II类错误：定义，示例，与类型I错误

II型错误是在假设检验的上下文中使用的统计术语，该术语描述了当人们无法拒绝实际上是错误的零假设时发生的错误。 II型误差会产生假阴性，也称为遗漏的误差。

II型误差可以与I型误差进行对比，研究人员错误地拒绝了真实的空假设。

了解II型错误

在检验统计假设时，有两种主要类型：无效假设和替代假设。零假设通常表明，任何正在评估的数据都没有群体或变量之间的关系之间的差异。替代假设将陈述研究人员的期望（他们的主张），例如他们期望在变量之间找到的东西。像其他所有人一样，研究人员可能会在假设中犯错。

II型错误，也称为第二类错误或Beta错误的错误，确认了应该拒绝的无效假设，例如，尽管它们是相关的，但声称两个变量没有相关。研究人员在这里不拒绝零假设，在此处犯了II型错误 - 在上一个示例中，不拒绝研究完成后两个变量无关的想法，并且被证明是错误的。

通过创建更严格的标准来拒绝零假设，可以减少产生II型错误的可能性（H₀）。例如，如果分析师正在考虑任何属于95％的+/-边界的东西置信区间由于统计上的微不足道（负面结果），然后将其容忍度降低到+/- 90％，然后缩小界限，您将获得较少的负面结果，从而减少假阴性的机会。

但是，采取这些步骤倾向于增加遇到I型错误的机会，这是一个假阳性结果。进行假设检验时，应考虑制作I型错误或II型错误的概率或风险。

减少遇到II型错误的机会所采取的步骤往往会增加I型错误的概率。

II型错误与I型I错误之间的差异是，I型错误在true时拒绝零假设（即，误报）。犯下I类错误的概率等于意义水平这是为假设检验设定的。因此，如果显着性水平为0.05，则可能发生I型错误的机会5％。

犯下II型误差的可能性等于一个减去测试的功率，也称为beta。可以通过增加测试的力量来提高样本大小，降低了犯下II型误差的风险。

作为报告分析的一部分，一些统计文献将包括整体显着性水平和II型错误风险。例如，在治疗脊髓损伤的2021年外泌体的荟萃分析的总体显着性水平为0.05，II型误差风险为0.1。

假设一家生物技术公司想比较其两种药物用于治疗糖尿病的有效性。零假设（h₀）指出，两种药物同样有效，是公司希望拒绝使用该药物的假设一尾测试。替代假设（h_一个）指出，两种药物并不同等有效。替代假设是自然的状态，通过拒绝零假设来支持。

生物技术公司实施大型临床试验在3,000例糖尿病患者中比较治疗。该公司将3,000名患者随机分为两个同等大小的组，使一组治疗方法和另一组治疗。它选择了0.05的显着性水平，这表明它愿意接受5％的机会，它可能会拒绝零假设（I型错误）。

假设Beta计算为0.025，即2.5％。因此，犯下II型误差的概率为97.5％。如果两种药物不等，则应拒绝原假设。但是，如果生物技术公司在药物不同样有效时不会拒绝零假设，则会发生II型误差。

考虑以下问题：

眼睛的颜色确定人类在黑暗中的看法如何？

您将从这个问题中形成两个假设：

然后，您将通过使用统计上大量的人类进行实验来着手回答这个问题。一旦您记录了人口的数据，就可以对其进行分类并分析，并得出有关它的结论。

相当普遍的知识是，年龄越大，由于许多因素，在黑暗中看到的难度越难，其中之一是眼睛的杆细胞随着年龄的增长而变得较弱。如果您从数据中得出结论，年龄不会影响人类在黑暗中的看法，那么您未能拒绝虚假的空假设 - II型错误。

如果出于某种原因，年龄实际上并不影响人类在黑暗中的看法，但是您的数据表明确实如此，您可能会拒绝真正的零假设 - I型I错误。

如果拒绝了人群实际上是正确的，则会发生I型错误。将这种错误视为假阳性。 II型错误，不拒绝虚假的空假设，可以视为假阴性。

如果测试的统计能力太低，则通常会引起II型错误。统计功率越高，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率设置为至少80％。

您可以通过增加研究的样本量来降低II型误差的机会。随着真实种群效应大小的增加，II型误差的可能性也应减少。此外，研究设定的预设α水平会影响风险的幅度。随着Alpha水平集的降低，II型误差的风险增加。

在统计数据中，II型错误正在接受应拒绝的零假设。如果在统计测试中没有足够的功率，可能会发生II型错误，通常是由于样本量太小而产生的。增加样本量可以帮助减少犯下II型误差的机会。