发布时间：
灵敏度=A/(A+C)，即有病诊断阳性的概率
特异度=D/(B+D)，即无病诊断阴性的概率
准确度＝(A+D)/(A+B+C+D)，即总阳性占总的概率
无论是灵敏度还是特异度，都是在金标准诊断下的用户或者非用户中计算得到的，那么比较超声和CT的灵敏度，就可以在用户当中进行配对卡方检验，特异度同理。数据可以重新整理为表3和表4。通过配对卡方检验，CT和超声的灵敏度和特异度差异均无统计学意义（P>）。
扩展资料：
灵敏度计算注意事项：
Find(Solvefor)中选择N(Sample)，ConfidenceLevel(1-Alpha)中填入置信度，ConfidenceIntervalWidth(Two-Sided)中填入灵敏度容许误差的两倍，P(Proportion)中填入灵敏度的估计值。其它选择为默认选项后，点击RUN。
ConfidenceIntervalWidth(Two-Sided)是指可信区间的宽度，即可信区间的下限到上限的值，而容许误差是可信区间的一半。本研究的灵敏度的容许误差为5%，则可信区间的宽度为10%（即两倍的容许误差），因此在ConfidenceIntervalWidth(Two-Sided)中选择。
参考资料来源：百度百科-灵敏度分析
参考资料来源：百度百科-特异度
参考资料来源：百度百科-准确度
（2019-12-16）
首先，Type I/II Error 在维基百科的解释为：
Type I error is the rejection of a true null hypothesis (also known as a "false positive" finding), I类错误是拒绝了本为真的 Null Hypothesis
Type II error is failing to reject a false null hypothesis (also known as a "false negative" finding). 1-power。 II类错误是未能拒绝一个本为假的 Null Hypothesis
用一个例子来讲：
Type I Error: （见图上H0）: 阴性 假设 成立，实际上也确实成立，但是我们检测到的样本正好有Bias，导致 落于置信区间外，造成了False Positive Error（本来没病，却检查出有病）
Type II Error: （见图上H1）: 阴性 假设 成立，实际上不成立，应该是 。但是我们检测到的样本正好有Bias，导致 落于置信区间内，造成了False Negative Error（本来有病，却检查出没病）
再追加一个例子，如果我们要检验： : 中国人平均身高 ≤ 170cm : 中国人平均身高 > 170cm Type I Error 就是平均身高实际是170cm，但是取到的样本平均身高到了180cm，导致错误地拒绝了H0 Type II Error 就是平均身高实际是180cm，但是取到样本平均身高却是172cm，导致错误地未能拒绝H0
α 的选择越小，蓝线右移，P(Type I Error) 越小，P(Type II Error) 越大； α 的选择越大，蓝线左移，P(Type I Error) 越大，P(Type II Error) 越小。
其中，定义检验的势 Power = 1 - P(Type II Error)
敏感性(Sensitivity)意味着有病的人的检测正确率，特异性(Specificity)意味着没病的人的检测正确率。
具体来讲， 如果拿出机器学习中的混淆矩阵：
敏感性的计算公式为： ，它与FNR是互补关系（和为1） 高敏感性 意味着 低 FNR (False Nagetive Rate，图中的β，漏诊率)，有病的都能被检测出来，机器学习中意味着高召回率( )，可以看到公式是一样的。另外它和假设检验中的 power(势) 也是一致的。
