统计学中的两类错误

假设检验及其两类错误是数理统计学中的名词。在进行假设检验时提出原假设和备择假设，原假设实际上是正确的，但我们做出的决定是拒绝原假设，此类错误称为第一类错误。原假设实际上是不正确的，但是我们却做出了接受原假设的决定，此类错误称为第二类错误。

假设检验中的两类错误是指在 假设检验中，由于样本信息的 局限性，势必会产生错误，错误无非只有两种情况，在统计学中，我们一般称为Ⅰ类错误，Ⅱ类错误。

右图是研究结论和实际情况关系的矩阵：

		实际情况
		H0正确	H0错误
研究结论	拒绝H0	I类错误	正确
	接受H0	正确	II类错误

第一类错误（ Ⅰ类错误）也称为 α错误，是指当 虚无假设(H0)正确时，而拒绝H0所犯的错误。这意味着研究者的结论并不正确，即观察到了实际上并不存在的处理效应。

可能产生原因：

1、样本中极端数值。

2、采用 决策标准较宽松。

第二类错误（ Ⅱ 类错误）也称为β错误，是指虚无假设错误时，反而接受虚无假设的情况，即没有观察到存在的处理效应。

可能产生的原因：

1、实验设计不灵敏。

2、样本数据变异性过大。

3、处理效应本身比较小。

两类错误的关系：

1、 α+β不一定等于1。

2、在 样本容量确定的情况下，α与β不能同时增加或减少。

3、统计检验力。（1-β）

犯Ⅰ类错误得危害较大，由于报告了本来不存在的现象，则因此现象而衍生出的后续研究、应用的危害将是不可估量的。相对而言，Ⅱ类错误的危害则相对较小，因为研究者如果对自己的假设很有信心，可能会重新设计实验，再次来过，直到得到自己满意的结果（但是如果对本就错误的观点坚持的话，可能会演变成Ⅰ类错误）。