В теории вероятности и статистике базовая ставка (также известная как априорная вероятность ) — это класс вероятностей, не зависящих от «признаков» ( правдоподобий ).
Это доля людей в популяции, которые имеют определенную характеристику или черту. Например, если 1% популяции были медицинскими работниками, а остальные 99% не были медицинскими работниками, то базовая ставка медицинских работников составляет 1%. Метод интеграции базовых ставок и признаковых свидетельств задается правилом Байеса .
В науках , включая медицину , базовая ставка имеет решающее значение для сравнения. [1] В медицине эффективность лечения очевидна, когда доступна базовая ставка. Например, если контрольная группа , не принимавшая никакого лечения, имела свою собственную базовую ставку 1/20 выздоровлений в течение 1 дня, а лечение имело базовую ставку 1/100 выздоровления в течение 1 дня, мы видим, что лечение активно снижает выздоровление.
Базовая ставка является важным понятием в статистическом выводе , особенно в байесовской статистике . [2] В байесовском анализе базовая ставка объединяется с наблюдаемыми данными для обновления нашего убеждения о вероятности интересующей характеристики или признака. Обновленная вероятность известна как апостериорная вероятность и обозначается как P(A|B), где B представляет наблюдаемые данные. Например, предположим, что мы заинтересованы в оценке распространенности заболевания в популяции. Базовая ставка будет представлять собой долю лиц в популяции, имеющих это заболевание. Если мы наблюдаем положительный результат теста для конкретного человека, мы можем использовать байесовский анализ для обновления нашего убеждения о вероятности того, что у человека есть это заболевание. Обновленная вероятность будет представлять собой комбинацию базовой ставки и вероятности результата теста с учетом статуса заболевания.
Базовая ставка также важна при принятии решений , особенно в ситуациях, когда стоимость ложноположительных и ложноотрицательных результатов различна. [3] Например, при медицинском тестировании ложноотрицательный результат (неспособность диагностировать заболевание) может быть намного более дорогостоящим, чем ложноположительный результат (неправильная диагностика заболевания). В таких случаях базовая ставка может помочь в принятии решений о соответствующем пороге для положительного результата теста.
Во многих психологических исследованиях изучалось явление, называемое игнорированием базового уровня или ошибкой базового уровня , при котором базовые уровни категории не интегрируются с представленными доказательствами нормативным образом, [4] хотя не все доказательства последовательны относительно того, насколько распространено это заблуждение. [5] Математик Кит Девлин иллюстрирует риски как гипотетический тип рака, которым страдает 1% всех людей. Предположим, что врач затем говорит, что существует тест на указанный рак, который надежен примерно на 80% , и что тест дает положительный результат для 100% людей, больных раком, но он также приводит к «ложноположительному» результату для 20% людей, у которых нет рака . Поэтому положительный результат теста может заставить людей поверить, что вероятность того, что у них рак, составляет 80%. Девлин объясняет, что вместо этого шансы составляют менее 5%. Чего не хватает в этой статистике, так это соответствующей информации о базовом уровне. Врача следует спросить: «Из числа людей, у которых тест положительный (группа базового уровня), у скольких есть рак?» [6] При оценке вероятности того, что данный индивид является членом определенного класса, необходимо учитывать информацию, отличную от базовой ставки, особенно свидетельства признаков. Например, когда человек в белом халате врача и со стетоскопом выписывает рецепт на лекарство, есть свидетельства, которые позволяют сделать вывод о том, что вероятность того, что этот конкретный индивид является медицинским работником, значительно более значима, чем базовая ставка категории в 1%. [ необходима цитата ]