陽性和陰性預測值的統計檢驗

我正在閱讀一篇論文，看到一張表格，其中比較了 PPV（正預測值）和 NPV（負預測值）之間的比較。他們為他們做了某種統計測試，這是表格的草圖：

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

每行都指一個特定的列聯表。

他們做了什麼樣的假設檢驗？謝謝！

假設如下所示的交叉分類（此處為篩選工具）

我們可以定義篩選準確性和預測能力的四種衡量標準：

• 敏感性(se), a/(a + c)，即在存在疾病的情況下篩查提供陽性結果的概率；
• 特異性(sp), d/(b + d)，即在不存在疾病的情況下篩查提供陰性結果的概率；
• 陽性預測值（PPV），a/（a+b），即檢測結果為陽性的患者被正確診斷（為陽性）的概率；
• 陰性預測值（NPV），d/（c+d），即檢測結果為陰性的患者被正確診斷（為陰性）的概率。

每四個度量都是根據觀察數據計算的簡單比例。因此，合適的統計測試將是二項式（精確）測試，它應該在大多數統計軟件包或許多在線計算器中都可用。檢驗假設是觀察到的比例是否顯著不同於 0.5。然而，我發現提供置信區間比提供單一顯著性檢驗更有趣，因為它提供了有關測量精度的信息。無論如何，為了重現您顯示的結果，您需要知道雙向表的總邊距（您只給出了 PPV 和 NPV 作為百分比）。

例如，假設我們觀察到以下數據（CAGE 問卷是酒精篩查問卷）：

然後在 R 中，PPV 將按如下方式計算：

> 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，那麼您可以查看使用說明 24170：如何估計敏感性、特異性、陽性和陰性預測值、假陽性和陰性概率以及似然比？.

為了計算置信區間，高斯近似，(1.96 是標準正態分佈的分位數或者和%)，在實踐中使用，特別是當比例非常小或非常大時（這裡經常出現這種情況）。

如需進一步參考，您可以查看

紐科姆，RG。單一比例的雙邊置信區間：七種方法的比較。 醫學統計，17, 857-872 (1998)。

引用自：https://stats.stackexchange.com/questions/6309