Tyypin I virhe ja tyypin II virhe: mitä ne ovat ja mitä ne osoittavat tilastoissa?

Kun teemme tutkimusta psykologiasta, Päättelytilastoista löytyy kaksi tärkeää käsitettä: tyypin I virhe ja tyypin II virhe.. Nämä syntyvät, kun suoritamme hypoteesitestejä nollahypoteesilla ja vaihtoehtoisella hypoteesilla.

Tässä artikkelissa näemme, mitä ne tarkalleen ovat, milloin sitoudumme niihin, miten laskemme ne ja kuinka voimme vähentää niitä.

• Aiheeseen liittyvä artikkeli: "Psykometria: ihmismielen tutkiminen tiedon avulla"

Parametrien estimointimenetelmät

Päätelmätilastot ovat vastuussa johtopäätösten tekemisestä tai ekstrapoloimisesta populaatiosta otoksen tietojen perusteella. Toisin sanoen sen avulla voimme kuvata tiettyjä muuttujia, joita haluamme tutkia, populaatiotasolla.

Sen sisältä löydämme parametrien estimointimenetelmät, jonka tavoitteena on tarjota menetelmiä, joiden avulla voidaan määrittää (jollakin tarkkuudella) arvo parametrit, joita haluamme analysoida, satunnaisotoksesta populaatiosta, jota olemme opiskelu.

Parametrien estimointi voi olla kahta tyyppiä: täsmällinen (kun parametrin yksittäinen arvo arvioidaan tuntematon) ja aikavälein (kun määritetään luottamusväli, johon parametri "putoaisi" muukalainen). Tästä toisesta tyypistä, estimoinnista intervalleilla, löydämme käsitteet, joita analysoimme tänään: tyypin I virhe ja tyypin II virhe.

Tyypin I virhe ja tyypin II virhe: mitä ne ovat?

Tyypin I virhe ja tyypin II virhe ovat virheet, joita voimme tehdä, kun tutkimuksessa olemme ennen tilastollisten hypoteesien muotoilua (kuten nollahypoteesi tai H0 ja vaihtoehtoinen hypoteesi tai H1). Eli kun suoritamme hypoteesitestejä. Mutta ymmärtääksemme nämä käsitteet, meidän on ensin suhteutettava niiden käyttö intervallien arvioinnissa.

Kuten olemme nähneet, estimointi intervalleilla perustuu kriittiseen alueeseen parametrin parametrista ehdottamamme nollahypoteesi (H0) sekä estimaattorin luottamusväli näyte.

Eli tavoite on määritä matemaattinen väli, johon tutkittava parametri putoaisi. Tätä varten on suoritettava sarja vaiheita.

1. Hypoteesin muotoilu

Ensimmäinen askel on muotoilla nollahypoteesi ja vaihtoehtoinen hypoteesi, jotka, kuten näemme, johtavat tyypin I virheen ja tyypin II virheen käsitteisiin.

1.1. Nollahypoteesi (H0)

Nollahypoteesi (H0) on hypoteesi, jonka tutkija ehdottaa ja jonka hän alustavasti hyväksyy todeksi.. Voit hylätä sen vain väärentämisen tai kumoamisen kautta.

Yleensä se, mitä tehdään, on ilmoittaa vaikutuksen puuttuminen tai erojen puuttuminen (esimerkiksi se olisi toteavat, että: "Kognitiivisen terapian ja käyttäytymisterapian välillä ei ole eroja hoidossa ahdistus").

1.2. Vaihtoehtoinen hypoteesi (H1)

Vaihtoehtoinen hypoteesi (H1) puolestaan ​​​​on ehdokas syrjäyttää tai korvata nollahypoteesin. Tämä yleensä kertoo, että eroja tai vaikutuksia on olemassa (esimerkiksi "Kognitiivisen terapian ja käyttäytymisterapian välillä on eroja ahdistuksen hoidossa").

• Saatat olla kiinnostunut: "Cronbachin alfa (α): mikä se on ja miten sitä käytetään tilastoissa"

2. Merkitystason tai alfan (α) määrittäminen

Intervalliarvioinnin toinen vaihe on määrittää merkitsevyystason tai alfa-tason (α).. Tämän määrittää tutkija prosessin alussa; se on suurin virheen todennäköisyys, jonka hyväksymme tehdessämme nollahypoteesin hylkäämisen yhteydessä.

Se ottaa yleensä pieniä arvoja, kuten 0,001, 0,01 tai 0,05. Toisin sanoen se olisi suurin "katto" tai virhe, jonka olemme valmiita tekemään tutkijoina. Kun merkitsevyystason arvo on esimerkiksi 0,05 (5 %), luottamustaso on 0,95 (95 %), ja nämä kaksi laskevat yhteen 1 (100 %).

Kun olemme määrittäneet merkityksellisyyden tason, voi esiintyä neljä tilannetta: että kaksi tyyppiä virheitä (ja tässä tulevat esiin tyypin I virhe ja tyypin II virhe), tai että syntyy kahdenlaisia ​​päätöksiä oikea. Eli neljä vaihtoehtoa ovat:

2.1. Oikea päätös (1-α)

Se koostuu nollahypoteesin (H0) hyväksymisestä tämän olevan totta. Toisin sanoen emme hylkää sitä, vaan pidämme kiinni siitä, koska se on totta. Matemaattisesti se laskettaisiin seuraavasti: 1-α (jossa α on tyypin I virhe tai merkitsevyystaso).

2.2. Oikea päätös (1-β)

Tässä tapauksessa teemme myös oikean päätöksen; Se koostuu nollahypoteesin (H0) hylkäämisestä epätosi. Kutsutaan myös testivoimaksi. Se lasketaan: 1-β (jossa β on tyypin II virhe).

23. Tyypin I virhe (α)

Tyypin I virhe, jota kutsutaan myös alfaksi (α), on tehty hylkäämällä nollahypoteesi (H0), joka on totta. Siten tyypin I virheen tekemisen todennäköisyys on α, joka on hypoteesitestillemme määrittämämme merkitsevyystaso.

Jos esimerkiksi määrittämämme α on 0,05, tämä osoittaisi, että olemme valmiita hyväksymään 5 %:n todennäköisyyden olla väärässä, kun hylkäämme nollahypoteesin.

2.4. Tyypin II virhe (β)

Tyypin II tai beta (β) virhe tehdään, kun hyväksytään nollahypoteesi (H0), kun se on epätosi.. Toisin sanoen tyypin II virheen tekemisen todennäköisyys on beeta (β), ja se riippuu testin tehosta (1-β).

Vähentääksemme tyypin II virheen riskiä voimme varmistaa, että testi on riittävän tehokas. Tätä varten meidän on varmistettava, että otoskoko on riittävän suuri eron havaitsemiseksi, kun se todella on olemassa.