Błąd drugiego rodzaju

Błąd drugiego rodzaju – Błąd drugiego rodzaju podobnie jak błąd pierwszego rodzaju jest pojęciem związanym z weryfikacją hipotez. Błąd drugiego rodzaju polega jednak na nieprawidłowym odrzuceniu hipotezy zerowej. Jest ona nieprawdziwa (np. wynik testu jest istotny na poziomie p<0,05 i mówi o tym, że zachodzą istotne różnice w średnich) a my uznajemy, że jest prawdziwa trzymając się kurczowo przekonania, że nasze wyniki są dziełem przypadku.

Prawdopodobieństwo popełnienia błędu drugiego rodzaju wiąże się z tzw. mocą testu statystycznego i oznaczony jest mała grecką literą beta. Moc testu to po prostu 1 minus Beta. Warto pamiętać o tym, że błąd I i II rodzaju są ze sobą ściśle powiązane. Im łatwiej będziemy odrzucać hipotezę zerową tym większe ryzyko popełnienia błędu I rodzaju, ale mniejsze ryzyko popełnienia błędu II rodzaju. Z kolei jeśli będziemy bardziej restrykcyjni w poszukiwaniu dowodów na to, że hipoteza zerowa jest nieprawdziwa (nie będziemy jej tak łatwo odrzucać) to oczywiście spada prawdopodobieństwo popełnienia błędu I rodzaju, ale rośnie prawdopodobieństwo popełnienia II rodzaju czyli tzw. moc testu spada.

Krzywa ROC – Pole pod krzywą ROC informuje o jakości klasyfikatora. Pole pod krzywą ROC wynoszące 0,5 informuje o tym, że zbudowany model klasyfikacyjny wykonują swoją pracę nie lepiej i nie gorzej niż rzut monetą. Im pole bliżej 1 tym model jest trafniejszy w przewidywaniu kategorii klasyfikacji obserwacji. Krzywa ROC jest praktyczna i dzięki niej można porównywać różne modele klasyfikacyjne np. model regresji logistycznej z  modelem sieci neuronowej i drzewa decyzyjnego. Standardowo dla krzywej ROC są wyliczane statystyki błędu standardowego oraz dostępne jest ustawienie przedziałów ufności. Analizy krzywej ROC często używa się w biostatyce / statystyce medycznej / analizie ryzyka kredytowego by porównywać modele klasyfikacyjne.

Test T Kwadrat Hotellinga – Weryfikuje hipotezę o tym, że wszystkie średnie skali pomiarowej mają podobną wartość średnią. Współczynnik ten bardzo często używany jest w psychometrii.

Model połówkowy (analiza rzetelności) – Procedura ta dzieli skalę na dwie części. Po podziale jest wyliczana korelacja między połowami testu. Dane mogą być mierzone na skali dychotomicznej, porządkowej lub ilościowej. Dla modelu połówkowego jest wyliczana korelacja między połówkami oraz statystyka Alfa Cronbacha dla każdej z połówek. Wartości statystyk im są bliższe 1 tym pomiar skalami jest bardziej rzetelny.

Alfa Cronbacha (analiza rzetelności) – Jest to statystyka rzetelności oparta na wewnętrznej spójności odpowiedzi. Wyliczana jest ze średniej korelacji między pozycjami. Dane mogą być mierzone na skali dychotomicznej, porządkowej lub ilościowej.  Współczynnik Alfa przyjmuje wartości od 0 do 1. Jeden oznacza doskonałą skalę pomiarową. Współczynnik ten bardzo często używany jest w psychometrii w kontekście klasycznej teorii testów (KTT)

Więcej informacji na:

Współczynnik rzetelności Alfa Cronbacha
Alfa Cronbacha – psychometria

Klasyczna Teoria Testów KTT Psychometria

Analiza statystyczna do pracy doktorskiej

Rzetelność skali

Psychometria
Analiza statystyczna. Analiza czynnikowa – sposoby wykorzystania.

Biostatystyka – analiza statystyczna w medycynie