II 类错误

什么是 II 类错误？

II 型错误是在假设检验的上下文中使用的统计术语，它描述了当一个人未能拒绝实际上是错误的零假设时发生的错误。 II 类错误会产生假阴性，也称为遗漏错误。例如，当患者被感染时，对疾病的检测可能会报告阴性结果。这是一种 II 型错误，因为我们接受测试的结论为阴性，即使它是不正确的。

在统计分析中， I 类错误是拒绝真实的原假设，而 II 类错误描述的是当一个人未能拒绝原假设**实际上是错误的时发生的错误。**错误拒绝备择假设，即使它不是偶然发生的。

II 类错误，也称为第二类错误或 beta 错误，确认了一个应该被拒绝的想法，例如，声称两个遵守是相同的，尽管它们是不同的。 II 型错误不会拒绝原假设，即使备择假设是真实的自然状态。换句话说，错误的发现被接受为真实。

可以通过制定更严格的标准来拒绝零假设来减少 II 型错误。例如，如果分析师认为任何落在 95%置信区间+/- 范围内的东西在统计上不显着（否定结果），那么通过将该容差降低到 +/- 90%，然后缩小范围，您将获得更少的负面结果，从而减少假阴性的机会。

然而，采取这些步骤往往会增加遇到第一类错误的机会——即假阳性结果。在进行假设检验时，应考虑犯 I 类错误或 II 类错误的概率或风险。

为减少遇到 II 类错误的机会而采取的措施往往会增加 I 类错误的概率。

II 类错误和 I 类错误之间的区别在于，I 类错误在原假设为真时拒绝原假设（即误报）。犯第一类错误的概率等于为假设检验设置的显着性水平。因此，如果显着性水平为 0.05，则有 5% 的机会发生 I 型错误。

犯第二类错误的概率等于 1 减去检验的功效，也称为 beta。可以通过增加样本量来增加检验的功效，从而降低犯 II 型错误的风险。

一些统计文献将包括总体显着性水平和 II 类错误风险作为报告分析的一部分。例如，2021 年对外泌体治疗脊髓损伤的荟萃分析记录的总体显着性水平为 0.05，II 型错误风险为 0.1。

假设一家生物技术公司想要比较其两种药物治疗糖尿病的效果。零假设表明这两种药物同样有效。 零假设 H0 是公司希望使用单尾检验拒绝的声明。另一种假设 H_a 表明这两种药物的效果不同。 备择假设， H_a，是通过拒绝原假设支持的自然状态。

这家生物技术公司对 3,000 名糖尿病患者进行了一项大型临床试验，以比较治疗方法。该公司将 3,000 名患者随机分成大小相等的两组，一组接受一种治疗，另一组接受另一种治疗。它选择 0.05 的显着性水平，这表明它愿意接受 5% 的机会在原假设为真时拒绝原假设或 5% 的机会犯 I 类错误。

假设 beta 计算为 0.025 或 2.5%。因此，犯第二类错误的概率为 97.5%。如果两种药物不相等，则应拒绝零假设。但是，如果生物技术公司在药物效果不同时不拒绝原假设，则会发生 II 型错误。

＃＃强调

＃＃常问问题

如果拒绝在总体中确实为真的原假设，则会发生 I 类错误。这种类型的错误代表误报。或者，如果没有拒绝在总体中实际上是错误的零假设，则会发生 II 型错误。这种类型的错误代表假阴性。

如果检验的统计功效太低，通常会导致 II 类错误。统计功效越高，避免错误的机会就越大。通常建议在进行任何测试之前将统计功效设置为至少 80%。

随着研究样本量的增加，II 型错误的风险程度应该会降低。随着真实人口效应大小的增加，II 型错误也应该减少。最后，研究设定的预设阿尔法水平会影响风险的大小。随着 alpha 水平集的降低，II 型错误的风险增加。