什么是 预测性平价（Predictive Parity）？
预测性平价（Predictive Parity）是一项群体公平标准，要求不同受保护群体具有相同正预测值，即获得正向预测的案例中，观测为真实正例的比例相同。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
以正预测案例作为分母
对每个群体，在声明时间范围内结果可观测的案例上计算 PPV=TP/(TP+FP)。必须公开正预测数和结果完整样本数；某群体没有正预测时，PPV 没有定义，而不是零。还款、诊断或调查结果延迟时，需要先固定成熟窗口和删失策略，再进行群体比较。
区分阈值均等与分数校准
某个运营阈值下 PPV 相同，不能证明 0.7 分在各群体中具有相同含义，也不能证明负预测同样可靠。应把阈值预测性平价与 Reliability Diagram、Brier Score 等 Proper Score、必要时的负预测值和不确定性联合报告。即使各分数段都校准，所选阈值仍可能产生不同选择率和错误率。
显式呈现基础发生率与错误率取舍
Chouldechova 的分析表明，当观测发生率不同且风险分数不完美时，正预测值相等与错误率平衡通常无法同时成立。这并不意味着观测发生率天然合理或不可改变；团队还应调查测量、选择、可及性和策略原因，再记录所选标准具体处理哪类伤害。
主要特点
- 比较受保护群体之间的正预测值
- 以正预测案例而非全部适格案例作为分母
- 不同于选择率均等与条件错误率均等
- 弱于完整分数校准或完整 Sufficiency 条件
- 当某群体没有正预测时指标无定义
- 观测基础发生率不同时可能与均衡赔率冲突
常见用途
- 检查欺诈正向告警在不同群体中是否同样可靠
- 比较收到诊断告警的患者后续确认比例
- 审计已批准风险标记是否具有可比观测含义
- 阈值或基础发生率变化后监控 PPV
- 误报带来群体特定成本时评估告警复核负担
示例
Loading code...常见问题
预测性平价如何计算？
对每个群体，在结果已经成熟的案例中，用真正例数除以全部正预测数，即 `TP/(TP+FP)`。应报告正预测分母、标签完整性、观察期限、置信区间和两两或最大差距；缺少分母时结果无定义，不能填成零。
预测性平价与校准相同吗？
不同。阈值预测性平价只比较一个决策边界上的 PPV；校准要求不同分数值对应声明的真实发生频率。即使分数在群体内校准，阈值 PPV 或选择率仍可能因分数分布和阈值不同而产生差异。
预测性平价与均衡赔率有什么区别？
预测性平价以预测为条件，询问正预测有多大比例正确；均衡赔率以观测结果为条件，比较真正率与假正率。两者分母和对应伤害不同，发生率不同时通常无法同时完全满足。
某个群体没有正预测时怎么办？
该群体 PPV 的分母为零，因此指标没有定义。返回零会伪造不存在的证据。应公开样本支持缺失，调查为什么无人被选中，并按预先声明的聚合、不确定性或暂缓比较策略处理。
正预测值相同仍可能存在不公平吗？
可能。群体即使拥有相同 PPV，选择率、漏判率、复核机会、等待时间或负担仍可能不同；历史结果标签本身也可能反映不平等机会。应把 PPV 与流程、标签、错误、效用和可申诉证据结合。