Fehler 1. und 2. Art

Fehler 1. und 2. Art sind die beiden Möglichkeiten, wie ein Hypothesentest zu einem falschen Ergebnis führen kann. Ein Fehler 1. Art ist ein falsch-positives Ergebnis – die Ablehnung einer wahren Nullhypothese und die Behauptung eines Effekts, der nicht vorhanden ist –, während ein Fehler 2. Art ein falsch-negatives Ergebnis ist – das Nichterkennen eines realen Effekts. Das Signifikanzniveau steuert die Rate der Fehler 1. Art, und das Komplement der Fehlerquote 2. Art ist die statistische Power, sodass die beiden Fehlertypen den Rahmen bilden, wie das Studiendesign die Risiken von Über- und Unteraussagen ausbalanciert.

Definition

Ein Fehler 1. Art ist die Ablehnung einer Nullhypothese, die tatsächlich wahr ist (ein falsch-positives Ergebnis), und tritt mit der Wahrscheinlichkeit Alpha auf; ein Fehler 2. Art ist das Nichtablehnen einer Nullhypothese, die tatsächlich falsch ist (ein falsch-negatives Ergebnis), und tritt mit der Wahrscheinlichkeit Beta auf.

Scope

Dieses Thema definiert die beiden Fehlertypen, verknüpft sie mit dem Signifikanzniveau (Alpha) und der Fehlerquote 2. Art (Beta) und erläutert den Kompromiss zwischen ihnen im Studiendesign. Es handelt sich um eine Referenzmethodik zur Bewertung und Planung von Studien, nicht um eine klinische Entscheidungsregel.

Core questions

• Was bedeutet es, eine falsch-positive versus eine falsch-negative Schlussfolgerung zu ziehen?
• Wie hängen das Signifikanzniveau und die Fehlerquote 2. Art mit diesen Fehlern zusammen?
• Warum kann die Senkung einer Fehlerquote die andere erhöhen?
• Wie beeinflusst die Stichprobengröße die Wahrscheinlichkeit jedes Fehlers?

Key concepts

• Fehler 1. Art (falsch-positiv)
• Fehler 2. Art (falsch-negativ)
• Signifikanzniveau (Alpha)
• Fehlerquote 2. Art (Beta)
• Power als 1 minus Beta
• Fehler-Kompromiss
• Multiples Testen und erhöhte falsch-positive Ergebnisse

Mechanisms

Im Neyman-Pearson-Schema wird ein Test durch die im Voraus festgelegte tolerierbare Fehlerquote 1. Art (Alpha, das Signifikanzniveau) konzipiert, welche festlegt, wie oft eine wahre Nullhypothese fälschlicherweise abgelehnt wird. Die Fehlerquote 2. Art (Beta) ist die Wahrscheinlichkeit, einen realen Effekt einer bestimmten Größe zu übersehen, und eins minus Beta ist die Power des Tests. Bei einer festen Stichprobengröße stehen die beiden Fehlerquoten in einem Kompromiss: Eine Verschärfung des Tests zur Reduzierung falsch-positiver Ergebnisse erhöht die Wahrscheinlichkeit falsch-negativer Ergebnisse und umgekehrt. Die Erhöhung der Stichprobengröße ist der Hauptweg, um beide gleichzeitig zu reduzieren. Das Testen vieler Hypothesen ohne Anpassung erhöht die Gesamtfehlerquote 1. Art, weshalb die Multiplizität ein wiederkehrendes Designproblem darstellt.

Clinical relevance

Diese Fehlertypen sind die Grundlage dafür, wie die Schlussfolgerungen von Studien und Beobachtungsstudien irreführend sein können: Ein falsch-positives Ergebnis kann eine ineffektive Intervention fördern, während ein falsch-negatives Ergebnis eine nützliche Intervention abtun kann. Die Überprüfung, ob eine Studie ihre Fehlerraten kontrolliert hat – und ob ein Nullergebnis lediglich eine geringe Power widerspiegelt – ist zentral für die Evidenzbewertung. Dieser Eintrag erklärt die inferenziellen Fehler und ist keine Grundlage für individuelle klinische Entscheidungen.

Evidence & guidelines

Methodologische Kommentare betonen, dass ein nicht-signifikantes Ergebnis kein Beweis für das Nichtvorhandensein eines Effekts ist, da unterpowerte Studien Fehler 2. Art wahrscheinlich machen; Altmans und Blands Anmerkung, dass das Fehlen von Evidenz kein Evidenz für das Fehlen ist, bringt dies direkt zum Ausdruck. Überprüfungen von unterpowerten Forschungsarbeiten, wie die Analyse von Button und Kollegen in der Neurowissenschaft, dokumentieren, wie geringe Power sowohl falsch-negative Ergebnisse erhöht als auch die Zuverlässigkeit signifikanter Ergebnisse reduziert.

History

Die Unterscheidung zwischen Fehlern der ersten und zweiten Art wurde von Neyman und Pearson in ihrer Formalisierung des Hypothesentests von 1933 eingeführt, die das Testdesign als Kontrolle dieser beiden Fehlerwahrscheinlichkeiten verstand. Die praktischen Konsequenzen – insbesondere die Gefahren des Fehlers 2. Art in kleinen Studien – wurden zu einem wiederkehrenden Thema in den methodologischen Kritiken der Gesundheits- und Verhaltensforschung des 20. und 21. Jahrhunderts.

Debates

Interpretation nicht-signifikanter Ergebnisse

Da unterpowerte Studien häufig Fehler 2. Art begehen, wird ein nicht-signifikantes Ergebnis oft fälschlicherweise als Nachweis für das Nichtvorhandensein eines Effekts interpretiert; Methodologen betonen, dass das Fehlen von Evidenz kein Evidenz für das Fehlen ist.

Key figures

• Jerzy Neyman
• Egon Pearson
• Douglas G. Altman
• J. Martin Bland
• John P. A. Ioannidis

Seminal works

• neyman-pearson-1933
• altman-bland-1995

Frequently asked questions

Was ist der Unterschied zwischen einem Fehler 1. Art und einem Fehler 2. Art?

Ein Fehler 1. Art ist ein falsch-positives Ergebnis – die Schlussfolgerung, dass ein Effekt vorhanden ist, obwohl keiner existiert – und ein Fehler 2. Art ist ein falsch-negatives Ergebnis – das Übersehen eines realen Effekts. Ihre Wahrscheinlichkeiten werden Alpha bzw. Beta genannt.

Warum kann ich nicht einfach beide Fehlerraten so klein wie möglich machen?

Bei einer festen Stichprobengröße stehen die beiden in einem Kompromiss: Eine Verschärfung des Tests zur Reduzierung falsch-positiver Ergebnisse erhöht die falsch-negativen Ergebnisse. Der Hauptweg, beide gleichzeitig zu reduzieren, ist die Vergrößerung der Stichprobe.