在各个领域的历史中,很容易找到著名的 I 类错误例子。然而,我什至很难找到一个 II 型错误的明显例子。出于我的目的,我专门寻找一个示例:
- 可以在几分钟或更短的时间内轻松地向本科班描述
- 实际发生(而不是假设)
在各个领域的历史中,很容易找到著名的 I 类错误例子。然而,我什至很难找到一个 II 型错误的明显例子。出于我的目的,我专门寻找一个示例:
“显着性检验造成的危害”(pdf)涉及 3 个真实故事,其中不拒绝 null 而实际上是错误的(因此犯了第二类错误)已被解释为接受 null 并导致不良的一般利益决定. 以下是其中一个的简要摘要:
1937 年,加利福尼亚州开始在信号交叉口允许右转红灯(或 RTOR)的做法。
为了看看这是否可以推广到其他州,一位顾问在弗吉尼亚州的 20 个十字路口进行了前后研究,得出的结论非常正确,即这种变化在统计上并不显着。
随后发表了更多的研究。一个例子:1977 年的一项研究发现,在允许 RTOR 之前有 19 起涉及右转车辆的事故,在允许 RTOR 之后有 24 起,并且“正确地得出结论”这种事故增加在统计上不显着,因此不能说这种 RTOR 事故增加归因于 RTOR””。几项指向同一方向的小型研究均已发表,但在统计上没有显着意义的结果继续积累,所有结论都得出结论,碰撞事故没有显着差异。
“在 RTOR 在北美几乎普遍使用之后,几个大型数据集变得可用,并且可以确定 RTOR 的不利影响。”
作者总结:
研究人员获得了真实的数据,这些数据虽然嘈杂,但一次又一次地指向某个方向。然而,不是说:“这是我对安全效果的估计,这是它的精确度,这就是我发现的与以前的发现之间的关系”,数据由 NHST 处理,研究人员正确但毫无意义地说: “我不能确定安全效应不为零”。