3Blue1Brown用贝叶斯因子重构筛查悖论破除高准确度诊断迷思

3Blue1Brown

高准确度测试无法单独决定患病风险，通过将概率换算为赔率并乘以贝叶斯因子，能彻底解耦先验背景并消除医生的直觉性误诊。

AI-assisted summary of The medical test paradox, and redesigning Bayes' rule — original source. Check the original for full context.

Source published: 2020-12-22

Key ideas

高准确度的医学检测不等于高预测力：在患病率为 1%、灵敏度 90%、特异度 91% 的乳腺癌筛查中，阳性受检者的真实患病概率（PPV）仅约为 9.2%（十一分之一左右）。 (0:00)
心理学家格尔德·吉仁泽的研讨会调查显示，超过半数妇科医生误将上述阳性确诊率估算为 90%，仅约五分之一答对真实水平，暴露了传统抽象百分比带来的严重认知盲区。 (2:44)
引入贝叶斯因子（似然比）可将繁琐的灵敏度与特异度整合为单一乘数更新机制，二分类下等于灵敏度除以假阳性率，在低先验概率下可直接通过乘法心算估算后验概率。 (5:53)
切换至赔率（Odds）体系后，“后验赔率 = 先验赔率 × 贝叶斯因子”成为严格的数学真理，彻底解耦患者背景与测试效力，并支持多重独立证据的链式乘法更新。 (11:00)

Detailed notes

## Background 该内容由知名数学科普频道 3Blue1Brown 于 2020 年 12 月 22 日发布在 YouTube 平台上。视频简介指出，本期主题探讨医学检测悖论背后的似然比与贝叶斯因子（Bayes Factor），并通过重新设计贝叶斯规则来厘清概率更新的本质。

## TL;DR 视频从一个反直觉的医学筛查悖论切入：一项准确率超过 90% 的检测呈阳性后，患者真正患病的概率可能仅有约十分之一，这导致绝大多数医生在面对抽象百分比时出现严重误判。为了破除这种认知盲区，主讲人将测试重新定义为一种“概率更新机制”，并引入贝叶斯因子（似然比）的概念。进一步将概率度量切换为赔率（Odds）后，先验与测试效力得以彻底解耦，贝叶斯定理化简为优雅的“后验赔率 = 先验赔率 × 贝叶斯因子”连乘形式。这种重新设计的公式不仅极大简化了心算与多重证据链推演，还深刻揭示了数学表达背后的设计哲学。

## Atmosphere & style 视频延续了 3Blue1Brown 标志性的从容、严密与优雅风格，伴随着柔和灵动的动画演示与背景配乐，将抽象干瘪的统计公式转化为极具美感的视觉直觉。讲解层层递进，从揭露现实中名医也会中招的认知陷阱开始，带给观众强烈的智性冲击，随后通过拆解公式与重构框架，营造出一种豁然开朗的顿悟感。整个叙事既有对临床实践误区的严肃反思，又充满了探索数学究竟是“发明”还是“发现”的哲学思辨趣味。

## Bulletin - [00:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=0s) 高准确度的医学检测不等于高预测力：在患病率为 1%、灵敏度 90%、特异度 91% 的乳腺癌筛查中，阳性受检者的真实患病概率（PPV）仅约为 9.2%（十一分之一左右）。 - [02:44](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=164s) 心理学家格尔德·吉仁泽的研讨会调查显示，超过半数妇科医生误将上述阳性确诊率估算为 90%，仅约五分之一答对真实水平，暴露了传统抽象百分比带来的严重认知盲区。 - [05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 引入贝叶斯因子（似然比）可将繁琐的灵敏度与特异度整合为单一乘数更新机制，二分类下等于灵敏度除以假阳性率，在低先验概率下可直接通过乘法心算估算后验概率。 - [11:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=660s) 切换至赔率（Odds）体系后，“后验赔率 = 先验赔率 × 贝叶斯因子”成为严格的数学真理，彻底解耦患者背景与测试效力，并支持多重独立证据的链式乘法更新。

## Key takeaways - [00:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=0s) 医学检测悖论表明，一项灵敏度和特异度均超过 90% 的筛查测试，其阳性结果对应的真实患病概率可能只有十一分之一。 - [00:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=0s) 阳性预测值（PPV）取决于具体人群构成，在 1000 人样本中由于健康基数巨大，89 例假阳性会显著稀释 9 例真阳性。 - [02:44](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=164s) 测试准确度包含灵敏度与特异度两个独立维度，脱离人群患病率直接呈现抽象百分比极易诱发人类直觉的严重误判。 - [02:44](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=164s) 吉仁泽的实证研讨会揭示，即使是资深专科医生，在面对传统概率表达时也有超过半数产生数量级级别的判断失误。 - [05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 健康的测试认知应将检测视为“概率更新机制”，而非脱离患者背景给出绝对判决的孤立工具。 - [05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 贝叶斯因子（似然比）定义为灵敏度与假阳性率之比，衡量患病者出现阳性结果相对于健康者的倍率。 - [05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 对于极小的先验概率（如 1% 或 0.1%），直接将先验概率乘以贝叶斯因子可作为便捷的心算经验法则。 - [05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 小概率乘法经验法则在较高先验（如 10%）下会失效，因其未计入分母整体概率的归一化边界限制。 - [11:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=660s) 将度量系统由概率（部分/整体）转向赔率（成功/失败）后，贝叶斯乘法更新转化为完全精确的数学公式。 - [11:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=660s) 通过“后验赔率 = 先验赔率 × 贝叶斯因子”，不同先验患病率的案例均能精确且优雅地还原人群推导结果。 - [11:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=660s) 阴性检测结果具有完全对称的更新逻辑，其贝叶斯因子为假阴性率与特异度之比，用于成倍压低患病赔率。 - [14:42](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=882s) 传统概率形式的贝叶斯公式将先验背景与测试效力在分子分母中高度混杂，导致更换患者背景时必须全盘重算。 - [14:42](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=882s) 贝叶斯因子与赔率形式彻底实现了成分解耦：因子仅描述测试本身的固有属性，可普遍复用于不同先验背景的患者。 - [14:42](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=882s) 面对多项测试或联合临床证据，赔率体系支持连续链式相乘，避免了传统联合全概率展开带来的计算膨胀。 - [14:42](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=882s) 重新审视与设计贝叶斯规则的数学表达形式，不仅提升了临床沟通与直觉推理的效率，也体现了数学工具本身的设计选择价值。

## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=0s) 医学检查悖论与重新设计贝叶斯规则

概率论中常用一个经典的反直觉现象来引入贝叶斯定理（Bayes' rule）：一项准确度极高、能给绝大多数受试者提供正确结果的检测，在评估受检者真正患病的概率时，却可能得出一个极低的数值。“简而言之，一个高准确度的测试不一定是个预测性很强的测试。”大多数人在看待数学公式时，往往将其当成某种固定不变的教条，而不会视其为一种具有选择空间的设计过程。针对这一悖论，通常的贝叶斯公式并非唯一的表达路径；通过探索另一种设计选择，可以更深刻地揭示检测结果与真实患病概率之间的动态关系。

```mermaid flowchart TD accTitle: 1000名女性乳腺癌筛查结果分布 accDescr: 1000名女性分为患病组10人与健康组990人，分别展示筛查后的真阳性、假阴性、假阳性及真阴性结果分布。

subgraph Population["总样本：1000 名女性"] Cancer["患病组 (1%)\n10 人"] Healthy["健康组 (99%)\n990 人"] end

subgraph Results["筛查测试结果"] TP["真阳性 (TP)\n9 人"] FN["假阴性 (FN)\n1 人"] FP["假阳性 (FP)\n89 人"] TN["真阴性 (TN)\n901 人"] end

Cancer --> TP Cancer --> FN Healthy --> FP Healthy --> TN ```

为了彻底讲清悖论的机制，必须放入具体的样本情境中去考量： - 假设在 1,000 名女性中，乳腺癌的患病率为 1%（即 10 人患病，990 人未患病）。 - 所有人均接受筛查。患病的 10 人中，9 人获得真阳性（True Positive），1 人为假阴性（False Negative）。 - 未患病的 990 人中，89 人出现假阳性（False Positive），901 人为真阴性（True Negative）。 - 若一位女性除了筛查呈阳性之外没有任何其他症状，她必然属于这 98 人（9 名真阳性加上 89 名假阳性）之一。 - 她真正患有乳腺癌的概率为 $9 / (9 + 89) = 9 / 98$，约为十一分之一（$\approx 9.2\%$）。 - 在医学术语中，这一比率被称为阳性预测值（Positive Predictive Value, PPV），即真阳性人数除以所有阳性结果总数，反映了阳性结果在多大程度上能够确证患病。

---

[02:44](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=164s) 准确度的双重维度与医生的认知盲区

如果脱离具体人群样本，仅仅将统计学上的“测试准确度”直接呈现给人看，结论往往会严重违背直觉。在临床统计中，准确度绝非单一数值，而是由两个互不相干的维度构成： 1. **灵敏度（Sensitivity）**：患病人群中被成功确诊的概率，体现对疾病存在的敏感程度。在上述例子中，灵敏度为 $9/10 = 90\%$（意味着假阴性率为 10%）。 2. **特异度（Specificity）**：未患病人群中被成功排除的概率，用以衡量阳性结果究竟由疾病引起还是混杂因素所致。在上述例子中，特异度约为 $901/990 \approx 91\%$（意味着假阳性率约为 9%）。

这里的悖论在于：测试的整体准确率超过了 90%，但如果一个人仅得知自己检测呈阳性，其真正患病的概率却仅有十一分之一。心理学家格尔德·吉仁泽（Gerd Gigerenzer）在 2006 年与 2007 年曾为执业妇科医生举办多场统计学研讨会，开场便抛出完全相同的情境题：一位 50 岁无症状女性常规筛查呈阳性，当地患病率为 1%，测试灵敏度 90%、特异度 91%，医生需要回答该女性确诊患癌的最佳概率估计。

令吉仁泽惊讶的是，在没有具象人群样本辅助、仅面对抽象百分比的情况下，医生群体陷入了严重的判断失误： - 超过一半的在场医生选择的答案是“十分之九”（90%），与事实相差十万八千里。 - 仅有五分之一的医生答出了接近真实情况的“十分之一左右”，这一表现甚至低于完全随机瞎猜的概率。 - 这一现象被称为“真实悖论”（Veridical Paradox）——它在数学逻辑上百分之百真实正确，但在表达形式上却极易诱导人类直觉产生错觉。

---

[05:53](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=353s) 贝叶斯因子：将检测视为“概率更新机制”

解决这一误解的关键，在于纠正对医疗检测的根本认知。检测绝不是给出一个绝对的判决，甚至也不能脱离背景直接决定患病几率。“相反，对测试作用的健康看法是它们会更新你的机会。”先前的患病基础被称为“先验概率”（Prior Probability），在例子中为 1%；检测的作用是将先验概率更新了近一个数量级，推高至约十分之一。

要摆脱灵敏度、特异度、假阳性率、假阴性率等四个繁琐数字的干扰，快速评估检测结果对先验的放大倍数，只需提取一个核心指标——**贝叶斯因子（Bayes Factor，在二分类情况下亦称似然比 Likelihood Ratio）**。

$$\text{贝叶斯因子} = \frac{\text{灵敏度}}{\text{假阳性率}} = \frac{P(\text{阳性} \mid \text{患病})}{P(\text{阳性} \mid \text{健康})}$$

在原先的示例中，贝叶斯因子即为 $90\% / 9\% = 10$。它代表患病者出现阳性结果的可能性是健康者的 10 倍。对于较小的先验概率，存在一条便捷的估算经验法则：**将先验概率直接乘以贝叶斯因子**。

```mermaid flowchart LR accTitle: 小先验概率下的快速近似法则 accDescr: 展示先验概率通过乘以贝叶斯因子直接估算后验概率的过程。

Prior["先验概率 (Prior)\n如 1% 或 0.1%"] BF["贝叶斯因子 (Bayes Factor)\n灵敏度 / 假阳性率 (如 10)"] Posterior["估算后验概率 (Posterior)\n约 10% 或 1%"]

