Type I and Type II Errors
In hypothesis testing, two types of errors can occur: Type I error (false positive, rejecting a true null hypothesis) and Type II error (false negative, failing to reject a false null hypothesis). Formalized by Neyman and Pearson (1933), these errors are at the heart of statistical decision-making. The probability of Type I error is controlled by the significance level α (conventionally 0.05); the probability of Type II error is β, and power = 1 − β. Understanding and balancing these errors is critical for designing robust, reliable research.
Εγγραφή πηγής
Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.
- Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society, 231, 289–337. · DOI 10.1098/rsta.1933.0009
- Altman, D. G., & Bland, J. M. (1994). Statistics notes: Diagnostic tests 1: sensitivity and specificity. BMJ, 308(6943), 1552. · DOI 10.1136/bmj.308.6943.1552
- Lehmann, E. L., & Romano, J. P. (2005). Testing Statistical Hypotheses (3rd ed.). Springer. · ISBN 0-387-98864-5
Επιμελημένοι ισχυρισμοί
Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.
Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.
Σχετικές μέθοδοι
Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.