特异性的计算公式为： ，它与FPR是互补关系（和为1） 高特异性 意味着 低 FPR (False Positive Rate，图中的α，误诊率)，没病的都不会被勿诊为有病，但注意，高特异性并不意味着机器学习中的高精确度( )，因为即便高特异性意味着低FP，但可能模型本身很差，根本无法找出TP，从而导致精确度很低。
将模型检测结果的 TPR (Sensitivity) 作为横坐标，FPR (1 - Specificity) 作为纵坐标，画到笛卡尔坐标系中，即可得到类似与如下的曲线：
直观上理解，其实就是当下图中的蓝线（阈值）从紫色面积的最右边逐渐移到红色部分的最左边时，产生的曲线：
其中的道理是，通过阈值的选择可以让模型对正例的判别变得严格，这样就会有更多的真实正样本被分为正例，TPR( )增加，但同时也会有更多的真实负样本被分为正例，所以同时提高了FPR( )：
极端情况下，
而AUC就是所谓的Area under Curve，代表ROC曲线下面的面积，值域为[0, 1]，正常情况下为[, 1]。
AUC的实际意义是：当随机挑选一个正样本以及一个负样本，当前的分类算法根据计算得到的分数将这个正样本排在负样本前面的概率就是AUC值。所以，AUC的值越大，当前的分类算法越有可能将正样本排在负样本值前面，既能够更好的分类。
假设一个警察会根据一系列经验去抓小偷，但是不能100%保证准确率，那么当警察提高他的严苛度（阈值）时，必然会有更多的小偷被抓到，漏判率降低，但是随之误判率会升高，会有良民被抓。
因此，阈值的设定关系到了我们想要这个模型产出的效果，如果希望抓出更多的Positive样本，就提高阈值，随之Sensitivity增加，FPR增加；如果希望Negative样本不要误判，就降低阈值，Sensitivity降低，FPR降低。
例如在金融领域，欺诈用户如果不能更好地被检测出来，会给企业带来巨大损失，同样如果病人被误判为健康的，那么他的生命就会受到威胁，这两种情况则都需要模型具有较高的敏感度。关于这种情况的优化，可以参考1999年的一篇论文： MetaCost: A General Method for Making Classifiers Cost-Sensitive 。其采用了Bagging的思想对使分类器变得代价敏感。
方法有多种，其中包括：找到离（0，1）最近的点，Youden index等[2]
一个模型只能产生一个结果，那么如何绘制曲线呢？ 具体方法是在得到 生成概率/预测概率/后验概率 后，先不急着算出预测类别，而是先对生成概率进行从大到小的排序，例如：
然后我们就可以通过画线分割的方式来选择不同的阈值，同时计算相应的TPR和FPR了，比如先选择阈值：
， ，ROC上添加点 (0, )
当阈值选为时：
， ，ROC上添加点 (0, )
以此类推我们可以继续得到点： (, ) (, ) (, ) (, ) (, ) (, ) (, )
将图像画出即为：
毫无疑问，统计学习是包含在统计学中的，是统计学中的一个上层建筑。 其中的I/II类错误，还有power都是假设检验中的概念，但通过上面的分析也发现了不同统计概念中的一致性（例如Sensitivity, Power, Recall都是一致的）。
实际上在现实世界的统计规律中，如果不给定或者给定极少的（例如1个）特征，那么分类问题就如同盲人摸象，不同类别的分布会重叠在一起。而 统计机器学习的目的 ，就是 通过一定的手段，把这两个分布尽可能地拉开，拉的越开，那么分类的效果就越好 。
而这个手段，就是 数据（特征） + 模型 + 算法（最优化） 。如何更好地利用这些手段，并解决现实生活中的实际问题，就是统计机器学习的研究目标。
References: [1] Youtube - Sensitivity, Specificity, and ROC Curves [2] 全面了解ROC曲线 [3] ROC及AUC计算方法及原理
这2个指标的意义是：灵敏度/敏感性（sensitivity)：诊断疾病的时候不漏诊（假阳性）的机会有多大（小）；特异性（specificity）：指该指标在诊断某疾病时，不误诊（假阴性）的机会有多大（小）；
敏感系数＝利润变动百分比／因素变动百分比。需要注意的是，单价的中间变量是销售收入，单位变动成本的中间变量是变动成本总额，销售量的中间变量是贡献边际，固定成本的中间变量就是固定成本本身。
敏感系数反映了各因素变动百分比和利润变动百分比之间的比例，即当各因素升降1%时，利润将随之上升或下降百分之几。按绝对值大小判断敏感性。敏感系数的绝对值大于1为敏感因素，绝对值小于1为非敏感因素。
其判别标准是：
1、敏感系数的绝对值＞1，即当某影响因素发生变化时，利润发生更大程度的变化，该影响因素为敏感因素。
2、敏感系数的绝对值＜1，即利润变化的幅度小于影响因素变化的幅度，该因素为非敏感因素。
3、敏感系数的绝对值＝1，即影响因素变化合导致利润相同程度的变化，该因素亦为非敏感因素。
以上内容参考：百度百科-敏感性分析
灵敏度=A/(A+C)，即有病诊断阳性的概率
特异度=D/(B+D)，即无病诊断阴性的概率
准确度＝(A+D)/(A+B+C+D)，即总阳性占总的概率
无论是灵敏度还是特异度，都是在金标准诊断下的用户或者非用户中计算得到的，那么比较超声和CT的灵敏度，就可以在用户当中进行配对卡方检验，特异度同理。数据可以重新整理为表3和表4。通过配对卡方检验，CT和超声的灵敏度和特异度差异均无统计学意义（P>）。
扩展资料：
灵敏度计算注意事项：
Find(Solvefor)中选择N(Sample)，ConfidenceLevel(1-Alpha)中填入置信度，ConfidenceIntervalWidth(Two-Sided)中填入灵敏度容许误差的两倍，P(Proportion)中填入灵敏度的估计值。其它选择为默认选项后，点击RUN。
ConfidenceIntervalWidth(Two-Sided)是指可信区间的宽度，即可信区间的下限到上限的值，而容许误差是可信区间的一半。本研究的灵敏度的容许误差为5%，则可信区间的宽度为10%（即两倍的容许误差），因此在ConfidenceIntervalWidth(Two-Sided)中选择。
参考资料来源：百度百科-灵敏度分析
参考资料来源：百度百科-特异度
参考资料来源：百度百科-准确度
诊断正确33例，假阳性2例，假阴性无，请问敏感性多少？特异性为多少？
灵敏度（sensitivity），又称真阳性率，即实际有病，并且按照该诊断试验的标准被正确地判为有病的百分比。它反映了诊断试验发现病人的能力。特异度（specificity），又称真阴性率，即实际没病，同时被诊断试验正确地判为无病的百分比。它反映了诊断试验确定非病人的能力。灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率。特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率。灵敏度和特异度指标的重要性。如果一项诊断试验的灵敏度比较低，那么会出现很多假阴性的患者。这会延误患者的就诊，影响病程发展和愈后，甚至导致患者过早死亡。如果一项诊断试验的特异度比较低，那么会出现很多假阳性的患者。这样会浪费医疗资源、造成患者无端的恐慌和焦虑。因此，具有较高的灵敏度和特异度是一项诊断试验的应用基础。
灵敏度又称真阳性率，特异度又称真阴性率。灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%特异度=真阴性人数/（真阴性人数+假阳性人数））*100%
这2个指标的意义是：
灵敏度/敏感性：诊断疾病的时候不漏诊（假阳性）的机内会有多大（小）；
特异性：指该指标在诊断某疾病时，不误诊（假阴性）的机会有多大（小）；
在医学统计里，任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性，所谓敏感性，就是指其在诊断疾病的时候不漏诊（假阴性）的机会有多大（小），所谓特异性就是指该指标在诊断某疾病时，不误诊（假阳性）的机会有多大（小）。
单独一个指标，如果提高其诊断的敏感性，必然降低其诊断的特异性，换句话说，减少漏诊必然增加误诊，反之亦然。
扩展资料：
特异性中提到的健康人是相对的，指没有观察疾病的人，例如在研究肿瘤指标对于胃癌的特异性时，胃溃疡患者也是健康人。检出标准未必能够在胃溃疡组里面得出全阴性的结果，如果得不出全阴性的结果，这组数据就说明了正常人误诊的概率。
借助生物制剂的作用，培养并输入人体内，利用人体内最高效的特异性免疫细胞DC、CIK、T、NK细胞共同作用，调动患者机体的防御机制，以调节患者机体的生物学反应，杀灭癌细胞，激活免疫细胞，能够杀灭体内残存的微小癌症细胞，实现从根源治疗肿瘤为目的。
参考资料来源：百度百科-特异性
1、诊断敏感性：是指将实际患者正确地判断为阳性(真阳性)的百分率。
计算公式为：TP/(TPFN)×100%。TP为真阳性，FN为假阴性。
2、诊断特异性：是指将实际无病者正确地判断为阴性(真阴性)的百分率。
计算公式为：TN/(TN+FP)×100%。TN为真阴性,FP为假阳性。
3、诊断效率：是指能准确区分患者和非患者的能力。
计算公式为：(TP+TN)/(TP+FP+TN+FN)×100%。
4、阳性预期值：是指特定试验方法测定得到的阳性结果中真阳性的比率。
计算公式为：PPV=TP/(TP+FP)×100%。
5、阴性预期值：是指特定试验方法测定得到的阴性结果中真阴性的比率。
计算公式为：NPV=TN/(TN+FN)×100%。
扩展资料：
医学统计方法的选择
一、先确定研究目的，根据研究目的选择方法
不同研究目的采用的统计方法不同，常见的研究目的主要有三类：一是差异性研究，即比较组间均数、率等的差异，可用的方法有t检验、方差分析、χ2检验、非参数检验等。
二是相关性分析，即分析两个或多个变量之间的关系，可用的方法有相关分析。三是影响性分析，即分析某一结局发生的影响因素，可用的方法有线性回归、logistic回归、Cox回归等。
二、明确数据类型，根据数据类型进一步确定方法
不同数据类型采用的统计方法也不同。定量资料可用的方法有t检验、方差分析、非参数检验、线性相关、线性回归等。分类资料可用的方法有χ2检验、对数线性模型、logistic回归等。图简要列出了不同研究目的、不同数据类型常用的统计分析方法。
三、选定统计方法后，需要利用统计软件具体实现统计分析过程
SAS中，不同的统计方法对应不同的命令，只要方法选定，便可通过对应的命令辅之以相应的选项实现统计结果的输出。
四、统计结果的输出并非数据分析的完成
一般统计软件都会输出很多结果，需要从中选择自己需要的部分，并做出统计学结论。但统计学结论不同于专业结论，最终还需要结合实际做出合理专业结论。
参考资料：百度百科-医学统计
参考资料：百度百科-敏感性
参考资料：百度百科-特异性
灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率。
特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率。
超声诊断 ＋ － 合计＋ A B－ C D
灵敏度＝A/(A+C)*100%
特异度＝D/(B+D)*100%
扩展资料：
灵敏度（Sensitivity）是指某方法对单位浓度或单位量待测物质变化所致的响应量变化程度，它可以用仪器的响应量或其他指示量与对应的待测物质的浓度或量之比来描述。
灵敏度指示器的相对于被测量变化的位移率，灵敏度是衡量物理仪器的一个标志，特别是电学仪器注重仪器灵敏度的提高。通过灵敏度的研究可加深对仪表的构造和原理的理解。
实验室常用的电表是磁电式的，它的构造是一个可转动的线圈装在永久磁铁的磁场中，当电流通过游丝流经线圈时，因电流和磁场的相互作用，线圈克服游丝的反抗力矩偏转一个角度，在磁感强度，线圈面积、线圈匝数和游丝强度一定时，电流的大小与线圈偏转的角度成正比，我们以指针满偏时电流Ig的大小看作电表的灵敏度，满偏电流愈小灵敏度愈高，表头满偏电流一般为10微安到几百毫安。
如要测量微弱电流（10-6～10-10安）或微小电压（10-3～10-6伏）就应提高电表的灵敏度，采用一种高灵敏度的仪表即灵敏电流计。
灵敏电流计的结构包括三个主要部分，从中看出提高灵敏度的原理。
磁场部分：由永久磁铁产生的辐向磁场。
偏转部分：线圈可以在磁场内转动，它的上下端用金属丝（张丝）绷紧，张丝同时作为线圈两端的电流引线。由于用张丝代替了普通电表的转轴和轴承，避免了机械摩擦，电流计的灵敏度得以提高很多。
读数部分：小镜M固定在线圈上，它把光源射来的光反射到标尺上，并形成一个光标，当电流通过线圈时，小镜M随线圈转过θ角，反射光线转过2θ角。
光标在标尺上移动的距离d=2θL，l为小镜M至标尺的距离。由于线圈的偏转角θ正比于电流Ig，所以光标移动的距离d可以测出电流Ig的大小。采用光标作“指针”代替普通电表的金属指针，相当于加长了指针的长度，进一步提高了电流计的灵敏度。
特异度是实际无病按该诊断标准被正确地判为无病的百分比。
参考资料：百度百科-特异度 百度百科-灵敏度
打两个比方:敏感性。有人看见狗吓一跳，有人看见狗没感觉，吓一跳的人敏感性比较大。特异性。你下班乘3路车回家，你同事乘5路车回家，这是特异性。(只是辅助理解，如有疵误，请以书上的概念为准！)望采纳！
您好！ 任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性，所谓敏感性，就是指其在诊断疾病的时候不漏诊（假阳性）的机会有多大（小），所谓特异性就是指该指标在诊断某疾病时，不误诊（假阴性）的机会有多大（小）。希望我的回答对您有所帮助！
在医学统计里，任何一个诊断指标，都有两个最基本的特征，即敏感性和特异性。
所谓敏感性，就是指其在诊断疾病的时候不漏诊的机会有多大，所谓特异性就是指该指标在诊断某疾病时，不误诊的机会有多大。
单独一个指标，如果提高其诊断的敏感性，必然降低其诊断的特异性，换句话说，减少漏诊必然增加误诊，反之亦然。
测试数据
1、灵敏性，即病人中得出阳性检测的样本占病人总数的百分比；例，感冒病人，血常规中白细胞数高的比率；
2、特异性，即健康人中得出阴性检测的样本占健康人总数的百分比；
3、阳性预测值，即得出阳性检测的样本总数中，病人样本占阳性检测样本总数的百分比；
4、阴性预测值，即得出阴性检测的样本总数中，正常人样本占阴性检测样本总数的百分比。
特异性中提到的健康人是相对的，指没有观察疾病的人，例如在研究肿瘤指标对于胃癌的特异性时，胃溃疡患者也是健康人。你的检出标准未必能够在胃溃疡组里面得出全阴性的结果，如果得不出全阴性的结果，这组数据就说明了正常人误诊的概率。
敏感性--百度百科
灵敏度=真阳性人数/（真阳性人数+假阴性人数）*100%。正确判断病人的率。
特异度=真阴性人数/（真阴性人数+假阳性人数））*100%。正确判断非病人的率。
超声诊断 ＋ － 合计＋ A B－ C D
灵敏度＝A/(A+C)*100%
特异度＝D/(B+D)*100%
扩展资料：
灵敏度（Sensitivity）是指某方法对单位浓度或单位量待测物质变化所致的响应量变化程度，它可以用仪器的响应量或其他指示量与对应的待测物质的浓度或量之比来描述。
灵敏度指示器的相对于被测量变化的位移率，灵敏度是衡量物理仪器的一个标志，特别是电学仪器注重仪器灵敏度的提高。通过灵敏度的研究可加深对仪表的构造和原理的理解。
实验室常用的电表是磁电式的，它的构造是一个可转动的线圈装在永久磁铁的磁场中，当电流通过游丝流经线圈时，因电流和磁场的相互作用，线圈克服游丝的反抗力矩偏转一个角度，在磁感强度，线圈面积、线圈匝数和游丝强度一定时，电流的大小与线圈偏转的角度成正比，我们以指针满偏时电流Ig的大小看作电表的灵敏度，满偏电流愈小灵敏度愈高，表头满偏电流一般为10微安到几百毫安。
如要测量微弱电流（10-6～10-10安）或微小电压（10-3～10-6伏）就应提高电表的灵敏度，采用一种高灵敏度的仪表即灵敏电流计。
灵敏电流计的结构包括三个主要部分，从中看出提高灵敏度的原理。
磁场部分：由永久磁铁产生的辐向磁场。
偏转部分：线圈可以在磁场内转动，它的上下端用金属丝（张丝）绷紧，张丝同时作为线圈两端的电流引线。由于用张丝代替了普通电表的转轴和轴承，避免了机械摩擦，电流计的灵敏度得以提高很多。
读数部分：小镜M固定在线圈上，它把光源射来的光反射到标尺上，并形成一个光标，当电流通过线圈时，小镜M随线圈转过θ角，反射光线转过2θ角。
光标在标尺上移动的距离d=2θL，l为小镜M至标尺的距离。由于线圈的偏转角θ正比于电流Ig，所以光标移动的距离d可以测出电流Ig的大小。采用光标作“指针”代替普通电表的金属指针，相当于加长了指针的长度，进一步提高了电流计的灵敏度。
特异度是实际无病按该诊断标准被正确地判为无病的百分比。
参考资料：百度百科-特异度 百度百科-灵敏度
meta分析论文，举例说明写法如下：
1、确定产品
当我们有一个想法，然后确定生产何种产品，就是我们Meta分析论文选题的过程。经过一番调研，我决定生产橙汁，因为现在的橙子是低成本的水果，且目前市面上橙肉含量高的饮品非常少，所以生产出来的橙汁会是一个有竞争力有市场的好产品。
这就意味着，当我们想要写一篇Meta分析论文时，要关注到现在的研究空缺，这样的Meta分析论文会更加容易发表，更具竞争力。
2、寻找原材料
确定生产方向后，接下来我需要走访橙子种植基地，寻找满意的橙子。因为不知道哪一个地方的橙子是最符合我的需求的，所以我将县里每个镇的橙子都买回了家里。这就相当于写Meta分析论文过程中的文献检索环节，全面检索数据库，不遗漏每一篇相关文献。
常见的英文数据库有：PubMed、Embase、webof science、MEDLINE、Ovid、ScienceDirect、Cochrane等，中文数据库主要是万方、维普、知网等，写Meta分析论文，检索这个环节工作量相对比较大，花费的时间较多！
3、筛选品种
尽可能多的寻找到我需要的橙子品种，接下来我需要按照我的规划逐一品尝挑选我需要的橙子品种，确定供货来源。首先，橙子必须果粒饱满，排除掉一批水分不足、口味偏酸、价格偏高的橙子，剩下来的都是我所需要的了。这一步就是写Meta分析论文过程中，制定排纳标准的步骤。这一步需要根据Meta分析论文的选题情况，具体情况具体制定排纳标准。
4、进行采购评估
选择好了原材料的供应商，接下来我需要实地去种植基地采购我所需要的橙子，并为原材料出具一份质量评级表，让我的消费者以后可以放心的饮用我的橙汁。
采购挑选评估橙子的过程，就是我们写Meta分析论文过程中，文献质量评价的步骤，一个橙子的好坏直接影响了一瓶橙汁的品质，被纳入的文献质量同样也会直接影响我们最终写出的Meta分析论文的质量，所以我们必须对每一篇文献进行质量评价，让读者对我们所纳入的文献质量有充分认识，放心“食用”这篇Meta分析论文。
5、生产-削皮剔肉
有了原材料橙子，下一步需要把橙子削皮切块，把果肉取出来。
这一步相当于写Meta分析论文中的信息提取的步骤。写Meta分析论文时，纳入的文献都是完整的论文，而我们实际要使用分析的仅仅是文献中的研究数据和研究方法，所以我们必须要数据通过表格提取出来。
6、生产-榨汁
有了果肉，就很简单啦。直接把材料倒进机器，让机器为我们榨汁即可。
同样，Meta分析论文有了数据就比较简单了，只需要把数据丢进软件，让软件为我们分析即可，这一步就是我们写Meta分析论文中的数据综合步骤。STATA、R语言、RevMan这些软件都可以做到。
