σ2(Xpol) = σ2(p) + σ2(o) + σ2(l) +

σ2(Xpol) = σ2(p) + σ2(o) + σ2(l) + σ2(po) + σ2(pl) + σ2(ol) + σ2(pol) (5)
The ANOVA-based research model is a fully crossed person (p)-by-occasion (o)-by-laboratory (l) [p × o × l] random model. However, unlike typical ANOVA appli-cations which focus on F tests and follow-up significance testing of certain mean effects within the model, G stud-ies estimate variance components (VCs) for a single outcome and quantify all sources of variance. (It should

Using Generalizability Theory to Evaluate the Applicability of a Serial Bayes Model in Estimating the 197 Positive Predictive Value of Multiple Psychological or Medical Tests be noted that in some medical testing applications both ANOVA-based significance testing and VC estimation might prove useful.) This G study model estimates seven VCs. There are three main effects: p, o and l, and four interactions: po, pl, ol, and pol. It is useful here to con-sider what each VC conveys about the test results. The VCs can be verbally described as follows:
p – the degree to which test results tend to yield a con-sistent outcome for patients across occasions and labora-tories (may contain Error Type 2),
o – the degree to which certain sequential occasions are more or less likely to detect a positive or negative result (contributes to Error Type 1, but in this example it should logically be zero),
l – the degree to which certain laboratories are more or less likely to detect positive or negative results (contrib-utes to Error Type 3),
po – the degree to which a patient’s test status tends to change depending on the occasion on which the sample was collected (contributes to Error Type 1),
pl – the degree to which a patient’s test status tends to change depending on the particular lab to which the specimen was sent (contributes to Error Type 3),
ol – the degree to which the probability of a positive test result for a particular occasion tends to vary depend-ing on the laboratory processing the specimen (this should logically be zero),
pol – the degree to which the patient’s test status de-pends on the occasion / laboratory combination and other un-modeled or residual sources of error (also indicates the degree to which the G study model fails to capture relevant error sources).
3. Results
Interpreting the magnitude of the VCs from the G study can determine whether, or under what conditions, the assumption of test independence is satisfied and whether enhanced prediction upon retesting is achieved. The total variance in the G study model [σ2(Xpol)] is simply the sum of the all the variance components. Suppose in our example problem the test yields dichotomous data (nega-tive/positive test results) and is summarized as the pro-portion of positive test results (ρ). Therefore, model variance is estimated as approximately: (ρ) * (1 – ρ); and hence is equal to the proportion of positive tests observed multiplied by the proportion of negative tests obtained across all tests in the sample. Hence, the first result of interest from the experimentally sampled data in our example problem is the proportion of positive test results observed within the sample. If the random sample is of adequate size it should yield an accurate estimate of the population proportion.
If, as in our example, there are established estimates of disease prevalence, and test specificity and sensitivity the researcher should examine the congruence between sam-ple results and expected population values. Although a G study can productively proceed if a sample disagrees with established estimates of population prevalences and the test’s specificity and sensitivity, for the purpose of simplicity in illustrating our example problem, let’s as-sume that the proportion of positive tests obtained from our sample is in close agreement with the expected population proportion. Hence, 31% of patients testing positive in our sample reflect a patient’s true positive disease status and 69% of the positive test results repre-sent false positive results in a sample with a disease prevalence of .01. The expected proportion of positive results is .029 and the total model variance will sum to .0279.
To further illustrate, Table 1 displays four hypotheti-cal G study outcomes from the fully crossed G study model. Each outcome has a different practical implica-tion related to achieving test independence. Assuming the sample is approximately consistent with expectations estimated from the population, let’s focus on the VC out-comes in Table 1. For Outcome 1, 30% of the variance is found to be related to the patient and the largest source of the error is attributable to a patient by occasion interac-tion. Since the specificity, sensitivity and prevalence are known, Equation (3) suggests that in the absence of pa-tient Error Type 2, patient variance will account for ap-proximately 30% of the total variance in the model. Out-come 1 appears to agree closely with this expectation and hence would suggest Error Type 2 does not make a major contribution to measurement error. Further, since 60% of the variance is related to the person-by-occasion interac-tion (po), test results from a specimen collected on a sin-gle occasion and submitted to multiple laboratories are unlikely to provide independent information. The obvi-ous recommendation resulting from Outcome 1 would be that to maximize the information from retesting and to insure that results exhibit test independence, specimens should be collected on different occasions.
