Falsch-negativ
In diesem Beitrag
Was versteht man unter Falsch-negativ?
Ein falsch-negatives Ergebnis (englisch: false negative) liegt vor, wenn ein Test oder ein statistisches Verfahren ein tatsächlich vorhandenes Merkmal, einen Effekt oder eine Erkrankung fälschlicherweise als nicht vorhanden einstuft. Der Test schlägt also nicht an, obwohl er es sollte.
In der Sprache der Konfusionsmatrix (auch: Fehlermatrix) spricht man von einem falsch-negativen Fall, wenn gilt:
- Die wahre Klasse ist positiv (das Merkmal ist tatsächlich vorhanden).
- Die vorhergesagte Klasse ist negativ (der Test sagt: nicht vorhanden).
Die Anzahl falsch-negativer Fälle wird in der Konfusionsmatrix üblicherweise mit FN abgekürzt. Daraus ergibt sich die Falsch-negativ-Rate (auch: Miss Rate):
Falsch-negativ-Rate (Miss Rate)
Das Gegenstück zur Falsch-negativ-Rate ist die Sensitivität (auch: Recall oder True Positive Rate), die angibt, wie viele der tatsächlich positiven Fälle korrekt erkannt wurden:
Sensitivität (Recall)
Falsch-negative Ergebnisse stehen in engem Zusammenhang mit dem Typ-II-Fehler (β-Fehler) aus der Hypothesentestung: Auch dort wird eine tatsächlich vorhandene Wirkung irrtümlich nicht erkannt – die Nullhypothese wird fälschlicherweise beibehalten.
Warum ist Falsch-negativ für statistische Analysen wichtig?
Falsch-negative Ergebnisse sind in vielen Anwendungsbereichen von erheblicher praktischer Bedeutung – oft sogar schwerwiegender als falsch-positive Ergebnisse. Während ein falsch-positiver Befund einen Alarm auslöst, der sich später als unbegründet herausstellt, bedeutet ein falsch-negativer Befund, dass ein echtes Problem unentdeckt bleibt.
Typische Kontexte, in denen falsch-negative Ergebnisse besonders kritisch sind:
- Medizinische Diagnostik: Eine nicht erkannte Erkrankung bleibt unbehandelt.
- Qualitätskontrolle: Ein fehlerhaftes Produkt gelangt unbemerkt in den Umlauf.
- Sicherheitssysteme: Eine Bedrohung wird vom Erkennungssystem nicht registriert.
- Hypothesentests: Ein realer Effekt wird als nicht signifikant eingestuft.
Bei der Modelloptimierung müssen Falsch-negativ-Rate und Falsch-positiv-Rate gegeneinander abgewogen werden. Eine Verringerung der einen erhöht in der Regel die andere. Diesen Zielkonflikt visualisiert die ROC-Kurve (Receiver Operating Characteristic). Welche Fehlerart weniger tolerierbar ist, hängt immer vom fachlichen Kontext ab.
Praxisbeispiel zu Falsch-negativ
In einer Studie wird ein neuer Screening-Test auf eine seltene Erkrankung untersucht. Von 200 tatsächlich erkrankten Personen zeigt der Test bei 170 ein positives Ergebnis – die übrigen 30 werden fälschlicherweise als gesund eingestuft.
| Test: positiv | Test: negativ | |
|---|---|---|
| Tatsächlich erkrankt | 170 (richtig-positiv) | 30 (falsch-negativ) |
| Tatsächlich gesund | – | – |
Die Falsch-negativ-Rate beträgt in diesem Beispiel 30 / 200 = 0,15, also 15 %. Das bedeutet: 15 % der tatsächlich erkrankten Personen wurden vom Test nicht erkannt. Die Sensitivität liegt entsprechend bei 85 %. Ob dieser Wert akzeptabel ist, hängt davon ab, wie schwerwiegend die Konsequenzen einer verpassten Diagnose sind – bei lebensbedrohlichen Erkrankungen wäre auch eine Falsch-negativ-Rate von 15 % in vielen Fällen zu hoch.
