terroryzm.pl

Naukowo i praktycznie o terroryzmie, bezpieczeństwie i przeciwdziałaniu przemocy

Paradoks podstawy w przesiewie (twierdzenie Bayesa)

Kalkulatory / Paradoks podstawy

Powiązane artykuły: Nadzór masowy, big data i AI oraz Listy obserwacyjne, tiering i prawo do korekty.

Narzędzie metodologiczne: pokazuje, dlaczego masowe typowanie i nadzór przy bardzo niskiej częstości bazowej realnych zagrożeń dają lawinę fałszywie dodatnich wskazań — nawet gdy test/algorytm wydaje się „dokładny". Podaj częstość bazową oraz czułość i swoistość, a kalkulator policzy wartość predykcyjną dodatnią (PPV) i liczbę fałszywych alarmów przypadających na jedno trafne wskazanie. To argument za ostrożnością i ochroną praw jednostki przy projektowaniu systemów przesiewowych.

Liczba niezależnych jednostek poddanych testowi w jednym, jasno określonym okresie. Zmienia oczekiwane liczby wskazań, ale nie PPV ani NPV.

Podaj mianownik X: „1 na X” badanych spełnia z góry ustaloną definicję przypadku. Wartość musi dotyczyć tej samej populacji, okresu i punktu procesu co test.

Warunkowe prawdopodobieństwo wyniku dodatniego wśród rzeczywistych przypadków: P(test+ | przypadek). Powinno pochodzić z niezależnej walidacji.

Warunkowe prawdopodobieństwo wyniku ujemnego wśród jednostek niebędących przypadkami: P(test− | brak przypadku). Powinno pochodzić z tej samej walidacji co czułość.

Resetuj
Jak pozyskać i skalibrować parametry?

Najpierw trzeba operacyjnie zdefiniować „przypadek”, wynik dodatni, jednostkę analizy, populację i horyzont czasu. Czułość i swoistość należy oszacować na reprezentatywnym zbiorze walidacyjnym niewykorzystanym do budowy modelu, porównując wskazania z możliwie niezależnym standardem odniesienia. Wartości z próby zbalansowanej można wykorzystać dla Se i Sp, lecz jej sztuczny udział przypadków nie jest częstością bazową populacji docelowej.

Częstość bazowa powinna pochodzić z danych dla populacji, w której system będzie używany, z korektą opóźnień i niepełnej obserwacji. Jeśli test działa po wcześniejszej selekcji, należy użyć częstości w tej już wyselekcjonowanej grupie, a nie w całej populacji. Parametry trzeba ponownie walidować po zmianie progu decyzyjnego, źródeł danych, definicji przypadku lub warunków wdrożenia.