Prior -->|"乘以此项更新"| BF BF --> Posterior ```

利用这一工具，可以在脑海中迅速完成复杂的情境推演： - **先验更低的情形**：若患病率仅为千分之一（0.1%），贝叶斯因子仍为 10，则阳性后的患病率快速更新为百分之一（1%）左右。在 10,000 人的样本中，真正患癌的 10 人产生 9 例真阳性，而 9,990 名健康者（9% 假阳性）会产生约 900 例假阳性，确诊几率确实在 1% 上下。 - **经验法则的边界与失效**：若先验患病率高达 10%，直接乘以 10 将得出 100% 确定性的荒谬结论。在 100 人样本中（10 人患病，90 人健康），测试会给出 9 名真阳性与约 8 名假阳性（$90 \times 9\% \approx 8.1$），实际几率为 $9 / (9 + 8) \approx 53\%$。

---

[11:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=660s) 赔率框架：让乘法更新成为严格的数学真理

“只要我们从谈论概率转向谈论赔率，这条经验法则就会变成一个精确的数学事实。”要让更新过程完全转化为纯粹的乘法运算，关键是切换度量系统，采用**赔率（Odds）**而非概率（Probability）： - **概率**衡量的是“阳性事件数 / 所有可能事件总数”，数值被限制在 0 与 1 之间（五五开对应 0.5）。 - **赔率**衡量的是“阳性事件数 / 阴性事件数”，范围从 0 到无穷大（五五开对应 1 比 1，即 1）。 - 例如：50% 概率对应赔率 $1:1$；10% 概率对应赔率 $1:9$；80% 概率对应赔率 $4:1$。

在赔率体系下，检测前的先验赔率为“患病人数 / 健康人数”。经过检测后，患病组与健康组分别按各自的检出概率缩减，新赔率严格遵循简单的乘积公式：

$$\text{后验赔率} = \text{先验赔率} \times \text{贝叶斯因子}$$

通过赔率视角复核此前所有的数值案例，计算变得极其清晰优雅： - **先验为 1%**：赔率为 $1: 99$。乘以贝叶斯因子 10，后验赔率变为 $10: 99$。换回概率为 $10 / (10 + 99) = 10 / 109 \approx 1/11$。 - **先验为 10%**：赔率为 $1: 9$。乘以贝叶斯因子 10，后验赔率变为 $10: 9$（略高于 1 比 1 的平手几率）。换回概率为 $10 / (10 + 9) = 10 / 19 \approx 53\%$，完全吻合人群推导。 - **提升特异度至 99%（假阳性率降为 1%）**：贝叶斯因子跃升为 $90\% / 1\% = 90$。在 1% 先验赔率（$1: 99$）下，后验赔率更新为 $90: 99$（略低于 1 比 1）。换算为概率为 $90 / (90 + 99) \approx 47.6\%$。

面对阴性检测结果时，其逻辑完全对称。阴性结果的贝叶斯因子为：

$$\text{阴性贝叶斯因子} = \frac{\text{假阴性率}}{\text{特异度}} = \frac{10\%}{91\%} \approx \frac{1}{9}$$

这意味着获得阴性检测结果会将原本的患病赔率大幅压低约一个数量级。

---

[14:42](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=882s) 两种贝叶斯表述的哲学对比与设计价值

传统概率版本的贝叶斯定理在计算阳性后验概率时，将真阳性比例除以全人群的阳性比例总和，把分母展开为全概率分解项：

$$P(\text{患病} \mid \text{阳性}) = \frac{P(\text{患病}) \times P(\text{阳性} \mid \text{患病})}{P(\text{患病}) \times P(\text{阳性} \mid \text{患病}) + P(\text{健康}) \times P(\text{阳性} \mid \text{健康})}$$

如果引入更简洁的缩写记号，分母常被简写为“总体呈阳性的概率” $P(\text{阳性})$，但这在实际计算中稍显虚饰，因为每次落地运算时依然必须拆解为两项分别相加。

| 对比维度 | 传统概率公式版 (Probability Form) | 赔率与贝叶斯因子版 (Odds & Bayes Factor) | |:--- |:--- |:--- | | **数学结构** | 分数嵌套、全概率展开加权和 | $\text{后验赔率} = \text{先验赔率} \times \text{贝叶斯因子}$ | | **成分解耦** | 先验患病率与检测灵敏度/特异度在分子分母中高度混杂 | 彻底分离：先验由患者背景决定，因子纯粹描述测试效力 | | **更换先验** | 每次更换患者背景时必须从头全盘代入重新计算 | 计算一次贝叶斯因子后，即可直接适配任意患者先验 | | **多重证据更新** | 面对两项检测或结合临床症状时，联合概率计算极度臃肿 | 链式乘法：每增加一项独立证据，便连续乘以新的因子 | | **防误解设计** | “假阳性率 9%”极易被误解为“阳性结果中有 9% 是假的” | 贝叶斯因子为不带百分号的乘数（如 10），迫使思考先验 | | **核心直观优势** | 天然对应大样本人群的格子划分直觉 | 适合极速心算更新、认知直觉传达与连续推理 |

对于医疗实践而言，使用贝叶斯因子能避免严重的临床沟通陷阱：面对相同的检测和相同的阳性报告，来自不同背景、具有不同暴露史或先验患病率的患者，其确诊概率截然不同；“在每种情况下保持不变的一件事是每个患者之前的赔率更新的因素。”

传统公式将样本群体思想高度浓缩，有助于在草稿纸上检验结论的基本合理性；而赔率公式则提供了一种更加模块化、符合动态推理的现代数学设计。在视频结尾，作者提到好友马特·库克（Matt Cook）撰写了一本探讨悖论的著作，其中也收录了作者思考数学究竟属于“发明”还是“发现”的文章，并指出深入反思这种公式结构的设计过程本身，就是通往贝叶斯规则更深层理解的绝佳途径。

## Notable quotes > [00:00](https://www.youtube.com/watch?v=lG4VkPoG3ko&t=0s) 一个高准确度的测试不一定是个预测性很强的测试。 — 3Blue1Brown

## Mentioned 3Blue1Brown, Matt Cook, Gerd Gigerenzer, Vincent Rubinetti, Bunch, YouTube, Patreon, Wikipedia, Bandcamp, Spotify, manim, Python

## Video description About Likelihood Ratios, also sometimes called Bayes Factors*. Help fund future projects: https://www.patreon.com/3blue1brown An equally valuable form of support is to simply share some of the videos. Special thanks to these supporters: https://3b1b.co/bayes-factor-thanks Home page: https://www.3blue1brown.com

The book by my friend Matt Cook about paradoxes mentioned at the end: https://amzn.to/3aBrEzg

On the topic, I can't help also mentioning another paradox book I'm rather fond of by Bunch: https://amzn.to/3mBDSKE

Another video on Bayes' theorem: https://youtu.be/HZGCoVF3YvM

*As mentioned in the on-screen note at the end, while the terms "Bayes Factor" and "Likelihood Ratio" refer to the same ratio in this setting, where Bayes rule is used on the probability of an event with only two possible outcomes (you either have the disease or you don't), they do take on divergent meanings in more general contexts. Namely, if you have a continuous parameter you are trying to estimate, the two terms reflect two alternate approaches you can use in comparing hypotheses. In fact, some people take the phrase "Bayes factor" to _specifically_ refer to its use in this more continuous context.

