năng có kết quả xét nghiệm dương tính khi mắc bệnh, thành xác suất 'ngược' thường mới là điều thực sự đáng quan tâm: khả năng mắc bệnh khi có kết quả dương tính.
Máy tính này sử dụng khung xét nghiệm chẩn đoán phổ biến: P(A) là xác suất tiên nghiệm (tỷ lệ nền) của tình trạng trong quần thể liên quan trước khi thực hiện bất kỳ xét nghiệm nào, P(B | A) là độ nhạy — xác suất có kết quả dương tính khi tình trạng đó thực sự tồn tại — và P(B | ¬A) là tỷ lệ dương tính giả — xác suất có kết quả dương tính khi tình trạng đó không tồn tại (bằng 1 trừ độ đặc hiệu).
Ngộ nhận tỷ lệ nền là lỗi phổ biến khi chỉ tập trung vào độ nhạy của một xét nghiệm mà bỏ qua xác suất tiên nghiệm. Một xét nghiệm có thể có độ nhạy cao và tỷ lệ dương tính giả thấp nhưng vẫn cho xác suất hậu nghiệm thấp hơn nhiều so với trực giác gợi ý, bất cứ khi nào tình trạng được xét nghiệm là hiếm gặp trong quần thể.
Cách sử dụng máy tính định lý Bayes này
- Nhập xác suất tiên nghiệm P(A) — tỷ lệ nền của sự kiện hoặc tình trạng trong quần thể liên quan, dưới dạng phần trăm.
- Nhập P(B | A), độ nhạy — xác suất quan sát được bằng chứng khi sự kiện đó là đúng.
- Nhập P(B | ¬A), tỷ lệ dương tính giả — xác suất quan sát được bằng chứng khi sự kiện đó không đúng.
- Đọc xác suất hậu nghiệm P(A | B), tổng xác suất của bằng chứng P(B), và tỷ số khả dĩ (hệ số Bayes), so sánh mức độ bằng chứng có khả năng xảy ra cao hơn bao nhiêu dưới điều kiện A so với ¬A.
Công thức của định lý Bayes
Định lý Bayes khai triển mẫu số P(B) bằng quy tắc xác suất toàn phần trên hai khả năng A và ¬A: P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))].
Ví dụ minh họa: xác suất tiên nghiệm P(A) = 1%, độ nhạy P(B | A) = 95%, tỷ lệ dương tính giả P(B | ¬A) = 5%. Tử số: 0,95 × 0,01 = 0,0095. Tổng xác suất của một kết quả dương tính: P(B) = 0,95 × 0,01 + 0,05 × 0,99 = 0,0095 + 0,0495 = 0,059. Xác suất hậu nghiệm: P(A | B) = 0,0095 / 0,059 ≈ 0,1610, vậy xác suất hậu nghiệm xấp xỉ 16,10% — mặc dù xét nghiệm xác định đúng 95% các ca thực sự mắc bệnh, hầu hết kết quả dương tính trong tình huống này lại đến từ nhóm người lớn hơn nhiều không mắc tình trạng đó.
Tỷ số khả dĩ (hệ số Bayes) là P(B | A) / P(B | ¬A). Trong ví dụ minh họa, 0,95 / 0,05 = 19, nghĩa là một kết quả dương tính có khả năng xảy ra cao gấp 19 lần nếu A đúng so với nếu A sai.
Những lỗi thường gặp
- Nhầm lẫn P(B | A), độ nhạy, với P(A | B), xác suất hậu nghiệm — cho rằng một kết quả xét nghiệm có độ nhạy cao đồng nghĩa với xác suất cao thực sự mắc tình trạng đó, trong khi bỏ qua tỷ lệ nền, chính là ngộ nhận tỷ lệ nền kinh điển.
- Bỏ qua hoàn toàn xác suất tiên nghiệm — một xét nghiệm có độ nhạy 95% và tỷ lệ dương tính giả 5% vẫn chỉ cho xác suất hậu nghiệm khoảng 16% khi xác suất tiên nghiệm là 1%, vì hầu hết kết quả dương tính đến từ nhóm âm tính thật lớn hơn nhiều.
