ข้อผิดพลาดประเภท I, ประเภท II, และพลัง
แนะนำใหม่| English | ความหมาย |
|---|---|
| Type I error/taɪp aɪ ˈerə/ | ข้อผิดพลาดประเภทที่ I |
| Type II error/taɪp ˈtuː ˈerə/ | ข้อผิดพลาดประเภทที่ II |
| power/ˈpaʊə/ | ประสิทธิภาพ |
การตรวจสอบอาจทำเครื่องหมายผิดผู้ขายที่เชื่อถือได้
- สมมติว่า $H_0$ บอกว่าสัดส่วนการจัดส่งตรงเวลาคือ 0.90 และ $H_a$ บอกว่าต่ำกว่า การปฏิเสธเมื่อสมมติฐานว่างเป็นจริงจริงๆ คือข้อผิดพลาดประเภท I
- นี่คือสัญญาณเตือนผิดพลาดเกี่ยวกับอัตราการเกิดประชากร การตัดสินใจจากการทดสอบอาจผิดพลาดได้แม้ว่าคำคำนวณจะดำเนินการอย่างถูกต้องก็ตาม
การตรวจสอบอาจพลาดการขาดแคลนที่แท้จริง
- ความผิดพลาดประเภท II เกิดขึ้นเมื่อสมมติฐานศูนย์เป็นเท็จแต่การศึกษาล้มเหลวที่จะปฏิเสธมัน ตัวอย่างเช่น อัตราจริงที่ 0.85 อาจไม่ถูกตรวจจับ
- รายงานที่ไม่ปฏิเสธหมายถึงมีหลักฐานไม่เพียงพอ ไม่ใช่การประกาศว่าไม่มีการขาดแคลน ความน่าจะเป็นของการไม่ตรวจจับขึ้นอยู่กับอัตราทางเลือกที่แท้จริง
ข้อผิดพลาดประเภท I คือ...
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ประเภท I = การเตือนผิดพลาด = ปฏิเสธ null ที่เป็นจริง
จัดระดับความสำคัญเป็นเป้าหมายความผิดพลาดแบบมีเงื่อนไข
- ภายใต้สมมติฐานศูนย์ การทดสอบที่ปรับเทียบอย่างถูกต้องจะควบคุมอัตราการปฏิเสธไว้ที่ $\alpha$ ที่เลือกไว้ กระบวนการประมาณค่าปกติจะมีอัตราการประมาณนั้น
- อัตรานี้จะเกิดขึ้นซ้ำๆ เมื่อการศึกษาทำภายใต้สมมติฐานศูนย์ เป็นความน่าจะเป็นที่สมมติฐานศูนย์เป็นจริงหรือความน่าจะเป็นของความผิดพลาดหลังจากการปฏิเสธในกรณีเฉพาะไม่ได้
ข้อผิดพลาดประเภท II คือ...
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ประเภท II = การตรวจจับพลาด = ไม่ปฏิเสธ null ที่ผิด
H0 กล่าวว่าสัดส่วนการจัดส่งคือ 0.90. จับคู่ผลลัพธ์กับความหมาย
Difficulty 2/5 · 140 coins + a small bonus on first completion today
จัดกลุ่มตามสถานะจริงและการตัดสินใจ ไม่ใช่ตามว่าสัดส่วนจากตัวอย่างดูมีขนาดใหญ่หรือไม่
กำลังการทดสอบเชื่อมโยงกับผลกระทบที่กำหนดไว้
- กำลังการทดสอบคือความน่าจะเป็นในการปฏิเสธภายใต้ค่าสมมติฐานศูนย์ที่เป็นเท็จที่กำหนด: $1-\beta$ อัตราที่แท้จริงที่แตกต่างกันอาจให้กำลังการทดสอบที่แตกต่างกัน
- สำหรับออกแบบและผลกระทบที่คงที่ ตัวอย่างขนาดใหญ่มักจะช่วยเพิ่มกำลังการทดสอบ ผลกระทบที่ใหญ่กว่ามักตรวจจับได้ง่ายกว่า
