什么是统计推断中两类错误

发布网友发布时间：2022-04-23 22:09

共2个回答

热心网友时间：2023-10-11 14:07

假设检验是根据从总体抽取的样本资料来对总体的某种特征作出判断的，而样本只能代表总体的一部分特征，由它来推断总体特征就绝不可能有百分之百的把握，因而可能做出错误的判断。

其一，原假设H。本来是正确的，但判断H。为不正确而产生错误，这是一种弃真错误，在统计学中称为第一类错误，或称I型错误.其二，原假设H。本来是不正确的，但判断H。

为正确而产生错误，这是一种纳伪错误，在统计学中称为第二类错误，或称l型错误.它们统称为假设检验中的两类错误.这两类错误严重程度常用它们出现的概率来度量，犯第一类错误的概率常用其显著性水平a表示，犯第二类错误的概率常用β表示。

扩展资料

1、当样本例数固定时，α愈小，β愈大；反之，α愈大，β愈小。因而可通过选定α控制β大小。要同时减小α和β，唯有增加样本例数。

统计上将1-β称为检验效能或把握度(power of a test)，即两个总体确有差别存在，而以α为检验水准，假设检验能发现它们有差别的能力。实际工作中应权衡两类错误中哪一个重要以选择检验水准的大小。

2、做假设检验的时候会犯两种错误：第一，原假设是正确的，而你判断它为错误的；第二，原假设是错误的，而你判断它为正确的。我们分别称这两种错误为第一类错误(Type I error)和第二类错误(Type II error)。

参考资料来源：百度百科-两类错误

热心网友时间：2023-10-11 14:07

第一类错误，又叫拒真错误，即本来原假设是正确的，而根据样本得出的统计量的值落入了拒绝域，根据检验拒绝了正确的原假设。
第二类错误，又叫受伪错误，即本来原假设是错误的，而根据样本得出的统计量的值落入了接受域，不能拒绝原假设，接受了（确切地说是不拒绝）原本错误的原假设。