As another illustration, let’s suppose Outcome 2 as reported in Table 1 was the G study result of our sam-pling experiment. Here patient variance is significantly higher than might be expected in the absence of Error Type 2. With 60% of overall variance attributed to pa-tient variance, this outcome dramatically exceeds what one would expect in the absence of Error Type 2. In this situation, the practical implication is that a Bayes serial calculation would always be inappropriate even if speci- mens were collect on multiple occasions and sent to mul-tiple labs. This result suggests that some patients are consistently more likely to generate false positive test results.
Outcome 3 in Table 1 displays a G study outcome where most of the error is attributable to the patient-by-
Copyright © 2010 SciRes. PSYCH Using Generalizability Theory to Evaluate the Applicability of a Serial Bayes Model in Estimating the Positive Predictive Value of Multiple Psychological or Medical Tests Copyright © 2010 SciRes. PSYCH 198

ผลลัพธ์ (ไทย) 1:

Σ2(Xpol) = σ2(p) + σ2(o) + σ2(l) + σ2(po) + σ2(pl) + σ2(ol) + σ2(pol) (5) แบบวิจัยใช้การวิเคราะห์ความแปรปรวนเป็นคนทั้งหมดข้าม (p) - โดย - โอกาส (o) -โดย- [p × o × l] โมเดลตัวอย่างของห้องปฏิบัติการ (l) อย่างไรก็ตาม ซึ่งแตกต่างจากทั่วไปการวิเคราะห์ความแปรปรวน appli-เป็นของหายากซึ่งมุ่งเน้นการทดสอบ F และบางผลเฉลี่ยภายในแบบทดสอบความสำคัญติดตามผล G สตั๊ด-ies ประเมินผลต่างของส่วนประกอบ (VCs) สำหรับผลเดียว และกำหนดปริมาณแหล่งทั้งหมดของผลต่าง (ควรใช้ทฤษฎี Generalizability ประเมินความเกี่ยวข้องของแบบจำลอง Bayes ประจำในประมาณ 197 บวกค่าคาดการณ์ของประสาทหรือการทดสอบทางการแพทย์หลายบันทึกว่า ในบางงานทดสอบทางการแพทย์ สำคัญตามการวิเคราะห์ความแปรปรวนการทดสอบและประเมิน VC อาจพิสูจน์ประโยชน์) รูปแบบการศึกษานี้ G ประมาณเจ็ด VCs มีผลกระทบหลักที่สาม: p, o และ l และการโต้ตอบที่สี่: po, pl, ol และ pol มีประโยชน์ที่นี่กับคอน sider ที่ VC แต่ละสื่อถึงเกี่ยวกับผลการทดสอบ VCs สามารถวาจาอธิบายดังนี้: p – ระดับซึ่งผลการทดสอบมีแนวโน้มให้ ผลผลิตผลคอน sistent ผู้ป่วยโอกาสและ labora-tories (อาจประกอบด้วยข้อผิดพลาด 2 ชนิด), o ระดับ–ซึ่งบางโอกาสตามลำดับมักน้อยจะตรวจพบผลบวก หรือลบ (รวมข้อผิดพลาดประเภท 1 แต่ ในตัวอย่างนี้มันตรรกะควรเป็นศูนย์), l ระดับ–ซึ่งบางห้องปฏิบัติมักน้อยจะตรวจพบผลบวก หรือลบ (contrib-utes เป็นข้อผิดพลาดชนิด 3), ปอ – ระดับที่ทดสอบผู้ป่วยมีแนวโน้มการ เปลี่ยนแปลงขึ้นอยู่กับโอกาสรวบรวมตัวอย่าง (รวมข้อผิดพลาดประเภท 1), pl – ระดับที่ทดสอบผู้ป่วยมีแนวโน้มการ เปลี่ยนแปลงตามที่ส่งสิ่งส่งตรวจห้องปฏิบัติการ (รวม 3 ชนิดข้อผิดพลาด), ol – ระดับที่ความเป็นไปได้ของผลการทดสอบเป็นบวกในโอกาสเฉพาะมีแนวโน้มที่ แตกต่างกันไปขึ้นอยู่กับกำลังในห้องปฏิบัติการประมวลผลสิ่งส่งตรวจ (เหตุผลควรเป็นศูนย์), pol-ปริญญาที่ให้ผู้ป่วยทดสอบสถานะเดอ-pends โอกาส / ชุดห้องปฏิบัติการและแหล่งข้อมูลอื่น ๆ ยังไม่ได้สร้างแบบจำลอง หรือส่วนที่เหลือของข้อผิดพลาด (บ่งชี้ถึงระดับที่ซึ่งแบบจำลองศึกษา G ไม่จับแหล่งข้อผิดพลาดที่เกี่ยวข้อง) 3. ผลลัพธ์ ทำนายขนาด VCs จาก G การศึกษาสามารถกำหนดได้ว่า หรือภาย ใต้ เงื่อนไข สมมติฐานของการทดสอบความเป็นอิสระเป็นความพึงพอใจ และว่าทำเพิ่มคาดการณ์เมื่อ retesting ผลต่างรวมในรูปแบบการศึกษา G [σ2(Xpol)] เป็นเพียงผลผลต่างของส่วนประกอบ สมมติว่า ในปัญหาอย่างการทดสอบทำให้ dichotomous ข้อมูล (ผลการทดสอบ nega-tive/บวก) และสรุปเป็นส่วนที่สนับสนุนผลการทดสอบเป็นบวก (ρ) ดังนั้น แบบจำลองผลต่างคือประมาณเป็นประมาณ: (ρ) * (1-ρ); และจึง มีค่าเท่ากับสัดส่วนของการทดสอบเป็นบวกที่สังเกตคูณ ด้วยสัดส่วนการทดสอบลบได้ผ่านการทดสอบจากตัวอย่างทั้งหมด ดังนั้น ผลแรกน่าสนใจจากข้อมูลตัวอย่าง experimentally ในปัญหาของเราอย่างเป็นสัดส่วนของผลการทดสอบเป็นบวกที่พบในตัวอย่าง ถ้าเป็นตัวอย่างสุ่มขนาดเล็ก ก็ควรผลผลิตการประเมินความถูกต้องของสัดส่วนประชากร ถ้า ตัวอย่างของเรา มีประเมินขึ้นโรค ชุก และ specificity ทดสอบความไว นักวิจัยควรตรวจสอบที่ลงตัวระหว่างผลลัพธ์แซมเปิ้ลและประชากรคาดค่า แม้สามารถบันเทิงทั้งมีดำเนินการศึกษา G ถ้าตัวอย่างไม่เหมาะกับ prevalences ประชากร และการทดสอบ specificity และความ ไว ความเรียบง่ายในการแสดงตัวอย่างปัญหา เพื่อประเมินขึ้นมาเป็น-sume ที่สัดส่วนของการทดสอบเป็นบวกที่ได้จากตัวอย่างของเรา ปิดข้อตกลงกับสัดส่วนประชากรที่คาดว่า ดังนั้น 31% ของผู้ป่วยที่ทดสอบเป็นบวกในตัวอย่างของเราสะท้อนสถานะโรคจริงบวกและ 69% ของการบวกผลลัพธ์ส่ง repre เท็จบวกผลการทดสอบในตัวอย่างของผู้ป่วย มีความชุกโรคของ.01 .029 เป็นสัดส่วนที่คาดไว้ของผลบวก และผลต่างรุ่นรวมจะรวมถึง.0279 การแสดงเพิ่มเติม ตารางที่ 1 แสดงผลการเรียน G 4 hypotheti cal จากแบบเรียน G เต็มข้าม แต่ละผลลัพธ์แตกต่างกันจริง implica-สเตรชันที่เกี่ยวข้องกับการบรรลุความเป็นอิสระในการทดสอบได้ ตัวอย่างสมมติว่ามีประมาณสอดคล้องกับความคาดหวังโดยประมาณจากประชากร ลองเน้น VC เข้ามาในตารางที่ 1 สำหรับผลที่ได้ 1 พบ 30% ของผลต่างที่เกี่ยวข้องกับผู้ป่วย และแหล่งที่มาของข้อผิดพลาดที่ใหญ่ที่สุดคือรวมผู้ป่วยโดย interac โอกาสสเตรชัน เนื่องจาก specificity ไว และชุกเป็นที่รู้จักกัน สมการ (3) แนะนำว่า ในกรณีที่ของป่า-tient