基准率

“基准率”这个词听着陌生，意思其实就一句话：一件事在没有任何检测、没有任何消息之前，本来就有多常见。 某种病在人群里的患病率是千分之一，这个“千分之一”就是基准率。看任何百分比之前先问这个基数，很多吓人的结论会立刻现出原形。

来看一个体检的例子（数字为演示数字）。假设某种病在人群中的患病率是千分之一，有一种检测号称“99% 准确”——有病的人 99% 能被测出来，没病的人 99% 能被排除。现在一家公司组织 1000 名员工体检，全员做这项检测，会发生什么？

算一笔账：

• 1000 人里，真患病的约 1 人（1000 × 1‰）；
• 这 1 人有 99% 的概率被测出，基本就是 1 个真阳性；
• 剩下 999 个健康人，每人有 1% 的概率被误报，999 × 1% ≈ 10 个假阳性；
• 阳性报告一共约 11 份，里面真患病的只有约 1 个。

也就是说，拿到阳性报告的人，真患病的概率只有约十一分之一——九成左右的阳性是虚惊一场。检测没有撒谎，是“千分之一”这个基准率在起作用：病太罕见，误报比例再低，也架不住健康人的基数大。

检测 99% 准确，阳性为什么还多半是误报？

1. 误报是从巨大的健康人群里抽出来的。 1% 听起来很小，但它是 999 人的 1%，约 10 个；真阳性是 1 个人的 99%，约 1 个。两边基数差了近千倍，真阳性自然被误报淹没。

2. “99% 准确”说的根本不是你关心的那件事。 它说的是“有病的人里 99% 能测出、没病的人里 99% 能排除”。而你拿到阳性报告时真正想问的是：“阳性里头，有多少是真病？”这是另外一个数，必须把基准率放进来一起算才能得出。

3. 病越罕见，这个问题越严重。 同一个检测，换个患病率，结论整个翻过来：如果患病率是千分之一，阳性里约九成是误报；如果患病率是十分之一（演示数字）——100 人里真病约 10 人、测出约 10 人，健康 90 人误报约 1 人——阳性里反而约九成是真病。准确率没变，变的只是基准率。

生活中哪些地方要带上基准率？

体检和筛查。 罕见病的筛查阳性，第一反应应该是复查，而不是崩溃。很多筛查指南对低风险人群不建议常规筛查，部分原因正是假阳性带来的恐慌和过度检查。

警报和反诈系统。 如果诈骗来电在全部来电里占比很低，那么“宁可错杀”的拦截系统会频繁误伤正常来电——不是系统笨，是基数决定的。

新闻里的“风险上升”。 “某行为让某病风险上升 50%”——如果基准率本来只有十万分之二，上升 50% 后是十万分之三，绝对风险依然极小。离开基准率，单个百分比没法判断大小。这也是理解概率类新闻的基本功。

一个常见误会

“只看检测有多准，就能知道阳性结果有多可信。” 误报率说的是“健康人里有多少被误报”，而阳性可信度还取决于病有多罕见。沿用前面的设定：患病率千分之一、两个检测指标都为 99% 时，阳性里真患病约占 9%；把两个指标都提高到 99.9%，这个比例就约为 50%。如果两个指标仍为 99%，但患病率升到百分之一，结果也约为 50%。检测性能和基准率都要看，不能只看其中一个。

一句话收尾：看到任何百分比，先问一句“基数是多少”。 这个习惯能替你挡掉大多数被数字吓出来的恐慌。