Benutzer:XoMEoX/Spielwiese

Dieser Artikel ist im Entstehen und noch nicht Bestandteil der freien Enzyklopädie Wikipedia.

Solltest du über eine Suchmaschine darauf gestoVorlage:SSen sein, bedenke, dass der Text noch unvollständig sein und Fehler oder ungeprüfte Aussagen enthalten kann. Wenn du Fragen zum Thema hast, nimm Kontakt mit dem Autor XoMEoX auf.

Qualitativer Test

Qualitative Tests kommen bei medizinischen Fragestellungen zur Anwendung und unterscheiden sich von quantitativen Tests dadurch, dass sie keinen Messwert, sondern nur eine ja/nein-Aussage liefern (in der Regel positiv/negativ, also z.B. krank/nicht krank). Beispiele sind Schwangerschaftstests, Drogentests oder Haemoccult-Tests. Häufig handelt es sich hiebei um Screening-Tests, die schnell eine vorläufige Aussage liefern, die dann (ggf. nur im positiven Fall) durch aufwendigere Verfahren bestätigt werden muß.

Da qualitative Tests nicht zu 100% richtige Ergebnisse liefern, werden sie mit statistischen Verfahren bewertet. Dabei werden Personen getestet und überprüft, ob das Testergebnis richtig war. Man erhält damit die Anzahl

• richtig-positiver Ergebnisse (r_p),
• falsch-positiver Ergebnisse (f_p),
• richtig-negativer Ergebnisse (r_n) und
• falsch-negativer Ergebnisse (f_n).

Folgende Kennzahlen werden daraus ermittelt:

Sensitivität

Die Sensitivität besagt, bei wie vielen der tatsächlich positiven Personen auch ein positives Ergebnis erzielt wird. Also z.B. bei wie vielen der tatsächlich Schwangeren auch das Testergebnis positiv (also "schwanger") ist:

${\text{Sensitivität}}={\frac {r_{p}}{r_{p}+f_{n}}}$

Spezifität

Analog zur Sensitivität drückt die Spezifität aus, wie viele der tatsächlich negativen Testpersonen auch negativ getestet werden:

${\text{Spezifität}}={\frac {f_{n}}{r_{p}+f_{n}}}$

Positiv-prädikativer Wert

Der positiv-prädikative Wert besagt, mit welcher Wahrscheinlichkeit die Testperson bei einem positiven Ergebnis tatsächlich positiv ist. Es drückt also die Wahrscheinlichkeit aus, dass ein positives Testergebnis richtig ist:

${\text{Positiv prädikativer Wert}}={\frac {r_{p}}{r_{p}+f_{p}}}$

Negativ-prädikativer Wert

Analog drückt der negativ-prädikative Wert die Wahrscheinlichkeit aus, mit der ein negatives Testergebnis richtig ist:

${\text{Negativ prädikativer Wert}}={\frac {r_{n}}{r_{n}+f_{n}}}$

Accuracy

Die Accuracy, auf deutsch auch Korrektklassifikationsrate oder Genauigkeit kombiniert Sensitivität und Spezifität und besagt ganz allgemein, in wie vielen Fällen ein Testergebnis richtig ist (positiv und negativ):

${\text{Accurracy}}={\frac {\text{richtige Ergebnisse}}{\text{alle Ergebnisse}}}={\frac {r_{p}+r_{n}}{r_{p}+f_{p}+r_{n}+f_{n}}}$

Probleme

Hier wäre auf die Probleme "gegenseitige Beeinflussung", "Seltene Positiv-Fälle" und "Unvollständige Wahrheitsmatrix" einzugehen, die in Beurteilung_eines_binären_Klassifikators recht gut beschrieben sind.