{
  "id": "type-i-and-type-ii-errors",
  "title": "第一类错误与第二类错误",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "第一类错误和第二类错误是统计假设检验对原假设作出错误判断的两种情形。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "Ⅰ型错误与Ⅱ型错误",
    "一类错误与二类错误",
    "弃真错误与取伪错误"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/type-i-and-type-ii-errors/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/type-i-and-type-ii-errors/",
      "json": "https://aiwiki.page/en/type-i-and-type-ii-errors.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "第一类错误和第二类错误是统计假设检验中两种可能的错误判断。第一类错误是指拒绝了实际为真的原假设；第二类错误是指未拒绝实际为假的原假设。这两类错误区分了误报与漏检，并为统计学在重复抽样条件下评估检验方法提供了框架。它们的概率描述的是检验方法在指定条件下的表现，而非某个具体的观测结论是否错误。(itl.nist.gov)"
    },
    {
      "heading": "判断与实际真伪",
      "text": "检验将原假设 \\(H_0\\) 与备择假设 \\(H_1\\) 进行对比。数据被归结为一个检验统计量，判断规则则规定哪些取值会导致拒绝原假设。假设实际为真还是为假，并不取决于检验作出的判断，因此会出现四种情形：(itl.nist.gov)\n\n实际情形 | 拒绝 \\(H_0\\) | 不拒绝 \\(H_0\\)\n\\(H_0\\) 为真 | 第一类错误 | 正确地不拒绝\n\\(H_0\\) 为假 | 正确地拒绝 | 第二类错误\n\n一般而言，使用“不拒绝”比“接受”更恰当：缺乏反对某个假设的充分证据，并不能证明该假设为真。例如，若 \\(H_0\\) 表示某制造过程的均值等于目标值，那么在均值确实等于目标值时拒绝该假设，就是第一类错误；未能检出实际存在的偏离，则是第二类错误。错误的分类取决于原假设如何表述。(itl.nist.gov)"
    },
    {
      "heading": "错误概率与统计功效",
      "text": "对于简单原假设，第一类错误的概率通常记为\n\n\\[\\alpha=P(\\text{拒绝 }H_0\\mid H_0\\text{ 为真}).\\]\n\n这是在原假设模型下计算的条件概率。检验的显著性水平是为这一概率指定的上限。对于包含多个可能参数值的复合原假设，水平为 \\(\\alpha\\) 的检验必须在原假设所包含的每个参数值处都满足这一上限要求。其实际的最大错误概率可能低于名义水平。(stat210a.berkeley.edu)\n\n在备择假设下的某个特定参数值 \\(\\theta\\) 处，第二类错误的概率为\n\n\\[\\beta(\\theta)=P_\\theta(\\text{不拒绝 }H_0).\\]\n\n相应的统计功效为\n\n\\[\\pi(\\theta)=1-\\beta(\\theta).\\]\n\n因此，功效就是检出某种指定的、偏离原假设的情形的概率。对于整个复合备择假设，通常不存在单一的第二类错误概率：真实的效应量不同，检出概率也不同。功效曲线描述了这种随参数值变化的关系。(itl.nist.gov)\n\n一般而言，\\(\\alpha\\) 和 \\(\\beta\\) 都不是在观察数据之后某个假设为真的概率。这样的理解颠倒了条件关系。为假设赋予概率属于另一类推断框架，例如贝叶斯推断，需要额外的模型设定。(amstat.org)"
    },
    {
      "heading": "权衡与研究设计",
      "text": "在数据模型、样本量和检验统计量固定的情况下，提高拒绝原假设的门槛，通常会减少第一类错误，同时增加第二类错误。例如，将显著性阈值从 0.05 降至 0.01，会缩小拒绝域，并降低针对同一备择假设的功效。这两类错误的概率并非互补关系，因为它们是在不同的实际情形下计算的。(itl.nist.gov)\n\n增大样本量可以在保持显著性水平不变的同时，降低第二类错误的概率。功效还取决于变异程度、效应大小，以及检验是单侧还是双侧。在实验设计中，计算样本量时需要指定所关注的备择情形，以及可接受的第一类错误概率上限和期望达到的功效。效应越大、方差越小，通常就越容易检出。(online.stat.psu.edu)"
    },
    {
      "heading": "正态总体均值的例子",
