高雄是否要設快篩站 陳其邁:偽陽性恐高 - 高雄
By Hamiltion
at 2021-05-18T02:06
at 2021-05-18T02:06
Table of Contents
其實我個人對於這一個問題也是有一些看法~
不過還是針對我有興趣的問題來回覆一下。
先來說說偽陽(陰)性,基本上這一個問題有板有回覆過了,
有興趣的人可以自參照#1Weav5OP (Kaohsiung) 或是 條件機率的課題。
我想來聊聊的是"假設檢定",這是一個很有趣也很常看到的資訊但是大家確又貌似
不太了解,所以想來聊一下這一個問題,以下本文開始:
所謂假設檢定的概念其實很簡單,因為事實上我們無法真的作到普查(現在流行的用法是
普篩),所以我們只可以抽樣來看,然後猜一個可能的實際值看看有沒有機會被包含在
可能的機率範圍之中,這樣的概念就是假設檢定。
現在我們依據最熱門的一次抽樣確診者案1229的部份247(無確診)+1(案例本身),
所以就假定這是隨機的抽(事實上這應該比隨機抽的機率高) 那麼中獎的機率會是1/248
,那麼我們可以算一下這樣狀況之下的標準差:
[(1/248)*(1-1/248)/(248)]^0.5 大約是0.00402..,
接著我們看平均值1/248 大約是0.00403..,所以接下來我們看兩個標準差的值
0.00403..+2*0.0402..大約是0.012..,也就是說中獎的機率高於0.012的可能性大約是
2.5%左右,如果我們算三個標準差就會是0.016..,高於這一個值的可能性值接降到
0.0025以下,所以如果你說現在如果有得病的人的比例是高於2%,那科學界會說:
你的抽樣結果不支持你的假定。
這就是檢定假設。所以基本上你論文如果說高於1.2%就會有一堆人打你的臉了......。
但是我們不管就是任性的用1.2%來看目前高雄的檢測是不是應該多次快篩?我們先假定
大家都是最敏感的案例,快篩準確度結果直接上綱到95%,那麼偽陽性的機率會是0.0494
,在來比對真的陽性0.0114,兩者的比值約是:4.33..也就是假的對象會是真的對象的
4.33倍,這就是為什麼會說偽陽性太多的結果。然後假的就消耗了更多的醫療資源!!
至於多作幾次會不會改變結果?依據取樣結果是常態分配,所以你一個正常的人作
很多次之後結果就會接近快篩告訴你的檢驗可能性95%正常、5%得病(當然還是會有特例)
所以這樣多作幾次你大概可以得知的是:藥廠表示的誤差率是不是有問題~
如果對於抽樣有興趣的那就往下看吧~
相信大家很常在選舉的時候看到電視的民調資訊有"信心水準",
或多或少的人有對這一個資訊充滿好奇,不過我相信多數的人就直接略過~
所以我們就來談一下這個一個很有相關的"假設檢定",在聊這一個資訊之前我們有一些
要補齊的資訊:1.檢定樣本為常態分佈。2.二項式分佈量夠大的時候會接近常態分佈,
以上是必須有的資訊,我們簡單的解釋一下:
1-1.在統計分佈有很多種不一樣的圖型的形狀,其中有一項很特別的叫做常態分佈,
基本上就是很常出現的分佈圖型,所以就叫常態,這一個分佈有一個特色
就是68-95-99.5的配比關係,意思是離中央(平均值)的距離大的區間內發生的比例
越高,距離中央值一個標準差(距離的單位和一公分差不多)的範圍發生的機率是
68%,兩個標準差是95%,三個標準差99.5%。通常我們都是這樣表示
99.5 95 68 68 95 99.5 ([]內發生的機率)
---[----[----[----中----]----]----]---
3 2 1 1 2 3 (標準差個數)
看不太懂可以看美圖https://reurl.cc/OXdMMR
1-2.所謂的"檢定樣本為常態分佈"意思是不管你原本的樣本分佈是怎樣的分佈,只要我們
作取樣看中籤(如:當選、得病......)的統計分佈圖就是常態分佈。所以是針對取樣
結果來說就是常態分佈,而非指原先的樣本是常態分佈,這點常常是誤解。
2.一般來說我們作的民調或是得病的取樣統計基本上多數都是"二項式分佈",而所謂的
二項式分佈則是稱"每次的取樣只有兩個結果(O 或 X)作很多次"。其實就是作很多次
是非題的概念。
基本上這樣就可以開始我們的假設檢定的內文的部份了。
所謂的假設檢定就是我們假設一個"可能的分佈比例結果",在用抽樣的方式去檢驗這樣
的可能性是不是存在,而信心水準指數就是說有多高的比例我的猜測範圍內的"假設結果"
是可能發生的。舉個例子如果我做出來的抽樣結果是0.5,我們標準差是0.1,那就是說
如果我的假定真實的結果是0.4~0.6之間,那真的被我猜到真實的結果在這一個範圍內
的比例是68%。那如果是0.2~0.8那被我猜中的比例就會有99.5%這麼高。
※ 引述《lovebxcx (peiler :))》之銘言:
: 統一一次講,都一年了,大家都長進點好嗎…不要再跳針偽陽偽陰…
: Q1. 為什麼要普篩/廣篩/ whatever什麼篩?
