Khi một nhà nghiên cứu bác bỏ một giả thuyết không thực sự đúng và chấp nhận một giả thuyết không thực sự là sai, thì sai lầm Loại 1 và Loại 2 sẽ xảy ra. Có bốn tình huống có khả năng phát sinh trong quá trình chấp nhận hoặc bác bỏ giả thuyết vô hiệu. Trong số bốn tình huống có thể xảy ra, hai trường hợp đúng. Hai cách còn lại dẫn đến kết quả không chính xác và được gọi là lỗi trong thống kê.
Lỗi loại 1 so với lỗi loại 2
Sự khác biệt giữa sai lầm loại 1 và loại 2 là sai lầm loại 1 xảy ra khi một nhà nghiên cứu bác bỏ giả thuyết vô hiệu trong khi đó là thực tế đúng. Ngược lại với điều đó, lỗi loại 2 xảy ra khi nhà nghiên cứu đưa ra quyết định sai lầm khi chấp nhận giả thuyết vô hiệu vì nó sai trong thực tế. Tỷ lệ lỗi có thể xảy ra ở loại 1 được ký hiệu là alpha. Tỷ lệ lỗi có thể xảy ra ở loại 2 được biểu thị bằng beta.
Việc bác bỏ thực tế và chấp nhận thực tế sai lầm của nhà nghiên cứu là lỗi loại 1. Một lý do phổ biến dẫn đến lỗi loại 1 là nghiên cứu và kích thước mẫu không phù hợp. Nó còn được gọi là lỗi loại thứ nhất, việc nhà nghiên cứu chấp nhận thực tế sai lầm và bác bỏ thực tế là lỗi loại 2. Lỗi này dễ xảy ra khi kích thước mẫu không được xác định một cách thích hợp. Tỷ lệ lỗi này được ký hiệu bằng beta (một chữ cái Hy Lạp).
Bảng so sánh giữa lỗi loại 1 và loại 2
| Các thông số so sánh | Lỗi loại 1 | Lỗi loại 2 |
| Phán quyết | Có sự bác bỏ thực tế bởi nhà nghiên cứu. | Có sự chấp nhận thực tế của nhà nghiên cứu. |
| Thực tế | Tình huống luôn đúng trong trường hợp này. | Tình hình là sai trong trường hợp này. |
| Còn được gọi là | Lỗi của loại đầu tiên. | Lỗi của loại thứ hai. |
| Tần suất xảy ra | Xác suất xuất hiện là alpha. | Xác suất xảy ra là beta. |
| Phương pháp giảm | Giảm alpha. | Tăng bản beta. |
Lỗi Loại 1 là gì?
Một giả thuyết vô hiệu bị nhà nghiên cứu bác bỏ do lỗi loại 1, nhưng trên thực tế nó đúng. Nghiên cứu liên quan đến một quần thể nhất định được thực hiện để tìm ra liệu giả thuyết vô hiệu là đúng hay sai. Nhiều khi nghiên cứu này liên quan đến một thử nghiệm nhất định có thể bị hiểu sai, và đây là khi sai sót xảy ra.
Một trong những loại lỗi này được gọi là lỗi loại 1. Trong lỗi loại 1, giả thuyết vô hiệu thực sự đúng trong thực tế, nhưng nhà nghiên cứu có xu hướng bác bỏ nó. Lỗi này được gọi là lỗi alpha vì xác suất xảy ra lỗi này được biểu thị hoặc biểu diễn bằng ký hiệu tiếng Hy Lạp alpha.
Vì vậy, nếu nhà nghiên cứu đưa ra quyết định chính xác liên quan đến giả thuyết không sau khi thử nghiệm, thì xác suất của nó là 1 trừ alpha. Nói một cách dễ hiểu, có thể nói xác suất không xảy ra lỗi loại 1 là 1 trừ đi xác suất xuất hiện của nó (alpha).
Hãy lấy một ví dụ về lỗi loại 1; một sinh viên không đến căng tin vì nghĩ rằng nó đã đóng cửa. Anh ấy đi đến quyết định này sau một số nghiên cứu từ bạn bè của mình, nhưng trên thực tế, căng tin đang mở cửa. Trong tình huống này, cậu bé đang đưa ra quyết định bác bỏ giả thuyết vô hiệu, điều này thực sự đúng trong thực tế. Về mặt thống kê, đây được ghi nhận là lỗi loại 1.
Lỗi Loại 2 là gì?
Trong sai lầm loại 2, nhà nghiên cứu phạm phải sai lầm khi chấp nhận một giả thuyết vô hiệu. Trong trường hợp này, nhà nghiên cứu chấp nhận giả thuyết vô hiệu sau khi cuộc điều tra hoàn thành, mặc dù nó không đúng trên thực tế. Xác suất xảy ra lỗi này được coi là biểu thị bằng ký hiệu tiếng Hy Lạp là beta. Do đó, lỗi này còn được gọi là lỗi beta.
Xác suất không phạm phải lỗi này (lỗi loại 2) là 1 trừ đi xác suất xảy ra (beta). Beta một trừ này là trường hợp nhà nghiên cứu đưa ra quyết định chính xác, đó là sự bác bỏ giả thuyết. Nó được coi là sức mạnh của một bài kiểm tra. Có thể nói là xác suất không mắc lỗi loại 2.
Để giảm sự xuất hiện của thử nghiệm loại 2, người ta nên tăng công suất của thử nghiệm. Điều này có thể được thực hiện một cách thuận tiện bằng cách tăng kích thước mẫu.
Hãy lấy một ví dụ về lỗi loại 2; một sinh viên đi đến căng tin vì anh ta nghĩ rằng nó mở. Anh ấy đi đến quyết định này sau một số nghiên cứu từ bạn bè của mình, nhưng trên thực tế, căng tin đã đóng cửa. Trong tình huống này, cậu bé đang đưa ra quyết định chấp nhận giả thuyết vô hiệu, điều này thực tế là sai trong thực tế. Về mặt thống kê, đây được coi là lỗi loại 2.
Sự khác biệt chính giữa lỗi loại 1 và loại 2
Sự kết luận
Cả lỗi loại 1 và lỗi loại 2 đều có thể phạm phải khi nhà nghiên cứu đưa ra một quyết định sai lầm liên quan đến việc chấp nhận hoặc bác bỏ giả thuyết vô hiệu. Hai lỗi này chủ yếu xảy ra do nghiên cứu không chính xác và khoảng cách mẫu nhỏ. Nếu người ta phải biết lỗi nào trong số những lỗi này mang lại nhiều tổn thất hơn là rủi ro hơn, thì người ta cần phải phân tích giả thuyết vô hiệu.
Đã có những tuyên bố khác nhau về thực tế là điều tồi tệ hơn được cam kết giữa hai điều này. Các trang web và sách khác nhau cho rằng các lỗi khác nhau có nguy cơ cao hơn, nhưng nó không có kết quả chứng minh.
