假设检验是一种基本的统计工具，它首先假设零假设 H_0 为真。在此过程中，可能会发生两种类型的错误：I 类错误和 II 类错误。I 类错误是指错误地拒绝了真实的零假设，而 II 类错误是指未能拒绝错误的零假设。
在假设检验中，犯 I 类错误的概率（表示为 α）通常设置为 0.05。此一显著性水平表示有5%的可能性会错误地拒绝一个真实的零假设。相反，犯 II 类错误的概率（表示为 β）通常设置为 0.2 或更低，代表了期望的所需功效。研究功效（表示为 1 - β）反映了研究检测真实效应的能力，所需功效水平通常设置为 80% 或更高。
效应大小用 Δ 表示，它量化了假设检验中被比较的群体之间的差异大小。它有助于确定差异的实际意义，是解释研究结果的关键因素。
研究准确度和精密度是假设检验的重要评价指标。准确度是指测量值与真实值的接近程度，反映检验结果的正确性，表明不存在系统误差。
另一方面，精密度反映了结果的可重复性。它强调了在类似条件下获得的多次测量值之间的接近程度。高精度意味着重复测量之间的变异性较低，表明结果可靠且一致。
但需要注意的是，系统误差可能会引起偏差并导致不准确的结果。系统误差会导致与真实值的一致偏差，从而影响研究的有效性和可靠性。尽量减少或纠正此类误差对于确保研究结果的完整性至关重要。
了解假设检验和这些关键的评估指标可以帮助研究人员做出明智的决定，准确地解释结果，并从研究中得出有意义的结论。
来自章节 2:
Now Playing
2.6 : 假设检验的准确性和误差
Biostatistics: Introduction
150 Views
2.1 : 生物统计学：概述
Biostatistics: Introduction
201 Views
2.2 : 数据：类型和分布
Biostatistics: Introduction
636 Views
2.3 : 集中趋势：分析
Biostatistics: Introduction
124 Views
2.4 : 数据：变异性：分析
Biostatistics: Introduction
114 Views
2.5 : 统计假设检验
Biostatistics: Introduction
1.8K Views
2.7 : 分析参数数据的统计方法：方差分析
Biostatistics: Introduction
241 Views
2.8 : 分析参数数据的统计方法：方差分析
Biostatistics: Introduction
1.5K Views
2.9 : 假设检验中的统计推断技术：参数数据与非参数数据
Biostatistics: Introduction
95 Views
2.10 : 生物制药研究：临床研究要点
Biostatistics: Introduction
101 Views
版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。