Skip to main content

Type 1 error dan Type 2 error


  • Tiada ujian hipotesis yang 100% pasti. Oleh sebab ujian di lakukan berdasarkan kebarangkalian, maka akan sentiasa wujud kemungkinan untuk membuat kesimpulan yang salah atau tidak tepat.
  • Terdapat dua jenis kesilapan yang mungkin di lakukan oleh penganalisa atau pengkaji iaitu type 1 dan type 2.
  • Kedua-dua jenis kesilapan tersebut adalah berkadar songsang dan di tentukan berdasar tahap signifikan(level of significance) serta kekuatan ujian ( power for the test) tersebut.
  • Oleh hal yang demikian, penganalisa perlu menentukan error atau kesilapan manakah yang bakal menatijahkan kesan yang lebih teruk dalam sesuatu situasi / eksperimen / ujikaji , sebelum mendifinisikan risiko.

 

Type I error

 

  • Apabila null / nul hipotesis adalah benar dan penganalisa menolak hipotesis tersebut, maka jenis kesilan tersebut adalah type 1 error.
  • Kebarangkalian untuk melakukan kesilapan jenis pertama atau type 1 error adalah α .
  • α juga adalah tahap signifikan atau level of significance pengkaji tetapkan untuk menguji hipotesis.
  • Sebagai contoh, jika pengkaji meletakkan α = 0.05, maka pengkaji sedia menerima 5% kemngkinan berlakunya kesilapan apabila menolak hipotesis null.
  • Jadi untuk merendahkan risiko seperti kesilapan, maka apa perlu dilakukan oleh pengkaji ialah merendahkan nilai α. Walaupun begitu, dengan merendahkan nilai α, keberkesanan sesuatu analisa itu mengesan perbezaan yang benar (true difference) turut berkurang.


Type II error

  • Apabila hipotesis null itu hakikatnya salah, dan pengkaji gagal untuk menolaknya selepas analisa, maka kesilapan itu di nama kesilan jenis 2 (type 2 error).
  • Kemungkinan (probability) untuk melakukan kesilapan jenis 2 di simbolikan dengan β.
  • β bergantung kepada kuasa ujian atau power of the test.
  • Bagi mengurangkan risiko membabitkan kesilapan jenis2 (type 2 error) adalah dengan memastikan ujian mempunyai kekuatan mencukupi (test has enough power).
  • Ini dapat di pastikan dengan memastikan sampel saiz adalah cukup besar supaya perbezaan secara praktikalnya, yang benar wujud dapa dikesan.
  • Kemungkinan (probablility) menolak hipotesis nul apabila hipotesis adalah salah, adalah bersamaan dengan 1 – β. Nilai ini di namakan ujian kekuatan ( the power of test).

 

 

 

Null hypothesis is true

Null hypothesis is false

Reject null hypothesis

Type 1 error

(false positive)

Correct outcome

(true positive)

Fail to reject null hypothesis

Correct outcome

(true negative)

Type 2 error

(false negative)

 



Labels:

Popular posts from this blog

G*Power Perisian Bagi Pengiraan Sampel Saiz.

Penggunaan Gpower kerap menekan kepada tiga langkah berikut: Memilih ujian statistik yang sesuai atau padan dengan masalah yang di kaji. Memilih di antara lima jenis analisis kuasa (power analysis) yang di sediakan. Sediakan parameter input yang di perlukan analasis dan klik pada “calculate” Pada Langkah 1, pendekatan yang digunakan untuk memilih ujian statistic (statistical test) adalah melalui dua pendekatan, iaitu distribution based atau design-based approach . Distribution-based approach to the test selection Melalui pendekatan distribution-based , pendekatan pertama adalah melihat pada kumpulan umum ujian statistik menggunakan '' Test family'' menu yang terdapat di window atau tingkap utama.   Ujian statitik ( Statistical test ) menu akan berubah mengikut pilihan di dalam '' Test family'' . Ujian-ujian yang ada akan selaras mengikut pada '' test family'' yang di pilih sahaja. Design-based approach to the test se
Read more

Ujian Analisa Sehala MANOVA

Perbezaan analisa ini dengan ANOVA adalah pembolehubah bersandarnya mempunyai lebih daripada satu . Manakala, pembolehubah bebas adalah sama seperti ANOVA yang mempunyai pelbagai kumpulan. Analisa sehala MANOVA juga mempunyai sarat ujian statistik di dalamnya dan tidak dapat memberi maklumat secara spesifik kumpulan yang berbeza signifikan di antara satu sama lain. Ujian ini hanya akan memberi maklumat sekurang-kurang dua kumpulan adalah berbeza. Oleh sebab, kebiasaan penggunaan analisa ini oleh pengkaji akan melibatkan tiga, empat atau lebih kumpulan. Oleh itu penggunaan ujian post-hoc adalah penting untuk mengetahui perbezaan kumpulan selebihnya itu. Bagi mendapat analisa yang sah dan berkualiti, beberapa andaian perlu di penuhi dahulu sebelum menggunakan analisa MANOVA. Pembolehubah bersandar mestilah dalam skala selang atau nisbah. Pembolehubah bebas a.k.a pembolehubah tidak bersandar mestilah mempunyai beberapa kumpulan yang bebas atau dengan kata lain dalam skala ordina
Read more

ANOVA vs MANOVA

Perbezaan utama di antara ANOVA dan MANOVA adalah jumlah bilangan pembolehubah bersandar ( dependent variable ). Walaupun begitu, jika terdapat pembolehubah bersandar lebih daripada satu, masih bukan masalah dan merupakan pilihan lain jika pengkaji mahu untuk menguji secara berasingan menggunakan analisa ANOVA bagi setiap pembolehubah bersandar itu. Jadi, kenapa perlu menggunakan pengiraan MANOVA ini berbanding beberapa analisa menggunakan ANOVA jika terdapat pembolehubah bersandar yang lebih daripada satu seperti dua, tiga atau empat pembolehubah bersandar? Terdapat dua sebab utama, MANOVA berpotensi menggantikan ANOVA dalam beberapa keadaan. Pertama melibatkan teori yang logik dan kedua melibatkan statistiknya. Sebagai contoh: Skormatematik + skorfizik + skorkimia sebagai fungsi kepada ( as a function of ) minuman tambahan ( tiga tahap / level ) Minuman tambahan, pembolehubah tidak bersandar atau bebas dengan tiga tahap ( levels ) : minuman kurma, minuman madu dan minuma
Read more