If you want more details, Wikipedia actually has a really nice example discussing the difference: https://en.wikipedia.org/wiki/Bayes_factor#Example

This post has some nice discussion of the distinction: https://stats.stackexchange.com/questions/27345/likelihood-ratio-vs-bayes-factor

Timetable: 0:00 - What is the paradox? 5:53 - The Bayes factor 11:00 - The snazzy Bayes rule 14:42 - Contrast with the usual formula

Thanks to these viewers for their contributions to translations French: Raphaël Ventura Russian: Ilia Konnov Vietnamese: duyhub

------------------

These animations are largely made using manim, a scrappy open source python library: https://github.com/3b1b/manim

If you want to check it out, I feel compelled to warn you that it's not the most well-documented tool, and it has many other quirks you might expect in a library someone wrote with only their own use in mind.

Music by Vincent Rubinetti. Download the music on Bandcamp: https://vincerubinetti.bandcamp.com/album/the-music-of-3blue1brown

Stream the music on Spotify: https://open.spotify.com/album/1dVyjwS8FBqXhRunaG5W5u

If you want to contribute translated subtitles or to help review those that have already been made by others and need approval, you can click the gear icon in the video and go to subtitles/cc, then "add subtitles/cc". I really appreciate those who do this, as it helps make the lessons accessible to more people.

------------------

3blue1brown is a channel about animating math, in all senses of the word animate. And you know the drill with YouTube, if you want to stay posted on new videos, subscribe: http://3b1b.co/subscribe

Various social media stuffs: Website: https://www.3blue1brown.com Twitter: https://twitter.com/3blue1brown Reddit: https://www.reddit.com/r/3blue1brown Instagram: https://www.instagram.com/3blue1brown_animations/ Patreon: https://patreon.com/3blue1brown Facebook: https://www.facebook.com/3blue1brown

[Source](https://www.youtube.com/watch?v=lG4VkPoG3ko)

中文简报

3Blue1Brown用贝叶斯因子重构筛查悖论破除高准确度诊断迷思高准确度测试无法单独决定患病风险，通过将概率换算为赔率并乘以贝叶斯因子，能彻底解耦先验背景并消除医生的直觉性误诊。视频从一个反直觉的医学筛查悖论切入：一项准确率超过 90% 的检测呈阳性后，患者真正患病的概率可能仅有约十分之一，这导致绝大多数医生在面对抽象百分比时出现严重误判。为了破除这种认知盲区，主讲人将测试重新定义为一种“概率更新机制”，并引入贝叶斯因子（似然比）的概念。进一步将概率度量切换为赔率（Odds）后，先验与测试效力得以彻底解耦，贝叶斯定理化简为优雅的“后验赔率 = 先验赔率 × 贝叶斯因子”连乘形式。这种重新设计的公式不仅极大简化了心算与多重证据链推演，还深刻揭示了数学表达背后的设计哲学。高准确度的医学检测不等于高预测力：在患病率为 1%、灵敏度 90%、特异度 91% 的乳腺癌筛查中，阳性受检者的真实患病概率（PPV）仅约为 9.2%（十一分之一左右）。 (0:00) 心理学家格尔德·吉仁泽的研讨会调查显示，超过半数妇科医生误将上述阳性确诊率估算为 90%，仅约五分之一答对真实水平，暴露了传统抽象百分比带来的严重认知盲区。 (2:44) 引入贝叶斯因子（似然比）可将繁琐的灵敏度与特异度整合为单一乘数更新机制，二分类下等于灵敏度除以假阳性率，在低先验概率下可直接通过乘法心算估算后验概率。 (5:53) 切换至赔率（Odds）体系后，“后验赔率 = 先验赔率 × 贝叶斯因子”成为严格的数学真理，彻底解耦患者背景与测试效力，并支持多重独立证据的链式乘法更新。 (11:00)