: A1. 為了要阻斷傳染,越早被篩檢出來,就越早被處置(隔離/治療)
: Q2. 為什麼陽性率很低的地方,不追求普篩?
: A2. 因為沒有傳染鍊存在,又何來阻斷傳染,驗了只是浪費錢。
: Q3. 那偽陽偽陰又是?
: A3. 用來騙你的,偽陽偽陰從來都不是考慮該不該篩檢的因素。
: 簡單地說,假設偽陽的機率有1%,那你用一根篩檢棒有百分之1的機率誤判,一次用兩根
: 篩檢棒就只剩萬分之1,一次用三根篩檢棒的機率就只剩下百萬分之1,這就是現代人驗
: 孕一次買不同廠商的同時驗的理由。
: Q4. 那高雄該不該普篩?
: A4. 不管高雄現在該不該「普篩」,也應該要建立快篩站了,全世界一年多來已經示範
: 給台灣看了,台北也示範了三天給其他縣市看,驗不到就當是演練流程也好,都已經一
: 年了,各國都在打疫苗解封,台灣人竟然還在為了篩檢排隊?
: ※ 引述《tenfu (富哥)》之銘言
: : 台北快篩也只有萬華
: : 有沒有想過其他區域如 大安 信義
: : 為啥沒有快篩? 希望上篇酸的 可以來答一下
: : 平常各大醫院有一定篩檢量
: : 現在醫院也會去拼命篩
: : 當有趨勢顯示特定區域
: : 自然有可能如萬華設置
: : 現在就如同大安 信義沒設置快篩
:
--
不過還是針對我有興趣的問題來回覆一下。
先來說說偽陽(陰)性,基本上這一個問題有板有回覆過了,
有興趣的人可以自參照#1Weav5OP (Kaohsiung) 或是 條件機率的課題。
我想來聊聊的是"假設檢定",這是一個很有趣也很常看到的資訊但是大家確又貌似
不太了解,所以想來聊一下這一個問題,以下本文開始:
所謂假設檢定的概念其實很簡單,因為事實上我們無法真的作到普查(現在流行的用法是
普篩),所以我們只可以抽樣來看,然後猜一個可能的實際值看看有沒有機會被包含在
可能的機率範圍之中,這樣的概念就是假設檢定。
現在我們依據最熱門的一次抽樣確診者案1229的部份247(無確診)+1(案例本身),
所以就假定這是隨機的抽(事實上這應該比隨機抽的機率高) 那麼中獎的機率會是1/248
,那麼我們可以算一下這樣狀況之下的標準差:
[(1/248)*(1-1/248)/(248)]^0.5 大約是0.00402..,
接著我們看平均值1/248 大約是0.00403..,所以接下來我們看兩個標準差的值
0.00403..+2*0.0402..大約是0.012..,也就是說中獎的機率高於0.012的可能性大約是
2.5%左右,如果我們算三個標準差就會是0.016..,高於這一個值的可能性值接降到
0.0025以下,所以如果你說現在如果有得病的人的比例是高於2%,那科學界會說:
你的抽樣結果不支持你的假定。
這就是檢定假設。所以基本上你論文如果說高於1.2%就會有一堆人打你的臉了......。
但是我們不管就是任性的用1.2%來看目前高雄的檢測是不是應該多次快篩?我們先假定
大家都是最敏感的案例,快篩準確度結果直接上綱到95%,那麼偽陽性的機率會是0.0494
,在來比對真的陽性0.0114,兩者的比值約是:4.33..也就是假的對象會是真的對象的
4.33倍,這就是為什麼會說偽陽性太多的結果。然後假的就消耗了更多的醫療資源!!
