Hypothesis-Testing
為什麼統計文獻中沒有那麼多強調 II 型錯誤？
我已經在各種研究文章中看到了許多 I 類錯誤被解釋（用 alpha 值表示）的情況。我發現研究人員很少會考慮功率或 II 型錯誤。
II 型錯誤可能很嚴重，對嗎？當它實際上是錯誤的時，我們不小心拒絕了替代假設。為什麼如此強調阿爾法值而不是貝塔值？
當我學習第一年的統計數據時，我從來沒有被教過測試版——只有阿爾法版。我覺得這兩個錯誤應該平等對待。然而，似乎只強調了阿爾法。
這是一個很好的問題。讓我從幾個澄清開始：
- 對於“[t] II 型錯誤 [to] 很重要”（或 I 型錯誤）來說，這並不意味著任何事情。當然，我們錯過了真正的效果 可能非常重要。
- 此外，我們通常不會“[接受] 原假設”。（有關更多信息，在這裡閱讀我的答案可能會有所幫助：為什麼統計學家說不顯著的結果意味著“你不能拒絕零”而不是接受零假設？）
我認為您（不幸地）是對的，即較少關注權力和 II 型錯誤。雖然我認為生物醫學研究的情況正在改善（例如，資助機構和 IRB 現在經常需要進行功率分析），但我認為有以下幾個原因：
- 我認為權力對於人們來說比簡單的意義更難理解。（這部分是因為它取決於很多未知數——尤其是效應大小，但還有其他的）。
- 大多數科學（即，除了物理和化學）都沒有很好地數學化。因此，研究人員很難知道他們的理論“應該”給出多大的效應大小（不僅僅是）。
- 科學家們傳統上認為 I 型錯誤比 II 型錯誤更糟糕。