Dalam pengujian hipotesis statistik, ralat jenis II adalah keadaan di mana ujian hipotesis gagal menolak hipotesis nol yang salah. Dengan kata lain, ini menyebabkan pengguna secara keliru tidak menolak hipotesis nol palsu kerana ujian tersebut tidak mempunyai kekuatan statistik untuk mengesan bukti yang mencukupi untuk hipotesis alternatif. Kesalahan jenis II juga dikenali sebagai negatif palsu.
Kesalahan jenis II mempunyai hubungan songsang dengan kekuatan ujian statistik. Ini bermaksud bahawa semakin tinggi kekuatan ujian statistik, semakin rendah kebarangkalian untuk melakukan kesalahan jenis II. Kadar ralat jenis II (iaitu kebarangkalian ralat jenis II) diukur dengan beta (β) Beta Beta (β) sekuriti pelaburan (iaitu saham) adalah ukuran turun naik pulangannya relatif terhadap seluruh pasaran. Ini digunakan sebagai ukuran risiko dan merupakan bahagian tidak terpisahkan dari Model Penetapan Aset Modal (CAPM). Syarikat dengan beta yang lebih tinggi mempunyai risiko yang lebih besar dan juga jangkaan pulangan yang lebih besar. sementara kekuatan statistik diukur dengan 1- β.
Bagaimana Mengelakkan Kesalahan Jenis II?
Sama seperti ralat jenis I, tidak mustahil untuk menghapuskan kesalahan tipe II sepenuhnya dari ujian hipotesis Pengujian hipotesis Ujian hipotesis adalah kaedah inferensi statistik. Ia digunakan untuk menguji apakah pernyataan mengenai parameter populasi betul. Ujian hipotesis. Satu-satunya pilihan yang ada adalah untuk mengurangkan kemungkinan melakukan kesalahan statistik jenis ini. Oleh kerana kesalahan jenis II berkait rapat dengan kekuatan ujian statistik, kebarangkalian berlakunya kesalahan dapat dikurangkan dengan meningkatkan kekuatan ujian.
1. Tingkatkan saiz sampel
Salah satu kaedah paling mudah untuk meningkatkan kekuatan ujian adalah dengan meningkatkan ukuran sampel yang digunakan dalam ujian. Saiz sampel terutamanya menentukan jumlah ralat persampelan, yang diterjemahkan ke dalam kemampuan untuk mengesan perbezaan dalam ujian hipotesis. Saiz sampel yang lebih besar meningkatkan peluang untuk menangkap perbezaan ujian statistik, dan juga meningkatkan kekuatan ujian.
2. Meningkatkan tahap kepentingan
Kaedah lain adalah memilih tahap kepentingan yang lebih tinggi. Sebagai contoh, penyelidik boleh memilih tahap kepentingan 0.10 dan bukannya tahap 0.05 yang biasa diterima. Tahap keertian yang lebih tinggi menunjukkan kebarangkalian yang lebih tinggi untuk menolak hipotesis nol apabila ia benar.
Kebarangkalian yang lebih besar untuk menolak hipotesis nol menurunkan kebarangkalian untuk melakukan kesalahan jenis II sementara kebarangkalian untuk melakukan kesalahan jenis I meningkat. Oleh itu, pengguna harus sentiasa menilai kesan kesilapan jenis I dan jenis II terhadap keputusan mereka dan menentukan tahap kepentingan statistik yang sesuai.
Contohnya
Sam adalah penganalisis kewangan Apa yang Dilakukan oleh Penganalisis Kewangan Apa yang dilakukan oleh penganalisis kewangan? Kumpulkan data, susun maklumat, analisis hasil, buat ramalan dan unjuran, cadangan, model Excel, laporan. Dia menjalankan ujian hipotesis untuk mengetahui sama ada terdapat perbezaan dalam perubahan harga rata-rata untuk saham berukuran besar dan kecil Russell 2000 Russell 2000 adalah indeks pasaran saham yang mengesan prestasi 2,000 saham topi kecil AS dari Russell 3000 indeks. Indeks Russell 2000 secara meluas disebut sebagai tanda aras untuk dana bersama yang terdiri terutamanya dari saham kecil. .
Dalam ujian tersebut, Sam menganggap sebagai hipotesis nol bahawa tidak ada perbezaan dalam perubahan harga rata-rata antara saham topi besar dan kecil. Oleh itu, hipotesis alternatifnya menyatakan bahawa perbezaan antara perubahan harga rata-rata memang ada.
Untuk tahap kepentingan, Sam memilih 5%. Ini bermaksud terdapat kemungkinan 5% bahawa ujiannya akan menolak hipotesis nol apabila ia benar.
Sekiranya ujian Sam mengalami ralat jenis II, maka hasil ujian akan menunjukkan bahawa tidak ada perbezaan dalam perubahan harga rata-rata antara saham topi besar dan kecil. Namun, pada hakikatnya, perbezaan dalam perubahan harga rata-rata memang ada.
Lebih Banyak Sumber
Finance adalah penyedia rasmi Pensijilan Pemodelan & Penilaian Kewangan global (FMVA) ™ Sertifikasi FMVA® Sertai 350,600+ pelajar yang bekerja untuk syarikat seperti program pensijilan Amazon, JP Morgan, dan Ferrari, yang direka untuk membantu sesiapa sahaja menjadi penganalisis kewangan bertaraf dunia . Untuk terus belajar dan memajukan kerjaya anda, sumber Kewangan tambahan di bawah akan berguna:
- Kesalahan Jenis I Kesalahan Jenis I Dalam pengujian hipotesis statistik, kesalahan jenis I pada dasarnya adalah penolakan hipotesis nol yang benar. Kesalahan jenis I juga dikenali sebagai salah
- Kebarangkalian Bersyarat Kebarangkalian Bersyarat Kebarangkalian Bersyarat adalah kebarangkalian kejadian berlaku memandangkan peristiwa lain sudah berlaku. Konsepnya adalah salah satu asas
- Framing Bias Framing Bias Framing bias berlaku apabila orang membuat keputusan berdasarkan cara penyampaian maklumat, berbanding hanya dengan fakta itu sendiri. Fakta yang sama yang dikemukakan dalam dua cara yang berbeza dapat membawa kepada penilaian atau keputusan yang berbeza dari orang.
- Acara Saling Eksklusif Acara Saling Eksklusif Dalam statistik dan teori kebarangkalian, dua peristiwa saling eksklusif jika tidak dapat berlaku pada masa yang sama. Contoh termudah yang saling eksklusif
