Qu'est-ce qu'une erreur de type II?

Dans le test d'hypothèse statistique, une erreur de type II est une situation dans laquelle un test d'hypothèse ne parvient pas à rejeter l'hypothèse nulle qui est fausse. En d'autres termes, cela amène l'utilisateur à ne pas rejeter par erreur la fausse hypothèse nulle parce que le test n'a pas la puissance statistique pour détecter des preuves suffisantes pour l'hypothèse alternative. L'erreur de type II est également appelée faux négatif.

Erreur de type II

L'erreur de type II a une relation inverse avec la puissance d'un test statistique. Cela signifie que plus la puissance d'un test statistique est élevée, plus la probabilité de commettre une erreur de type II est faible. Le taux d'erreur de type II (c'est-à-dire la probabilité d'une erreur de type II) est mesuré par bêta (β) bêta Le bêta (β) d'un titre d'investissement (c'est-à-dire une action) est une mesure de sa volatilité des rendements par rapport à l'ensemble du marché. Il est utilisé comme mesure du risque et fait partie intégrante du modèle de tarification des immobilisations (CAPM). Une entreprise avec un bêta plus élevé présente un risque plus élevé et des rendements attendus plus élevés. tandis que la puissance statistique est mesurée par 1- β.

Comment éviter l'erreur de type II?

Comme pour l'erreur de type I, il n'est pas possible d'éliminer complètement l'erreur de type II d'un test d'hypothèse Test d'hypothèse Le test d'hypothèse est une méthode d'inférence statistique. Il est utilisé pour tester si une déclaration concernant un paramètre de population est correcte. Tests d'hypothèses . La seule option disponible est de minimiser la probabilité de commettre ce type d'erreur statistique. Puisqu'une erreur de type II est étroitement liée à la puissance d'un test statistique, la probabilité d'occurrence de l'erreur peut être minimisée en augmentant la puissance du test.

1. Augmentez la taille de l'échantillon

L'une des méthodes les plus simples pour augmenter la puissance du test consiste à augmenter la taille de l'échantillon utilisé dans un test. La taille de l'échantillon détermine principalement la quantité d'erreur d'échantillonnage, qui se traduit par la capacité de détecter les différences dans un test d'hypothèse. Une taille d'échantillon plus grande augmente les chances de saisir les différences dans les tests statistiques, ainsi que d'augmenter la puissance d'un test.

2. Augmentez le niveau de signification

Une autre méthode consiste à choisir un niveau de signification plus élevé. Par exemple, un chercheur peut choisir un niveau de signification de 0,10 au lieu du niveau généralement acceptable de 0,05. Le niveau de signification plus élevé implique une probabilité plus élevée de rejeter l'hypothèse nulle lorsqu'elle est vraie.

La probabilité plus élevée de rejeter l'hypothèse nulle diminue la probabilité de commettre une erreur de type II tandis que la probabilité de commettre une erreur de type I augmente. Ainsi, l'utilisateur doit toujours évaluer l'impact des erreurs de type I et de type II sur sa décision et déterminer le niveau approprié de signification statistique.

Exemple

Sam est un analyste financier Que fait un analyste financier Que fait un analyste financier? Rassemblez des données, organisez les informations, analysez les résultats, faites des prévisions et des projections, des recommandations, des modèles Excel, des rapports. Il exécute un test d'hypothèse pour découvrir s'il existe une différence dans les variations de prix moyennes des actions de grande et de petite capitalisation Russell 2000 Le Russell 2000 est un indice boursier qui suit la performance de 2000 actions américaines de petite capitalisation du Russell Indice 3000. L'indice Russell 2000 est largement cité comme référence pour les fonds communs de placement composés principalement d'actions de petite capitalisation. .

Dans le test, Sam suppose comme hypothèse nulle qu'il n'y a pas de différence dans les variations de prix moyennes entre les actions à grande et à petite capitalisation. Ainsi, son hypothèse alternative stipule qu'il existe une différence entre les changements de prix moyens.

Pour le niveau de signification, Sam choisit 5%. Cela signifie qu'il y a une probabilité de 5% que son test rejette l'hypothèse nulle alors qu'elle est réellement vraie.

Si le test de Sam entraîne une erreur de type II, les résultats du test indiqueront qu'il n'y a pas de différence dans les variations de prix moyennes entre les actions à grande et à petite capitalisation. Cependant, en réalité, il existe une différence dans les changements de prix moyens.

Plus de ressources

Finance est le fournisseur officiel du programme de certification FMVA® Global Financial Modeling & Valuation Analyst (FMVA) ™. . Pour continuer à apprendre et faire progresser votre carrière, les ressources financières supplémentaires ci-dessous vous seront utiles:

  • Erreur de type I Erreur de type I Dans les tests d'hypothèse statistique, une erreur de type I est essentiellement le rejet de l'hypothèse nulle vraie. L'erreur de type I est également connue sous le nom de faux
  • Probabilité conditionnelle Probabilité conditionnelle La probabilité conditionnelle est la probabilité qu'un événement se produise étant donné qu'un autre événement s'est déjà produit. Le concept est l'un des quintessenciels
  • Biais de cadrage Biais de cadrage Le biais de cadrage se produit lorsque les gens prennent une décision en fonction de la façon dont l'information est présentée, par opposition aux faits eux-mêmes. Les mêmes faits présentés de deux manières différentes peuvent conduire à des jugements ou des décisions différents de la part des personnes.
  • Événements mutuellement exclusifs Événements mutuellement exclusifs Dans les statistiques et la théorie des probabilités, deux événements s'excluent mutuellement s'ils ne peuvent pas se produire en même temps. L'exemple le plus simple d'exclusion mutuelle

Recommandé

Crackstreams a-t-il été fermé ?
2022
Le centre de commande MC est-il sûr ?
2022
Taliesin quitte-t-il un rôle critique?
2022