Экспериментальное решение отношения ошибок

Мы могли бы проанализировать два основных понятия. Например, ANOVA с помощью двух тестов с несколькими выборками. Например, чтобы понять, следует ли отказаться от использования нулевой спекуляции или нет

H : μ ₁ = ₂ > = _{несколько}

Мы можем использовать три нулевые гипотезы:

• H ₀ : μ ₁ = _{относительно}
• H ₀ : ₂ = μ _{3 < /sub>}
• H _три : ₁ = ₃

Если какая-либо из этих нулевых гипотез будет отклонена, все нулевые гипотезы вредоносного ПО будут отклонены.

Обратите внимание на это, если вы установите Î ± =. Тогда 05 является глобальным значением альфа-собаки почти для трех частичных анализов 11, потому что 1 – – (1 Î ±) ^{или даже} = 1 – – (1,05) соответствует ³ 0,142525 Пример 6). Это означает, что вероятность, связанная с частым отклонением нулевой гипотезы, даже если она такова (ошибка первого рода), обычно составляет 14,2525%.

Для p групп вы должны иметь m = COMBIN (k, 2), чтобы продолжить эти тесты, чтобы в большинстве случаев окончательная окончательная альфа выглядела просто как 1 – (1 – Î ±) ^{m < /sup>, функциональное большое значение е, которое будет становиться все больше и больше по мере увеличения количества отсчетов. Например, если k = 6, то m равно 30, и вероятность обнаружения как минимум одного значимого t-критерия является чисто случайной, возможно, даже если нулевая гипотеза верна, обычно превышает 50%.}

Действительно, одним из положительных моментов использования дисперсионного анализа вместо того, чтобы пытаться избежать t-тестов, является уменьшение ошибки первого рода. Единственная проблема заключается в том, что после выполнения ANOVA, если никакие предположения не отвергнуты, конечно, вы действительно хотите иметь возможность выяснить, у каких групп есть дисперсия, которая тогда будет нерегулярной, поэтому вы определенно столкнетесь с головной болью.

Чтобы получить комбинированную частоту ошибок в зоне I (известную как экспериментальная доля ошибок или доля семьи) 0,05 в некоторых отдельных лабораторных тестах, вы должны установить каждый Альфа собаки к такому значению, как экспресс-человек – ( 1 – Î ±) ^пара = 0,05, т. е. ± указывает 1 – (1 – 0,05) ^{1 для каждого 3} = 0,016952. Как упоминалось в разделе «Статистическая мощность», это снижает электрическую энергию t-тестов пациентов для самых одинаковых размеров выборки. В случае, когда коэффициент ошибки типа эксперимента <. 05, эта частота ошибок считается консервативной. Если этот метод > 0,05, точная ошибка считается большой.

Существует два основных направления тестирования после дисперсионного анализа: расчетное (также называемое априорным) и незапланированное (также называемое любым видом апостериорного анализа или, возможно, даже постфактум). ). Запланированные пробные испытания определяются перед сбором данных, незапланированные тесты — сразу после сбора данных. Эти тесты имеют совершенно разные частоты ошибок версии I.

Например, предположим, что есть группы документов. Если для планового теста используется альфа-собака с повышенным значением 0,05, нулевая теория 1 и μ _dual являются их наименьшими средними значениями, кроме того μ ₄ – ₅ и ровно самый большой.