# 假设检验执行过程中的潜在误差

> AP 统计学 · AP 2024-2026 统计学
> 来源: https://www.owlsprep.com/zh/study/ap-statistics-u12-potential-errors-when-performing-tests/

本模块拆解第一类/第二类错误、检验功效及其在单比例z检验中的实际场景后果，完全匹配AP统计学的评分标准要求。

**先修:** [单比例z检验的搭建与显著性水平定义](https://www.owlsprep.com/zh/study/ap-statistics-u12-one-proportion-z-test-basics/); [总体比例的原假设与备择假设构建方法](https://www.owlsprep.com/zh/study/ap-statistics-u12-null-alternative-hypotheses/)

## 学习目标

- 区分单比例假设检验中的第一类错误与第二类错误
- 将第一类错误概率与预先设定的显著性水平α直接关联
- 识别所有会改变第二类错误概率和检验功效的影响因素
- 准确描述每类误差的实际场景后果，在AP考试评分标准中拿到全部分值

## 第一类错误的定义与概率

第一类错误仅发生在原假设事实上为真的场景下，但你的样本数据引导你错误地拒绝了它。该误差的最大允许概率由你预先选定的显著性水平设定，对于有效z检验而言，它与样本量无关。

**第一类错误** — 当目标总体的原假设完全正确时，错误得出存在统计显著证据支持备择假设的失误。

*记法:* \alpha

*例:* 错误拒绝「新疫苗不良反应率为5%」的原假设，而真实不良反应率恰好为5%。

**例题:** 某市卫生部门执行单比例z检验，验证自来水样本铅污染比例是否超过2%，显著性水平设为0.02。若真实污染率恰好为2%，发生第一类错误的概率是多少？

1. 步骤1：确认原假设为p=0.02，与给定的真实总体比例完全匹配。
2. 步骤2：回忆当H0为真时，第一类错误概率等于预先设定的显著性水平α。
3. 步骤3：错误拒绝真实原假设的概率为0.02。

> **考试提示:** AP阅卷官会对未结合题目给定测试场景的通用误差定义扣除全部分值。

## 第二类错误基础

第二类错误发生在原假设事实上为假的场景下，但你的样本数据没有提供足够证据来拒绝它。与第一类错误不同，它的概率不是检验的固定值，会随你对照检验的总体比例真实值发生变化。

**第二类错误** — 即使目标总体的原假设事实上不正确，也未能找到统计显著证据支持备择假设的失误。

*记法:* \beta

*例:* 未能检测到新应用将用户留存率提升了15%，而该留存率提升是真实存在的。

**例题:** 某咖啡店检验是否有超过40%的顾客愿意为植物奶额外付费，样本量n=80，α=0.05。真实愿意额外付费的顾客比例为47%。请描述该特定场景下第二类错误的表现。

1. 步骤1：写出假设：H0: p=0.4，Ha: p>0.4。
2. 步骤2：第二类错误意味着你没有拒绝原假设，即使它是假的。
3. 步骤3：该误差为「得出没有足够证据证明超过40%顾客愿意额外付费」的结论，而真实比例为47%。

> **info**
>
> 若真实总体比例非常接近原假设取值，第二类错误概率会远高于真实比例远离原假设取值的场景。

## 统计功效与影响因素

功效是假设检验的核心性能指标，衡量当真实效应存在时，你正确检测到它的概率。在其他条件完全一致的前提下，所有研究和测试场景都更偏好更高的功效。

- 提升显著性水平α会提高检验功效
- 增大样本量会降低标准误并提升功效
- 原假设比例与真实效应值的差距越大，功效越高
- 总体变异性越低，抽样噪声越小，功效越高

**例题:** 某市场研究员计算单比例检验的功效，发现当前功效仅为0.62。请列出三项可以独立调整以提升检验功效的操作。

1. 步骤1：第一项调整：增大样本量，降低标准误，让真实比例更容易与原假设取值区分开。
2. 步骤2：第二项调整：提升显著性水平α，降低拒绝H0的阈值，从而降低β。
3. 步骤3：第三项调整：设定更大的最小可检测差值，拉大原假设比例与真实比例的差距，让效应更容易被识别。