7、送检-排除异质性
榨汁完成后，需要将橙汁送检，让相关机构检测我们的橙汁是否含有其他杂质，并为我们出具一个证书，这样就可以让消费者放心购买我们的产品了。
而在写Meta分析论文时，同样也需要进行这一步，通过综合分析得到Meta分析论文的结论后。我们还需要检测各个文献之间的差异性，确定文献之间的异质性有多大，以判断结论是否可信。
因为在综合阶段我们是将数据混合到一起进行分析，如果被我们提取的两个文献本来差异性就很大，那我们的直接将他们混合进行分析，出来的结果误差非常大，这可能导致我们写出来的Meta分析论文没有研究意义。
这一步就是我们Meta分析论文的异质性检验，如果通过异质性检验得出结论存在较大的异质性，我们就需要进一步分析异质性的来源，排除异质性以及选择不同的效应模型进行再一次的数据综合。
8、排除造假风险
到这一步，我得到了一批好喝的橙汁，但是新的问题出现了。我如何保证橙汁口味的稳定性，确定橙汁中没有混入其他影响性因素呢，所以为确保最后批量生产后产品，品质的稳定性，我重新再买入了一批橙子，排除一些看起来不太靠谱的供应商的原材料，或者再加入一条榨汁技术不同的生产线，重新生产橙汁。
如果每一项调整，口味变化都不大，证明我的生产流程是稳定可信的，橙子品质也是统一过关的，我可以实现批量生产；相反，如果改变了其中一项，口味就发生了巨大的变化，过酸或者果肉过细，这些都很大程度上影响了我橙汁的口味，说明其中某项影响因素的影响很大，要实现稳定的批量生产就必须对这些影响因素再做进一步测试。
这也就相当于Meta分析论文中的敏感性分析。敏感性分析是指改变纳入标准（特别是尚有争议的研究）、排除低质量的研究、采用不同统计方法/模型分析同一资料，观察合并指标的变化，如果排除某篇文献对合并效应量有明显影响，即认为该文献对合并RR敏感，反之则不敏感。
9、排除隐瞒风险
最后，我们在测试生产品质时，只购买了一小批橙子，供应商给了我们长得又大又好的橙子，生产出来的结果是稳定可靠口味好的。那其他没有给我们的个头稍小，品质稍次的橘子呢？
不能排除某些供应商为了合作，只向订购商出示品相好的，而刻意隐瞒品相差的。所以最后我们只需再次确定供应商是否品质稳定，刻意展示好的而回避不好的，如果没有，我们就可以实现量产了。
在写Meta分析论文里，这就是最后一步，评价发表偏倚。橙汁好喝可能是因为你选到了供应商可以给你的好橙子，而在实际生产中也许并没有那么品相完美的橙子。
同样因为在医学统计研究中，阳性结果往往比阴性结果更容易发表，所以我们纳入的文献可能本身是因为“品相好”的文献被提供给了我们，我们还需要考虑到那些未发表的“稍次”的文献是否会影响我们的结果。可以通过评价漏斗图是否不对称，识别发表偏倚、Begg和 Egger法是检验漏斗图对称性、Trim法和失安全数法等实现检验。
10、生产调研阶段结束
到此为止，我们基本上完成了工厂的搭建，当然后续还需要拓展市场、营销、售后之类的才能真正意义上实现企业运转，也就类似于Meta分析论文的后续的写作、格式排版等等，但是最重要的“产品”我们已经生产完成，只要产品够硬，后续的都很简单啦~
写Meta分析论文有严格的流程要求，如果你真的想在今年发表一篇Meta分析论文的话，小编还是建议大家，可以试一试安排系统的meta分析学习，避免因为不规范的学习耽误研究进度。
敏感性（具有该特性的对象被预知的可能性大小）=真阳性率=a/a+c；特异性（对象所具有的特殊属性的程度）=真阴性率=d/b+d；漏诊率=1-敏感性=c/a+c；误诊率=1-特异性=b/b+d
可以。根据查询相关信息显示，在论文中，参数敏感性分析通常是研究结果的一个重要组成部分。所谓的敏感性分析，指的是一篇文章在主分析后，采用不同的统计方法，或采用不同的数据重新分析，来探讨分析结果的稳健性。如果采用不同的分析思路得到的结果与主分析方法结果不一致，则说明本文主分析结果不那么可靠。