Oui, il y en a.Généralement, il est appelé base rate fallacy ou plus spécifique false paradox.Il y a même un article wikipedia à ce sujet: voir ici

Malheureusement, je n'ai pas de nom pour cette erreur. Quand j'ai besoin d'expliquer cela, j'ai trouvé utile de parler de maladies qui sont communément connues des profanes mais qui sont ridiculement rares. Je vis en Allemagne et bien que tout le monde ait lu sur la peste dans ses livres d'histoire, tout le monde sait qu'en tant que médecin allemand, je ne diagnostiquerai jamais un vrai cas de peste ni ne m'occuperai d'une morsure de requin.

Lorsque vous dites aux gens qu'il existe un test de détection des morsures de requin positif chez une personne sur cent en bonne santé, tout le monde sera d'accord, que ce test n'a pas de sens, quelle que soit sa valeur prédictive positive.

En fonction de l'endroit où vous vous trouvez et de votre public, des exemples possibles peuvent être la peste, la maladie de la vache folle (ESB), la progeria, la foudre. Il existe de nombreux risques connus, les gens sont bien conscients que leur risque est bien inférieur à 1%.

Modification / Ajout: Jusqu'à présent, cela a attiré 3 votes négatifs et aucun commentaire. Me défendre contre l'objection la plus probable: l'affiche originale a écrit

À défaut, quelqu'un a une bonne intuition / exemple concis et sans jargon qui m'aiderait à l'expliquer à un profane

Et je pense que c'est exactement ce que j'ai fait. M. Pi a posté sa meilleure réponse plus tard que j'ai posté mon explication profane et j'ai voté pour la sienne dès que je l'ai vue.

L'erreur du taux de base est liée à la spécialisation à différentes populations, ce qui ne rend pas compte d'une idée fausse plus large selon laquelle une haute précision implique à la fois de faibles taux de faux positifs et de faibles taux de faux négatifs.

En abordant l'énigme de la haute précision avec un taux de faux positifs élevé, je trouve impossible d'aller au-delà des explications très superficielles, ondulées et inexactes sans présenter aux gens les concepts de précision et de rappel.

En termes simples, on peut simplement écrire deux valeurs d'intérêt au lieu du taux de "précision" trop simplifié:

1. Parmi les personnes atteintes de la condition X, quelle proportion le test indique-t-il qu'elles sont atteintes de la condition X? C'est le taux de rappel. Des déterminations incorrectes sont de faux négatifs - des personnes qui auraient dû être diagnostiquées comme atteintes de la maladie, mais qui ne l'ont pas été.
2. Parmi les personnes dont le test a indiqué qu'elles étaient atteintes de la condition X, quelle est la proportion de personnes atteintes de la condition X? C'est le taux de précision. Les déterminations incorrectes ici sont de faux positifs - les personnes dont nous avons dit qu'elles étaient atteintes de la maladie, mais pas.

Un test de diagnostic n'est utile que s'il donne de nouvelles informations. Vous pouvez leur montrer que pour le diagnostic de toute condition rare (disons, <1% des cas), il est trivialement facile de construire un test qui est très précis (précision> 99%!), Tout en ne nous disant rien que nous n'avons pas déjà savoir qui l'a ou ne l'a pas réellement: dites simplement à tout le monde qu'il ne l'a pas. Un nombre infini de tests ont la même précision mais échangent la précision pour le rappel et vice-versa. On peut obtenir une précision de 100% ou une précision de 100% en ne faisant rien, mais seul un test discriminant maximisera les deux. En fait, calculer et leur montrer la précision et les taux de rappel peut les informer et les aider à réfléchir intelligemment aux compromis et à la nécessité d'un test plus exigeant. La combinaison de tests offrant des informations différentes peut conduire à un diagnostic plus précis, même lorsque le résultat d'un test ou de l'autre est en lui-même inexact de manière inacceptable.

C'est la clé: le test nous donne-t-il de nouvelles informations ou non?

Ensuite, il y a aussi la dimension de l'aversion au risque: combien de faux positifs vaut-il la peine de subir pour trouver un vrai positif? Autrement dit, combien de personnes êtes-vous prêt à induire en erreur en pensant qu'elles ont quelque chose qu'elles pourraient ne pas avoir afin d'en trouver une qui en a? Cela dépendra du risque d'erreur de diagnostic, qui diffère généralement pour les faux positifs et les faux négatifs.

Modifier: Un autre avantage serait un test de confirmation ou des tests de plus en plus précis, peut-être retardés car ils sont plus chers.Les diagnostics avec un biais vers les faux positifs peuvent donc être utilisés de concert pour construire un tamis qui est un discriminateur rentable, éliminant la plupart des vrais négatifs dès le début.Cependant, cela entraîne également un danger accru pour les vrais positifs: vous voulez que les patients cancéreux reçoivent un traitement le plus tôt possible et qu'ils sautent à travers trois ou cinq cerceaux chacun nécessitant de deux semaines à un mois de planification à l'avance avant même de pouvoirl'accès au traitement peut aggraver leur pronostic d'un ordre de grandeur.Par conséquent, il est utile de prendre en compte conjointement d'autres tests moins coûteux lors du triage pour le suivi afin de hiérarchiser les patients qui ont la plus grande probabilité d'avoir la maladie, et d'effectuer plusieurs tests simultanément si possible.

