Mengapa kesalahan Tipe-II dalam pengujian hipotesis dianggap sebagai kesalahan?

Saya membaca tentang kesalahan keputusan dalam pengujian hipotesis. Pertanyaan saya adalah mengapa kesalahan "Tipe-II" dianggap sebagai kesalahan? Dari apa yang saya mengerti, itu muncul ketika kita gagal menolak hipotesis nol yang salah. Ketika kita gagal menolak hipotesis nol, itu berarti kita tidak memiliki bukti kuat untuk menolaknya. