取伪

取伪 (Type II Error)

取伪（Type II Error，又称第二类错误或β错误）是统计学假设检验中的核心概念，指当原假设（Null Hypothesis，记为$H_0$）事实上为假时，检验却未能拒绝原假设的错误决策。换句话说，取伪就是放跑了真实的效应或差异，错误地将一个本应被发现的信号当作噪声忽略。与之对应的概念是弃真（Type I Error，第一类错误或α错误），即原假设为真时却被错误拒绝。在内曼-皮尔逊引理（Neyman-Pearson Lemma）所奠定的经典假设检验框架中，这两类错误构成了检验决策风险的完整图景。

取伪与假设检验的逻辑结构

在假设检验框架中，决策者面临四种可能的结果：若$H_0$为真且检验未拒绝$H_0$，则决策正确；若$H_0$为真但检验拒绝$H_0$，则犯弃真错误；若$H_0$为假且检验拒绝了$H_0$，同样决策正确；若$H_0$为假但检验未拒绝$H_0$，则犯取伪错误。

取伪概率通常记为$\beta$，其补集$1-\beta$被称为检验的功效（Power），即当$H_0$确实为假时，检验能够成功拒绝它的概率。功效反映的是统计检验发现真实效应的灵敏度，是实验设计和样本量计算中最关键的参数之一。

α-β 的权衡

在样本量固定的前提下，弃真概率$\alpha$（显著性水平）与取伪概率$\beta$之间存在此消彼长的权衡关系（Trade-off）。降低显著性水平（如从$\alpha=0.05$降至$\alpha=0.01$）意味着提高拒绝门槛，结果更保守，降低了弃真的风险，但同时也增加了取伪的风险——即更容易放过真实存在的效应。

这种权衡可以通过ROC曲线（Receiver Operating Characteristic Curve，受试者工作特征曲线）来刻画：横轴为$\alpha$，纵轴为$1-\beta$（功效），曲线展示了在各种拒绝阈值下检验的判别能力。理想的检验应使ROC曲线尽可能靠近左上角，即在控制$\alpha$的前提下最大化功效。信号检测理论（Signal Detection Theory）为这一权衡提供了统一的分析语言。

突破$\alpha$-$\beta$权衡的唯一途径是增加样本量。样本量越大，估计的标准误越小，中心极限定理保证的抽样分布越集中，从而在给定$\alpha$水平下能同时降低$\beta$，提升功效。这也是临床医学试验、经济学实证研究和A/B测试中功效分析（Power Analysis）作为样本量规划核心工具的根本原因。

影响取伪概率的因素

取伪概率$\beta$并非恒定，而是取决于多个因素的共同作用。

效应量（Effect Size）是最关键的驱动因素。效应量越大，备择假设与原假设的分布重叠区域越小，越容易被区分，取伪概率越低。效应量极小的情况下，即使真实效应存在，也需要极大的样本量才能以足够的功效捕捉到它。这也是为什么在经济计量学中，研究者应同时报告统计显著性和经济显著性——一个微小到缺乏实际意义的效应，即使统计显著，也并不令人信服；而一个理论上重要的效应若因功效不足而未被检出（取伪），则可能造成研究资源的浪费和错误的理论推断。

样本量$n$越大，抽样分布越集中，$\beta$越小。数据的方差$\sigma^2$越大，信号被噪声淹没的程度越高，$\beta$越大。显著性水平$\alpha$越严格，$\beta$越大，这就是前述权衡。此外，采用单侧检验或双侧检验也会影响功效：在效应方向明确且正确设定的情况下，单侧检验的功效高于双侧检验，但若效应实际方向与预设相反，单侧检验会完全丧失检测能力。

经济学与政策评估中的取伪

在经济学实证研究，特别是因果推断与政策评估中，取伪的后果可能极为严重。若一项政策的真实效果为正面（原假设为无效果），但因功效不足被错误地接受为"无显著效果"，则可能导致一项本来有效的政策被搁置，造成巨大的社会福利损失。

例如，在使用双重差分法（Difference-in-Differences）或断点回归设计（Regression Discontinuity Design）评估劳动力市场政策效果时，如果处理组的样本量过小或效应本身较为温和，取伪风险就会上升。同理，在随机对照试验（RCT）的设计阶段，事前进行的功效计算（通常要求功效$1-\beta \geq 0.80$）是确保研究不致徒劳无获的底线标准。元分析（Meta-Analysis）通过汇总多个小样本研究来提升总体样本量和统计功效，正是对取伪问题的系统性回应。

取伪与多重检验问题

当研究人员同时进行多个假设检验时，取伪概率的分析变得更加复杂。多重比较校正方法（如Bonferroni校正、Holm-Bonferroni方法或控制错误发现率的Benjamini-Hochberg方法）侧重于控制弃真概率（家族误差率或错误发现率），但这些校正不可避免地在控制$\alpha$的同时推高了$\beta$，即增加了取伪风险。这是科学研究可重复性危机讨论中的核心张力之一：过于保守的多重检验修正可能使真实存在的效应湮没在噪声之中。

与取伪相关的进阶概念

在决策理论框架下，取伪与弃真被赋予了具体的损失函数，贝叶斯决策理论通过结合先验信息和数据似然得到后验分布，以期望损失最小化为准则选择最优决策，从而统一处理两类错误的成本。

在机器学习领域的统计检验中，取伪的概念与召回率（Recall）有直接的数学对应——低功效对应低召回率，即模型遗漏了太多正例。理解取伪也因此成为连接经典统计学与现代数据科学的桥梁概念之一。