KNOWECON WIKI

ARTICLE

第二类错误

第二类错误 (Type II Error) 第二类错误是假设检验理论中与第一类错误并列的核心概念，指未能拒绝一个实际上错误的零假设（即"假阴性"或"漏报"）。其概率记为 。在统计学的Neyman-Pearson框架中，检验被构造为两类错误之间的显性权衡：控制第一类错误概率 的同时，最小化第二类错误概率 ，或等价地最大化统计功效 1- 。 统计决策的四格表 任

浏览 40 更新 2025-11-08

第二类错误 (Type II Error)

第二类错误是假设检验理论中与第一类错误并列的核心概念，指未能拒绝一个实际上错误的零假设（即"假阴性"或"漏报"）。其概率记为 β\beta。在统计学的Neyman-Pearson框架中，检验被构造为两类错误之间的显性权衡：控制第一类错误概率 α\alpha 的同时，最小化第二类错误概率 β\beta，或等价地最大化统计功效 1−β1-\beta。

统计决策的四格表

任何假设检验的结论与真实状态交叉产生四种可能：

  • 正确不拒绝：H0H_0 为真且未拒绝 H0H_0，概率为 1−α1-\alpha（置信度）。
  • 第一类错误：H0H_0 为真却被拒绝，概率为 α\alpha（假阳性）。
  • 第二类错误：H0H_0 为假却未拒绝，概率为 β\beta（假阴性）。
  • 正确拒绝：H0H_0 为假且被拒绝，概率为 1−β1-\beta（统计功效）。

以医学诊断为例：设 H0H_0 为"患者未患病"。第一类错误对应健康人被误诊为阳性，第二类错误对应患病者被漏诊为阴性。后者在重大疾病筛查中可能导致延误治疗的严重后果，因此在临床设计中通常被赋予更高权重。

影响 β\beta 的四个核心因素

第二类错误概率不由研究者直接设定，而是由以下因素内生决定：

显著性水平 α\alpha：在固定样本量下，α\alpha 与 β\beta 存在此消彼长的权衡。降低 α\alpha（使拒绝域变窄）会抬高拒绝门槛，自动增大 β\beta。这一 trade-off 是Neyman-Pearson引理的核心结论：最优检验应在给定 α\alpha 下最小化 β\beta。

样本量 nn：增大样本量是唯一能同时降低 α\alpha 和 β\beta 的手段。更大的 nn 缩减标准误，使检验统计量的分布更集中，从而在相同临界值下同时压缩两类错误的概率。

效应量 (Effect Size)：真实效应越大，β\beta 越小。例如，Cohen's d=0.8d = 0.8 的大效应比 d=0.2d = 0.2 的小效应更容易在相同样本量下被检测到。效应量是功效分析中的关键输入参数。

数据变异性 σ\sigma：总体方差越大，信号越容易被噪声淹没，β\beta 随之增大。这与信噪比的概念一致——低信噪比意味着检验区分 H0H_0 与 H1H_1 的能力下降。

β\beta 的计算与功效分析

给定 α\alpha 和一个具体的备择参数值 θ1≠θ0\theta_1 \neq \theta_0，β\beta 等于在 θ=θ1\theta = \theta_1 条件下检验统计量落入接受域的概率：

β=Pθ1(检验统计量<临界值)\beta = P_{\theta_1}\left( \text{检验统计量} < \text{临界值} \right)

以单样本 zz 检验为例，H0:μ=μ0H_0: \mu = \mu_0，H1:μ=μ1>μ0H_1: \mu = \mu_1 > \mu_0：

β=Φ(zα−(μ1−μ0)nσ)\beta = \Phi\left( z_{\alpha} - \frac{(\mu_1 - \mu_0)\sqrt{n}}{\sigma} \right)

其中 Φ\Phi 为标准正态CDF，zαz_{\alpha} 为上 α\alpha 分位点。该公式显式地揭示了 β\beta 如何随 nn 增大和效应量 (μ1−μ0)(\mu_1 - \mu_0) 增大而下降。

在实际研究设计中，研究者通常进行先验功效分析：预先设定 α\alpha（通常为0.05）、期望功效 1−β1-\beta（通常为0.80）和预估效应量，反算所需最小样本量。这一步骤已成为随机对照试验注册和基金申请的标配要求，旨在预防因样本不足导致的"无结果即无效应"的误判。

经济学与管理学中的第二类错误

在经济学的视角下，第二类错误可被理解为一种信息成本。当监管者设定过于严格的审批标准（低 α\alpha），虽减少了批准无效产品的风险，却增加了拒绝有效创新（如有效新药或有利政策）的概率。这本质上是两类错误的不对称成本问题：在某些情境下，第二类错误的代价远高于第一类错误。

例如，在反垄断执法中，第一类错误是误判合法竞争行为为垄断（导致过度干预），第二类错误是放任实际垄断行为（导致消费者福利损失）。不同的社会偏好决定了 α\alpha 和 β\beta 的最优配置。类似地，在A/B测试驱动的商业决策中，功效不足的实验可能导致企业错失显著的营收提升机会——每一轮低功效实验都是一项隐性沉没成本。

常见误区与报告规范

"不显著即无效应"是应用研究中最普遍的谬误之一。p>0.05p > 0.05 仅意味着数据不足以拒绝 H0H_0，而非证明 H0H_0 为真。这一混淆源于将"缺乏证据"等同于"证据缺乏"。此外，当多重检验未做校正时，第二类错误往往被第一类错误的膨胀问题所掩盖，导致研究者片面关注 α\alpha 而忽视 β\beta。

严谨的报告应同时披露效应量的点估计与置信区间、观测功效或后验功效分析结果，使读者能评估结论对第二类错误的稳健性。美国统计协会 (ASA) 在2016年关于 pp 值的声明中明确指出：单独的 pp 值不传递关于效应存在与否的完整信息，科学结论不应仅以是否跨越某一阈值为依据。