假阳性

假阳性 (False Positive)

假阳性，又称第一类错误，是指在统计假设检验中，当原假设 $H_0$ 实际为真时，检验却错误地拒绝了 $H_0$ 而得出"存在效应"或"存在差异"的结论。该概念广泛存在于统计学、计量经济学、医学诊断和机器学习等任何涉及二元决策的领域。假阳性的概率由显著性水平 $\alpha$ 控制——当 $\alpha = 0.05$ 时，即便 $H_0$ 为真，每 20 次独立检验中平均会有 1 次错误拒绝。

统计框架

在 Neyman-Pearson引理框架下，假设检验的决策空间由四种可能结果构成：

• 真阳性 (True Positive)：$H_0$ 为假，检验正确拒绝 $H_0$。概率为检验功效 $1 - \beta$。
• 假阳性 (False Positive / Type I Error)：$H_0$ 为真，检验错误拒绝 $H_0$。概率为显著性水平 $\alpha$。
• 真阴性 (True Negative)：$H_0$ 为真，检验正确不拒绝 $H_0$。概率为 $1 - \alpha$。
• 假阴性 (False Negative / Type II Error)：$H_0$ 为假，检验错误不拒绝 $H_0$。概率为 $\beta$。

假阳性率与 p值 直接关联：p 值定义为在原假设 $H_0$ 为真的条件下，观察到当前统计量或更极端结果的概率。当 $p < \alpha$ 时，检验拒绝 $H_0$；若此时 $H_0$ 实际为真，便构成假阳性。需强调，$p$ 值本身并非"$H_0$ 为真的概率"，而是"在 $H_0$ 为真的模型下出现当前数据的条件概率"——混淆这两个命题恰恰是假阳性误判的重要来源。

经济学与计量中的应用

在实证经济学中，假阳性的典型场景是回归分析中误将不存在的因果关系判定为显著。当研究者对同一数据集运行大量回归模型、变换控制变量组合或选择不同子样本，却不加以多重比较校正时，假阳性概率将远超名义 $\alpha$。例如，若对 20 个互不相关的自变量分别做回归（每个 $\alpha = 0.05$），至少出现一个假阳性的概率为 $1 - (0.95)^{20} \approx 64\%$——此即多重比较问题。

常见的校正手段包括：

• Bonferroni校正：将 $\alpha$ 除以检验次数 $m$，即使用 $\alpha/m$ 作为单次检验的显著性阈值。此为最保守的校正。
• BH (Benjamini-Hochberg) 方法：控制错误发现率，允许在 $m$ 次检验中有一定比例的假阳性，适用于探索性研究。
• 预注册 (Pre-registration)：在研究开始前公开声明假设、模型设定与主要检验方法，通过约束研究者自由度来抑制事后假阳性挖掘（p-hacking）。

医学诊断与贝叶斯视角

假阳性的影响在低基率场景中尤为突出。假设某疾病的患病率为 0.1\%（万分之一），检测方法的灵敏度（真阳性率）为 99\%，特异度（真阴性率）为 99\%——即假阳性率仅 1\%。当检测结果为阳性时，根据贝叶斯定理，真正患病的后验概率为：

尽管检测精度极高，阳性结果中仍有约 91\% 为假阳性——这是因为疾病本身极其罕见，真阳性数量被庞大的假阳性淹没。该现象被称为基率谬误，它深刻揭示了假阳性率与阳性预测值之间的非线性关系，也是评估任何筛选政策时必须考虑的核心逻辑。

假阳性与假阴性的权衡

在大多数实际决策中，假阳性与假阴性构成根本性权衡。降低 $\alpha$（收紧假阳性控制）会增大 $\beta$（提高假阴性风险），两者的相对成本取决于具体决策语境。在药品审批中，假阳性意味着让无效药物流入市场，监管者因此倾向严格 $\alpha$；在传染病筛查中，假阴性意味着漏掉感染者、导致继续传播，公共卫生体系因此倾向降低 $\beta$。ROC曲线与AUC正是刻画这一权衡在不同阈值下变化的标准化工具。