第 2 类错误 | 统计

当论文得出结论认为不存在影响，而实际上存在影响时，就会出现第二类或第二类错误。 研究人员坚持 零假设 而事实上，它是错误的。

用 Beta 表示

在统计假设检验中，犯第二类错误的可能性用（β）表示。 它代表了一种可能性，即错误地判定不同组别或治疗方法之间没有差别或没有影响，而实际上是有差别或有影响的。 研究人员一般将其设定为 20% 或 0.20，表示愿意接受长期出现这种错误的 20% 的概率。 但是，如果假阴性结果会造成严重影响，研究人员可以选择将其降低到 10%，甚至 5%。 决定贝塔值水平应该是一个明智的决定，然而，研究人员往往会采用 20% 的启发式。

请注意，这些百分比是长期的。 在进行 100 项类似研究时，20% 的研究可能会出现假阴性结果，而 80% 的研究不会出现假阴性结果。 一项单一的研究仅仅存在 2 型错误，或者不存在 2 型错误。

减少第二类错误

由于第二类错误可能造成有害影响，研究人员必须尽一切努力减少此类错误。 目的是提高测试的统计能力，以检测出真正的效应或差异。 换句话说，科学家的目的是减少他们错误地接受/保留一个实际上是错误的零假设的可能性。

请注意，1 类错误和 2 类错误之间存在着内在的权衡。 当第 2 类错误的可能性增加时，第 2 类错误的可能性也会增加。 第 1 类错误 减少，反之亦然。 需要对具体的研究环境、风险缓解、潜在成果和可用资源进行仔细评估，才能在两者之间取得适当的平衡。

研究人员使用各种方法来减少第二类错误的可能性。 这些方法包括通过增加样本量来提高统计能力、改进研究设计和方法、使用更敏感的结果测量指标以及考虑其他统计方法。 要了解有关统计能力的更多信息，请点击此处。

鲍尔，D. (2019), Medical Statistics from Scratch： 卫生专业人员入门》（第 4 版），Wiley

Akobeng A. K. (2016). 了解 I 型和 II 型误差、统计能力和样本量。 儿科学》（挪威奥斯陆 ： 1992),105(6), 605-609. https://doi.org/10.1111/apa.13384