> **功效提升记忆口诀**
>
> SAN-D：样本量(Sample size)上升、显著性水平(Alpha)上升、差值(Difference/效应量)上升 = 功效上升

## AP考试误差表述最佳实践

**考试命令词**

几乎所有该考点的AP自由作答题都要求你在给定场景下描述误差，而不是仅背诵通用定义。

- **Describe a Type I error in this context** — 你必须引用题目中的特定总体参数、假设，以及该误差对应的实际后果 *(得出新餐厅违反卫生规范的结论，但实际上餐厅合规，导致餐厅被不公平关停。)*

- **Explain a disadvantage of Type II error here** — 你需要将漏检效应与题干中提到的相关方的实际损失关联起来 *(未能检测到某批次汽车安全气囊存在缺陷，导致驾驶员发生可避免的受伤事故。)*

**概念自测**

在继续学习前确认你的理解

1. 若你将α从0.05下调至0.01以降低第一类错误风险，其他所有条件保持不变，第二类错误概率会发生什么变化？

   - 上升
   - 下降
   - 保持不变
   - 降至0

   *解析:* 下调α会让拒绝H0的难度变大，因此你更有可能遗漏真实效应，使β上升。

## 常见错误

- **错误做法:** 脱离特定测试场景，通用化定义第一类/第二类错误
  - 原因: AP评分标准会对脱离场景的误差定义给出0分
  - 正确做法: 始终将误差与题目给定的假设、总体比例以及题干描述的实际后果绑定。
- **错误做法:** 声称第一类错误概率等于1-α
  - 原因: 1-α是置信区间的置信水平，不是第一类错误率
  - 正确做法: 第一类错误概率完全等于你预先设定的显著性水平α。
- **错误做法:** 声称第二类错误概率是检验的固定通用值
  - 原因: β会随真实总体比例与原假设取值的距离发生变化
  - 正确做法: 明确说明β取决于你评估的特定真实备择比例。
- **错误做法:** 忘记增大样本量可以同时优化α和β
  - 原因: 绝大多数调整会在α和β之间产生权衡，但更大的n可以降低标准误，同时优化两者
  - 正确做法: 将增大样本量识别为唯一不需要在α和β之间做权衡的干预方式。
- **错误做法:** 将功效混淆为原假设为真的概率
  - 原因: 功效是正确拒绝假H0的条件概率，不是衡量原假设成立可能性的指标
  - 正确做法: 始终表述为：功效=在H0为假的前提下拒绝H0的概率。

## 速查表

| 指标 | 符号 | 定义 | 对检验功效的影响 |
| --- | --- | --- | --- |
| 第一类错误概率 | \alpha | 拒绝真实原假设 | α越高=功效越高 |
| 第二类错误概率 | \beta | 未能拒绝假原假设 | β越低=功效越高 |
| 统计功效 | 1-\beta | 正确拒绝假原假设 | 直接定义为1减去β |
| 显著性水平 | \alpha | 预先设定的第一类错误最大阈值 | 上调可提升功效 |

## 下一步

掌握误差类型与检验功效是在AP统计学假设检验自由作答题（10分）拿到全部分值的关键，该题型几乎在每一套官方考试中都会出现。该知识点直接将你对单比例z检验的理解，关联到研究人员日常需要权衡的真实研究设计取舍，从临床试验安全性测试到民意调查分析都有应用。接下来你会将这些误差框架应用到双比例假设检验中，评估两个独立组总体比例对比时的误差风险，学习如何计算达到预先设定功效目标所需的最小样本量。

---

来自 [OwlsPrep](https://www.owlsprep.com) —— A-Level / IB / AP / IGCSE 免费学习指南，依据官方考纲编写。原页面：https://www.owlsprep.com/zh/study/ap-statistics-u12-potential-errors-when-performing-tests/