1、Ⅰ、Ⅱ类错误及其产生的原因

虽然小概率事件发生的概率很小，但依然有可能发生。由于抽样的随机性，利用小概率原理对H0是否成立作为判断时，难免会犯两类错误。

第一类错误（α错误/弃真错误）：实际上H0H_0H0为真时,但利用随机抽样样本，构建的小概率事件出现了，作出拒绝H0H_0H0的决策，即α=P(拒绝H0H_0H0|H0H_0H0为真)
第二类错误（β错误/取伪错误）：实际上H0H_0H0为伪时,但利用随机抽样样本，构建的小概率事件未出现了，作出接受H0H_0H0的决策，即β=P(接受H0H_0H0|H0H_0H0为伪)

2、两类错误的关系以及影响因素

第一类错误的影响因素

由实际推断原理引起的，即“小概率事件不会发生”的假定所引起的，所以有理由将所有小概率事件发生的概率之和或者即显著性水平（α=0.05）看作α错误发生的概率，换言之，α错误发生的概率为检验所选择的显著性水平。如果是单侧检验，弃真错误的概率则为 α/2。

第二类错误的影响因素

通常情况下的做法只是控制犯第一类错误的概率α，而忽略第二类错误的概率β，但有些情况下，第二类错误不可忽视，为了实现对两类错误的控制，需要剖析两类错误的关系以及影响因素。

施行特征函数
定义若C是参数θ\thetaθ某检验问题的一个检验法，β(θ)=Pθ(接受H0)\beta(\theta)=P_{\theta}(接受H_0)β(θ)=Pθ(接受H0),称为检验法C的施行特征函数或者OC函数，其图形称为OC曲线。
若假定检验法的显著性水平α，即犯第一类错误的概率为Pθ∈H0≤α，则当P_{\theta \in H_0}≤α，则当Pθ∈H0≤α，则当θ∈H0\theta \in H_0θ∈H0时，做出正确判断的概率为：Pθ∈H0(接受H0)=β(θ)P_{\theta \in H_0}(接受H_0)=\beta(\theta)Pθ∈H0(接受H0)=β(θ) ≥ 1-α；则当$θ∈H1\theta \in H_1θ∈H1时，犯第二类错误的概率为Pθ∈H0(接受H0)=β(θ)=βP_{\theta \in H_0}(接受H_0)=\beta(\theta)=\betaPθ∈H0(接受H0)=β(θ)=β ，做出正确判断的概率为：Pθ∈H1(拒绝H0)=1−β(θ)P_{\theta \in H_1}(拒绝H_0)=1-\beta(\theta)Pθ∈H1(拒绝H0)=1−β(θ) 。
在检验的过程中希望α与β都尽可能小，即做出正确判断的概率Pθ∈H0(接受H0)=β(θ)P_{\theta \in H_0}(接受H_0)=\beta(\theta)Pθ∈H0(接受H0)=β(θ) ≥ 1-α与Pθ∈H1(拒绝H0)=1−β(θ)P_{\theta \in H_1}(拒绝H_0)=1-\beta(\theta)Pθ∈H1(拒绝H0)=1−β(θ)都越大越好，但这种期望能否达到呢？
设总体X∼N(u,σ2)X\sim N(u,\sigma^2)X∼N(u,σ2),其中u未知，σ已知，X1,X2,...,XnX_1,X_2,...,X_nX1,X2,...,Xn是来自X的样本。在显示性水平α下，对u进
行左侧检验：
H0:u≥u0H_0:u≥u_0H0:u≥u0 vs H1:u<u0H_1:u<u_0H1:u<u0，拒绝域Xˉ−u0σ/n≤−zα\frac{\bar X-u_0}{\sigma/ \sqrt n}≤-z_ασ/nXˉ−u0≤−zα
此检验的OC函数为：
β(u)=Pu(接受H0)=Pu(Xˉ−u0σ/n>−zα)=Pu(Xˉ−u0σ/n>−zα−u−u0σ/n)=ϕ(zα+λ)\beta(u)=P_u(接受H_0)=P_u(\frac{\bar X-u_0}{\sigma/ \sqrt n}>-z_α)=P_u(\frac{\bar X-u_0}{\sigma/ \sqrt n}>-z_α-\frac{ u-u_0}{\sigma/ \sqrt n})=\phi(z_\alpha+\lambda)β(u)=Pu(接受H0)=Pu(σ/nXˉ−u0>−zα)=Pu(σ/nXˉ−u0>−zα−σ/nu−u0)=ϕ(zα+λ)
其中，λ=u−u0σ/n\lambda=\frac{ u-u_0}{\sigma/ \sqrt n}λ=σ/nu−u0,其OC曲线如图所示：