Dessinez-vous simplement un arbre de décision simple et cela devient évident.Voir ci-joint.Je peux également envoyer une feuille de calcul ultra simple qui illustre précisément l'impact.

En retard dans le jeu, mais voici certaines choses que d'autres n'ont pas mentionnées.

1) Premièrement, il y a une statistique appelée Kappa ou Kappa de Cohen qui mesure à quel point une méthode s'améliore par rapport à la supposition aléatoire. Pour un test avec deux résultats, deviner au hasard consiste simplement à deviner la classe majoritaire. Par exemple, si une maladie est portée par 1% de la population, un test qui dit «vous n'avez pas la maladie» à tout le monde est précis à 99%. Inutile, mais précis à 99%. Kappa mesure à quel point un test s'améliore par rapport à des suppositions aléatoires. Voir wikipedia pour la formule, mais en gros, elle mesure le pourcentage d'amélioration par rapport à la supposition aléatoire capturée par votre méthode. Donc, dans mon exemple, un test précis à 99,5% aurait un kappa de 0,5, soit 50% de l'amélioration de 1% dans le meilleur des cas.

2) Tout cela est également lié au théorème de Bayes / Bayes. Supposons qu'une condition est rare - se produit dans 0,01% de la population et que le test de la condition est précis à 99% (et détecte toujours la condition). Bayes dit que votre chance antérieure d'avoir la maladie est de 0,01%. Cependant, la probabilité d'avoir la maladie, étant donné un test positif est seulement (.0001 / .01) = 1%. La formule est P (Cond | test = Y) = P (Cond) / P (test = Y). C'est le théorème de Bayes.

3) Enfin, ce genre de paradoxe apparent revient, à mon humble avis, au fait que la probabilité n'est pas intuitive. Des choses comme celle-ci ont des noms différents. Mais des exemples de ce phénomène sous différentes formes ont été appelés, entre autres, le problème du «paradoxe du procureur» et du «Monty Hall». Je pense que je suis déjà à tldnr, alors cherchez-les sur Wikipedia si ce n'est déjà pas ennuyé.

Comme pour de nombreuses questions et réponses, cela dépend ...

Dans le cas du dépistage du cancer (mammographie, coloscopie, etc.) et de nombreux autres tests de dépistage d'une maladie ou d'un état, c'est presque toujours le cas. Pour qu'un test de dépistage ait une certaine valeur, il doit être suffisamment «sensible» pour détecter les cas relativement rares (disons 1% ou parfois beaucoup moins) de la maladie à examiner. La vraie fraction positive (TPF) est presque toujours inférieure à la fraction de faux positifs (FPF).

C'est pourquoi il y a toujours un nouveau test (en appliquant à nouveau le même test) ou des tests de suivi (probablement plus coûteux mais une "spécificité" plus élevée), pour ensuite éliminer les faux positifs.

Donc, dans un sens, le nom que vous demandez est "test de dépistage"!

Le terme «exactitude» a une signification technique très particulière, qui n'est pas nécessairement la signification courante ou communément considérée comme une situation. La plupart du «bon sens» est lié à 50% 50% de chances, que vous ayez un cancer ou non.

Depuis la page wiki: https://en.wikipedia.org/wiki/Receiver_operating_characteristic

Une autre façon de le dire est qu'un test est précis s'il obtient la plupart des cas corrects. Quelle est la définition courante. Mais si la condition est rare et que le test est "sensible", il peut (et en fait devrait et doit) donner des faux positifs.

1% de prévalence, 1000 tests, 10 vrais positifs, 20 faux positifs

précision = (10 + (1000 - 10 - 20)) / 1000 = 98%

Encore une autre manière technique de dire cela est que les tests de dépistage ont tendance à opérer du côté haute sensibilité (fort faux positif) de la soi-disant caractéristique de fonctionnement du récepteur (ROC). On veut attraper tous les vrais positifs, au détriment des faux positifs, qui seront retestés et largement éliminés.

Regardez cet outil d'application brillant https://kennis-research.shinyapps.io/Bayes-App/ qui explique la relation entre la sensibilité, la spécificité et la prévalence.Essentiellement, la capacité du test à découvrir de vrais positifs est fonction à la fois de l'efficacité du test (sensibilité et spécificité) et de la prévalence de la condition testée.

Utilisez la méthode KISS pour l'expliquer à tout le monde ... Keep It Simple Stupid K.I.S.S..

En comptabilité, un simple audit commence par un échantillon de 1% du total des transactions pour une (des) dépense (s) ou revenu (s) spécifique (s) par rapport aux dépôts bancaires réels retraits &.S'ils ne correspondent pas ou "s'additionnent".Vous augmentez la taille de l'échantillon jusqu'à 5%.Plus vous trouvez d'erreurs, plus le pourcentage de votre échantillon augmente à la recherche d'erreurs ou de fraudes.Jusqu'à 100%.

Un exemple encore plus simple pour les statisticiens est la loi des grands nombres.Plus le nombre d'échantillons individuels est grand, plus le résultat est précis.

L'effet opposé est ce que j'appelle la loi des nombres minuscules.Cela signifie que l'échantillon est trop petit pour refléter la vraie précision.

J'espère que cela vous aidera!