Wie wahrscheinlich ein Merkmal nach einem positiven Test ist, gibt der positive Vorhersagewert an. Du berechnest ihn als Anteil der richtig Positiven an allen positiven Befunden. Entscheidend ist neben Sensitivität und Spezifität die Basisrate: Bei einem seltenen Merkmal kann ein positiver Befund auch bei einem guten Test häufiger falsch als richtig sein. Am sichersten rechnest du mit einer Vierfeldertafel aus absoluten Häufigkeiten statt mit Prozentformeln.
Was sagen Sensitivität und Spezifität aus?
Beide Kennwerte beschreiben einen Test aus der Perspektive des wahren Zustands. Die Sensitivität ist der Anteil der Personen mit Merkmal, die der Test als positiv erkennt. Die Spezifität ist der Anteil der Personen ohne Merkmal, die der Test als negativ einordnet. Eins minus Spezifität ist die Falsch-Positiv-Rate.
Im Alltag einer Diagnostikerin stellt sich die Frage aber umgekehrt. Sie kennt den Testbefund und will wissen, wie wahrscheinlich das Merkmal ist. Diese Frage beantworten die Vorhersagewerte. Ihr Nenner ist ein anderer: alle positiv oder alle negativ Getesteten.
Wie berechnest du den positiven Vorhersagewert?
Ein eigenes Beispiel mit erfundenen Zahlen: Ein Fragebogen zur Depressionsfrüherkennung hat eine Sensitivität von 85 Prozent und eine Spezifität von 95 Prozent. Er wird bei 2.000 Personen in Hausarztpraxen eingesetzt. Die Basisrate liegt bei 5 Prozent.
- Teile die Grundgesamtheit nach dem wahren Zustand: 5 Prozent von 2.000 sind 100 Personen mit Merkmal, 1.900 sind ohne Merkmal.
- Wende die Sensitivität auf die 100 an: 85 werden richtig positiv erkannt, 15 sind falsch negativ.
- Wende die Spezifität auf die 1.900 an: 95 Prozent davon, also 1.805, sind richtig negativ. Die übrigen 95 sind falsch positiv.
- Lies die Spalte „Test positiv“: 85 + 95 = 180 positive Befunde.
| Test positiv | Test negativ | Summe | |
|---|---|---|---|
| Merkmal vorhanden | 85 | 15 | 100 |
| Merkmal nicht vorhanden | 95 | 1.805 | 1.900 |
| Summe | 180 | 1.820 | 2.000 |
Der positive Vorhersagewert beträgt 85 / 180 ≈ 47,2 Prozent. Von den positiv Getesteten hat also weniger als die Hälfte tatsächlich eine Depression. Das liegt nicht an einem schlechten Test. Es liegt daran, dass 5 Prozent Fehlalarme bei 1.900 Personen ohne Merkmal mehr absolute Fälle ergeben als 85 Prozent Treffer bei 100 Personen mit Merkmal.
Der negative Vorhersagewert beträgt 1.805 / 1.820 ≈ 99,2 Prozent. Ein negativer Befund ist in dieser Population also sehr beruhigend. Beachte, dass der negative Vorhersagewert nicht einfach eins minus positiver Vorhersagewert ist. Beide haben unterschiedliche Nenner.
Wie stark verändert die Basisrate das Ergebnis?
Derselbe Fragebogen wird in einer psychiatrischen Ambulanz eingesetzt, in der 30 Prozent der Personen das Merkmal haben. Von 2.000 Personen haben dann 600 eine Depression. Es entstehen 510 richtig Positive und 70 falsch Positive. Der positive Vorhersagewert steigt auf 510 / 580 ≈ 87,9 Prozent. Die Testkennwerte sind gleich geblieben, nur die Population hat sich geändert.
| Basisrate | Positiver Vorhersagewert | Negativer Vorhersagewert |
|---|---|---|
| 1 % | 14,7 % | 99,8 % |
| 2 % | 25,8 % | 99,7 % |
| 5 % | 47,2 % | 99,2 % |
| 10 % | 65,4 % | 98,3 % |
| 30 % | 87,9 % | 93,7 % |
| 50 % | 94,4 % | 86,4 % |
Die Tabelle zeigt beide Seiten. Mit steigender Basisrate wird ein positiver Befund aussagekräftiger, ein negativer dagegen weniger beruhigend. Für die Klausur heißt das: Ein Vorhersagewert gilt immer nur für eine bestimmte Population. Wer ihn aus einer Klinikstudie auf ein Screening in der Allgemeinbevölkerung überträgt, überschätzt ihn.
Das Studienheft Sensitivität, Spezifität und Basisrate übt diese Rechnungen in 15 Lernstationen. Sechs Stationen enthalten Vierfeldertafeln für fiktive Populationen mit wechselnder Basisrate, die übrigen arbeiten mit Fallpaaren zu Schwellenwert, ROC-Kurve, Verifikations- und Spektrumsbias. Jede Station endet mit einer kommentierten Prüfungsfrage.
Übungsfrage im Klausurstil
Ein Screening hat eine Sensitivität von 90 Prozent und eine Spezifität von 90 Prozent. In der untersuchten Population liegt die Basisrate bei 2 Prozent. Wie hoch ist ungefähr der positive Vorhersagewert?
- A90 Prozent
- B15,5 Prozent
- C2 Prozent
- D50 Prozent
- E98 Prozent
Lösung zeigen
Wie hilft der Likelihood-Quotient?
