The Importance of Type II Error in Hypothesis Testing
Notice bibliographique
Résumé
Statistical tests of significance theoretically deal with two mutually exclusive hypotheses: the null and the alternative. However, at least in biomedical assays, only the null hypothesis is taken into account through type I error evaluation. But, basing these tests solely on type I error has two drawbacks: first, the probability limits (5%, 1% and 0.1%) arbitrarily set to the significance levels have no scientific justification. Second, acceptation of the null hypothesis is just a matter of chance, as it is mainly conditioned by the sample size due to its direct effect on the power of the test. In this sense, while the alternative hypothesis should be accepted due to its higher likelihood, the inference based on type I error alone would lead erroneously to accepting the null one. A numerical example illustrates how considering type I error alone, a same difference was declared non-significant first but turned out to significant thereafter when the sample size was increased. Therefore, the same null hypothesis was initially accepted and rejected afterwards. However when type II error was included in the test, the same decision was adopted no matter what the sample size was. This was possible through a reformulation of the alternative hypothesis. On the other hand, type II error may, in many cases have more far-reaching consequences than type I, and then should never be ignored, especially in assays dealing with human health, food, toxicity, etc.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,589 | 0,797 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,007 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,033 |
| Communication savante | 0,015 | 0,013 |
| Science ouverte | 0,010 | 0,008 |
| Intégrité de la recherche | 0,015 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».