如何解读你的贝叶斯定理结果
在灵敏度固定为 95%、假阳性率固定为 5% 的情况下，下表展示了后验概率会随先验概率发生多么显著的变化——这正是贝叶斯定理核心的基础比率效应。
| 先验 P(A) | 后验 P(A | B)（灵敏度 95% / 假阳性率 5%） |
|---|---|
| 0.1% | ≈ 1.87% |
| 1% | ≈ 16.10% |
| 10% | ≈ 67.86% |
| 50% | ≈ 95.00% |
- 后验概率对先验概率非常敏感，尤其是当先验很小的时候——这正是为什么在解读一次阳性检测结果或其他新证据时，不能忽略基础比率。
- 本计算器的公式适用于二元划分：事件 A 及其补事件 ¬A。若存在两种以上互斥的可能性（例如不止一种候选诊断），则需要用全概率公式在所有可能性上展开的完整形式。
- 假阳性率 P(B | ¬A) 并不等同于特异度——它等于 1 减去特异度，因此一项被描述为“特异度 95%”的检测，其假阳性率为 5%。
- 在合并之前对中间概率进行四舍五入，可能明显扭曲最终的后验结果，尤其是当先验很小的时候；应尽可能在整个计算过程中保留完整精度。
什么是贝叶斯定理？
贝叶斯定理是一个在观察到新证据（B）后更新事件（A）概率的公式，它把先验概率与该证据在不同情形下出现的可能性结合起来。其表达式为 P(A | B) = P(B | A) × P(A) / P(B)，它把一个“正向”概率——例如患病情况下检测呈阳性的可能性——转换为通常真正想知道的“反向”概率：在检测呈阳性的情况下，患病的可能性有多大。
本计算器采用诊断检测中常见的框架：P(A) 是先验概率（基础比率），即在做任何检测之前，相关人群中出现该情况的比率；P(B | A) 是灵敏度——在确实存在该情况的前提下，检测呈阳性的概率；P(B | ¬A) 是假阳性率——在不存在该情况的前提下，检测呈阳性的概率（等于 1 减去特异度）。
基础比率谬误是一种常见错误，即只关注检测的灵敏度而忽略先验概率。即便一项检测具有很高的灵敏度和很低的假阳性率，只要所检测的情况在人群中很罕见，得出的后验概率仍可能远低于直觉给出的判断。
如何使用本贝叶斯定理计算器
- 输入先验概率 P(A)——相关人群中该事件或情况的基础比率，以百分比形式表示。
- 输入 P(B | A)，即灵敏度——在该事件为真的前提下，观察到证据的概率。
- 输入 P(B | ¬A)，即假阳性率——在该事件不为真的前提下，观察到证据的概率。
- 查看后验概率 P(A | B)、证据的总概率 P(B)，以及似然比（贝叶斯因子），它比较的是证据在 A 成立与 A 不成立两种情形下出现可能性的相对倍数。
贝叶斯定理背后的公式
贝叶斯定理用全概率公式，在 A 和 ¬A 两种可能性上展开分母 P(B)：P(A | B) = [P(B | A) × P(A)] / [P(B | A) × P(A) + P(B | ¬A) × (1 − P(A))]。
算例：先验 P(A) = 1%，灵敏度 P(B | A) = 95%，假阳性率 P(B | ¬A) = 5%。分子：0.95 × 0.01 = 0.0095。阳性结果的总概率：P(B) = 0.95 × 0.01 + 0.05 × 0.99 = 0.0095 + 0.0495 = 0.059。后验：P(A | B) = 0.0095 / 0.059 ≈ 0.1610，因此后验概率约为 16.10%——尽管这项检测能正确识别出 95% 的真实病例，但在这个情形下，大多数阳性结果其实来自数量大得多的未患病人群。
似然比（贝叶斯因子）为 P(B | A) / P(B | ¬A)。在这个算例中，0.95 / 0.05 = 19，意味着若 A 为真，阳性结果出现的可能性是 A 为假时的 19 倍。
常见错误
- 把 P(B | A)（灵敏度）与 P(A | B)（后验概率）混淆——认为检测灵敏度高就意味着真实患病的概率也高，而忽略了基础比率，这正是经典的基础比率谬误。
- 完全忽略先验概率——当先验为 1% 时，一项灵敏度 95%、假阳性率 5% 的检测，后验概率也只有约 16%，因为大多数阳性结果都来自数量大得多的真阴性人群。
- 把特异度和假阳性率不加换算地当作可以互换的概念——本计算器要求输入的是 P(B | ¬A)，即假阳性率，它等于 1 减去特异度。
- 在存在两种以上互斥可能性的情况下，套用二元公式——A 与 ¬A 的简单版本只适用于结果的二元划分。
- 在合并之前对中间概率进行四舍五入，这会放大误差，而这类计算在基础比率较低时，对先验的微小变化尤为敏感。
常见问题
为什么一项 95% 准确的检测，在阳性结果中却往往错得更多？
当潜在情况本身很罕见时，大多数阳性结果其实来自数量大得多、检测呈假阳性的未患病人群，而不是来自真正患病的少数人。以先验 1%、灵敏度 95%、假阳性率 5% 为例，阳性结果对应的后验概率只有约 16.10%，尽管该检测对真实病例的准确率高达 95%。
什么是基础比率谬误？
基础比率谬误是一种常见错误，即在证据（例如一次阳性检测）出现后，主要根据该证据本身的准确度来判断事件发生的概率，而忽略了该事件本身有多罕见或多常见。贝叶斯定理通过明确纳入先验概率来纠正这一偏差。
灵敏度、特异度和假阳性率有什么区别？
灵敏度是在情况确实存在时得到阳性结果的概率，即 P(B | A)。特异度是在情况不存在时得到阴性结果的概率。假阳性率是特异度的补数——在情况不存在时得到阳性结果的概率，P(B | ¬A) = 1 − 特异度。
什么是贝叶斯因子（似然比）？
贝叶斯因子，即似然比，是 P(B | A) 除以 P(B | ¬A)——即观察到的证据在 A 成立时出现的可能性，是 A 不成立时的多少倍。在本页的算例中（灵敏度 95%，假阳性率 5%），贝叶斯因子为 19，意味着若该情况存在，阳性结果出现的可能性是不存在时的 19 倍。
先验概率如何影响后验概率？
影响非常显著。在灵敏度和假阳性率固定不变的情况下，先验越低，后验也会低得多，因为阳性结果中更大比例来自众多真阴性人群中的假阳性。把先验从 1% 提高到 10%（灵敏度 95%、假阳性率 5% 不变），后验会从约 16.10% 提升到约 67.86%。
先验、灵敏度和假阳性率需要加起来等于 100% 吗？
不需要。这是三个各自独立的概率，描述的是不同的东西——事件的基础比率，以及证据在两种情形下各自的条件概率——它们不需要加总到任何特定的数值。
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).