Reading summary

医学检测的高准确度并不等同于高预测能力，受检者真实的患病概率受制于先验发生率。通过将传统全概率形式的贝叶斯公式重构为赔率与贝叶斯因子的相乘形式，可将复杂的逆概率计算转化为直观、解耦的动态更新机制。真实悖论与临床认知的直觉陷阱 (0:00) 在统计学中，高准确率测试可能得出极低患病概率的现象被称为“真实悖论”。以1,000名女性乳腺癌筛查为例：若基础患病率为1%（10人患病，990人健康），在灵敏度90%（9例真阳性，1例假阴性）与特异度91%（89例假阳性，901例真阴性）的测试条件下，无症状女性筛查呈阳性后，真正患病的概率即阳性预测值仅为9除以98，约为十一分之一（9.2%）。然而脱离具体人群样本后，抽象的百分比极易引发判断盲区。心理学家格尔德·吉仁泽在2006至2007年对妇科医生进行的调研显示，面对上述相同参数，超过半数的在场医生错误地认为患病几率高达90%，仅有五分之一的医生给出了接近真实情况的10%左右。这表明将灵敏度与特异度孤立呈现，容易使临床判断严重背离实际概率。贝叶斯因子作为概率更新倍率 (5:53) 避免直觉误区的前提，是将检测理解为更新先验概率的机制而非绝对的终审判决。评估这种更新效力无需纠缠四个细分指标，只需提取灵敏度与假阳性率的比值，即贝叶斯因子（似然比）。在90%灵敏度与9%假阳性率的情境下，贝叶斯因子为10，代表患病者出现阳性的几率是健康者的10倍。在先验概率较低时，存在“后验概率约为先验概率乘以贝叶斯因子”的心算经验法则。例如千分之一（0.1%）的患病率经由该测试阳性后，确诊概率会快速更新至约百分之一（1%）。但该近似规则在先验概率较高时会失效：若患病率为10%，直接乘以10将得出100%的确诊谬论，而实际样本推导的确诊率仅为53%左右。赔率框架下乘法更新的数学严格性 (11:00) 当度量系统从“阳性数除以总数”的概率转向“阳性数除以阴性数”的赔率（Odds）时，更新规则便成为严谨的数学定理，即后验赔率严格等于先验赔率乘以贝叶斯因子。以1%先验患病率为例，其赔率为1:99，乘以贝叶斯因子10后得到后验赔率10:99，还原为概率即10/109（约9.2%）；若先验患病率为10%（赔率1:9），相乘后赔率为10:9，对应概率10/19（约53%），均与人群推导完全吻合。该框架在测试性能提升与阴性结果中同样对称适用。若将特异度提至99%（假阳性率1%），贝叶斯因子跃升至90，在1%先验下后验赔率为90:99（约47.6%）。若检测为阴性，其阴性贝叶斯因子为假阴性率除以特异度（10%/91% ≈ 1/9），能够将原本的患病赔率大幅压缩近一个数量级。两种贝叶斯表述的范式差异与价值 (14:42) 传统贝叶斯概率公式的分母展开了全概率加权和，将患者背景（先验）与检测特质（灵敏度与特异度）深度交织在一起，不仅难以心算，且每当面对不同背景的患者就必须从头重新代入计算。而在面对多重检查或临床症状叠加时，联合概率公式更会变得极度冗长繁琐。相对而言，赔率与贝叶斯因子形式实现了计算维度的解耦。贝叶斯因子作为一个独立且不带百分号的客观倍数，纯粹体现检测工具的效力，可直接复用于不同患病背景的个体；面对多项独立证据时，只需通过链式乘法连续更新赔率。这种设计不仅符合动态临床决策逻辑，也有效阻断了将“健康人群假阳性率9%”误读为“阳性报告中有9%是假阳性”的沟通陷阱。贝叶斯定理不仅是静态验算的数学公式，其表达形式本身包含着推理工具的设计考量。将全概率公式转换为赔率与贝叶斯因子结构，不仅化解了医学检验中的认知错觉，还为整合多源独立证据提供了清晰、解耦且具备连续推理能力的数学模型。