β(u)\beta(u)β(u)函数性质如下：

是λ\lambdaλ的连续单调递增函数；

lim⁡u→∞ˉβ(u)=1\displaystyle\lim_{u \rightarrow \bar \infty}\beta(u)=1u→∞ˉlimβ(u)=1,lim⁡u→u0β(u)=1−α\displaystyle\lim_{u \rightarrow u_0}\beta(u)=1-\alphau→u0limβ(u)=1−α

由检验的OC函数，β(u)可知，β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)。因此，β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。

显著性水平α

由分布函数的性质以及正态分布上的α分位可知，当其它条件不变时，α大，则β小；反之α小，必导致β大。故犯两类错误的概率α于β存在“此消彼长”的关系。

u的真实值

由OC函数的性质，lim⁡u→uˉ0β(u)=1−α\displaystyle\lim_{u \rightarrow \bar u_0}\beta(u)=1-\alphau→uˉ0limβ(u)=1−α可知，当u的真实值趋于uˉ0\bar u_0uˉ0时，不管其它量如何变化，只要α取值较小，β几乎等于1-α。即对所有的u∈H1u\in H_1u∈H1,控制β=Pu∈H1(接受H0)\beta=P_{u\in H_1}(接受H_0)β=Pu∈H1(接受H0)都很小是不可能实现的。只有当u与u0的差距较大时，方可有办法将β控制在一定范围之内。

总体标准差σ

σ是离散趋势的主要度量指标，σ越大，抽取的随机样本的代表性相对较差，由β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)可知，在其他量一定的情况下，β是σ的增函数。因此，总体的标准差σ越小，β会越小。

样本容量n
样本容量n越大，抽选的随机样本所提供的有关总体的信息越多。由β=Pu<u0(接受H0)=ϕ(zα+u−u0σ/n)β=P_{u<u_0}(接受H_0)=\phi(z_α+\frac{u-u_0}{\sigma/\sqrt n})β=Pu<u0(接受H0)=ϕ(zα+σ/nu−u0)可知，在u与u0的差距较大，其他量不变的情况下，β是n的减函数。因此，在此条件允许的情况下，增大样本容量n，β会随之减少。

犯β错误的概率的计算是比较复杂的，由于β错误的出现原因是属于逻辑上的，所以在总体参数不知道的情况下是无法计算它出现概率的大小的。

3、如何控制两类错误

犯第一类错误的概率α\alphaα可以通过适当改变检验的拒绝域来进行调整。

由上文可知，β的大小与显著性水平α、u的真实值、总体标准差σ、样本容量n有关。这四个因素中，u未知，σ通常已知，因此没有办法通过这两个因素来有效控制β；在一定条件下，显著性水平σ与β存在“此消彼长”的关系，并且β是样本容量n的减函数，但是即使增大α或者增大n,也无法实现对β量化。一般情况下，无法直接控制β，但是可以通过间接的措施达到对β的控制的目的。

结合假设检验的基本思想，H0与H1的不对等性、假设检验的目的以及检验结果的解释，具体措施入如下：

巧妙建立假设

成功的假设检验策略，以拒绝H0为检验目的，假设检验只能证明H0的伪，而不能证明H0的真。因此，在假设的建立过程中要谨慎小心。一般把传统的，原始的观念设立为H0;H0中应包含等号；后果严重的错误设定为第一类错误

