통계 문헌에서 II 형 오류가 강조되지 않는 이유는 무엇입니까?

다양한 연구 기사에서 유형 I 오류가 (알파 값으로 표시) 설명되는 많은 경우를 보았습니다. 나는 연구원이 힘 또는 타입 II 오류를 고려하는 경우는 드물다.

유형 II 오류가 큰 문제 일 수 있습니까? 우리는 대체 가설이 실제로 거짓 일 때 우연히 거부했다. 베타 값 대신 알파 값이 강조되는 이유는 무엇입니까?

첫해 통계를봤을 때 베타를 배우지 못했습니다. 알파 만있었습니다. 이 두 가지 오류를 동등하게 처리해야한다고 생각합니다. 그러나 알파 만 강조되는 것 같습니다.

hypothesis-testing type-i-and-ii-errors

+1 그 이유는 전통적으로 제 1 종 오류 (일명

또는 유의 수준 )가 먼저 수정 된 다음 제 2 종 오류를 최소화하도록 (동일하게 전력 을 최대화 하는 등) 테스트가 구성되기 때문 입니다. wikipedia에서이 문제를 이해하는 데 도움이되는 유용한 기사는 UMP (Uniformally Most Powerful) 테스트에 관한 기사입니다. en.wikipedia.org/wiki/Uniformly_most_powerful_test

α

$\alpha$

— Jeremias K

당신은 "우리는 귀무 가설을 수락"에 대한 잘못된 - 우리는 결코 그것을지지 않습니다. "null hyp 거부"또는 "null hyp 거부 실패"이지만 null hyp을 허용하지 않습니다!

— 원시인

폭파 지적 해 주셔서 감사합니다.

자신의 경험을 전체 통계 문학 분야와 혼동하지 않도록주의하십시오. 읽지 않은 자료의 내용을 거의 추론 할 수 없습니다.

— Glen_b-복지 주 모니카

@ 글렌. 정통한 제목은 더 많은 답변을 얻습니다.

답변:

좋은 질문입니다. 몇 가지 설명으로 시작하겠습니다.

"ype II 오류가 심각하다"(또는 제 1 종 오류)라는 의미는 아닙니다. 물론, 실제 효과를 놓친 것이 매우 중요 할 수 있습니다 .
또한, 우리는 일반적으로 "널 귀무 가설을 받아들이지 않습니다". (즉에 대한 자세한 내용은, 여기 내 대답을 읽는 데 도움이 될 수 통계가 아닌 의미있는 결과 수단 귀무 가설을 받아들이는 반대로 "당신은 널을 거부 할 수 없습니다"를 말하는 이유는 무엇입니까? )

나는 불행히도 전력 및 유형 II 오류에 덜 관심을 기울이는 것이 옳다고 생각합니다. 생의학 연구에서 상황이 개선되고 있다고 생각하지만 (예 : 자금 지원 기관 및 IRB가 종종 전력 분석을 요구함) 몇 가지 이유가 있다고 생각합니다.

나는 사람들이 이해하는 것이 단순한 중요성보다 힘이 더 어렵다고 생각합니다. (이것은 효과 크기뿐만 아니라 다른 것들도 많이 있음) 많은 미지에 의존하기 때문에 부분적으로 나타납니다.
$\ne0$
과학자들은 전통적으로 유형 I 오류가 유형 II 오류보다 나쁘다고 가정했습니다.

— gung-복직 모니카
소스

언제나처럼, 깨달음-특히 수학화되지 않은 :-) ... 나는이 문구를 좋아합니다 ... 당신이 세 번째 점에서 조금 확장 할 수 있는지 궁금합니다 ...이 편견의 근거가 있습니까? 나는 그것이 사실이라는 것을 알고 있지만 왜 이것이 사실이라고 생각합니까? 그것은 p- 값의 트로피에 관한 것이기 때문에 다른 것이 중요하지 않습니까?

— Antoni Parellada

감사합니다, @AntoniParellada. 더 추가 할 수있는 것에 대해 생각하겠습니다.

— gung-복직 모니카

과학자들이 타입 I 오류가 더 나쁘다고 생각하는 이유 3)을 분명히 밝히겠습니다. 귀무 가설은 일반적으로 일종의 "상태 유지 (status quo)"입니다. 예를 들어이 새로운 약물의 효과는 0입니다. 우리는 현상 유지를 좋아하고, 증거의 부담은 달리 입증하기 위해 연구원에게 있습니다. 따라서 우리는 제 1 종 오류를 제한하고자합니다. 즉 우리는 현상 유지를 잘못 거부합니다. IMO, 현 상태에 대한이 애착은 철학적입니다. 내 의견을 바꾸고 싶다면 그것을 증명해야합니다.

— Heisenberg

실제로, 유형 II 오류가 더 중요한 경우, 즉 널을 거부하지 않는 비용이 높은 경우를 쉽게 생각할 수 있습니다. 예를 들어, 인류가 좀비 전염병에 직면 한 경우, 나는“우리가 그것을 사용하기 전에 그것이 효과가 있다는 것을 증명해야한다”는 것이 아니라“약이 효과가 없을지라도 어떤 약이라도 시험해보십시오”라고 확신합니다.

— Heisenberg

@Heisenberg에 추가 : 유형 II 오류가 가장 중요한 경우 점 가설 검정과 동등성 검정 사이의 전환을 고려해야합니다. 귀하의 예에서, 제안 된 우스터 소스가 적어도 좀비 전염병을 악화시키지 않는다는 것을 증명해야합니다. 그런 다음 오류율이 역할을 변경하고 가장 중요한 오류율은 다시 설계로 수정됩니다. 또한 잘못된 결정에 대한 비용 추정치가있는 경우 위험을 최소화하고 특정 유형 I 오류율을 수정하지 않는 결정 규칙을 고려해야합니다.

— Horst Grünbusch

그 이유는 우리가 단순히 실제 유형 II 오류율을 알지 못하기 때문입니다. 일반적으로 모르는 매개 변수에 따라 다릅니다. 이 매개 변수를 알고 있다면 통계 테스트를 수행 할 필요가 없습니다.

그러나 일부 대안이 적용되는 경우 특정 유형 II 오류율이 충족되도록 실험을 계획 할 수 있습니다. 이런 식으로 우리는 자원을 낭비하지 않는 표본 크기를 선택할 것입니다. 시험이 결국 거부되지 않거나 이미 훨씬 작은 표본 크기가 가설을 기각하기에 충분했기 때문입니다.

— 호르스트 그 ün 부쉬
소스