Source quotes

[0:00] 3Blue1Brown: 一个高准确度的测试不一定是个预测性很强的测试。

Original transcript

[0:00] 你们其中一些人可能听说过关于医学检查的悖论。 [0:03] 它经常用于介绍概率论中的贝氏定理。 [0:07] 悖论的大概是，你可以进行高准确度的测试， [0:11] 一个可以能为大多数参加测试的人提供正确的结果。 [0:16] 然而，在某些情况下，当你在评估测试结果是否正确的概率时， [0:21] 你仍然可以得到一个正确率非常低的数字，一个任意的数字。 [0:26] 简而言之，一个高准确度的测试不一定是个预测性很强的测试。 [0:33] 一般而言，当人们思考数学和公式时，他们不会将其视为设计过程。 [0:38] 我是说，也许在运用数学符号的情况下， [0:41] 我们会有选择性，但当涉及到公式本身的结构 [0:45] 以及我们如何使用它们时，人们通常认为这是固定的。 [0:50] 在这个视频中，你我将深入研究这个悖论， [0:53] 但我不想用它来研讨通常版的贝氏规则，而是想激发另一个版本， [0:58] 另一种替代的设计选择。 [1:01] 视频上正在显示的内容有点抽象，确实很难证明这里 [1:06] 存在实质性的差异，特别是当我还没有作任何的解释。 [1:11] 为了解释这一点，我们首先应该具体地阐述确证悖论到底是什么。 [1:24] 假设 1000 名女性中，有 1% 患有乳腺癌。 [1:28] 假设每位都接受了某种乳腺癌筛查， [1:31] 其中 9 名患者获得了真阳性结果， [1:34] 还有 1 名得了假阴性结果。 [1:37] 在其余未患癌症的女性中， 89 人得到假阳性结果， [1:42] 901 人得到真阴性结果。 [1:45] 因此，如果你对某位女性的了解只有她进行了筛查之后获得到 [1:49] 了阳性的结果，并且没有任何相关症状的信息。 [1:53] 你就知道她要么就是 9 位真阳性之一， [1:56] 或者是 89 位假阳性之一。 [1:59] 因此，根据筛查结果，她属于癌症组的概率为 [2:03] 9 除以 9 加 89，大约为 11 分之一。 [2:09] 以医学术语来说，你可以这称为测试的阳性预测值或 PPV， [2:15] 即真阳性数量除以阳性结果的总数。 [2:18] 你可以借此看到这个名称的由来。 [2:20] 阳性测试结果在什么程度上可以实际预测你患有某种疾病。 [2:26] 希望我以这种方式呈现，我们具体考虑了一个特定群体， [2:31] 目前的解释是完全合理的。 [2:33] 但如果你只看测试的准确性，将其作为统计数据呈现给一般人， [2:38] 然后要求他们照测试结果做出判断，那就可能会违反直觉。 [2:44] 准确度实际上不是一个数字，而是两个。 [2:46] 首先，你该问，在某种疾病的患者中成功确证概率是多少？ [2:51] 这被称为测试的灵敏度，即是它对测试疾病的存在有多敏感。 [2:58] 在我们的例子中，灵敏度为十分之九，即 90%。 [3:02] 另一种说法就是假阴性率为 10%。 [3:06] 然后，另一个不一定相关的数字是成功排除那些没有患病 [3:11] 的人的概率，即为测试的特异度。也就是说， [3:15] 阳性结果到底是由疾病引起的，还是另有其他因素混杂造成假阳性。 [3:23] 在我们的例子中，特异性约为 91%。 [3:26] 换句话说，假阳性率为 9%。 [3:31] 所谓的悖论是，从某种意义上说，测试的准确率超过 90%。 [3:37] 超过 90% 的被测试的患者得到正确的结果。 [3:40] 然而，如果你在没有任何附加信息的情况下得知某人获得了 [3:45] 阳性结果，那么该结果实际准确性只有 11 分之 1。 [3:50] 这确实是个问题。因为在很多违反直觉的数学概念中， [3:54] 医学测试是一个事关重大的领域。 [3:57] 2006年和2007年，心理学家Gerd [4:00] Gigerenzer 为执业妇科医生举办了一系列统计研讨会， [4:05] 他以以下例子作为开场。 [4:06] 一名 50 岁女性，没有任何症状， [4:09] 正在参加常规乳房 X 光检查。 [4:12] 她的检测结果呈阳性，她很震惊，想从您那里知道她是 [4:15] 否确实患有乳腺癌，或者她患乳腺癌的可能性有多大。 [4:18] 除了筛查结果之外，你对这个女人一无所知。 [4:22] 在那次研讨会上，医生们被告知这个年龄段的女性乳腺癌患病率 [4:28] 约为1%，然后假设测试的敏感性为90%，特异性为91%。 [4:34] 您可能会注意到这些数字与您和我 [4:36] 刚刚查看的示例中的数字完全相同。 [4:38] 这就是我得到它们的地方。 [4:39] 所以，经过深思熟虑，你我都知道答案。 [4:42] 大约是十分之一。 [4:44] 然而，本次会议的医生们并没有像你和我那样接受描绘一千 [4:49] 个人的具体样本的建议。 [4:52] 他们看到的只是这些数字。 [4:54] 然后他们被问到，有多少检测呈阳性的女性实际上患有乳腺癌？ [4:58] 最好的答案是什么？ [4:59] 他们面临着这四种选择。 [5:01] 在其中一次会议中，超过一半的在场医生表示， [5:05] 正确答案是十分之九，这与实际情况相去甚远。 [5:10] 只有五分之一的人给出了正确答案， [5:12] 这比每个人都随机猜测的情况还要糟糕。 [5:16] 称其为悖论似乎有点极端。 [5:19] 我的意思是，这只是一个事实。 [5:21] 这并不是什么本质上自相矛盾的事情。 [5:24] 但是，正如 Gigerenzer [5:26] 举办的这些研讨会所表明的那样，人们，包括医生， [5:30] 肯定会发现高精度测试却给出如此低的预测值是违反直觉的。 [5:35] 我们可以将其称为真实悖论，它指的是可证明是正确的事实， [5:40] 但以某种方式表达时仍然会让人感觉错误。 [5:44] 这是一种最温和的悖论形式，更多的是关于人类心理学而不是逻辑。 [5:49] 问题是我们如何应对这一问题。 [5:53] 顺便说一句，我们的目的是，我希望你能够看到这样的数字， [5:58] 并在头脑中快速估计，这意味着阳性测试的预测值应该约为十分之 [6:03] 一。 [6:04] 或者，如果我改变一下情况并问，如果 [6:07] 10% 的人口患有乳腺癌怎么办？ [6:10] 您应该能够快速转身并说最终答案将略高于 50%。 [6:15] 或者，如果我说想象一下患病率非常低，比如 0。 [6:20] 1% 的患者患有癌症，您应该再次快速估计该测试的预测值约 [6:25] 为百分之一。 [6:26] 在这种情况下，检测结果呈阳性的人中，有百分之一的人患有癌症。 [6:31] 或者，假设我们回到 1% 的患病率，但我使测试更加准确。 [6:35] 我告诉你想象一下特异性是 99%。 [6:38] 在那里，您应该能够相对快速地估计出答案略低于 50%。 [6:44] 我们希望您能够在头脑中用最少的计算来完成所有这些工作。 [6:48] 现在，快速计算的目标可能感觉与解决这个悖论背后的 [6:52] 任何误解的目标非常不同，但它们实际上是齐头并进的。 [6:56] 让我告诉你我的意思。 [6:58] 在消除误解方面，您想对研讨会上回答 [7:01] 9 和 10 的人说些什么？ [7:04] 它们揭示了哪些根本性的误解？ [7:08] 我可能会告诉他们的是，就像您不应该认为测试 [7:11] 可以确定地告诉您是否患有某种疾病一样， [7:14] 您甚至不应该认为它们可以告诉您患某种疾病的机会。 [7:19] 相反，对测试作用的健康看法是它们会更新你的机会。 [7:26] 在我们的示例中，在进行测试之前，患者患癌症的几率是百分之一。 [7:31] 用贝叶斯术语来说，我们称之为先验概率。 [7:34] 这项测试的效果是将之前的数据更新了几乎一个数量级， [7:38] 达到大约十分之一。 [7:41] 测试的准确性告诉我们本次更新的强度。 [7:45] 它并没有告诉我们最终的答案。 [7:47] 这与快速近似有什么关系？ [7:50] 那么，这些近似值的一个关键数字就是所谓的贝叶斯因子， [7:55] 定义这个数字的行为本身就可以强化关于重新定义测试的作用的核 [8:00] 心教训。 [8:02] 您会看到，使测试统计数据如此令人困惑的原因 [8:05] 之一是您会听到至少 4 个与它们相关的数字。 [8:08] 对于患有这种疾病的人来说，有敏感性和假阴性率， [8:12] 对于没有患病的人来说，有特异性和假阳性率， [8:15] 但这些数字实际上都不能告诉你你想知道的事情。 [8:19] 幸运的是，如果您想解释阳性测试结果， [8:22] 您可以从所有这些中只提取一个数字来关注。 [8:26] 将灵敏度除以假阳性率。 [8:29] 换句话说，与没有癌症的人相比，您看 [8:31] 到癌症阳性检测结果的可能性有多大？ [8:34] 在我们的示例中，这个数字是 10。 [8:37] 这就是贝叶斯因子，有时也称为似然比。 [8:43] 一个非常方便的经验法则是，要更新一个小的先验， [8:46] 或者至少要近似答案，只需将其乘以贝叶斯因子即可。 [8:50] 因此，在我们的示例中，先验概率为百分之一， [8:53] 您会估计最终答案应该约为十分之一， [8:56] 这实际上略高于真实的正确答案。 [8:59] 因此，根据这条经验法则，如果我问你， [9:02] 如果我们示例中的先验值为千分之一，会发生什么， [9:06] 你可以很快估计测试的效果应该是将这些机会更新到百分之一左右。 [9:12] 事实上，花点时间通过思考样本人群来检查一下自己。 [9:16] 在这种情况下，您可能会想象 10,000 名患者， [9:19] 其中只有 10 人真正患有癌症。 [9:22] 然后，基于 90% 的敏感性，我们预计其中 [9:25] 9 个癌症病例会给出真阳性结果。 [9:29] 另一方面，91% 的特异性意味着 [9:32] 9% 的非癌症患者会得到假阳性结果。 [9:36] 因此，我们预计剩余患者中 9%（即 [9:39] 900 名左右）会给出假阳性结果。 [9:42] 在这里，由于患病率如此之低，假阳性确实主导了真阳性。 [9:47] 因此，从这个人群中随机选择的阳性病例实际上患有癌 [9:52] 症的概率只有 1% 左右，就像经验预测的那样。 [9:58] 现在，这个经验法则显然不适用于更高的优先级。 [10:02] 例如，它会预测 10% 的先验会一直更新到 [10:06] 100% 的确定性。 [10:08] 但这是不对的。 [10:10] 事实上，再次使用样本群体，花点时间思考答案应该是什么。 [10:15] 也许这次我们想象百分之十的人患有癌症。 [10:18] 同样，根据测试的 90% 敏感性， [10:21] 我们预计其中 9 个真正的癌症病例会获得阳性结果。 [10:24] 但假阳性结果又如何呢？ [10:26] 我们预计会有多少人？ [10:29] 剩下的90人中大约有9%，大约8人。 [10:33] 因此，当看到阳性检测结果时，它会告诉您您要么是这 [10:37] 9 种真阳性之一，要么是 8 种假阳性之一。 [10:41] 所以这意味着几率略高于 50%， [10:44] 大约是 17 次中的 9 次，即 53%。 [10:48] 此时，如果您敢于梦想贝叶斯更新看起来像乘法一样简单， [10:52] 您可能会放弃自己的希望并务实地承认，有时生活比这更复杂。 [10:59] 但事实并非如此。 [11:01] 只要我们从谈论概率转向谈论赔率， [11:04] 这条经验法则就会变成一个精确的数学事实。 [11:10] 如果您曾经听过有人谈论过某个事件的概率是 1 比 [11:13] 1 或 2 比 1 之类的事情，那么您就已经了解了赔率。 [11:17] 就概率而言，我们是在所有可能的病例中得出阳性病例数的比率， [11:22] 对吗？ [11:23] 比如五分之一或十分之一。 [11:25] 对于赔率，您要做的就是计算所有阳性病例与所有阴性病例的比率。 [11:31] 您通常会看到赔率用冒号来强调区别， [11:34] 但它仍然只是一个分数，只是一个数字。 [11:37] 因此，概率为 50% 的事件将被描述为具有 1 比 [11:42] 1 的赔率，10% 的概率相当于 1 比 9 的赔率， [11:46] 80% 的概率相当于 4 比 1 的赔率，你明白了。 [11:51] 这是相同的信息，它仍然描述随机事件的可能性， [11:54] 但它的呈现方式略有不同，就像不同的单位系统一样。 [11:59] 概率限制在 0 到 1 之间，偶数机会为 0。5. [12:04] 但赔率范围从 0 到无穷大，偶数机会为 1。 [12:11] 这里的美妙之处在于，一种完全准确、甚至不近似的构建贝叶斯 [12:17] 规则的方法是，表达您之前使用的赔率，然后乘以贝叶斯因子。 [12:23] 想想之前的赔率到底意味着什么。 [12:25] 它是患有癌症的人数除以未患癌症的人数。 [12:29] 在这里，我们暂时将其写为正常分数，以便我们可以将其相乘。 [12:33] 当你只筛选出那些检测结果呈阳性的人时， [12:37] 患有癌症的人数就会减少，根据某人患有癌症而看到阳性检测 [12:42] 结果的概率而减少。 [12:45] 同样，没有癌症的人数也会减少，这次是根据看到 [12:49] 阳性检测结果的概率而减少，但在这种情况下。 [12:54] 因此，这两个计数之间的比率，即看到测试后的新赔率， [12:58] 看起来就像之前的赔率一样，只是乘以了此处的此项， [13:03] 这正是贝叶斯因子。 [13:07] 回顾一下我们的示例，其中贝叶斯因子为 10。 [13:11] 提醒一下，这是由 90% 的敏感性除以 [13:14] 9% 的假阳性率得出的。 [13:16] 与没有癌症的患者相比，您看到阳性结果的可能性有多大？ [13:21] 如果先验为 1%（以赔率表示），则看起来像是 1 到 99。 [13:26] 因此，根据我们的规则，这会更新为 10 到 99， [13:30] 如果您愿意，可以将其转换回概率。 [13:33] 就是 10 除以 10 加 99，或者大约是 11 分之一。 [13:38] 相反，如果先验概率是 10%（这是之前违反我们经验法 [13:42] 则的例子），用赔率表示，则看起来像是 1 到 9。 [13:46] 根据我们的简单规则，它会更新为 10 到 9， [13:50] 您已经可以非常直观地读出。 [13:52] 这比偶数机会略高一些，比 1 比 1 略高一些。 [13:56] 如果您愿意，可以将其转换回概率。 [13:59] 您可以将其写为 19 中的 10，即大约 53%。 [14:03] 事实上，这就是我们通过对样本人群进行思考后发现的结果。 [14:08] 假设我们回到 1% 的患病率，但我使测试更加准确。 [14:12] 现在，如果我告诉你假阳性率只有 [14:14] 1% 而不是 9% 会怎么样？ [14:17] 这意味着我们的贝叶斯因子是 90，而不是 10。 [14:20] 测试正在为我们做更多的工作。 [14:23] 在这种情况下，通过更准确的测试，它会更新为 90 到 99， [14:28] 这比偶数机会要少一些，略低于 50%。 [14:31] 更准确地说，您可以将其转换回概率并计算出大约为 48%。 [14:37] 但老实说，如果你只是追求直觉，那么坚持下去就可以了。 [14:42] 您明白我的意思吗？定义这个数字如何有助于消除潜在的误解？ [14:48] 对于那些急于将测试准确性直接与患病概率联系起来的人来说， [14:53] 值得强调的是，您可以以相同的准确性对多个不同的患者 [14:57] 进行相同的测试，这些患者都得到相同的精确结果， [15:01] 但如果他们来自不同的背景，结果可能意味着截然不同的事情。 [15:06] 然而，在每种情况下保持不变的一件 [15:10] 事是每个患者之前的赔率更新的因素。 [15:16] 顺便说一句，我们一直在使用这种疾病的患病率， [15:19] 即人口中患有这种疾病的人的比例， [15:22] 作为先验的替代，即在进行测试之前患有这种疾病的概率。 [15:27] 然而，情况并非一定如此。 [15:29] 如果还有其他已知的因素，比如症状， [15:32] 或者在传染病的情况下，比如已知的接触者， [15:35] 这些因素也会影响到先验因素，它们可能会产生巨大的影响。 [15:40] 另一方面，到目前为止，我们只讨论了阳性测试结果， [15:44] 但更常见的是，您会看到阴性测试结果。 [15:48] 那里的逻辑完全相同，但是您计算的基本因子看起来会有所不同。 [15:52] 相反，您会查看患病时与未患病时看到阴性检测结果的概率。 [15:58] 因此，在我们的癌症示例中，这将是 10% [16:02] 的假阴性率除以 91% 的特异性，即大约九分之一。 [16:07] 换句话说，在该示例中看到阴性测试结果 [16:11] 会将您之前的几率降低大约一个数量级。 [16:15] 当你把它全部写成一个公式时，它看起来是这样的。 [16:18] 它表示，根据测试结果，您患某种疾病的几率等于您 [16:22] 在接受测试之前的几率、之前的几率乘以基本因子。 [16:26] 现在让我们将其与贝叶斯规则的通常编写方式进行对比， [16:30] 贝叶斯规则的编写方式稍微复杂一些。 [16:33] 如果您以前没有见过，这本质上就是我们对样本群体所做的事情， [16:36] 但您象征性地将其全部概括起来。 [16:39] 还记得每次我们计算真阳性的数量， [16:42] 然后将其除以真阳性和假阳性的总和吗？ [16:46] 我们就是这样做的，只是我们不谈论绝对数量， [16:50] 而是将每一项视为比例。 [16:52] 因此，人群中真阳性的比例来自于患病的先验 [16:57] 概率乘以在该情况下看到阳性检测结果的概率。 [17:03] 然后我们再次将该项复制到分母中， [17:06] 然后假阳性的比例来自于未患病的先验概率乘以该情况下 [17:12] 检测呈阳性的概率。 [17:15] 如果您愿意，您也可以用文字而不是符号来写下来， [17:18] 如果敏感度和误报率等术语更舒服的话。 [17:21] 这是其中一个公式，一旦你大声说出来，它似乎有点多， [17:25] 但它确实与我们对样本群体所做的没有什么不同。 [17:29] 如果您想让整个事情看起来更简单， [17:32] 您经常会看到整个分母被写成总体上看到阳性测试结果的概率。 [17:37] 虽然这确实是一个非常优雅的小表达式， [17:40] 但如果您打算使用它进行计算，那就有点不诚实了， [17:44] 因为在实践中，每次执行此操作时， [17:46] 您都需要将该分母分解为两个单独的部分，从而分解案例。 [17:51] 因此，采用更诚实的表示方式，让我们比较贝叶斯规则的两个版本。 [17:56] 再说一遍，如果我们使用敏感度和误报率这两个词， [17:59] 也许看起来会更好。 [18:00] 如果不出意外的话，它有助于强调公式的 [18:03] 哪些部分来自有关测试准确性的统计数据。 [18:05] 我的意思是，这实际上强调了我真正喜欢的关于赔率 [18:09] 和贝叶斯因子的框架的一件事，那就是它干净地分 [18:12] 解出与先验有关的部分和与测试准确性有关的部分。 [18:16] 但在通常的公式中，所有这些都非常混合在一起。 [18:20] 这有一个非常实际的好处。 [18:22] 如果您想交换不同的先验并轻松查看它们的效果，这真的很好。 [18:26] 这就是我们之前所做的。 [18:28] 但使用另一个公式时，要做到这一点， [18:30] 您必须每次都重新计算所有内容。 [18:32] 您不能以同样的方式利用预先计算的贝叶斯因子。 [18:35] 如果您想根据多个证据进行多个不同的贝叶斯更新， [18:39] 赔率框架也会让事情变得非常好。 [18:42] 例如，假设您没有参加一项测试，而是参加了两项测试。 [18:45] 或者你想考虑症状的存在如何影响它。 [18:49] 对于你看到的每一个新证据，你总是会问这样一个问题：与没有疾病 [18:52] 的情况相比，在有疾病的情况下你看到这些证据的可能性有多大？ [18:57] 这个问题的每个答案都会给你一个新的贝叶斯因子， [19:00] 一个你乘以你的赔率的新东西。 [19:02] 除了让计算变得更容易之外，我真的很喜欢附加 [19:06] 一个数字来测试准确性，甚至看起来不像概率。 [19:10] 我的意思是，如果你听说某个测试的误报率为 9%， [19:14] 那么这就是一个极其含糊的短语。 [19:17] 人们很容易将其误解为您的阳性检测结果有 [19:20] 9% 的可能性是假的。 [19:23] 但想象一下，如果我们听到的测试结果附加的数 [19:26] 字是阳性测试结果的贝叶斯因子，例如 10。 [19:30] 没有任何空间可以将其与您患病的可能性相混淆。 [19:34] 贝叶斯因子的整个框架是，它是作用于先验的东西。 [19:39] 它迫使你承认先验是完全独立的，并 [19:42] 且对于得出任何结论都是非常必要的。 [19:47] 话虽如此，通常的公式绝对不是没有优点。 [19:51] 如果您不仅仅将其视为插入数字的东西， [19:54] 而是将其视为我们一直在使用的样本总体思想的封装， [19:58] 您可以很容易地认为这实际上对您的直觉要好得多。 [20:02] 毕竟，我们通常会依靠它来检查贝 [20:05] 叶斯因子计算是否一开始就有意义。 [20:11] 与任何设计决策一样，这里没有明确的最佳目标。 [20:15] 但几乎可以肯定的是，认真考虑这个 [20:18] 问题会让你更好地理解贝叶斯规则。 [20:30] 另外，由于我们的主题是一些自相矛盾的事物， [20:32] 我的一个朋友马特·库克最近写了一本关于悖论的书。 [20:37] 实际上，我贡献了一小章，思考数学是发明还是发现的问题。 [20:42] 整本书将哲学、数学和物理学等发人 [20:45] 深省的矛盾事物完美地联系在一起。 [20:48] 当然，您可以在说明中找到所有详细信息。

3Blue1Brown用贝叶斯因子重构筛查悖论 破除高准确度诊断迷思