Statistics I型和II型错误
I 类和 II 类错误表示统计假设检验的错误结果。第一类错误代表错误拒绝有效原假设,而第二类错误代表错误保留无效原假设。
零假设
零假设是指用证据否定相反的陈述。考虑以下示例:
示例 1
假设-添加到牙膏中的水可以保护牙齿免受蛀牙。
零假设-添加到牙膏中的水对蛀牙没有作用。
示例 2
假设-添加到牙膏中的氟化物可以保护牙齿免受蛀牙。
零假设-添加到牙膏中的氟化物对蛀牙没有作用。
此处将根据实验数据检验零假设,以消除氟化物和水对牙齿蛀牙的影响。
第一类错误
考虑示例 1、这里的零假设是正确的,即添加到牙膏中的水对蛀牙没有影响。但是,如果使用实验数据,我们检测到加水对空腔的影响,那么我们就拒绝了真正的零假设。这是 I 类错误。它也称为假阳性条件(表示存在给定条件但实际上不存在的情况)。类型 I 错误率或类型 I 的显着性水平由拒绝原假设的概率表示。
I 类错误用 $\alpha $ 表示,也称为 alpha 级别。一般来说,I类错误显着性水平为0.05或5%是可以接受的,这意味着5%的错误拒绝原假设的概率是可以接受的。
第二类错误
考虑示例 2、这里的零假设是错误的,即添加到牙膏中的 Floride 对蛀牙有影响。但是,如果使用实验数据,我们没有检测到添加氟化物对空腔的影响,那么我们接受了错误的零假设。这是第二类错误。它也称为假阳性条件(表示给定条件不存在但实际上存在的情况)。
II 类错误用 $\beta $ 表示,也称为 beta 级别。
统计检验的目标是确定是否可以拒绝零假设。统计检验可以拒绝或不能拒绝零假设。下表说明了原假设的真假与检验结果在 I 类或 II 类错误方面的关系。
判断 |
零假设($ H_0 $)是 |
错误类型 |
推理 |
拒绝 |
有效 |
第一类错误(误报) |
不正确 |
拒绝 |
无效 |
真阳性 |
正确 |
无法拒绝 |
有效 |
正负 |
正确 |
无法拒绝 |
无效 |
第二类错误(假阴性) |
不正确 |