โดยทั่วไปแล้วการทดสอบการตรวจจับสัญญาณจะนำเสนอผู้สังเกตการณ์ (หรือระบบการวินิจฉัย) ด้วยสัญญาณหรือไม่ใช่สัญญาณและผู้สังเกตการณ์จะถูกขอให้รายงานว่าพวกเขาคิดว่ารายการที่นำเสนอนั้นเป็นสัญญาณหรือไม่ใช่สัญญาณ การทดลองดังกล่าวให้ผลข้อมูลที่เติมเมทริกซ์ 2x2:
ทฤษฎีการตรวจจับสัญญาณหมายถึงข้อมูลดังกล่าวที่แสดงถึงสถานการณ์ที่การตัดสินใจ "สัญญาณ / ไม่ใช่สัญญาณ" ขึ้นอยู่กับความต่อเนื่องของสัญญาณ - สัญญาณซึ่งการทดลองสัญญาณโดยทั่วไปมีค่าสูงกว่าการทดลองที่ไม่ใช่สัญญาณและผู้สังเกตการณ์เพียงอย่างเดียว เลือกค่าเกณฑ์ด้านบนซึ่งพวกเขาจะรายงาน "สัญญาณ":
ในแผนภาพด้านบนการแจกแจงสีเขียวและสีแดงหมายถึงการแจกแจง "สัญญาณ" และ "ไม่ใช่สัญญาณ" ตามลำดับและเส้นสีเทาแสดงถึงเกณฑ์ที่เลือกโดยผู้สังเกตการณ์ที่กำหนด ทางด้านขวาของเส้นสีเทาพื้นที่ใต้เส้นโค้งสีเขียวหมายถึงจำนวนที่พบและพื้นที่ใต้เส้นโค้งสีแดงแสดงถึงสัญญาณเตือนที่ผิด ทางด้านซ้ายของเส้นสีเทาพื้นที่ใต้เส้นโค้งสีเขียวจะชดเชยการพลาดและพื้นที่ใต้เส้นโค้งสีแดงแสดงถึงการปฏิเสธที่ถูกต้อง
ตามที่คาดการณ์ไว้ตามโมเดลนี้สัดส่วนของการตอบสนองที่ตกอยู่ในแต่ละเซลล์ของตาราง 2x2 ด้านบนนั้นพิจารณาจาก:
- สัดส่วนสัมพัทธ์ของการทดลองสุ่มตัวอย่างจากการแจกแจงสีเขียวและสีแดง (อัตราฐาน)
- เกณฑ์ที่ผู้สังเกตการณ์เลือกไว้
- การแยกระหว่างการแจกแจง
- ความแปรปรวนของการแจกแจงแต่ละครั้ง
- การออกจากความเสมอภาคของความแปรปรวนระหว่างการแจกแจงใด ๆ
- รูปร่างของการแจกแจงแต่ละแบบ (ทั้งคู่เป็นแบบเกาส์เหนือ)
บ่อยครั้งที่การประเมินอิทธิพลของ # 5 และ # 6 สามารถประเมินได้โดยการให้ผู้สังเกตการณ์ทำการตัดสินใจในระดับเกณฑ์ที่แตกต่างกันจำนวนหนึ่งดังนั้นเราจะไม่สนใจสิ่งนั้นในตอนนี้ นอกจากนี้ # 3 และ # 4 เท่านั้นที่สมเหตุสมผลเมื่อเทียบกับอีกคนหนึ่ง (เช่นขนาดของการแยกที่สัมพันธ์กับความแปรปรวนของการแจกแจงเป็นเท่าใด) สรุปโดยการวัด "discriminability" (หรือที่เรียกว่า d ') ดังนั้นทฤษฎีการตรวจจับสัญญาณจึงให้การประมาณค่าคุณสมบัติสองอย่างจากข้อมูลการตรวจจับสัญญาณ: เกณฑ์และความสามารถจำแนกได้
อย่างไรก็ตามฉันมักสังเกตว่ารายงานการวิจัย (โดยเฉพาะจากสาขาการแพทย์) ล้มเหลวในการใช้กรอบการตรวจจับสัญญาณและพยายามวิเคราะห์ปริมาณเช่น "ค่าคาดการณ์เชิงบวก", "ค่าคาดการณ์เชิงลบ", "ความไวเชิงลบ" และ "ความเฉพาะเจาะจง" "ซึ่งทั้งหมดเป็นตัวแทนของค่าส่วนต่างที่แตกต่างจากตาราง 2x2 ด้านบน ( ดูที่นี่สำหรับการทำอย่างละเอียด )
คุณสมบัติส่วนเพิ่มเหล่านี้มีประโยชน์อะไรบ้าง? ความชอบของฉันคือการไม่สนใจพวกเขาอย่างสมบูรณ์เพราะพวกเขาทำให้สับสนกับอิทธิพลที่เป็นอิสระทางทฤษฎีของเกณฑ์และการแบ่งแยก แต่บางทีฉันก็อาจขาดจินตนาการในการพิจารณาผลประโยชน์ของพวกเขา