      "text": "假设 \\(X_1,\\ldots,X_n\\) 是来自正态分布的相互独立的观测值，该分布的均值为 \\(\\mu\\)，已知标准差为 \\(\\sigma\\)。考虑检验 \\(H_0:\\mu=\\mu_0\\)，备择假设为 \\(H_1:\\mu>\\mu_0\\)。利用样本均值 \\(\\bar X\\)，定义\n\n\\[Z=\\frac{\\bar X-\\mu_0}{\\sigma/\\sqrt n}.\\]\n\n分母是均值的标准误。在 \\(H_0\\) 成立时，该统计量的抽样分布为标准正态分布，因此，当 \\(Z>z_{1-\\alpha}\\) 时拒绝原假设，可使第一类错误的概率等于 \\(\\alpha\\)。(online.stat.psu.edu)\n\n当真实均值为 \\(\\mu_1>\\mu_0\\) 时，\n\n\\[\\beta(\\mu_1)= \\Phi\\!\\left( z_{1-\\alpha}-\\frac{\\sqrt n(\\mu_1-\\mu_0)}{\\sigma} \\right),\\]\n\n其中，\\(\\Phi\\) 是标准正态分布的累积分布函数。这个公式表明，增大 \\(n\\)、增大均值差或减小 \\(\\sigma\\)，都能减少漏检。当 \\(\\alpha=0.05\\)，且均值差等于三个标准误时，计算得到的第二类错误概率约为 0.088，相应的功效约为 0.912。(online.stat.psu.edu)"
    },
    {
      "heading": "结果解读与多重检验",
      "text": "P值描述观测到的统计量与指定的原假设模型有多大程度的不相容。它并不是结果属于第一类错误的概率。同样，结果不显著也不能证明效应不存在。置信区间可以表明哪些效应大小仍与数据相容；对于相互对应的区间估计和检验方法，假设值不在置信区间内，就对应于相关检验拒绝该假设。仅凭统计显著性无法衡量实际重要性。(amstat.org)\n\n在多重检验中，分别控制每项检验，并不一定能控制整组检验中至少发生一次错误拒绝的概率。邦费罗尼校正通过将 \\(m\\) 个假设中的每一个都按 \\(\\alpha/m\\) 的显著性水平进行检验，来控制这种族错误概率。这一更严格的阈值可能降低针对各个备择假设的功效，体现了在更大范围内同样存在的误报与漏检之间的权衡。(online.stat.psu.edu)"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "null-hypothesis",
    "statistics",
    "alternative-hypothesis",
    "test-statistic",
    "conditional-probability",
    "significance-level",
    "statistical-power",
    "probability",
    "effect-size",
    "bayesian-inference",
    "experimental-design",
    "variance",
    "normal-distribution",
    "standard-deviation",
    "sample-mean",
    "standard-error",
    "sampling-distribution",
    "cumulative-distribution-function",
    "p-value",
    "confidence-interval",
    "multiple-testing",
    "bonferroni-correction"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/eda/section3/eda35.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/eda/section3/eda35.htm"
    },
    {
      "title": "stat210a.berkeley.edu/fall-2024/reader/hypothesis-testing.html",
      "url": "https://stat210a.berkeley.edu/fall-2024/reader/hypothesis-testing.html"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc13.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc13.htm"
    },
    {
      "title": "amstat.org/asa/files/pdfs/P-ValueStatement.pdf",
      "url": "https://www.amstat.org/asa/files/pdfs/P-ValueStatement.pdf?trk=public_post_comment-text"
    },
    {
      "title": "online.stat.psu.edu/stat507/Lesson10",
      "url": "https://online.stat.psu.edu/stat507/Lesson10"
    },
    {
      "title": "online.stat.psu.edu/statprogram/reviews/statistical-concepts/power-analysis",
      "url": "https://online.stat.psu.edu/statprogram/reviews/statistical-concepts/power-analysis"
    },
    {
      "title": "online.stat.psu.edu/stat555/node/58/",
      "url": "https://online.stat.psu.edu/stat555/node/58/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}