-
1 教学内容
-
2 练习
-
3 案例
-
4 扩展学习
Ⅰ型错误与Ⅱ型错误
进行假设检验时，无论是拒绝零假设 ，还是不拒绝零假设 ，都有可能犯错误。
Ⅰ型错误(type I error)：
指拒绝了实际上正确的零假设，这类弃真的错误。
如果将H0看作阴性事件，H1看作阳性事件，则Ⅰ型错误可看成假阳性。
如果将H0看作“无病”，H1看作“有病”，则Ⅰ型错误就是“误诊”。
为了限制Ⅰ型错误发生的概率，通常事先规定一个小的概率α，以此为检验水准进行统计学推断，如果P 值小于等于α，则拒绝H0，推断差异具有统计学意义，此时犯Ⅰ型错误的概率等于α，因此，α又称作犯Ⅰ型错误的概率。
Ⅱ型错误(type II error)：
指不拒绝实际上不成立的零假设，这类存伪的错误。
如果将H0看作阴性事件，H1看作阳性事件，则Ⅱ型错误可看成假阴性。
如果将H0看作“无病”，H1看作“有病”，则Ⅱ型错误就是“漏诊”。
犯Ⅱ型错误的概率用β表示。β值的大小较难估计。
当样本量确定时，α越小，β越大；反之，α越大，β越小。
两型错误示意图(以单侧t检验为例)
表2两型错误的定义和相互关系
真实情况 | 假设检验的结论 | |
拒绝H0 | 不拒绝H0 | |
H0正确 | Ⅰ型错误（α） | 推断正确（1-α） |
H0不正确 | 推断正确（1-β） | Ⅱ型错误（β） |
检验效能 (power of test) ：指如果两个总体参数间确实存在差异即H1：μ≠μ0成立，使用假设检验方法能够发现这种差异的能力，记为( 1-β)。
一般，要求检验效能应在0.8以上。
单侧检验与双侧检验
H1的内容直接反映了检验的单双侧。
若H1只是μ>μ0或μ<μ0，则此检验为单侧检验(one-sided test)，它不仅考虑有无差异，而且还考虑差异的方向。
若H1为μ≠μ0，则此检验为双侧检验(two-sided test)，此时高于和低于已知总体均数这两种可能性都存在。
单双侧检验的确定，首先根据专业知识，其次根据所要解决的问题。
若从专业上看，一种方法结果不可能低于或高于另一种方法结果，应该用单侧检验。
双侧检验较保守和稳妥。