ข้อผิดพลาด 2 ชนิด ผู้ป่วยต่างจะบัญชี ap proximately 30% ของความแปรปรวนทั้งหมดในแบบจำลอง 1 เข้ามาปรากฏให้ เห็นอย่างใกล้ชิด ด้วยความคาดหวังนี้ และดังนั้น จะแนะนำข้อผิดพลาด 2 ชนิดทำให้ส่วนใหญ่การวัดผิดพลาด เพิ่มเติม เนื่องจาก 60% ของผลต่างที่เกี่ยวข้องกับตัวผู้ด้วยโอกาส interac-สเตรชัน (ปอ), ผลการทดสอบจากตัวอย่างการเก็บรวบรวมในโอกาสบาป-gle และส่งไปห้องปฏิบัติการหลายไม่น่าจะให้ข้อมูลเป็นอิสระ คำแนะนำ obvi-ous เกิดจาก 1 ผลจะว่า เพื่อขยายข้อมูลจาก retesting และมั่นใจว่า ผลลัพธ์แสดงการทดสอบความเป็นอิสระ ไว้เป็นตัวอย่างควรเก็บรวบรวมไว้ในโอกาสต่าง ๆ เป็นภาพประกอบอื่น ลองสมมติว่า G ศึกษาผลการทดลองของเราสาม pling 2 ผลลัพธ์ในตารางที่ 1 ที่นี่ผู้ป่วยต่างเป็นอย่างมากสูงกว่าที่คาดหมายได้ของข้อผิดพลาด 2 ชนิด 60% ของผลต่างโดยรวมบันทึกป่า tient ผลต่าง ผลนี้อย่างมากเกินอะไรหวังของข้อผิดพลาด 2 ชนิด ในสถานการณ์นี้ เนื่องจากการปฏิบัติได้ว่า การคำนวณอนุกรม Bayes เสมอจะไม่เหมาะสมแม้บุรุษ speci ได้เก็บหลายครั้ง และส่งไปยังแล็บ tiple มูล ผลลัพธ์นี้แนะนำว่า ผู้ป่วยบางมักอย่างต่อเนื่องเพื่อสร้างผลการทดสอบเป็นบวกเท็จ ผล 3 ในตารางที่ 1 แสดงผลการเรียน G รวมผู้ป่วยส่วนใหญ่ของข้อผิดพลาด-โดย- ลิขสิทธิ์ © 2010 SciRes ใช้ทฤษฎี Generalizability ประเมินความเกี่ยวข้องของแบบจำลอง Bayes ประจำในการประมาณค่าคาดการณ์บวกของการทดสอบทางจิตวิทยา หรือทางการแพทย์หลายไซค์สงวนลิขสิทธิ์ © 2010 SciRes ไซค์ 198

ผลลัพธ์ (ไทย) 3:

σ 2 ( xpol ) = σ 2 ( P ) σ 2 ( O ) σ 2 ( L ) σ 2 ( PO ) σ 2 ( PL ) σ 2 ( OL ) σ 2 ( พล ) ( 5 )
( งานวิจัยแบบเต็มข้ามบุคคล ( P ) โดยโอกาส ( O ) โดยห้องปฏิบัติการ ( L ) [ L ] o p ××สุ่มแบบ อย่างไรก็ตาม จากการวิเคราะห์โดยทั่วไปใช้ไอออนซึ่งมุ่งเน้น F ทดสอบและติดตามผล ทดสอบความมีนัยสำคัญของผลหมายถึงหนึ่งภายในรุ่นการประมาณส่วนประกอบความแปรปรวนของ IES สตั๊ด ( VCS ) สำหรับผลเดียวและปริมาณทั้งหมดแหล่งที่มาของความแปรปรวน ( มันควร

การใช้ทฤษฎีการสรุปอ้างอิงเพื่อประเมินการประยุกต์ใช้แบบจำลองอนุกรม Bayes ในการประมาณค่าพยากรณ์บวกทางจิตวิทยาหรือ 197 หลายการทดสอบทางการแพทย์จะสังเกตได้ว่าในบางการทดสอบทางการแพทย์ทั้งจากการใช้งานโดยทดสอบความมีนัยสำคัญและการประมาณค่า VC อาจพิสูจน์ที่มีประโยชน์ นี้ G การศึกษาแบบจำลองประมาณเจ็ด VCs มีสามผลกระทบหลัก : P , O และฉันและสี่ปฏิสัมพันธ์ : ปอ , PL , ol และพล . มันเป็นประโยชน์มาหลอกหน้า สิ่งที่แต่ละ VC สื่อเกี่ยวกับผลการทดสอบ VCS สามารถกล่าวอธิบายดังนี้ :
- P ) ซึ่งผลการทดสอบมักจะให้ผล sistent con ผลสำหรับผู้ป่วยทั้งโอกาสและ labora ดังสนั่น ( อาจประกอบด้วยประเภทข้อผิดพลาด 2 )
