Az 1. típusú hiba a statisztikában a nullhipotézis elutasításaként határozható meg, amikor az valójában igaz. Az 1. típusú hibát hamis pozitív vagy alfa típusú hibának is nevezik.
Az 1-es típusú hiba elkövetése alapvetően tagad valamit, amikor az valóban igaz. Vegyük például annak tesztelésének helyzetét, hogy a közösségi hálózatokon végrehajtott marketingkampány növeli-e a fagylaltot egy vállalat számára egy nyári héten. A hipotézisek a következők lennének:
H0: Az értékesítés nem növekszik a nyári kampány miatt
H1: Az értékesítés növekedése a marketing kampány miatt
A vállalat webhelyének és a kampány után felkeresett oldalak forgalmának kiértékelése után a következőket észleljük:
- Növekszik ugyan a forgalom és a látogatások száma 50% -kal.
- 200% -kal nőtt a fagylalt értékesítés.
Ezen eredmények fényében arra lehet következtetni, hogy a reklámkampány eredményes volt, és az értékesítést növelő mellékhatással járt. Gondoljunk azonban arra, hogy azon a héten kánikula volt, amely 40 fok fölé emelte a hőmérsékletet.
Ez utóbbiak ismeretében figyelembe kellene vennünk a magas hőmérséklet tényezőjét, mint az eladások növekedésének okát. Ha ezt nem vesszük figyelembe, akkor elutasíthatnánk nullhipotézisünket, amikor ez igaz, vagyis azt gondolnánk, hogy kampányunk nagy sikert aratott, amikor a valóságban az értékesítés növekedésének oka az erős hőség volt. Ha erre a következtetésre jutnánk, akkor elutasítanánk a nullhipotézist, amikor az valójában igaz, és ezért elkövetünk egy 1. típusú hibát.
1. típusú hiba okai
Az 1. típusú hiba a kontraszt vagy az alfa jelentőségéhez kapcsolódik, az együtthatók becslésének hibájával, és a regresszió kiindulási feltételezéseinek 2 tipikus megsértése miatt fordulhat elő. Ezek:
- Feltételes heteroszkedaszticitás.
- A soros összefüggés.
A regresszió, amely a korábbi jogsértések bármelyikét bemutatta, alábecsülné az együtthatók hibáját. Ha ez megtörténik, akkor a t statisztika becslése nagyobb lenne, mint a tényleges t statisztika. A t statisztika ezen nagyobb értékei növelnék annak valószínűségét, hogy az érték az elutasítási zónába kerül.
Képzeljünk el 2 helyzetet.
1. helyzet (helytelen hibabecslés)
- Jelentőség: 5%
- Minta nagysága: 300 ember.
- Kritikus érték: 1,96
- B1: 1,5
- Együttható becslési hiba: 0,5
T = 1,5 / 0,5 = 3
Ily módon az érték az elutasítási zónába esne, és mi elutasítanánk a nullhipotézist.
2. helyzet (helyes hibabecslés)
- Jelentőség: 5%
- Minta nagysága: 300 ember.
- Kritikus érték: 1,96
- B1: 1,5
- Együttható becslési hiba: 1
T = 1,5 / 1 = 1,5
Ily módon az érték a nem elutasítási zónába esne, és nem utasítanánk el a hipotézist.
Az előző példák alapján az 1. helyzet, amelyben a hibát alábecsülik, a nullhipotézis elutasításához vezetne, bár valójában igaz, mivel ahogy a 2. helyzetben látjuk a helyesen becsült hibával, nem utasítanánk el a hipotézist igaz.