是的。通常將其稱為基本速率謬誤或更具體的假陽性悖論。甚至有一篇關於它的維基百科文章：請參閱此處

不幸的是，我沒有這個謬論的名字。當我需要對此進行解釋時，我發現提到那些在外行中普遍已知但極為罕見的疾病是有用的。 我住在德國，儘管每個人都在歷史書中讀到了有關瘟疫的信息，但每個人都知道，作為德國醫生，我永遠不會診斷出真正的瘟疫病例，也不會照顧鯊魚咬傷。

當您告訴人們時，每個人都會同意的百名健康人中有一項鯊魚叮咬測試呈陽性，無論其陽性預測值有多高，該測試都沒有道理。

取決於您在世界上的哪個地方以及您的受眾是誰，可能的例子可能是鼠疫，瘋牛病（BSE），早衰，被雷擊。有許多已知的風險，人們已經意識到他們的風險遠低於1％。

編輯/添加：到目前為止，這已經吸引了3個反對意見，沒有任何評論。抵禦最可能的反對：原始海報寫道

如果沒有人有一個很好的，簡潔的，專業的直覺/例子，可以幫助我向一個外行人解釋這件事

我認為我確實做到了。 Pi先生髮布的答案要好於我發布的非專業人士的解釋，我一看到就投票支持他。

基本費率謬誤與對不同人群的專業化有關，這並未引起更廣泛的誤解，即準確性意味著低誤報率和低誤報率。

在以高的誤報率解決高精度難題時，我發現如果不向人們介紹精確度和召回率的概念，就不可能超越非常膚淺，手揮手和不准確的解釋。

用外行的話來說，只需寫出兩個感興趣的值即可，而不用過分簡化“準確率”：

1. 在那些患有X病的人中，測試表明患有X病的比例是多少？這是召回率。錯誤的判斷是假陰性-應該被診斷出患有這種疾病但沒有的人。
2. 在測試所說的那些人中，有條件X的人中實際上有條件X的比例是多少？這是準確率。錯誤的判斷是誤報-我們所說的人有條件，但沒有。
ol>

診斷測試僅在提供新信息時才有用。您可以向他們證明，對於任何罕見疾病的診斷（例如，<1％的病例），構建高度準確（> 99％準確度！）的測試非常容易，同時告訴我們什麼我們還沒有了解誰真正擁有或不真正擁有它：只需告訴每個人他們沒有它。無限數量的測試具有相同的準確度，但在召回率和反之亦然。一個人甚麼都不做可以得到100％的精度或100％的精度，但是只有一個有區別的測試才能使這兩者最大化。實際計算並向他們顯示精度和召回率可以告知他們，並幫助他們明智地權衡取捨和需要更敏銳的測試。組合提供不同信息的測試可以導致更準確的診斷，即使一項或另一項測試的結果本身不可接受地不正確。

這是關鍵：測試是否為我們提供新信息？

然後還有規避風險的維度：找到一個真正的正面值值得引起多少錯誤的正面值？也就是說，您願意誤導多少人以為他們找到了可能沒有的東西，以找到確實擁有的東西？這取決於誤診的危險，誤報和誤報通常會有所不同。

編輯： 進一步的好處將是確認測試或越來越精確的測試，也許因為直到更晚才推出，才推遲到以後。因此，偏誤診斷的診斷可用於構建篩子，該篩子是一種具有成本效益的鑑別器，可儘早消除大多數真陰性。但是，這也以增加真正陽性結果的危險為代價：您希望癌症患者盡快得到治療，讓他們跳三到五個箍，每個箍需要兩個星期到一個月的預先安排，才可以獲得治療可以使他們的預後惡化一個數量級。因此，在分流進行隨訪時，應優先考慮其他較便宜的檢查，以優先考慮那些最有可能患病的患者，並在可能的情況下同時進行多次檢查。>