至於多作幾次會不會改變結果?依據取樣結果是常態分配,所以你一個正常的人作
很多次之後結果就會接近快篩告訴你的檢驗可能性95%正常、5%得病(當然還是會有特例)
所以這樣多作幾次你大概可以得知的是:藥廠表示的誤差率是不是有問題~
如果對於抽樣有興趣的那就往下看吧~
相信大家很常在選舉的時候看到電視的民調資訊有"信心水準",
或多或少的人有對這一個資訊充滿好奇,不過我相信多數的人就直接略過~
所以我們就來談一下這個一個很有相關的"假設檢定",在聊這一個資訊之前我們有一些
要補齊的資訊:1.檢定樣本為常態分佈。2.二項式分佈量夠大的時候會接近常態分佈,
以上是必須有的資訊,我們簡單的解釋一下:
1-1.在統計分佈有很多種不一樣的圖型的形狀,其中有一項很特別的叫做常態分佈,
基本上就是很常出現的分佈圖型,所以就叫常態,這一個分佈有一個特色
就是68-95-99.5的配比關係,意思是離中央(平均值)的距離大的區間內發生的比例
越高,距離中央值一個標準差(距離的單位和一公分差不多)的範圍發生的機率是
68%,兩個標準差是95%,三個標準差99.5%。通常我們都是這樣表示
99.5 95 68 68 95 99.5 ([]內發生的機率)
---[----[----[----中----]----]----]---
3 2 1 1 2 3 (標準差個數)
看不太懂可以看美圖https://reurl.cc/OXdMMR
1-2.所謂的"檢定樣本為常態分佈"意思是不管你原本的樣本分佈是怎樣的分佈,只要我們
作取樣看中籤(如:當選、得病......)的統計分佈圖就是常態分佈。所以是針對取樣
結果來說就是常態分佈,而非指原先的樣本是常態分佈,這點常常是誤解。
2.一般來說我們作的民調或是得病的取樣統計基本上多數都是"二項式分佈",而所謂的
二項式分佈則是稱"每次的取樣只有兩個結果(O 或 X)作很多次"。其實就是作很多次
是非題的概念。
基本上這樣就可以開始我們的假設檢定的內文的部份了。
所謂的假設檢定就是我們假設一個"可能的分佈比例結果",在用抽樣的方式去檢驗這樣
的可能性是不是存在,而信心水準指數就是說有多高的比例我的猜測範圍內的"假設結果"
是可能發生的。舉個例子如果我做出來的抽樣結果是0.5,我們標準差是0.1,那就是說
如果我的假定真實的結果是0.4~0.6之間,那真的被我猜到真實的結果在這一個範圍內
的比例是68%。那如果是0.2~0.8那被我猜中的比例就會有99.5%這麼高。
※ 引述《lovebxcx (peiler :))》之銘言:
: 統一一次講,都一年了,大家都長進點好嗎…不要再跳針偽陽偽陰…
: Q1. 為什麼要普篩/廣篩/ whatever什麼篩?
: A1. 為了要阻斷傳染,越早被篩檢出來,就越早被處置(隔離/治療)
: Q2. 為什麼陽性率很低的地方,不追求普篩?
: A2. 因為沒有傳染鍊存在,又何來阻斷傳染,驗了只是浪費錢。
: Q3. 那偽陽偽陰又是?
: A3. 用來騙你的,偽陽偽陰從來都不是考慮該不該篩檢的因素。
: 簡單地說,假設偽陽的機率有1%,那你用一根篩檢棒有百分之1的機率誤判,一次用兩根
: 篩檢棒就只剩萬分之1,一次用三根篩檢棒的機率就只剩下百萬分之1,這就是現代人驗
: 孕一次買不同廠商的同時驗的理由。
: Q4. 那高雄該不該普篩?
: A4. 不管高雄現在該不該「普篩」,也應該要建立快篩站了,全世界一年多來已經示範
: 給台灣看了,台北也示範了三天給其他縣市看,驗不到就當是演練流程也好,都已經一
: 年了,各國都在打疫苗解封,台灣人竟然還在為了篩檢排隊?
