在统计学中,一类错误(Type I error)和二类错误(Type II error)是与假设检验相关的两种错误类型。
一类错误是指在实际上原假设为真的情况下,拒绝了原假设的错误。换句话说,我们错误地认为存在效应或差异,而实际上并不存在。一类错误通常被表示为α(alpha),即显著性水平。常见的显著性水平是0.05,表示我们接受5%的风险来犯一类错误。
二类错误是指在实际上备择假设为真的情况下,接受了原假设的错误。换句话说,我们没有发现存在的效应或差异,而实际上它们是存在的。二类错误通常被表示为β(beta)。
一类错误和二类错误是一对相互关联的错误。当我们降低一类错误的概率时,二类错误的概率往往会增加,反之亦然。这是由于统计检验的性质和样本大小等因素所决定的。在假设检验中,我们希望通过控制显著性水平(α)来减少一类错误的可能性,同时降低二类错误的概率。通常,研究者会根据具体情况和研究目的权衡一类错误和二类错误的风险,并选择适当的样本大小和显著性水平来进行统计推断。
假设我们进行了一项药物实验,研究假设是这种新药物可以降低患者的血压。我们将原假设(H0)设定为"该药物对血压没有影响",备择假设(H1)设定为"该药物可以降低血压"。
一类错误(Type I error):如果我们设置了显著性水平(α)为0.05,这意味着我们愿意接受5%的风险来犯一类错误。假设实际上该药物对血压没有影响(H0为真),但由于样本误差或其他因素,我们错误地拒绝了原假设,即错误地认为该药物可以降低血压。这就是一类错误的情况。
二类错误(Type II error):与一类错误相反,假设实际上备择假设为真(H1为真),即该药物可以降低血压。然而,由于样本大小较小或其他因素,我们没有发现统计显著性,接受了原假设。这意味着我们未能检测到该药物的效果,也就是发生了二类错误。
一类错误意味着我们错误地认为药物有效,而实际上它可能并没有效果。而二类错误则表示我们未能发现药物的有效性,即使它实际上是有效的。