Negativer Vorhersagewert

Der negative Vorhersagewert ergibt sich aus den tatsächlich (rechts) und falsch (links) negativen Ergebnisse eines Tests.

In der Statistik bezeichnet der negative Vorhersagewert (auch Segreganz oder Trennfähigkeit; englisch: negative predictive value; Abkürzung NPV) eines statistischen Tests oder einer anderen Klassifizierung die Wahrscheinlichkeit, dass ein negatives Ergebnis auch tatsächlich negativ ist. Sie gibt also den Anteil der richtig als negativ (richtig negativ) erkannten Ergebnisse an der Gesamtheit der als negativ erkannten Ergebnisse an.

Die Segreganz entspricht der bedingten Wahrscheinlichkeit

${P(\mathrm{richtig\ negativ\ erkannt}|\mathrm{negativ\ erkannt})}=\frac{\mathrm{Anzahl\ der\ richtig\ negativen}}{\mathrm{Anzahl\ der\ richtig\ negativen}+\mathrm{Anzahl\ der\ falsch\ negativen}}.$

Beispielsweise gibt der negative Vorhersagewert eines medizinischen Untersuchungsverfahrens zur Erkennung einer Krankheit an, wie viele Personen, bei denen die Krankheit mittels des betreffenden Verfahrens nicht festgestellt wurde, auch tatsächlich gesund sind.

Es ist unbedingt zu beachten, dass der NPV in einem gegebenen Kollektiv (z. B. Gesamtbevölkerung) nur dann Gültigkeit besitzt, wenn die Prävalenz der betreffenden Erkrankung im diesem Kollektiv mit der Prävalenz in jenem Kollektiv, in dem der NPV erhoben wurde, übereinstimmt. Beispiel: Wurden zur Bestimmung des NPV 100 HIV-Patienten und 100 gesunde Kontrollpatienten untersucht, so entspricht dies nicht der tatsächlichen Prävalenz von HIV in der Gesamtbevölkerung. Die Angabe des in einem solchen, selektiven Kollektiv erhobenen NPV-Wertes ist nicht zulässig und irreführend. In solchen Fällen ist es sinnvoll, die likelihood ratio (LR) anzugeben.

Weitere Kennwerte zur Beurteilung eines Klassifikators sind die Sensitivität, Spezifität, der positive Vorhersagewert (auch Relevanz), die Korrektklassifikationsrate sowie die Falschklassifikationsrate. Siehe auch Vierfeldertafel.