: ※ 引述《tenfu (富哥)》之銘言
: : 台北快篩也只有萬華
: : 有沒有想過其他區域如 大安 信義
: : 為啥沒有快篩? 希望上篇酸的 可以來答一下
: : 平常各大醫院有一定篩檢量
: : 現在醫院也會去拼命篩
: : 當有趨勢顯示特定區域
: : 自然有可能如萬華設置
: : 現在就如同大安 信義沒設置快篩
:
--
All Comments
By Ethan
at 2021-05-20T12:34
at 2021-05-20T12:34
By Charlotte
at 2021-05-22T23:03
at 2021-05-22T23:03
By Ida
at 2021-05-25T09:32
at 2021-05-25T09:32
By Noah
at 2021-05-27T20:00
at 2021-05-27T20:00
By Sandy
at 2021-05-30T06:29
at 2021-05-30T06:29
By Kyle
at 2021-06-01T16:58
at 2021-06-01T16:58
By Necoo
at 2021-06-04T03:26
at 2021-06-04T03:26
By Hazel
at 2021-06-06T13:55
at 2021-06-06T13:55
By Rachel
at 2021-06-09T00:24
at 2021-06-09T00:24
By Sarah
at 2021-06-11T10:53
at 2021-06-11T10:53
By Kyle
at 2021-06-13T21:21
at 2021-06-13T21:21
By Ingrid
at 2021-06-16T07:50
at 2021-06-16T07:50
By Damian
at 2021-06-18T18:19
at 2021-06-18T18:19
By Tristan Cohan
at 2021-06-21T04:47
at 2021-06-21T04:47
By Megan
at 2021-06-23T15:16
at 2021-06-23T15:16
By Megan
at 2021-06-26T01:45
at 2021-06-26T01:45
By Quintina
at 2021-06-28T12:13
at 2021-06-28T12:13
By William
at 2021-06-30T22:42
at 2021-06-30T22:42
By Christine
at 2021-07-03T09:11
at 2021-07-03T09:11
By Jack
at 2021-07-05T19:40
at 2021-07-05T19:40
By Olga
at 2021-07-08T06:08
at 2021-07-08T06:08
By Selena
at 2021-07-10T16:37
at 2021-07-10T16:37
By Hedwig
at 2021-07-13T03:06
at 2021-07-13T03:06
By Oliver
at 2021-07-15T13:34
at 2021-07-15T13:34
By Audriana
at 2021-07-18T00:03
at 2021-07-18T00:03
By Olga
at 2021-07-20T10:32
at 2021-07-20T10:32
By Quanna
at 2021-07-22T21:00
at 2021-07-22T21:00
By Edith
at 2021-07-25T07:29
at 2021-07-25T07:29
By Tom
at 2021-07-27T17:58
at 2021-07-27T17:58
By Wallis
at 2021-07-30T04:27
at 2021-07-30T04:27
By Doris
at 2021-08-01T14:55
at 2021-08-01T14:55
By Hedy
at 2021-08-04T01:24
at 2021-08-04T01:24
By Doris
at 2021-08-06T11:53
at 2021-08-06T11:53
By Gilbert
at 2021-08-08T22:21
at 2021-08-08T22:21
By Kristin
at 2021-08-11T08:50
at 2021-08-11T08:50
By Robert
at 2021-08-13T19:19
at 2021-08-13T19:19
By Damian
at 2021-08-16T05:47
at 2021-08-16T05:47
By Franklin
at 2021-08-18T16:16
at 2021-08-18T16:16
By Lily
at 2021-08-21T02:45
at 2021-08-21T02:45
By Suhail Hany
at 2021-08-23T13:14
at 2021-08-23T13:14
By Lauren
at 2021-08-25T23:42
at 2021-08-25T23:42
By Jacob
at 2021-08-28T10:11
at 2021-08-28T10:11
By Linda
at 2021-08-30T20:40
at 2021-08-30T20:40
By Linda
at 2021-09-02T07:08
at 2021-09-02T07:08
By Sierra Rose
at 2021-09-04T17:37
at 2021-09-04T17:37
By Kumar
at 2021-09-07T04:06
at 2021-09-07T04:06
By Kama
at 2021-09-09T14:34
at 2021-09-09T14:34
By Caroline
at 2021-09-12T01:03
at 2021-09-12T01:03
By Daniel
at 2021-09-14T11:32
at 2021-09-14T11:32
By Jack
at 2021-09-16T22:01
at 2021-09-16T22:01
By Kyle
at 2021-09-19T08:29
at 2021-09-19T08:29
By Audriana
at 2021-09-21T18:58
at 2021-09-21T18:58
By Odelette
at 2021-09-24T05:27
at 2021-09-24T05:27
By Genevieve
at 2021-09-26T15:55
at 2021-09-26T15:55
By Catherine
at 2021-09-29T02:24
at 2021-09-29T02:24
By Annie
at 2021-10-01T12:53
at 2021-10-01T12:53
By Jessica
at 2021-10-03T23:21
at 2021-10-03T23:21
By Agnes
at 2021-10-06T09:50
at 2021-10-06T09:50
By Caitlin
at 2021-10-08T20:19
at 2021-10-08T20:19
By Ursula
at 2021-10-11T06:48
at 2021-10-11T06:48
By Kyle
at 2021-10-13T17:16
at 2021-10-13T17:16
By Ida
at 2021-10-16T03:45
at 2021-10-16T03:45
Related Posts
前鎮區靠近瑞北路附近有月租停車場嗎?
By Hedwig
at 2021-05-18T02:02
at 2021-05-18T02:02
跟進雙北高中以下停課? 鄭文燦:全面配
By Mia
at 2021-05-18T01:09
at 2021-05-18T01:09
苗栗縣增1例!48歲男曾到板橋文化街用餐
By Steve
at 2021-05-18T01:08
at 2021-05-18T01:08
本土疫情爆發 黃偉哲:南市規劃37個衛生
By Lily
at 2021-05-18T00:11
at 2021-05-18T00:11
高雄市QR Code實聯制系統推向全國 唐鳳
By Harry
at 2021-05-18T00:02
at 2021-05-18T00:02