假设检验的统计实践不仅在统计学中广泛存在，而且在整个自然科学和社会科学中也广泛存在。当我们进行假设检验时，可能会出现一些问题。有两种错误是设计上无法避免的，我们必须意识到这些错误的存在。这些错误被称为I型和II型错误。什么是I型和II型错误，我们如何区分它们？简要地：

• 当我们拒绝一个真正的零假设时，就会发生I型错误
• 第二类错误发生在我们未能拒绝错误的零假设时

为了理解这些陈述，我们将探索这些类型错误背后的更多背景。

假设检验

假设检验的过程似乎因大量的检验统计数据而异。但一般过程是一样的。假设检验包括对无效假设的陈述和重要性水平的选择。无效假设为真或假，代表治疗或程序的默认声明。例如，在检查药物的有效性时，无效假设是药物对疾病没有影响。

在制定无效假设并选择显著性水平后，我们通过观察获得数据。统计计算告诉我们是否应该拒绝零假设。

在理想世界中，当无效假设为假时，我们总是拒绝它，当它确实为真时，我们不会拒绝它。但还有两种可能的情况，每种情况都会导致错误。

第一类错误

第一种可能的错误是拒绝一个实际为真的无效假设。这类错误称为I型错误，有时也称为第一类错误。

I型错误相当于误报。让我们回到药物治疗疾病的例子。如果我们拒绝这种情况下的无效假设，那么我们的主张是，这种药物实际上对一种疾病有一定的影响。但是，如果无效假设成立，那么，在现实中，药物根本无法对抗疾病。该药被谎称对某种疾病有积极作用。

I型错误可以控制。alpha值与我们选择的显著性水平相关，与I型错误有直接关系。Alpha是出现I型错误的最大概率。对于95%的置信水平，α值为0.05。这意味着有5%的概率我们会拒绝一个真正的零假设。从长远来看，我们在这个水平上进行的每二十个假设测试中就有一个会导致I型错误。

第二类错误

另一种可能的错误发生在我们不拒绝虚假的无效假设时。这类错误称为II类错误，也被称为第二类错误。

第二类错误相当于假阴性。如果我们再回想一下我们测试药物的场景，II型错误会是什么样子？如果我们承认该药物对某种疾病没有影响，那么就会出现II型错误，但事实上确实如此。

II类错误的概率由希腊字母beta表示。这个数字与假设检验的能力或敏感性有关，用1–beta表示。

如何避免错误

I型和II型错误是假设检验过程的一部分。虽然这些错误不能完全消除，但我们可以最小化一种类型的错误。

通常，当我们试图降低一种错误的概率时，另一种错误的概率会增加。我们可以将α值从0.05降低到0.01，对应于99%的置信水平。然而，如果其他一切都保持不变，那么II型错误的概率几乎总是会增加。

很多时候，我们假设检验的实际应用将决定我们是否更能接受I型或II型错误。这将在我们设计统计实验时使用。