Heading

タイプIとタイプIIのエラーとは何か？

By Saul McLeod, published July 04, 2019

統計的に有意な結果が出ても、研究仮説が正しいことを証明することはできません（100％の確実性を意味するからです）。 p値は確率に基づいているため、帰無仮説(H0)を受け入れるか否かについて誤った結論を下す可能性が常にあります。

統計学を用いて意思決定を行う際には、常に4つの可能な結果があり、2つは正しい決定、2つは誤りを表します。

これらの2種類の誤りを犯す可能性は反比例しており、つまり、I型の誤り率が減少するとII型の誤り率が増加し、その逆もまた然りです。

第1種の誤りは偽陽性としても知られており、研究者が真の帰無仮説を誤って棄却した場合に発生します。

第1種の過ちを犯す確率は、帰無仮説を棄却するp値であるアルファレベル(α)で表されます。

pの値を小さくすることで、第一種の過ちを犯すリスクを減らすことができます。

しかしながら、低い値のαを使用することは、真の差が存在する場合にそれを検出する可能性が低くなることを意味します (したがって、第 2 種の誤りを犯すリスクがあります)。

第二種の過誤は偽陰性としても知られており、研究者が本当は偽である帰無仮説を棄却できなかった場合に発生します。

第2種の過ちを犯す確率はβ（ベータ）と呼ばれ、これは統計的検定の検出力（検出力＝1-β）と関係しています。 検定に十分な検出力を持たせることで、第二種エラーを犯すリスクを減らすことができます。

タイプIのエラーを犯した結果、不必要な変更や介入が行われ、その結果、時間やリソースなどが浪費されることになります。

タイプIIのエラーは、一般的に、変化が必要なときに現状を維持することにつながります(つまり、介入は同じままです)。