博文
答徐晓兼复老邪（2）——腐儒与力博儒之争
精选
||
背景
上面的博文【2】写于2013年暑假访问湖南大学期间。当时老邪留言，问了我这样一个问题：怎么分别标记先验知识和后验知识的可靠性。他后来进一步补充解释这个问题的来由：“作某一次试验以前，我们有一个先验概率。试验以后，我们更新了原来的先验概率。如果变动很小，问题不大。但更新的幅度太大，就会有一个问题：一次新试验，能引起这么大的变动吗？所以就有这么一个非常实际的问题。” 我当初胡乱地答了一通，这些对话都记录在网，有兴趣的朋友点击进去就能看到。
这几天的讨论，我想如果老邪健在，他可能会要重问我这个问题。他当时没有给我回馈，但我猜他对我的回答不会满意。这两天的讨论，给我一些启示。每个人认识问题的角度不一样。如果光是为了解决某个具体问题，我们可以满足于自己对某一个概念的把握；但如果是教学，我们要能应付得了形形色色的问题，就得强迫自己从他人的角度来理解他们的困惑。如果我们只是一味坚持在自己的话语体系里头自说自话，最终我们只会陷入Tower of Babel之中，循环着定理一和定理二的错误，无法实现有效的沟通。其实写文章也是一样，如果不注意降低聊天的视点，别人无法真正理解你从哪里来，到哪里去，为什么要走那条路，等等等等。
今天着重聊一聊高山老师提到的一个问题：一个个体患病，能不能用贝叶斯的方法来分析？
这个问题得瓣开来慢慢讲。质胜文则野，文胜质则史。冒着迂腐的风险，慢点来。
这个问题分几部分：个体患病能否用概率来描述？如果可以，那么在一次检测结果出来后，能否采用贝叶斯方法来计算？再一步，假设一次检测为阳性，另一次检测结果为阴性，怎么办？
一 先验概率
个体患病的不确定性能否用概率来描述？这是许多博友的问题。科学网有意思的地方，是大部分人都学过概率论。学过不代表真懂，原因很多，一是学生时代没有认真学，二是老师也没有认真教，三是老师可能也没真懂，教材也操蛋。具体分布嘛，科学网下，原因一大概占95%，科学网上，原因三大概占95%。为什么这么讲呢，好几个朋友在讨论区讲：概率只是用来描述总体的，怎么能用来描述个体呢？
老师的职责就是先把自认为懂的学生搞糊涂，然后让他们自己去悟懂。
G君身体不适，去看医生。江湖医生Y看了一回，开了一味六味地黄丸。服用六天一个疗程，症状没有任何改善。G君重访。医生Y怀疑某种怪病ED，却不能肯定。医生Y说，G君，你可能ED了，但也可能没有ED。G君怒了：你个庸医，我到底E没ED？医生Y不急不慢：历史统计数据表明，人群中患ED的概率是万分之一；如果我们不再深入检查，我现在只能是将你归为万分之一的可能。
到此，请问读者诸君，你们认为这个医生与病人之间进行了有效沟通了吗？换句话说，你们认为G君能够理解医生Y的那句话吗？
许多朋友说，一个个体，是否患病，是就是，不是就不是。哪有什么概率可言。兄弟，你这完全搞混了概率是用来干嘛的。如果一个个体最终是否患病我们都不清楚，那是我们在概念的定义上出了问题。而实际上，现实中确实存在无法就概念的定义达成一致的情况。比如对一个脑袋上只剩下七根头发的细毛（长沙话），你叫他秃子呢还是不是秃子呢？这是模糊数学试图解决的问题。
概率方法试图解决的问题是，某个不确定事件，它有可能发生不同的结果，但是我们对真正的结果并不确知。注意，这个不确定事件，并不仅仅可以用来指代将来待发生的事件，它也可以应用于正在发生的和历史已经发生了但不知道结果的事件（考古、侦查、司法都用概率论哟）。在概率论当中，我们将所有可能发生的结果的集合称为总体。但请大家一定一定要分清，概率论中的总体，并非天然地等同于统计学中的总体。
