Der er primært to typer fejl, der forekommer, mens hypotesetest udføres, dvs. enten afviser forskeren H0, når H0 er sandt, eller han / hun accepterer H0 når H i virkeligheden er H0 er falsk. Så førstnævnte repræsenterer type I fejl og sidstnævnte er en indikator for type II-fejl.
Test af hypotese er en almindelig procedure; denne forsker bruger til at bevise gyldigheden, der bestemmer, om en specifik hypotese er korrekt eller ej. Resultatet af testen er en hjørnesten for at acceptere eller afvise nulhypotesen (H0). Nullhypotesen er et forslag; der forventes ingen forskel eller effekt. En alternativ hypotese (H1) er en forudsætning, der forventer nogen forskel eller virkning.
Der er små og subtile forskelle mellem type I og type II fejl, som vi skal diskutere i denne artikel.
Grundlag for sammenligning | Type I-fejl | Type II-fejl |
---|---|---|
Betyder | Type I-fejl refererer til manglende accept af hypotese, som burde accepteres. | Type II-fejl er accept af hypotese, som burde afvises. |
Tilsvarende | Falsk positiv | Falsk negativ |
Hvad er det? | Det er forkert afvisning af ægte nulhypotese. | Det er ukorrekt accept af falsk nulhypotese. |
Repræsenterer | Et falskt hit | En miss |
Sandsynlighed for at begå fejl | Lig med niveauet af betydning. | Tilsvarer testkraften. |
Angivet af | Græsk bogstav 'α' | Græsk bogstav β |
I statistikker defineres type I-fejl som en fejl, der opstår, når prøven resulterer i afvisning af nulhypotesen, på trods af at den er sand. Enkelt sagt: Fejlen ved at acceptere den alternative hypotese, når resultaterne kan tilskrives tilfældighed.
Også kendt som alfa-fejlen fører det til, at forskeren kan udlede, at der er en variation mellem to observationer, når de er identiske. Sandsynligheden for type I-fejl er lig med det betydningsniveau, som forskeren sætter til sin test. Her refererer niveauet af betydning til chancerne for at lave type I-fejl.
F.eks. Antag at på grundlag af data konkluderede en virksomheds forskerteam, at mere end 50% af de samlede kunder kan lide den nye service, som virksomheden startede, hvilket faktisk er mindre end 50%.
Når man på basis af data accepterer nulhypotesen, når den faktisk er falsk, kaldes denne type fejl som Type II-fejl. Det opstår, når forskeren ikke benægter den falske nulhypotese. Det betegnes med det græske bogstav "beta (β)" og ofte kendt som betafejl.
Type II-fejl er forskerens fiasko i at acceptere en alternativ hypotese, skønt den er sand. Det validerer et forslag; det burde afvises. Forskeren konkluderer, at de to observationer er identiske, når de faktisk ikke er det.
Sandsynligheden for at begå en sådan fejl er analog med testens magt. Her henviser testkraften til sandsynligheden for at afvise nulhypotesen, som er falsk og skal afvises. Når prøvestørrelsen øges, øges også testkraften, hvilket resulterer i reduktion i risikoen for at begå type II-fejl.
F.eks. Antag at på grundlag af prøveresultater hævder forskningsholdet i en organisation, at mindre end 50% af de samlede kunder kan lide den nye service, der er startet af virksomheden, hvilket faktisk er større end 50%.
Nedenstående punkter er betydelige for så vidt angår forskellene mellem type I og type II fejl:
I det store og hele vokser Type I-fejl op, når forskeren bemærker nogen forskel, når der faktisk ikke er nogen, mens type II-fejl opstår, når forskeren ikke opdager nogen forskel, når der i virkeligheden er en sådan. Forekomsten af de to slags fejl er meget almindelig, da de er en del af testprocessen. Disse to fejl kan ikke fjernes fuldstændigt, men kan reduceres til et vist niveau.