Richtig-negativ
In diesem Beitrag
Was versteht man unter Richtig-negativ?
Ein Richtig-negativ (englisch: True Negative, kurz TN) liegt vor, wenn ein Test oder ein Klassifikationsmodell eine Beobachtung korrekt als negativ einstuft – also kein Merkmal, keine Erkrankung oder kein Ereignis vorhersagt, das tatsächlich auch nicht vorliegt. Das Ergebnis ist sowohl im Test als auch in der Realität negativ.
Richtig-negative sind ein zentraler Bestandteil der sogenannten Konfusionsmatrix (Vierfeldertafel), die die Ergebnisse eines binären Klassifikators systematisch aufschlüsselt:
| Tatsächlich positiv | Tatsächlich negativ | |
|---|---|---|
| Vorhergesagt positiv | Richtig-positiv (TP) | Falsch-positiv (FP) |
| Vorhergesagt negativ | Falsch-negativ (FN) | Richtig-negativ (TN) |
Aus der Anzahl der Richtig-negativen lässt sich die Spezifität (auch: True-Negative-Rate) berechnen. Sie gibt an, wie gut ein Test tatsächlich negative Fälle als negativ erkennt:
Formel: Spezifität
Warum ist Richtig-negativ für statistische Analysen wichtig?
Richtig-negative spielen vor allem dann eine wichtige Rolle, wenn es darum geht, zu beurteilen, wie zuverlässig ein Modell oder ein Test gesunde, unauffällige oder negative Fälle korrekt identifiziert. Das ist besonders relevant in Bereichen wie der medizinischen Diagnostik, dem maschinellen Lernen oder der Qualitätskontrolle.
Die daraus abgeleitete Spezifität ist eine der wichtigsten Kennzahlen zur Beurteilung eines Tests. Eine hohe Spezifität bedeutet, dass der Test selten gesunde oder negative Fälle fälschlicherweise als positiv einstuft – also wenige Falsch-positive produziert. Das ist zum Beispiel in Screening-Programmen entscheidend: Zu viele Falsch-positive führen zu unnötigen Folgeuntersuchungen, psychischer Belastung und vermeidbaren Kosten.
Richtig-negative stehen außerdem in einem direkten Zusammenhang mit der Sensitivität (True-Positive-Rate): Beide Kennzahlen beeinflussen sich gegenseitig und müssen je nach Anwendungsfall sorgfältig gegeneinander abgewogen werden.
Praxisbeispiel zu Richtig-negativ
Eine Forschungsgruppe entwickelt einen Schnelltest zur Erkennung einer Infektionskrankheit. Der Test wird an 200 Personen erprobt – 80 davon sind tatsächlich erkrankt, 120 sind gesund.
Die Ergebnisse des Tests sehen wie folgt aus:
| Tatsächlich krank | Tatsächlich gesund | Gesamt | |
|---|---|---|---|
| Test positiv | 72 (TP) | 12 (FP) | 84 |
| Test negativ | 8 (FN) | 108 (TN) | 116 |
| Gesamt | 80 | 120 | 200 |
Von den 120 gesunden Personen wurden 108 korrekt als negativ erkannt – das sind die Richtig-negativen. Die Spezifität des Tests berechnet sich damit zu:
Berechnung der Spezifität im Beispiel
Der Test erkennt also 90 % der tatsächlich gesunden Personen korrekt als negativ. Die verbleibenden 12 gesunden Personen wurden fälschlicherweise als krank eingestuft (Falsch-positive). Je nach klinischem Kontext muss entschieden werden, ob diese Spezifität ausreichend ist.