概率就是我们用来量化不确定事件取不同可能结果的可能性的。G君有90%的可能患有ED，S君有5%的可能患有ED。我们都明白这两个数字代表什么意思。这个90%或5%并不是什么统计意义。而是我们对G君可能患病这个不确定事件的某种估计。
到目前为止，没有统计。重要的事情要多说几遍，概率的定义没有用到统计。
这第一个问题还没有完。回到前面的例子，医生Y说在检查之前，他只能认为G君患ED的可能性有万分之一。这里我们需要讨论两个问题？第一，万分之一怎么来的？第二，万分之一的感性认识。第一个小问题，就是老邪问的先验概率的标记（我认为是标定,validation）的问题。群体患有ED的比率为万分之一，为什么要将这个比率套在G君身上？这是一个很好的问题。但我可以反问：你不用万分之一，还有其他更好的办法吗？
有两种方案，一种是，因为没有其他更有用的信息，所以我们只能回归统计母体。咦，我开始讲统计了。是的，万分之一是统计出来的结果，我们当然得讲统计。那么，这个统计结果，在没有其他更有用的信息前提下，能否适用于G君呢？我认为是可以的。人人都有这个基础风险。另外一种方案：因为没有任何信息，G君的先验概率应该是一半一半啊；50%可能得了这个病，50%没有得这个病。历史上，帕斯卡Pascal就这么认为。所谓的insufficient reasoning. 大家觉得呢？
二 贝叶斯方法
现在医生Y给了G君开了检查单，G君划完价回来就开始骂娘，TMD，什么破医院，做个这种鸟检查（确实是查鸟的）也得老子七百大洋。边上G君太太急了，达人（Darling)，你是要性福还是要性福还是要性福？G君无法，只好就范（古汉语是不是叫入巷？）
检查结果出来了，阳性。这阳性可是说他那玩意儿能举，而是说，他疑似ED！G君吓坏了，当然吓得更坏的是G君太太。
医生Y可不这么认为。首先，他要想的是如何平稳病人的情绪。许多人不是病死的，都是吓死的。经有过北美医学院系统住院训练的医生Y知道心理作用的重要性。他更知道这个检测系统的可靠性。这套通过天朝卫生部和计生委认证标定的检测系统，具有很高的可靠性，但仍然无法达到100%的确诊率。准确地讲，（对不起，我不知道你们这里的术语，若用术语会更可爱一点），针对十万个ED患者，只有两个漏检为阴性；针对十万个非ED患者，可能只有一个误检为阳性。
医生Y知道G君是生物学博士，机器学习的高人，模式识别的大牛。于是和G君解释这个问题。他说：假设我们让A 代表你患病的可能，Ac代表你不患病的可能。B代表检测为阳性的可能，Bc代表检测为阴性的可能。我们这套系统的可靠性比较高，根据我们卫生监管的标定结果，我们已知 a = P(Bc|A)= 2x10-5, b = P(B|Ac) = 1x10-5.你现在检测为阳性，并不说明你患病的概率就是 P(B|A) = 1 - P(Bc|A) = 1-a = 99.998%。这是因为，你不要忘了，这个检测还有可能有假阳性。这个假阳性率也有1x10-5呢。因此，如果我们根据贝叶斯牧师的不确定性推理原则，我现在认为在这个检测结果为阳性的前提下，你患病的概率应该这样计算：
P(A|B) = P(B|A)P(A) / [P(B|A)P(A) + P(B|Ac)P(Ac).