O ) ซึ่งบางระดับ ซึ่งโอกาสมีมากกว่า หรือน้อยกว่า สามารถบวกหรือลบ ( ก่อให้เกิดความคลาดเคลื่อนประเภทที่ 1 แต่ในตัวอย่างนี้มันควรมีเหตุผลเป็นศูนย์ ) ,
L ) ระดับที่ห้องปฏิบัติการบางอย่างมากขึ้นหรือน้อยลงเพื่อตรวจสอบผลลัพธ์ที่เป็นบวกหรือลบ ( contrib utes ประเภท ข้อผิดพลาด ) ,
3ปอ–ระดับที่ตรวจสอบสถานะของผู้ป่วยมีแนวโน้มที่จะเปลี่ยนขึ้นอยู่กับโอกาสที่การเก็บตัวอย่าง ( จัดสรรประเภทข้อผิดพลาด 1 ) ,
PL –ระดับที่ตรวจสอบสถานะของผู้ป่วยมีแนวโน้มจะเปลี่ยนแปลงขึ้นอยู่กับห้องปฏิบัติการโดยเฉพาะ ซึ่งตัวอย่างถูกส่ง ( ก่อให้เกิดข้อผิดพลาด 3 ชนิด )
,เพื่อ ol สำหรับระดับที่น่าจะเป็นของผลการทดสอบบวกสำหรับโอกาสโดยเฉพาะอย่างยิ่งมีแนวโน้มที่จะแตกต่างกันไปขึ้นอยู่กับไอเอ็นจีในปฏิบัติการกระบวนการผลิตชิ้นงาน ( น่าจะมีเหตุผลเป็นศูนย์ ) ,
พล และการที่คนไข้ทดสอบสถานะเดอเกียรติในโอกาส / ห้องปฏิบัติการและการรวมกันแบบสหประชาชาติอื่นหรือแหล่งตกค้างของข้อผิดพลาด ( ยังบ่งชี้ว่า ระดับที่ จี การศึกษาแบบจำลองล้มเหลวที่จะยึดแหล่งข้อผิดพลาดที่เกี่ยวข้อง )
3 ผลลัพธ์
ตีความขนาดของ VCs จากกรัมการศึกษาสามารถตรวจสอบว่าอะไร หรือภายใต้เงื่อนไขสมมติฐานของการทดสอบความเป็นอิสระจะพอใจหรือไม่ และเมื่อ retesting ปรับปรุงการพยากรณ์ได้ ความแปรปรวนทั้งหมดในกรัมการศึกษาแบบจำลอง [ σ 2 ( xpol ) ก็คือผลรวมของทุกองค์ประกอบความแปรปรวน . สมมติว่าในตัวอย่างปัญหาของเราทดสอบผลผลิตข้อมูล dichotomous ( เนกา tive / บวกผลการทดสอบ ) และได้สรุปเป็นโปร ส่วนผลการทดสอบเป็นบวก ( ρ ) ดังนั้นความแปรปรวนแบบประมาณประมาณ : ( ρ ) * ( 1 ) ρ ) ; และดังนั้นจะเท่ากับสัดส่วนของการทดสอบเป็นบวกและคูณด้วยสัดส่วนของลบการทดสอบได้รับข้ามการทดสอบทั้งหมดในตัวอย่าง ดังนั้น ผลจากการทดลองแรก ดอกเบี้ยข้อมูลตัวอย่างในตัวอย่างปัญหาของเราคือสัดส่วนของบวกผลการทดสอบสังเกตภายในตัวอย่างถ้าสุ่มกลุ่มตัวอย่างมีขนาดเพียงพอควรให้ผลการประเมินความถูกต้องของสัดส่วนประชากร .
ถ้าเป็นในตัวอย่างของเรามีขึ้นประมาณความชุกโรค และทดสอบความจำและความไว ผู้วิจัยควรศึกษาความสอดคล้องระหว่างผลแซมเปิ้ลและค่านิยมของประชากรที่คาดไว้แม้ว่า จี ศึกษาสามารถงอกงามดำเนินการถ้าตัวอย่างที่ไม่เห็นด้วยกับการประเมินและเฝ้าระวังประชากรก่อตั้งของการทดสอบความไวและความจำเพาะเพื่อความเรียบง่ายในการแสดงปัญหาตัวอย่างของเรา เราเป็น สุเมสัดส่วนที่เป็นบวกได้ จากตัวอย่างในการทดสอบของเราจะปิดข้อตกลงกับคาดว่าสัดส่วนประชากร . ดังนั้น31 % ของผู้ป่วยการทดสอบในเชิงบวกในตัวอย่างของเราสะท้อนให้เห็นถึงสถานะที่แท้จริงของผู้ป่วยโรคบวก และ 69% ของผลการทดสอบเป็นบวก repre ส่งผลบวกปลอมในตัวอย่างที่มีความชุกของโรค ได้แก่ โดยคาดว่าสัดส่วนของผลลัพธ์ที่เป็นบวก . 029 และความแปรปรวนรูปแบบทั้งหมดจะรวมเป็น 0279 .
