Błąd drugiego rodzaju – podobnie jak błąd pierwszego rodzaju – jest pojęciem związanym z weryfikacją hipotez statystycznych. Polega na nieodrzuceniu hipotezy zerowej mimo że w rzeczywistości jest ona fałszywa.  Błąd II rodzaju oznacza więc przeoczenie rzeczywiście istniejącego efektu, różnicy lub zależności. 

Przykładowo, w populacji mogą rzeczywiście występować różnice między dwiema grupami, ale przeprowadzony test statystyczny nie wykazuje ich jako istotnych. W takiej sytuacji nie mamy podstaw do odrzucenia hipotezy zerowej, mimo że w rzeczywistości różnica istnieje. Nie oznacza to jednak, że każdy wynik nieistotny statystycznie jest błędem II rodzaju – o błędzie możemy mówić tylko wtedy, gdy hipoteza zerowa jest faktycznie fałszywa.

Prawdopodobieństwo popełnienia błędu drugiego rodzaju oznacza się grecką literą β (beta). Jest ono bezpośrednio związane z mocą testu statystycznego:

Na ryzyko błędu II rodzaju wpływają między innymi wielkość próby, rzeczywista wielkość efektu, poziom istotności α oraz zmienność wyników. Mała próba lub niewielki efekt zwiększają ryzyko, że istniejąca zależność nie zostanie wykryta. Błędy I i II rodzaju są ze sobą powiązane. Przy pozostałych warunkach niezmienionych bardziej restrykcyjny poziom istotności zmniejsza ryzyko błędu I rodzaju, ale jednocześnie może zwiększać β i obniżać moc testu.  Dlatego brak istotności statystycznej nie powinien być automatycznie interpretowany jako dowód braku efektu. 

Nieco więcej na temat wyliczania mocy statystycznej możesz dowiedzieć się z naszego wpisu blogowego ➡️ Jak oszacować liczebność próby przy użyciu G*Power? 

Tabela wnioskowania