Kesalahan Tipe I, Tipe II, dan Kekuatan
Diperkenalkan| English | Makna |
|---|---|
| Type I error/taɪp aɪ ˈerə/ | Kesalahan Tipe I |
| Type II error/taɪp ˈtuː ˈerə/ | Kesalahan Tipe II |
| power/ˈpaʊə/ | Daya uji |
Audit dapat secara keliru menandai penjual yang andal
- Misalkan $H_0$ menyatakan bahwa proporsi tepat waktu adalah 0.90 dan $H_a$ menyatakan bahwa itu lebih rendah. Menolak ketika hipotesis nol sebenarnya benar adalah Kesalahan Tipe I.
- Ini adalah alarm palsu tentang tingkat populasi. Keputusan uji bisa salah meskipun perhitungannya dilakukan dengan benar.
Audit dapat melewatkan kekurangan yang nyata
- Kesalahan Tipe II terjadi ketika hipotesis nol salah tetapi studi gagal menolaknya. Sebagai contoh, tingkat sejati 0.85 mungkin tidak terdeteksi.
- Tidak penolakan melaporkan bukti yang tidak cukup; ini bukan pernyataan bahwa tidak ada kekurangan yang ada. Probabilitas deteksi yang terlewat bergantung pada tingkat alternatif yang sebenarnya.
Kesalahan Tipe I adalah...
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Tipe I = alarm palsu = menolak nol yang benar.
Anggap tingkat sebagai target kesalahan bersyarat
- Di bawah hipotesis nol, uji yang terkalibrasi dengan benar mengontrol tingkat penolakannya pada $\alpha$ yang dipilih. Prosedur pendekatan normal memiliki tingkat sekitar itu.
- Tingkat ini berlaku atas studi berulang ketika hipotesis nol benar. Ini bukan probabilitas bahwa hipotesis nol benar atau probabilitas kesalahan setelah penolakan tertentu.
Kesalahan Tipe II adalah...
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Tipe II = deteksi terlewat = gagal menolak nol yang salah.
H0 menyatakan proporsi pengiriman adalah 0.90. Cocokkan hasil dengan maknanya.
Difficulty 2/5 · 140 coins + a small bonus on first completion today
Klasifikasikan berdasarkan keadaan sebenarnya dan keputusan, bukan berdasarkan apakah persentase sampel terlihat besar.
Kekuatan (power) terkait dengan efek yang ditentukan
- Kekuatan adalah probabilitas menolak di bawah nilai hipotesis nol palsu yang ditentukan: $1-\beta$. Nilai-nilai yang berbeda dapat menghasilkan kekuatan yang berbeda.
- Untuk desain dan efek tetap, sampel yang lebih besar umumnya meningkatkan kekuatan. Efek yang lebih besar biasanya lebih mudah dideteksi.
Jika β = 0.30 pada p = 0.85, kekuatan adalah 0.70 pada p = 0.85. Ini bukan klaim kekuatan untuk setiap alternatif yang mungkin.
Untuk uji yang dikalibrasi pada tingkat signifikansi α, α adalah tingkat kesalahan Tipe I nominal.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
α adalah tingkat penolakan palsu yang dipilih di bawah H0. Prosedur pendekatan dan diskrit mungkin tidak memiliki probabilitas kesalahan aktual tepat α.
Kekuatan tes sama dengan 1 dikurangi ___ (huruf Yunani untuk tingkat kesalahan Tipe II).
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Kekuatan = 1 − β.
Pada proporsi aktual tertentu, probabilitas kesalahan Tipe II adalah 0.30. Berapakah daya uji?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
Daya uji = 1 - β = 1 - 0.30 = 0.70 untuk alternatif khusus tersebut.
Mengubah ambang batas mengubah trade-off
- Dengan ukuran sampel dan efek asli tetap, menurunkan $\alpha$ membuat penolakan lebih sulit dan biasanya menurunkan kekuatan.
- Meningkatkan ukuran sampel dapat mengurangi deteksi yang terlewat sambil mempertahankan tingkat Type I nominal yang sama. Hal ini tidak secara otomatis menurunkan tingkat yang dipilih tersebut.
Pada α nominal tetap, sampel yang lebih besar tidak secara otomatis menurunkan tingkat kesalahan Type I yang dipilih.
Manakah yang meningkatkan kekuatan tes?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
n yang lebih besar, efek yang lebih besar, atau α yang lebih besar semuanya meningkatkan kekuatan.
Meningkatkan n secara otomatis menurunkan tingkat kesalahan Tipe I nominal ketika α tetap di 0.05.
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Tingkat nominal yang dipilih tetap 0.05. n yang lebih besar biasanya meningkatkan daya uji untuk efek tertentu di bawah model yang sama; tingkat kesalahan aktual pendekatan mungkin bervariasi.
Identifikasi kesalahan menggunakan kebenaran dan keputusan
- Periksa dua hal: apakah hipotesis nol benar dan apakah uji menolaknya. Kombinasi keduanya mengidentifikasi kesalahan atau keputusan yang benar.
- Tanpa mengetahui tingkat populasi yang sebenarnya, sebuah studi tidak dapat melabeli penolakannya sendiri sebagai kesalahan Type I yang terealisasi hanya dari nilai p yang diamati.
Periksa dua hal: apakah hipotesis nol benar dan apakah uji menolaknya. Kombinasi keduanya mengidentifikasi kesalahan atau keputusan yang benar.