- Coi độ đặc hiệu và tỷ lệ dương tính giả có thể thay thế cho nhau mà không chuyển đổi — máy tính này yêu cầu P(B | ¬A), tỷ lệ dương tính giả, bằng 1 trừ độ đặc hiệu.
- Áp dụng công thức hai số hạng khi có nhiều hơn hai khả năng loại trừ lẫn nhau — phiên bản đơn giản A so với ¬A chỉ đúng với một phép chia đôi các kết quả.
- Làm tròn các xác suất trung gian trước khi kết hợp chúng, việc này làm tăng thêm sai số trong một phép tính vốn đặc biệt nhạy cảm với những thay đổi nhỏ của xác suất tiên nghiệm ở tỷ lệ nền thấp.
Câu hỏi thường gặp
Vì sao một xét nghiệm chính xác 95% vẫn có thể sai phần lớn thời gian với một kết quả dương tính?
Khi tình trạng nền tảng hiếm gặp, hầu hết kết quả dương tính đến từ nhóm người lớn hơn nhiều không mắc tình trạng đó nhưng có kết quả dương tính giả, chứ không phải từ nhóm nhỏ người thực sự mắc bệnh. Với xác suất tiên nghiệm 1%, độ nhạy 95% và tỷ lệ dương tính giả 5%, xác suất hậu nghiệm khi có kết quả dương tính chỉ khoảng 16,10%, mặc dù xét nghiệm chính xác 95% trên các ca thực sự mắc bệnh.
Ngộ nhận tỷ lệ nền là gì?
Ngộ nhận tỷ lệ nền là lỗi phổ biến khi đánh giá xác suất của một sự kiện dựa trên bằng chứng (chẳng hạn một xét nghiệm dương tính) chủ yếu dựa vào độ chính xác của bằng chứng đó mà bỏ qua mức độ hiếm hay phổ biến của sự kiện đó ngay từ đầu. Định lý Bayes khắc phục điều này bằng cách đưa xác suất tiên nghiệm vào một cách rõ ràng.
Sự khác biệt giữa độ nhạy, độ đặc hiệu và tỷ lệ dương tính giả là gì?
Độ nhạy là xác suất có kết quả dương tính khi tình trạng đó tồn tại, P(B | A). Độ đặc hiệu là xác suất có kết quả âm tính khi tình trạng đó không tồn tại. Tỷ lệ dương tính giả là phần bù của độ đặc hiệu — xác suất có kết quả dương tính khi tình trạng đó không tồn tại, P(B | ¬A) = 1 − độ đặc hiệu.
Hệ số Bayes (tỷ số khả dĩ) là gì?
Hệ số Bayes, hay tỷ số khả dĩ, là P(B | A) chia cho P(B | ¬A) — bằng chứng quan sát được có khả năng xảy ra cao gấp bao nhiêu lần dưới điều kiện A so với ¬A. Trong ví dụ minh họa trên trang này (độ nhạy 95%, tỷ lệ dương tính giả 5%), hệ số Bayes bằng 19, nghĩa là một kết quả dương tính có khả năng xảy ra cao gấp 19 lần nếu tình trạng đó tồn tại so với khi không tồn tại.
Xác suất tiên nghiệm ảnh hưởng đến xác suất hậu nghiệm như thế nào?
Rất mạnh mẽ. Giữ nguyên độ nhạy và tỷ lệ dương tính giả, xác suất tiên nghiệm thấp hơn tạo ra xác suất hậu nghiệm thấp hơn nhiều, vì một phần lớn hơn trong kết quả dương tính đến từ các dương tính giả trong số rất nhiều âm tính thật. Nâng xác suất tiên nghiệm từ 1% lên 10% (giữ nguyên độ nhạy 95% và tỷ lệ dương tính giả 5%) nâng xác suất hậu nghiệm từ khoảng 16,10% lên khoảng 67,86%.
Xác suất tiên nghiệm, độ nhạy và tỷ lệ dương tính giả có cần cộng lại bằng 100% không?
Không. Đây là ba xác suất riêng biệt mô tả những điều khác nhau — tỷ lệ nền của sự kiện, và hai xác suất có điều kiện của bằng chứng trong từng tình huống — và không có xác suất nào trong số đó cần cộng lại thành một tổng cụ thể.
Tài liệu tham khảo
- 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).