把前边我解释的数据代进去，你患病的概率大概是 1/（1+0.1) = 90%，没有那么糟糕。也就是说，尽管我们的检测手段非常好，我们仍然没有好到不需要考虑假阳性的可能。如果我们系统没有假阳性，即b = 0，那么这个概率就是1，也就是老百姓常讲的确诊啦。可是，对不起，我们现在无法确诊，因为总有假阳性。但是，不管怎么样，现在概率还是蛮高的，我们暂时只好按ED来治。这回不吃六味地黄丸，改吃附子理中丸。
故事讲完了，读者诸君认为医生Y的分析有没有道理？有没有问题？
大家如果没有问题，我向大家请教两个问题： 第一，如果帕斯卡先生在世，他会不会说这个后验概率应该是这样计算： P(A|B) = P（B|A) / (P(B|A) + P(B|Ac)? 这正是我在文【7】中的答案B。第二，贝叶斯公式实际上是条件概率和全概率公式的应用，但是P(B|A)P(A)到底是什么意思？能不能直接应用？有朋友担心这里涉及到统计本体转移的问题。比如，有人说，P（A）是一个具体个体（G君）的不确定性度量，而P(B|A) 是一个可靠性标定值，其中的A指的是任意一个个体。这种担心有道理吗？
三 多次试验
现在回到老邪先生生前问过的问题，“一次新试验，能引起这么大的变动吗？” 在我们上面的具体例子里，起初的先验概率只有万分之一，一次检查之后，就提高到了90%。这能行吗？这样的诊断靠谱吗？
要回答老邪的问题肯定不能从公式本身来看。但在我再一次天马行空回答他老人家的问题之前，我还是先在公式所及的范围内讨论一下。这个诊断靠不靠谱，现在大家可以看到，（在这个模型前提下）完全取决于检测系统的可靠性。系统的可靠性越高，一次试验数据的信息量越大，那先-后验概率的变化就越大。许多初学贝叶斯统计的人都推导过在non-informative先验分布下，母体均值的后验分布随着数据量增大逐渐收敛到真值的这个结论。因此，不自觉地在对待这个诊断具体问题时，就会产生一个错觉，为什么这里的概率一下子变化那么大？别忘了，我们这里的概率模型是一个贝努利二值模型。
后验概率的标定，我现在觉得可以这样做。仍然以前面的诊断为例。现在医生Y对这个病例的后验概率从原先的万分之一提高到90%。那么，如果我们再做一次检查，我们预期得到阳性的概率是多少？阴性的概率是多少？
为了解释的方便，我们记第一次阳性检查结果为B1，第二次阳性结果为B2，阴性结果为B2c。那么有：
P(B2|B1) = P(B2|A,B1)P(A|B1) + P(B2|Ac,B1)P(Ac|B1) = P(B2|A)P(A|B1) + P(B2|Ac)P(Ac|B1).
B2c的结果就不提了。取决于标定的置信度，我们据此确定需要检查的次数。这个正是我们在核电站检修项目中经常使用的办法。
四 阴阳之争
其实回答了老邪的问题，另外的一些博友提的两次试验一阳一阴的问题基本不值不提了。大家老老实实地应用贝叶斯公式算就是了。P（B1，B2c|A) = P(B1|A)P(B2c|A), P(B1,B2c) = P(B1|A)P(B2c|A) + P(B1|Ac)P(B2c|Ac).
另外加一句，我前面写上了这个检测的费用可不是白写的，本来是想讨论一下这个检测的边际成本的问题的。今天太累了，先写到这了。有兴趣的同学可以想想，做一次检测，将概率从万分之一提高到了90%，花了七百大洋；做两次检测，可以将概率提高到多少？再花七百大洋值得吗？实际上，这就是我现在的研究课题之一。现在大家都玩大数据，但不搞数据经济学不行啊。
五 致谢、感言
科学网有两个高山，一个做量子物理的高山，大牛；另一个做生物的高山，也是大牛。量子高山很少露面了，生物高山非常活跃。
感谢生物高山的争鸣，促发我写下这个我自认为还有些价值的博文。我在这个写作过程当中再一次让自己的观点得到精确化。之前一些迷糊的观点也可以解释得更清楚了。
感谢各位博友的“胡说八道”，让我明白，每个人的视点相差很大，有些观点很简单、朴素、直观 、错误。解释这些错误的直觉，通常很难。
感谢大家维护科学网的人气与学术讨论的风气。
对标题的解释：腐儒是指conservatism，不愿意引入主观概率的人。力博儒是指liberal，认为世上本来就没有客观概率。
概率问题与贝叶斯定理
https://blog.sciencenet.cn/blog-103568-1047672.html
上一篇：高山同学在概率问题上的正确与错误
下一篇：高山老师，你是对的！
