积极预测影响 (PPV) 不是一个好的衡量标准，不仅因为它混淆了两种机制（可辨别性和响应偏差），还因为项目基准率。最好使用后验概率，例如 P(signal|"yes")，它解释了项目的基本比率：

$P(signal|yes) = \frac{P(signal)P(Hit)}{P(signal)P(Hit)+P(noise)P(False Alarm)}$

但是……有什么用？？好吧，它对于调整响应标准以最大化/最小化特定结果的概率很有用。因此，它是对敏感性和反应偏差测量的补充，因为它有助于总结反应偏差变化的结果。

一个忠告：如果您坚持使用基本上只允许您获得像 d' 这样的灵敏度度量的 2x2 结果矩阵，那么甚至不要使用 SDT，而只需使用 Hits-False Alarms。两种度量（d' 和 (HF)）的相关性均为 0.96（无论 BS 检测理论家可能想出什么）

希望这有助于欢呼

您正在比较“在已知流行率和测试标准的情况下，阳性测试结果正确的概率是多少？” 用“未知系统对这种类型的各种信号的敏感性和偏差是多少？”

在我看来，两者都使用了一些相似的理论，但它们的目的却截然不同。与医学检验标准无关。在许多情况下，它可以设置为已知值。因此，事后确定测试的标准是没有意义的。信号检测理论最适合标准未知的系统。此外，流行度或信号往往是一个固定的（通常非常小的）值。使用 SDT，您通常可以计算出变化信号的均值 d'，将非常复杂的情况建模为几个简单的描述符。当标准和信号都是固定的已知量时，SDT 可以告诉您任何有趣的事情吗？处理一个从根本上更简单的问题似乎需要很多数学复杂性。

这可能过于简单化了，但特异性和敏感性是性能的衡量标准，并且在对信号性质没有任何客观知识时使用。我的意思是您的密度与信号性图假设了一个量化信号性的变量。对于非常高维或无限维的数据，并且没有严格的、可证明的信号生成机制理论，变量的选择是非常重要的。那么问题就来了，为什么在选择了这样一个变量之后，它的统计特性，比如信号和非信号的均值和方差没有被量化。在许多情况下，变量可能不仅仅是正态分布、泊松分布或指数分布。它甚至可能是非参数的，在这种情况下，将分离量化为方差的均值差等，没有多大意义。此外，生物医学领域的许多文献都集中在应用上，ROC、特异性敏感性等可以作为客观标准，根​​据问题的有限性质来比较这些方法，基本上就是这样。是必须的。有时人们可能没有兴趣描述，例如患病与对照受试者中基因 1 与基因 2 转录本丰度比的实际离散版本 log-gamma 分布，而唯一重要的是这是否升高以及变异有多大。它解释了疾病的表型或概率。可以用作根据问题的有限性质比较方法的客观标准，基本上这就是所需要的。有时人们可能没有兴趣描述，例如患病与对照受试者中基因 1 与基因 2 转录本丰度比的实际离散版本 log-gamma 分布，而唯一重要的是这是否升高以及变异有多大。它解释了疾病的表型或概率。可以用作根据问题的有限性质比较方法的客观标准，基本上这就是所需要的。有时人们可能没有兴趣描述，例如患病与对照受试者中基因 1 与基因 2 转录本丰度比的实际离散版本 log-gamma 分布，而唯一重要的是这是否升高以及变异有多大。它解释了疾病的表型或概率。