为什么统计文献中没有那么强调II型错误？

我已经看到很多情况，在各种研究文章中都提到了类型I错误（用alpha值表示）。我发现很少有研究人员考虑到功效或II型错误。

II型错误可能是一件大事吧？当替代假设实际上是错误的时，我们意外地拒绝了它。为什么强调alpha值而不是强调beta值？

当我进行第一年的统计时，我从来没有学会过Beta版-仅Alpha版。我认为这两个错误应同等对待。但是，似乎只强调了alpha。

这是一个很好的问题。让我先澄清一下：

• 对于“ [t] ype II错误[显着]”（或对于I类错误而言），这实际上并不意味着任何。当然，错过一个真实的效果可能非常重要。
• 同样，我们通常不“接受原假设”。（有关更多信息，在这里阅读我的答案可能会有所帮助：为什么统计学家说不重要的结果意味着“您不能拒绝零值”而不是接受零值假设？）

我认为（不幸的）您是对的，对功率和II型错误的关注较少。虽然我认为生物医学研究的情况正在改善（例如，资助机构和IRB现在经常需要进行功率分析），但我认为有两个原因：

1. 我认为力量比简单的意义更难让人理解。（部分原因是它取决于许多未知因素，尤其是效果的大小，但还有其他因素）。
2. 大多数科学（即，除了物理和化学之外）数学化程度不高。结果，对于研究人员来说，很难知道应该给他们的理论“效应大小”（不仅仅是）。 $\ne0$
3. 传统上，科学家认为I型错误比II型错误更严重。

原因是我们根本不知道实际的II型错误率，而且我们永远也不会。它取决于我们通常不知道的参数。反过来，如果我们知道此参数，则无需进行统计检验。

但是，我们可以计划一个实验，以便在某些替代方案成立的情况下满足特定的II型错误率。这样，我们将选择一个不会浪费资源的样本数量：要么是因为测试最终并没有拒绝，要么是因为已经很小的样本数量就足以拒绝该假设。