谨慎解释检验的结果

检验统计量的观测值落入接受域，仅仅表明所构建的小概率事件没有发生，但是不能证实其它与H0相矛盾的小概率事件不发生。因此，但检验统计量的观测值落入接受域时，不能断定认为H0是正确的，此时犯第二类错误的概率β是未知。此时把检验的结果严谨解释为“没有发现充足的证据拒绝H0”。

恰当设置显著性水平α

不一味的追求α尽可能小，结合具体的问题仔细斟酌两类错误后果的严重性。若第一类错误的后面比较严重（判断一个人是否患病），而第二类错误的后果无足轻重，则可以选择较小的α；否则，需要放大α的取值；

统计基础：3.2_假设检验的两类错误相关推荐

R语言效用分析 ( 效能分析、Power analysis)确定样本量、假设检验与两类错误、pwr包进行效用分析 ( 效能分析、Power analysis)的常用函数列表
R语言效用分析 ( 效能分析.Power analysis)确定样本量.假设检验与两类错误.pwr包进行效用分析 ( 效能分析.Power analysis)的常用函数列表目录
假设检验中两类错误及最小样本量计算
脚注: 以下内容均为个人总结,便于日后查阅.如有不对地方,还请及时指正. 案例: 在互联网等行业中,大家会对产品.排序模型.机制策略等模块不断迭代/创新,来提升整个App的用户体验.那么,怎样 ...
【统计类知识】区间估计（置信区间）、假设检验（两类错误、P值）
统计推断的三大基本形式: 抽样分布参数估计(点估计.区间估计) 假设检验(参数检验.非参数检验) 一. 置信区间在实际中,我们通常得不到总体在某方面的真值,比如总体均值.或者说,如果我们现在要估计 ...
假设检验的两类错误及功效
一.为什么会有假设检验的两类错误? 由于假设检验是根据有限的样本信息对总体作推断,不论做出哪种推断结论(拒绝原假设H0和不拒绝原假设H0),都由可能因为抽样等原因发生错误. 二.假设检验的两类错误 1 ...
统计学假设检验的两类错误
1.两类错误的解释我们之前探讨了假设检验的基本思想,现在我们来介绍下两类错误. 假设检验的最终目的是:去伪存真, 那么它对应的两类错误就是弃真存伪. 接受或拒绝H0,都可能犯错误 I类错误--弃真错 ...
一文详解假设检验、两类错误和p值
我们在生活中会遇到很多带有不确定性的问题,比如什么样的男孩子更容易找到女朋友,拥有什么样的品质更易成功.科学方法告诉我们,面对这些问题,要"大胆假设,小心求证".而假设检验就是这样 ...
深入理解假设检验的两类错误和功效
假设包含原假设Null Hypothesis和备择假设Alternative Hypothesis,原假设也称为零假设,记为 H 0 H_0 H0,备择假设也称为对立假设,记为 H a H_a Ha ...
假设检验中的两类错误
假设检验中的两类错误假设检验及其两类错误是数理统计学中的名词.在进行假设检验时提出原假设和备择假设,原假设实际上是正确的,但我们做出的决定是拒绝原假设,此类错误称为第一类错误.原假设实际上是不正确的 ...
在统计学中_我来尝试给你讲清统计学中的假设检验和两类错误
学习过统计的同学一定对"两类错误"不会陌生,但是否已经完全理清了其中的逻辑,想必要打一个问号了.希望我今天能"不辱使命",用你听得懂的语言给你讲清楚这整套内容. ...

统计基础：3.2_假设检验的两类错误

假设检验中的两类错误

1、Ⅰ、Ⅱ类错误及其产生的原因

2、两类错误的关系以及影响因素

3、如何控制两类错误

统计基础：3.2_假设检验的两类错误相关推荐

最新文章

热门文章