请求协助计算new_outcome=1时的NPV、PPV、灵敏度、特异度

你的核心问题在于只筛选了new_outcome == 1的子集——计算NPV、PPV、灵敏度、特异度需要同时包含真实阳性（new_outcome=1）和真实阴性（new_outcome=0）的样本，否则无法构建完整的混淆矩阵（缺少真阴、假阴等关键数据）。

正确解决步骤 #

1. 基于A、B、C的和生成预测变量（你设定的规则是A+B+C >=2为阳性）
2. 用完整数据集构建混淆矩阵，明确指定阳性类别避免因子顺序错误
3. 从混淆矩阵中提取所需指标

具体代码实现 #

# 1. 生成预测变量
mydata$pred <- ifelse(mydata$A + mydata$B + mydata$C >= 2, 1, 0)

# 2. 转换为因子并指定阳性类别（将1设为阳性）
mydata$new_outcome <- factor(mydata$new_outcome, levels = c(0, 1))
mydata$pred <- factor(mydata$pred, levels = c(0, 1))

# 3. 构建混淆矩阵（注意：data是预测值，reference是真实值）
conf_mat <- confusionMatrix(data = mydata$pred, reference = mydata$new_outcome, positive = "1")

# 4. 提取指标
NPV <- conf_mat$byClass[["Neg Pred Value"]]
PPV <- conf_mat$byClass[["Pos Pred Value"]]
sensitivity <- conf_mat$byClass[["Sensitivity"]]
specificity <- conf_mat$byClass[["Specificity"]]

# 查看结果
cat("NPV:", NPV, "\nPPV:", PPV, "\n灵敏度:", sensitivity, "\n特异度:", specificity)

关键提示 #

你提供的示例数据中new_outcome全为0，实际运行时如果没有new_outcome=1的样本，灵敏度和PPV会因分母为0无法计算，请确保真实数据集包含两类样本。

内容的提问来源于stack exchange，提问作者이예림