เพิ่มเติม แสดงให้เห็นถึง ,ตารางที่ 1 แสดงสี่ hypotheti แคลจี ศึกษาผลจากการศึกษาอย่างเต็มที่ข้ามกรัมแบบ แต่ละผลมีความแตกต่างในทางปฏิบัติ implica tion ที่เกี่ยวข้องกับขบวนการทดสอบความเป็นอิสระ สมมติตัวอย่างประมาณสอดคล้องกับความคาดหวังที่ประมาณการจากประชากร เรามุ่งเน้น VC ออกมาในตารางที่ 1 สำหรับผล 130 % ของความแปรปรวนมีความสัมพันธ์กับผู้ป่วยและแหล่งที่ใหญ่ที่สุดของข้อผิดพลาดจากคนไข้ โดยโอกาส interac tion . เนื่องจากความไวและความจำเพาะ ความว่า สมการ ( 3 ) แสดงให้เห็นว่าในการขาดของชนิดป่า tient ข้อผิดพลาด 2 , ความแปรปรวน พบว่าผู้ป่วยจะบัญชีสำหรับ 30% ของความแปรปรวนทั้งหมดในรูปแบบออกมาปรากฏ 1 เห็นด้วยอย่างใกล้ชิดกับความคาดหวังนี้ และดังนั้น จะแนะนำประเภทของข้อผิดพลาด 2 ไม่ได้ให้การสนับสนุนหลักข้อผิดพลาดการวัด เพิ่มเติม เนื่องจาก 60 % ของความแปรปรวนที่เกี่ยวข้องกับบุคคลตามโอกาส interac tion ( PO ) , ผลการทดสอบจากตัวอย่างที่เก็บในบาป GLE โอกาสและส่งไปยังห้องปฏิบัติการหลายมีแนวโน้มที่จะให้ข้อมูลที่เป็นอิสระการ obvi เต็มไปด้วยคำแนะนำที่เกิดจากผลที่ 1 จะใช้ข้อมูลจาก retesting และเพื่อประกันว่าผลลัพธ์แสดงการทดสอบความเป็นอิสระ ตัวอย่างที่ควรเก็บในโอกาสที่แตกต่างกัน
เป็นภาพประกอบอื่น สมมติว่าผล 2 รายงานว่า ตารางที่ 1 เป็นกรัม ผลการศึกษาของเราแซมปลิง การทดลองที่นี่ความสูงกว่าผู้ป่วยอาจคาดหวังในการขาดของชนิดของข้อผิดพลาด 2 60 % ของความแปรปรวนทั้งหมดเกิดจาก PA tient ผลนี้มากเกินกว่าสิ่งที่คาดหวังในการขาดของชนิดของข้อผิดพลาด 2 ในสถานการณ์นี้ความหมายในทางปฏิบัติมีการคำนวณอนุกรม Bayes จะไม่เหมาะสมถ้า speci - บุรุษเก็บ ในหลายโอกาสและส่งไปยังห้องปฏิบัติการ tiple มัล . ผลที่ได้นี้แสดงให้เห็นว่าผู้ป่วยบางคนเป็นอย่างต่อเนื่องมีแนวโน้มที่จะสร้างเท็จบวกผลการทดสอบ .
ผล 3 ตารางที่ 1 แสดงการศึกษาผลที่ส่วนใหญ่ข้อผิดพลาดจากผู้ป่วย -
โดยสงวนลิขสิทธิ์สงวนลิขสิทธิ์ 2010 scires . จิตวิทยาการใช้ทฤษฎีสรุปอ้างอิงเพื่อประเมินการประยุกต์ใช้แบบจำลองอนุกรม Bayes ในการประมาณค่าพยากรณ์บวกหลายทางจิตวิทยาหรือการทดสอบทางการแพทย์ลิขสิทธิ์สงวนลิขสิทธิ์ 2010 scires . 198
โรคจิต