Base rate neglect: onvoldoende rekening houden met het daadwerkelijke voorkomen/afwezigheid van de eigenschap in de populatie.
Signaal detectie theorie (SDT): een theorie die de mogelijkheid biedt diagnostiek vanuit modelmatig, besliskundig perspectief aan te pakken. De theorie gaat over de kans op goede en foute beslissingen, met aannames over verdelingen van testuitkomsten onder verschillende omstandigheden. Het is van toepassing in alle te onderscheiden gebieden binnen de psychologie.
Sensiviteit: hoe groot is de kans op een positieve diagnose, gegeven dat iemand de stoornis heeft? Dit is gelijk aan de voorwaardelijke/conditionele kans.
Specifiteit: hoe groot is de kans op een negatieve diagnose, gegeven dat de persoon de stoornis inderdaad niet heeft? Om dit te berekenen heb je een aselecte selectieve steekproef nodig.
Positieve predictieve waarde (PPV): proportie ware positieven gegeven een positieve diagnose
Negatieve predictieve waarde (NPV): proportie ware negatieven gegeven een negatieve diagnose
Bij de PPV en de NPV gaat het om een proportie en niet om de kans. Als de proportie niet klopt met de proportie in werkelijke populatie is dat problematisch.
Prevalentie (base rate) is nodig om goed te testen. Voor prevalentie is aselecte steekproef nodig.
Selectieratio: hoe groot is de kans dat iemand uit de populatie een positieve diagnose (ware en valse positieve) krijgt.
Met de sensiviteit en specifiteit, prevalentie kan je de selectieratio berekenen zonder dat je een aselecte steekproef hebt getrokken.
Regel van Bayes: kan je gebruiken bij predictieve accuratesse: hoe groot is de kans dat iemand bij een positieve diagnose daadwerkelijk de stoornis heeft?
De predictieve accuratesse in een diagnostische test is afhankelijk van de kwaliteit van het instrument (sensiviteit en specifiteit) en het voorkomen van de stoornis (prevalentie). Zelfs bij een betrouwbaar instrument is bij een lage prevalentie de kans op een correcte beoordeling klein.
Met een subjectieve a-priori verwachting kun je P(C+) aanpassen.
Cut-off score (beta): grenswaarde. De optimale grenswaarde en subjectieve nut (hoe belangrijk is een correcte beslissing?) kan je weergeven in een opbrengstmatrix.
Een hoog percentage ware positieve is gewenst (hoge sensiviteit).
Een lage percentage valse positieven is gewenst (lage 1- specifiteit).
Hulpmiddel om dit te bereiken: voor alle grenswaarden de sensiviteit en (1-specifiteit) bekijken in een ROC-curve. Deze curve zet alle mogelijke grenswaarden tegen elkaar af. Een diagonale lijn is optimaal.
De area under curve (AUC) is een objectieve maat voor de testkwaliteit. Hoe groter de oppervlakte, hoe beter.
Overzicht: Sensiviteit = ware positieven Specifiteit = ware negatieven Valse positieven = 1-specifiteit Valse negatieven = 1-sensiviteit |
Als je deze aantekeningen handig vond, volg dan gelijk mijn WorldSupport account! Dit kan door rechts naast deze samenvatting op '+ Follow' te klikken. Wordt erg gewaardeerd :)
