Słownik

Błąd pierwszego rodzaju

Błąd pierwszego rodzaju, zwany również błędem typu I, występuje w testowaniu hipotez statystycznych, gdy odrzucamy hipotezę zerową (“H0”), mimo że w rzeczywistości jest ona prawdziwa. Jest to konsekwencja przyjęcia ustalonego poziomu istotności (α), który określa dopuszczalne ryzyko popełnienia tego błędu. Innymi słowy jest to błąd, którego za wszelką cenę staramy się uniknąć gdyż jego nadmierne popełnianie sprawi, że zaczniemy tworzyć artefakty, przykładowo:

• Nauki medyczne: W badaniu klinicznym odrzucenie hipotezy zerowej, która zakłada brak skuteczności nowego leku, może prowadzić do uznania go za skuteczny, mimo że w rzeczywistości nie ma on żadnego efektu terapeutycznego.
• Psychologia: W eksperymencie badającym efekt manipulacji eksperymentalnej techniki autorytetu na ocenę produktu, błąd pierwszego rodzaju oznacza wyciągnięcie fałszywego wniosku, że wykorzystywanie techniki przynosi jakiś rzeczywisty efekt dla poprawy oceny produktu.

Najprostszym sposobem na uniknięcie błędu typu I jest obniżenie progu ustalonego poziomu istotności. Problemem jest tutaj jednak fakt, że błąd pierwszego rodzaju (α) pozostaje w stałym związku z błędem drugiego rodzaju (β), który wiąże się z przeoczeniem istniejącego efektu.  Zmniejszenie błędu α poprzez obniżenie poziomu istotności zazwyczaj zwiększa ryzyko błędu drugiego rodzaju. Optymalne wyważenie tych dwóch rodzajów błędów jest zatem kluczowe w projektowaniu badań, dlatego ważne jest określenie mocy testu np. za pomocą kalkulatora G-Power, którego obsługę wyjaśniamy tutaj.

Innym problemem błędu typu I jest fakt, że często naucza się iż wynik nieistotny statystycznie jest niewiele wart dla nauki, co prowadzić może do zjawiska p-hacking, które dotyczy manipulacji danymi w taki sposób, aby uzyskać wyniki istotne – przez co popełniany jest błąd pierwszego rodzaju.

Istnieje kilka strategii minimalizacji błędu pierwszego rodzaju

• Dostosowanie poziomu istotności do specyfiki badania (np. niższy poziom istotności w badaniach medycznych, wyższy w badaniach społecznych).
• Większa próba zmniejszaja ryzyko losowych błędów (ogranicza wpływ zmiennych zakłócających).
• Stosowanie metod korygujących próg istotności dla wielokrotnego testowania (testy typu post-hoc).

Poniższa tabela, pozwala zrozumieć relację między błędem I i II typu w kontekście hipotezy zerowej i alternatywnej.