หาก β = 0.30 ที่ p = 0.85 กำลังการทดสอบจะอยู่ที่ 0.70 ที่ p = 0.85 สิ่งนี้ไม่ใช่การอ้างถึงกำลังการทดสอบสำหรับทุกทางเลือกที่เป็นไปได้
สำหรับการทดสอบที่ปรับเทียบด้วยระดับความมีนัยสำคัญ α, α คือระดับความผิดพลาดประเภท I ตามชื่อ
Difficulty 1/5 · 100 coins + a small bonus on first completion today
α คือระดับการปฏิเสธผิดพลาดที่เลือกภายใต้ H0. กระบวนการประมาณและแบบไม่ต่อเนื่องอาจไม่มีความน่าจะเป็นความผิดพลาดจริงเท่ากับ α พอดี
พลังของการทดสอบเท่ากับ 1 ลบด้วย ___ (ตัวอักษรกรีกสำหรับอัตราการข้อผิดพลาดประเภท II)
Difficulty 1/5 · 100 coins + a small bonus on first completion today
Power = 1 − β
ที่สัดส่วนจริงที่กำหนดไว้ ความน่าจะเป็นของความผิดพลาดประเภท II คือ 0.30. ค่าพาวเวอร์คือเท่าใด?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
พาวเวอร์ = 1 - β = 1 - 0.30 = 0.70 สำหรับทางเลือกเฉพาะนั้น
การเปลี่ยนเกณฑ์จะเปลี่ยนแปลงการแลกเปลี่ยน
- เมื่อขนาดตัวอย่างและผลกระทบที่แท้จริงคงที่ การลด $\alpha$ จะทำให้การปฏิเสธยากขึ้นและมักจะทำให้กำลังการทดสอบลดลง
- การเพิ่มขนาดตัวอย่างสามารถลดการไม่ตรวจจับwhileรักษาระดับความผิดพลาดประเภท I ตามชื่อเดิมไว้ ไม่ได้ลดระดับความผิดพลาดที่เลือกไว้นั้นโดยอัตโนมัติ
ที่ระดับความผิดพลาดประเภท I ตามชื่อ α คงที่ ตัวอย่างขนาดใหญ่ไม่ได้ลดระดับความผิดพลาดที่เลือกไว้โดยอัตโนมัติ
สิ่งใดเพิ่มพลังของการทดสอบ?
Difficulty 2/5 · 140 coins + a small bonus on first completion today
n ใหญ่ขึ้น, ผลกระทบใหญ่ขึ้น, หรือ α ใหญ่ขึ้นทั้งหมดเพิ่มพลัง
การเพิ่ม n จะลดระดับความผิดพลาดประเภทที่ I ตามชื่อลงโดยอัตโนมัติเมื่อ α อยู่ที่ 0.05
Difficulty 1/5 · 100 coins + a small bonus on first completion today
ระดับตามชื่อที่เลือกไว้ยังคงอยู่ที่ 0.05 การเพิ่ม n มักจะช่วยเพิ่มพลังทดสอบสำหรับขนาดผลที่กำหนดภายใต้โมเดลที่ถูกต้องเดียวกัน; อัตราความผิดพลาดจริงประมาณอาจเปลี่ยนแปลงได้
ระบุความผิดพลาดโดยใช้ความจริงและการตัดสินใจ
- ตรวจสอบสองสิ่ง: ว่าสมมติฐานศูนย์เป็นจริงหรือไม่ และการทดสอบปฏิเสธมันหรือไม่ การรวมกันของทั้งสองจะระบุความผิดพลาดหรือการตัดสินใจที่ถูกต้อง
- โดยไม่ทราบอัตราประชากรที่แท้จริง การศึกษาไม่สามารถระบุการปฏิเสธของตนเองว่าเป็นความผิดพลาดประเภท I ที่เกิดขึ้นจริงเพียงจากค่า p ที่สังเกตได้
ตรวจสอบสองสิ่ง: ว่าสมมติฐานศูนย์เป็นจริงหรือไม่ และการทดสอบปฏิเสธมันหรือไม่ การรวมกันของทั้งสองจะระบุความผิดพลาดหรือการตัดสินใจที่ถูกต้อง