Type I fejl og type II fejl: hvad er de, og hvad angiver de i statistikken?

Når vi forsker i psykologi, Inden for inferentiel statistik finder vi to vigtige begreber: type I fejl og type II fejl.. Disse opstår, når vi udfører hypotesetest med en nulhypotese og en alternativ hypotese.

I denne artikel vil vi se, hvad de præcist er, hvornår vi forpligter dem, hvordan vi beregner dem, og hvordan vi kan reducere dem.

• Relateret artikel: "Psykometri: at studere det menneskelige sind gennem data"

Parameter estimeringsmetoder

Inferentiel statistik er ansvarlig for at drage eller ekstrapolere konklusioner fra en population baseret på information fra en stikprøve. Det vil sige, at det giver os mulighed for at beskrive visse variabler, som vi ønsker at studere, på befolkningsniveau.

Inde i den finder vi parameter estimering metoder, hvis formål er at tilvejebringe metoder, der gør det muligt at bestemme (med en vis præcision) værdien af de parametre, som vi ønsker at analysere, fra et tilfældigt udvalg af den befolkning, vi er studerer.

Parameterestimering kan være af to typer: punktlig (når en enkelt værdi af parameteren estimeres ukendt) og efter intervaller (når der etableres et konfidensinterval, hvor parameteren ville "falde" en fremmede). Det er inden for denne anden type, estimeringen ved intervaller, hvor vi finder de begreber, vi analyserer i dag: type I fejl og type II fejl.

Type I fejl og type II fejl: hvad er de?

Type I fejl og type II fejl er typer af fejl, som vi kan begå, når vi i en undersøgelse er før formuleringen af ​​statistiske hypoteser (såsom nulhypotesen eller H0 og den alternative hypotese eller H1). Det vil sige, når vi udfører hypotesetest. Men for at forstå disse begreber må vi først kontekstualisere deres brug i intervalestimering.

Som vi har set, er estimeringen ved intervaller baseret på et kritisk område fra parameteren for nulhypotese (H0), som vi foreslår, såvel som i konfidensintervallet fra estimatoren af prøve.

Det vil sige, at målet er etablere et matematisk interval, hvor den parameter vi ønsker at studere ville falde. For at gøre dette skal der udføres en række trin.

1. Hypoteseformulering

Det første skridt er at formulere nulhypotesen og den alternative hypotese, som, som vi vil se, vil føre os til begreberne type I fejl og type II fejl.

1.1. Nulhypotese (H0)

Nulhypotesen (H0) er den hypotese, som forskeren foreslår, og som han foreløbigt accepterer som sand.. Du kan kun afvise det gennem en proces med forfalskning eller afvisning.

Normalt er det, man gør, at angive fraværet af effekt eller fraværet af forskelle (det ville f.eks. anføre, at: ”Der er ingen forskelle mellem kognitiv terapi og adfærdsterapi i behandlingen af angst").

1.2. Alternativ hypotese (H1)

Den alternative hypotese (H1) er på den anden side kandidaten til at erstatte eller erstatte nulhypotesen. Dette angiver normalt, at der er forskelle eller effekt (f.eks. "Der er forskelle mellem kognitiv terapi og adfærdsterapi i behandlingen af ​​angst").

• Du kan være interesseret i: "Cronbachs alfa (α): hvad det er, og hvordan det bruges i statistik"

2. Bestemmelse af signifikansniveau eller alfa (α)

Det andet trin i intervalestimering er bestemme signifikansniveauet eller alfa (α) niveauet. Dette indstilles af forskeren i begyndelsen af ​​processen; det er den maksimale sandsynlighed for fejl, som vi accepterer at begå, når vi forkaster nulhypotesen.

Det tager normalt små værdier, såsom 0,001, 0,01 eller 0,05. Med andre ord ville det være det maksimale "loft" eller den fejl, vi er villige til at begå som forskere. Når signifikansniveauet for eksempel er 0,05 (5%) værd, er konfidensniveauet 0,95 (95%), og de to summer til 1 (100%).

Når vi først har etableret betydningsniveauet, kan der opstå fire situationer: at to typer af fejl (og det er her type I fejl og type II fejl kommer ind), eller at der produceres to typer beslutninger korrekt. Det vil sige, de fire muligheder er:

2.1. Korrekt beslutning (1-α)

Det består i at acceptere, at nulhypotesen (H0) er sand. Det vil sige, at vi ikke afviser det, vi fastholder det, fordi det er sandt. Matematisk ville det blive beregnet som følger: 1-α (hvor α er type I fejl eller signifikansniveau).

2.2. Korrekt beslutning (1-β)

I dette tilfælde træffer vi også en korrekt beslutning; Det består i at forkaste nulhypotesen (H0) er falsk. Også kaldet power of test. Det beregnes: 1-β (hvor β er type II fejlen).

23. Type I fejl (α)

Type I-fejlen, også kaldet alfa (α), er begået ved at forkaste nulhypotesen (H0) er denne sand. Sandsynligheden for at lave en type I fejl er således α, som er det signifikansniveau, som vi har etableret for vores hypotesetest.

Hvis f.eks. det α, som vi havde fastslået, er 0,05, ville det indikere, at vi er villige til at acceptere en 5% sandsynlighed for at tage fejl, når vi forkaster nulhypotesen.

2.4. Type II fejl (β)

Type II- eller beta- (β)-fejlen opstår, når nulhypotesen (H0) accepteres, når den er falsk.. Det vil sige, at sandsynligheden for at begå en type II fejl er beta (β), og den afhænger af testens styrke (1-β).

For at reducere risikoen for at lave en type II fejl, kan vi vælge at sikre, at testen er tilstrækkeligt drevet. For at gøre dette skal vi sikre, at stikprøvestørrelsen er stor nok til at opdage en forskel, når den faktisk eksisterer.