「檢驗陽性」＝「生病」？：基準率謬誤

Thu, 10 Sep 2026 21:00:00 +0900

在健康檢查或癌症篩檢中，如果出現「陽性（有異常）」的結果，任何人大概都會感到恐慌。然而，如果具備統計學與機率的知識，或許就能深呼吸並冷靜下來。因為，「在準確率高的檢驗中呈陽性」，並不代表「實際罹病的機率就一定很高」。

這被稱為**「基準率謬誤（Base Rate Fallacy）」**或「忽略事前機率」，是人類直覺在計算機率時產生嚴重誤判的典型認知偏誤。

恐怖的健康檢查問題

請想像一下以下的情況。

在某個城鎮中，有一種未知疾病，每 1 萬人中會有 1 人（0.01%）感染。為了發現這種疾病，人們開發出了一款**「準確率 99%」**的優良檢驗試劑。（※準確率 99% 的意思是：如果生病的人接受檢驗，有 99% 的機率會正確判定為「陽性」；如果健康的人接受檢驗，有 99% 的機率會正確判定為「陰性」。）

你碰巧接受了這項檢驗，而結果是**「陽性」。那麼，你真正感染這種疾病的機率**是多少呢？

許多人會直覺地回答：「既然檢驗準確率是 99%，那我生病的機率應該也是 99% 吧。」然而，數學上的正確答案是**「約 0.98%（不到 1%）」**。

究竟為什麼明明有 99% 的準確率，實際罹病的機率卻不到 1% 呢？

貝氏定理與整體的視覺化

解開這個問題的關鍵在於，除了檢驗準確率之外，還必須考量**「這種疾病原本有多罕見（基準率・事前機率）」**。讓我們用 100 萬人這個龐大的群體，將這個違反直覺的現象視覺化吧。

總人數：1,000,000 人
實際生病的人（1 萬人中的 1 人）：100 人
健康的人：999,900 人

我們對這 100 萬人全部進行「準確率 99%」的檢驗。

1. 實際生病的人（100 人）接受檢驗的情況

因為準確率是 99%，所以被正確判定為「陽性」的人數是： 100 人 × 99% = 99 人（真陽性）

2. 健康的人（999,900 人）接受檢驗的情況

因為準確率是 99%，所以有 1% 的機率會被錯誤判定為「陽性」（偽陽性）： 999,900 人 × 1% = 9,999 人（偽陽性）

graph TD A["總人口 (1,000,000人)"] --> B["生病的人 (100人)"] A --> C["健康的人 (999,900人)"] B -->|99%正確| B1["真陽性 (99人)"] B -->|1%錯誤| B2["偽陰性 (1人)"] C -->|99%正確| C1["真陰性 (989,901人)"] C -->|1%錯誤| C2["偽陽性 (9,999人)"] B1 -.-> D{"被判定為『陽性』的總人數: 10,098人"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

你罹患疾病的真實機率

那麼，醫生告訴你：「你是陽性」。這意味著你進入了圖表右下方「被判定為『陽性』的總人數（10,098 人）」這個群體。

在這個群體中，**「真正生病的人（真陽性）」**的比例是多少呢？

$$ \text{真正生病的機率} = \frac{\text{真陽性}}{\text{被判定為陽性的總人數}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

計算結果是約 0.98%。儘管被判定為「陽性」，但你其實很健康（偽陽性）的機率卻壓倒性地高（約 99%）。

為什麼直覺會出錯？

這個現象可以透過計算條件機率的**「貝氏定理」**來進行數學上的解釋，但人類的大腦非常不擅長進行這種計算。

我們會犯錯的原因在於，我們被眼前提供的強烈個別資訊（「你的檢驗結果是陽性！準確率 99%！」）轉移了注意力，從而忽略了背景中龐大而枯燥的統計數據（「原本罹患這種疾病的人就只有 1 萬人中的 1 人（基準率）」）。

因為「疾病的罕見程度（0.01%）」比「檢驗的不準確度（1%）」還要極端得多，所以些微的檢驗誤差，就會瞬間淹沒原本真正生病的人數。

潛藏在社會中的「基準率謬誤」

這種錯覺不僅在醫療領域，在各種場合都會引發恐慌或錯誤的判斷。

臉部辨識系統與恐怖分子：即使準確率高達 99.9% 的臉部辨識攝影機在機場發現了「恐怖分子」，但由於恐怖分子的基本機率極低，因此被抓到的幾乎都會是長相相似的無辜平民（偽陽性）。
交通事故與高齡駕駛：即使看到「發生事故的車輛中有〇〇% 是高齡者」的新聞而感到危險，但如果不考慮「原本在道路上行駛的所有駕駛中，高齡者所佔的比例（基準率）」，就無法得知特定的年齡層是否真的更容易引發事故。

「基準率謬誤」告訴我們統計思考的重要性：越是看到令人震驚的數字或個別案例時，我們就越應該回頭去思考**「這在整體中原本發生的機率有多高（基準率）」**。

心理學 on kenji.blog