统计基础：3.2_假设检验的两类错误

1、Ⅰ、Ⅱ类错误及其产生的原因

  虽然小概率事件发生的概率很小，但依然有可能发生。由于抽样的随机性，利用小概率原理对H0是否成立作为判断时，难免会犯两类错误。

• 第一类错误（α错误/弃真错误）：实际上$H_0$为真时,但利用随机抽样样本，构建的小概率事件出现了，作出拒绝$H_0$的决策，即α=P(拒绝$H_0$|$H_0$为真)

• 第二类错误（β错误/取伪错误）：实际上$H_0$为伪时,但利用随机抽样样本，构建的小概率事件未出现了，作出接受$H_0$的决策，即β=P(接受$H_0$|$H_0$为伪)

2、两类错误的关系以及影响因素

• 第一类错误的影响因素

  由实际推断原理引起的，即“小概率事件不会发生”的假定所引起的，所以有理由将所有小概率事件发生的概率之和或者即显著性水平（α=0.05）看作α错误发生的概率，换言之，α错误发生的概率为检验所选择的显著性水平。如果是单侧检验，弃真错误的概率则为 α/2。

• 第二类错误的影响因素

  通常情况下的做法只是控制犯第一类错误的概率α，而忽略第二类错误的概率β，但有些情况下，第二类错误不可忽视，为了实现对两类错误的控制，需要剖析两类错误的关系以及影响因素。

施行特征函数
  定义若C是参数$\theta$某检验问题的一个检验法，$\beta (\theta )=P_{\theta }(接受H_0)$,称为检验法C的施行特征函数或者OC函数，其图形称为OC曲线。
  若假定检验法的显著性水平α，即犯第一类错误的概率为$P_{\theta \in H_0}\le \alpha ，则当$$\theta \in H_0$时，做出正确判断的概率为：$P_{\theta \in H_0}(接受H_0)=\beta (\theta )$ ≥ 1-α；则当$$\theta \in H_1$时，犯第二类错误的概率为$P_{\theta \in H_0}(接受H_0)=\beta (\theta )=\beta$ ，做出正确判断的概率为：$P_{\theta \in H_1}(拒绝H_0)=1-\beta (\theta )$ 。
  在检验的过程中希望α与β都尽可能小，即做出正确判断的概率$P_{\theta \in H_0}(接受H_0)=\beta (\theta )$ ≥ 1-α与$P_{\theta \in H_1}(拒绝H_0)=1-\beta (\theta )$都越大越好，但这种期望能否达到呢？
  设总体$X\sim N(u,{\sigma }^2)$,其中u未知，σ已知，$X_1,X_2,...,X_n$是来自X的样本。在显示性水平α下，对u进
行左侧检验：
$H_0:u\ge u_0$ vs $H_1:u<u_0$，拒绝域$\frac{\bar{X}-u_0}{\sigma /\sqrt{n}}\le -z_{\alpha }$
  此检验的OC函数为：
$\beta (u)=P_u(接受H_0)=P_u(\frac{\bar{X}-u_0}{\sigma /\sqrt{n}}>-z_{\alpha })=P_u(\frac{\bar{X}-u_0}{\sigma /\sqrt{n}}>-z_{\alpha }-\frac{u-u_0}{\sigma /\sqrt{n}})=\varphi (z_{\alpha }+\lambda )$
其中，$\lambda =\frac{u-u_0}{\sigma /\sqrt{n}}$,其OC曲线如图所示：

$\beta (u)$函数性质如下：

• 是$\lambda$的连续单调递增函数；
• $\underset{u\to \bar{\infty }}{\lim }\beta (u)=1$,$\underset{u\to u_0}{\lim }\beta (u)=1-\alpha$

  由检验的OC函数，β(u)可知，$\beta =P_{u<u_0}(接受H_0)=\varphi (z_{\alpha }+\frac{u-u_0}{\sigma /\sqrt{n}})$。因此，β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。

• 显著性水平α

  由分布函数的性质以及正态分布上的α分位可知，当其它条件不变时，α大，则β小；反之α小，必导致β大。故犯两类错误的概率α于β存在“此消彼长”的关系。

• u的真实值

  由OC函数的性质，$\underset{u\to {\bar{u}}_0}{\lim }\beta (u)=1-\alpha$可知，当u的真实值趋于${\bar{u}}_0$时，不管其它量如何变化，只要α取值较小，β几乎等于1-α。即对所有的$u\in H_1$,控制$\beta =P_{u\in H_1}(接受H_0)$都很小是不可能实现的。只有当u与u0的差距较大时，方可有办法将β控制在一定范围之内。

• 总体标准差σ

  σ是离散趋势的主要度量指标，σ越大，抽取的随机样本的代表性相对较差，由$\beta =P_{u<u_0}(接受H_0)=\varphi (z_{\alpha }+\frac{u-u_0}{\sigma /\sqrt{n}})$可知，在其他量一定的情况下，β是σ的增函数。因此，总体的标准差σ越小，β会越小。

• 样本容量n
    样本容量n越大，抽选的随机样本所提供的有关总体的信息越多。由$\beta =P_{u<u_0}(接受H_0)=\varphi (z_{\alpha }+\frac{u-u_0}{\sigma /\sqrt{n}})$可知，在u与u0的差距较大，其他量不变的情况下，β是n的减函数。因此，在此条件允许的情况下，增大样本容量n，β会随之减少。

  犯β错误的概率的计算是比较复杂的，由于β错误的出现原因是属于逻辑上的，所以在总体参数不知道的情况下是无法计算它出现概率的大小的。

3、如何控制两类错误

  犯第一类错误的概率$\alpha$可以通过适当改变检验的拒绝域来进行调整。

  由上文可知，β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。这四个因素中，u未知，σ通常已知，因此没有办法通过这两个因素来有效控制β；在一定条件下，显著性水平σ与β存在“此消彼长”的关系，并且β是样本容量n的减函数，但是即使增大α或者增大n,也无法实现对β量化。一般情况下，无法直接控制β，但是可以通过间接的措施达到对β的控制的目的。

  结合假设检验的基本思想，H0与H1的不对等性、假设检验的目的以及检验结果的解释，具体措施入如下：

• 巧妙建立假设

  成功的假设检验策略，以拒绝H0为检验目的，假设检验只能证明H0的伪，而不能证明H0的真。因此，在假设的建立过程中要谨慎小心。一般把传统的，原始的观念设立为H0;H0中应包含等号；后果严重的错误设定为第一类错误

• 谨慎解释检验的结果

  检验统计量的观测值落入接受域，仅仅表明所构建的小概率事件没有发生，但是不能证实其它与H0相矛盾的小概率事件不发生。因此，但检验统计量的观测值落入接受域时，不能断定认为H0是正确的，此时犯第二类错误的概率β是未知。此时把检验的结果严谨解释为“没有发现充足的证据拒绝H0”。

• 恰当设置显著性水平α

  不一味的追求α尽可能小，结合具体的问题仔细斟酌两类错误后果的严重性。若第一类错误的后面比较严重（判断一个人是否患病），而第二类错误的后果无足轻重，则可以选择较小的α；否则，需要放大α的取值；