假设检验是检验两个样本分布之间的变化是否可以通过随机机会解释的一门艺术。任何时候我们用统计学做决定都有四种可能的结果，其中两种代表正确的决定，两种代表错误。错误通常分为I型和II型错误。第一类错误是拒绝真零假设，而第二类错误是不拒绝假零假设。

犯I型和II型错误的几率成反比。这意味着，增加I型错误率会降低II型错误率，反之亦然。

什么是第一类错误(type i error)？

I型错误，也被称为“假阳性”，是指当一个无效假设实际上是真的时，拒绝它的错误。换句话说，当结果可以归因于偶然性时，这是接受另一种假设（兴趣的真实假设）的错误。简单地说，它发生在我们观察到差异时，而事实上没有差异（或者更具体地说，没有统计上的显著差异）。因此，在具有拒绝区域R的测试中产生I型错误的概率为P（R\H0为真）。

产生I型错误的概率由你的α水平（α）来表示，α水平是p值，低于p值，你就会抛出无效假设。p值为0.05表示当您拒绝无效假设时，您愿意接受5%的错误概率。通过对p使用较低的值，可以降低提交类型Ierror的风险。例如，p值为0.01表示有1%的几率发生I类错误。

类型i错误的示例

理查德是一位金融分析师。他进行假设检验，以发现大盘股和小盘股的平均价格变化是否存在差异。在测试中，Richard假设无效假设是大盘股和小盘股之间的平均价格变化没有差异。因此，他的另一种假设表明，平均价格变化之间的差异确实存在。

对于显著性水平，Richard选择5%。这意味着他的测试有5%的概率会拒绝无效假设，而事实上这是真的。如果Richard的测试出现I类错误，测试结果将表明，大盘股和小盘股之间的平均价格变化存在差异，而各组之间没有显著差异。

关于i型错误你需要知道什么

• 1型错误也称为假阳性，当研究人员错误地拒绝真实的无效假设时，就会发生。
• I型错误也称为假阳性。
• 我们产生I型错误的概率被指定为‘α’（α）。因此，I型错误也称为alpha错误。
• I型误差等于显著性水平（α），‘α’是所谓的p值。
• I型错误与拒绝无效假设有关。
• 它是由运气或偶然引起的。
• I型错误的概率随着（α）值的降低而降低，因为较低的值使得很难拒绝零假设。
• I型错误通常被认为更严重。
• 它可以通过降低显著性水平来降低。
• I型错误的概率等于显著性水平。
• 当验收水平设置得太宽松时，就会发生这种情况。

什么是第二类错误(type ii error)？

第二类错误，也被称为“假阴性”，是当替代假设是真实的自然状态时，不拒绝无效假设的错误。换句话说，这是一个错误，当你没有足够的能力时，你没有接受另一个假设。简单地说，它发生在我们没有观察到差异的时候，而事实上存在差异。因此，在具有拒绝区域R的测试中产生II型错误的概率为1-P（R/Hα为真）。测试的幂可以是P（R\Hα为真）。

II型误差与统计检验的功效呈反比关系。这意味着统计检验的功效越高，犯II型错误的概率越低。II型错误的发生率（即II型错误的概率）用β（β）来衡量，而统计功效用1-β来衡量。换句话说，你可以通过确保你的测试有足够的功效来降低犯II型错误的风险。您可以通过确保您的样本大小足够大，以便在实际存在差异时检测实际差异来做到这一点。

类型II错误示例

阿曼德拉是一位金融分析师。她进行假设检验，以发现大盘股和小盘股的平均价格变化是否存在差异。在测试中，Amandla假设大盘股和小盘股之间的平均价格变化没有差异，这是一个无效假设。因此，她的替代假设表明，平均价格变化之间确实存在差异。

对于显著性水平，Amandla选择5%。这意味着她的测试有5%的概率会拒绝无效假设，而事实上这是真的。如果Amandla的测试出现II类错误，那么测试结果将表明大盘股和小盘股之间的平均价格变化没有差异。然而，在现实中，平均价格变化的差异确实存在。

关于ii型错误你需要知道什么

• 第二类错误不会拒绝无效假设，即使替代假设是真实的自然状态。换句话说，错误的发现被认为是正确的。
• 第二类错误也称为假阴性。它也被称为假零假设。
• 我们产生II型错误的概率被指定为“β”（β）。因此，II型错误也称为beta错误。
• II型误差等于测试的统计功率。
• II型误差等于测试的统计功率。概率1-‘β’称为研究的统计功效。
• II型错误与拒绝替代假设有关。
• 这是由较小的样本量或较弱的测试造成的。
• 类型II错误的概率随着（α）值的增加而降低，因为较高的值更容易拒绝零假设。
• 第二类错误被给予较少的优先权。
• 它可以通过增加显著性水平来减少。
• II类错误的概率等于1减去试验的幂。
• 当验收级别设置得太严格时，就会发生这种情况。

第一类(type i)和表格形式的ii类错误(type ii error in tabular form)的区别