知识卡片
两类错误、功效与样本量
假设检验的结论可能错在两个方向。I 型错误是 H0 为真却否定了它,把没效果说成有效果,其概率就是显著性水平 α;因为 α 是人为设定的,犯 I 型错误的概率在收集数据之前就确定了。II 型错误是 H0 为假却没有否定它,有效果却没检出,概率记为 β。 两者不对称:α 可以事前控制,β 却取决于真实的均值差有多大、样本量多大、噪声多大。均值差越小、样本越少,越容易漏检;要降低 β,通常只能加大样本量。 检验的功效是正确否定 H0 的概率,等于 1 − β,它被用来反推所需样本量。功效取决于效应量,即差异的幅度:同样 α 下,检测更小的效应需要更大样本。样本足够大时,几乎任何微小效应都会统计显著,但这个效应可能小到没有实际价值。所以看 p 值之外还要看效应量,判断显著是否等于值得行动。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 使用R进行基本数据分析 · 查看原书依据
犯II型错误的概率很难被确定。如果两个群体均值不相等,犯II型错误的概率将取决于均值到底相差多远。为了将犯II型错误的概率降低到一个合理的水平,通常需要增加抽样大小。这个主题将在下一节讨论。
参考来源
- 位置:《数据科学与大数据分析 数据的发现 分析 可视化与表示》第3章 使用R进行基本数据分析(源文件:extracted/数据科学与大数据分析 数据的发现 分析 可视化与表示/_epub-src/text/part0013_split_003.html)
- 结论依据:3.3.4 与 3.3.5 节定义 I 型、II 型错误与功效 1−β,说明 α 事前确定、β 取决于真实差异与样本量,并指出大样本会让极小效应也显著。
- 原始内容:犯II型错误的概率很难被确定。如果两个群体均值不相等,犯II型错误的概率将取决于均值到底相差多远。为了将犯II型错误的概率降低到一个合理的水平,通常需要增加抽样大小。这个主题将在下一节讨论。