只需為自己繪製一個簡單的決策樹，它就會變得顯而易見。見附件。我還可以發送一個非常簡單的電子表格，以準確說明其影響。

是遊戲的末尾，但是這裡有些其他人沒有提到。

1）首先，存在一個稱為Kappa或Cohen's Kappa的統計數據，該統計數據衡量一種方法在隨機猜測方面的改進程度。對於具有兩個結果的測試，隨機猜測只是猜測多數類。例如，如果一種疾病是由1％的人口傳染的，那麼對所有人說“您沒有這種疾病”的測試就是99％的準確率。無用，但準確率達99％。 Kappa會評估測試相對於隨機猜測的改進程度。有關公式，請參閱維基百科，但大致來說，它可以衡量您的方法所捕獲的隨機性所佔的改進百分比。因此，在我的示例中，準確度為99.5％的測試的kappa為0.5，這是最佳情況下50％的1％的改善。

2）所有這些也與貝葉斯/貝葉斯定理有關。假設某種情況很少-佔總人口的0.01％，並且該條件的測試準確率為99％（並且始終能夠抓住該條件）。貝葉斯說，您先前患該病的機會是0.01％。但是，如果測試呈陽性，則患該疾病的可能性僅為（.0001 / .01）= 1％。公式為P（Cond | test = Y）= P（Cond）/ P（test = Y）。這是貝葉斯定理。

3）最後，這種看似悖論的數量，恕我直言，是事實，即概率不是直觀的。這樣的事情有不同的名字。但是，以不同的面貌出現的這種現象的例子被稱為“檢察官悖論”和“蒙蒂·霍爾”問題。我想我已經在tldnr，所以如果還不覺得煩的話，可以在Wikipedia中查找它們。

正如許多問題和答案一樣，這取決於...

對於癌症篩查（乳房X線照片，結腸鏡檢查等）和其他針對疾病或狀況的篩查測試，幾乎總是如此。為了使篩查測試具有一定的價值，它必須足夠“靈敏”，以檢測被篩查疾病的相對罕見病例（例如1％或更少）。真陽性分數（TPF）幾乎總是小於假陽性分數（FPF）。

這就是為什麼總是需要重新測試（再次應用相同的測試）或進行後續測試（可能更昂貴但具有更高的“特異性”）以消除誤報的原因。

從某種意義上說，您要輸入的名稱是“篩選測試”！

“準確度”一詞具有非常特殊的技術含義，不一定是一般含義或對情況的普遍考慮。大多數“常識”與50％50％的機會，您是否患有癌症有關。

在Wiki頁面上： https://en.wikipedia.org/wiki/Receiver_operating_characteristic

另一種表達方式是，如果多數情況正確，則測試是準確的。這是常見的定義。但是，如果這種情況很少見，並且測試是“敏感的”，它仍然可以（而且實際上應該而且必須）給出假陽性。

1％的患病率，1000次測試，10個真實陽性，20個假陽性

準確性=（10 +（1000-10-20））/ 1000 = 98％

另一種技術說法是，篩選測試傾向於在所謂的接收器工作特性（ROC）的高靈敏度（高假陽性）側進行操作。一個人想抓住所有真實的肯定，卻以錯誤的肯定為代價，將對它們進行重新測試並在很大程度上消除。

看看這個閃亮的應用程序工具 https://kennis-research.shinyapps.io/Bayes-App/，它解釋了敏感性，特異性和普遍性之間的關係。本質上，測試發現真實陽性的能力是測試有效性（敏感性和特異性）以及所測試疾病患病率的函數。

使用KISS方法向所有人解釋...保持簡單愚蠢的K.I.S.S.

在會計中，簡單的審計從特定支出或收入相對於實際銀行存款&提款的總交易額的1％樣本開始。如果不匹配或“相加”。您將樣本大小增加到5％。您發現的錯誤越多，尋找錯誤或欺詐的樣本比例就越高。高達100％。

統計學家一個更簡單的例子是大數定律。單個樣本越多，結果越準確。

相反的影響是我所說的極小數定律。意味著樣本太小，無法反映出真實的準確性。

希望這會有所幫助！