Der positive Likelihood-Quotient fasst Sensitivität und Spezifität zu einer Zahl zusammen: LR+ = Sensitivität / (1 − Spezifität). Im Beispiel ist das 0,85 / 0,05 = 17. Er sagt dir, um welchen Faktor ein positiver Befund die Odds erhöht. Bei 5 Prozent Basisrate sind die Vortest-Odds 0,05 / 0,95 ≈ 0,053. Multipliziert mit 17 ergeben sich Nachtest-Odds von etwa 0,89. Zurück in eine Wahrscheinlichkeit: 0,89 / 1,89 ≈ 0,47. Das ist derselbe Wert wie aus der Vierfeldertafel. Der Vorteil des Quotienten: Du kannst ihn auf jede Basisrate anwenden, ohne die Tafel neu aufzubauen. Wichtig ist nur, dass er die Odds multipliziert und nicht die Wahrscheinlichkeit selbst.
Warum sind 99 Prozent Genauigkeit oft wertlos?
Die Gesamtgenauigkeit ist der Anteil aller richtig klassifizierten Personen. Bei seltenen Merkmalen führt sie in die Irre. Ein Verfahren, das bei einer Basisrate von einem Prozent immer „negativ“ meldet, ist zu 99 Prozent genau und erkennt keinen einzigen Fall. Berichte deshalb immer die Basisrate und die klassenbezogenen Kennwerte, also Sensitivität, Spezifität und Vorhersagewerte.
Wie liest du eine ROC-Kurve?
Viele Fragebögen liefern einen Summenwert, und erst ein Grenzwert macht daraus „positiv“ oder „negativ“. Trägst du für jeden möglichen Grenzwert die Sensitivität auf der y-Achse gegen die Falsch-Positiv-Rate, also eins minus Spezifität, auf der x-Achse ab, entsteht die ROC-Kurve. Jeder Punkt steht für einen Schwellenwert. Ein Test ohne Trennleistung liegt auf der Diagonalen, ein guter Test wölbt sich nach links oben. Die Fläche unter der Kurve fasst die Trennleistung über alle Schwellen zusammen. Welcher Grenzwert in der Praxis sinnvoll ist, legt sie aber nicht fest. Das hängt davon ab, ob ein übersehener Fall oder ein Fehlalarm schwerer wiegt.
Worauf solltest du bei Validierungsstudien achten?
- Verifikationsbias: Erhalten fast nur positiv Gescreente die aufwendige Referenzuntersuchung, fehlen die falsch Negativen. Die Sensitivität wird dann überschätzt.
- Spektrumsbias: Werden sehr schwere Fälle mit völlig gesunden Kontrollen verglichen, trennt der Test leicht. Bei milden Fällen und ähnlichen Störungen fällt die Leistung oft schwächer aus.
- Schwellenwert: Wird die Grenze gesenkt, steigt meist die Sensitivität und die Spezifität sinkt. Welcher Kompromiss passt, hängt von den Folgen beider Fehler ab.
- Serielle Tests: Zwei fast gleiche Verfahren liefern keine unabhängigen Bestätigungen. Die einfache Multiplikation von Kennwerten setzt bedingte Unabhängigkeit voraus.
Für die Befundsprache gilt: Ein positives Screening ist ein Anlass für weitere Abklärung und keine Diagnose. Formuliere das Ergebnis als veränderte Wahrscheinlichkeit für eine bestimmte Population und nenne das Referenzverfahren, das die Frage klären kann.
Weiterlernen
Alle Hefte zu Diagnostik und Testtheorie stellt die Seite Studienhefte Diagnostik und Testtheorie vor. Wie Trennleistung und Antwortkriterium in der Wahrnehmungsforschung getrennt werden, erklärt der Artikel zur Signalentdeckungstheorie. Für die Prüfungsplanung hilft die Seite Diagnostik- und Testtheorie-Klausur.
Passendes Material

Häufige Fragen
Was ist der Unterschied zwischen Sensitivität und positivem Vorhersagewert?
Die Sensitivität gibt an, welcher Anteil der Personen mit Merkmal positiv getestet wird. Der positive Vorhersagewert gibt an, welcher Anteil der positiv Getesteten das Merkmal tatsächlich hat. Die erste Größe teilt durch alle Merkmalstragenden, die zweite durch alle positiven Befunde.
Warum hängt der positive Vorhersagewert von der Basisrate ab?
Bei einem seltenen Merkmal gibt es sehr viele Personen ohne Merkmal. Selbst ein kleiner Anteil falsch positiver Befunde ergibt dann in absoluten Zahlen viele Fehlalarme, die die richtig Positiven überwiegen können.
Ändern sich Sensitivität und Spezifität mit der Basisrate?
Rechnerisch sind sie von der Basisrate unabhängig, weil sie innerhalb der Gruppen mit und ohne Merkmal berechnet werden. In der Praxis können sie sich trotzdem zwischen Populationen unterscheiden, etwa wenn die Fälle in einer Klinik schwerer ausgeprägt sind als in der Allgemeinbevölkerung.
Was ist ein positiver Likelihood-Quotient?
Er ist das Verhältnis aus Sensitivität und Falsch-Positiv-Rate. Er sagt, um welchen Faktor ein positiver Befund die Odds für das Merkmal erhöht. Bei 85 Prozent Sensitivität und 95 Prozent Spezifität beträgt er 0,85 / 0,05 = 17.
Wie rechne ich Odds in eine Wahrscheinlichkeit um?
Odds sind p / (1 − p). Umgekehrt ist p = Odds / (1 + Odds). Ein Likelihood-Quotient multipliziert die Odds und nicht die Wahrscheinlichkeit direkt.
Stand: November 2026. Psychologie Helden ist ein unabhängiges Lernangebot und mit keiner Hochschule verbunden. Verbindlich sind die Studien- und Prüfungsordnung deines Studiengangs und die Vorgaben deiner Lehrenden.
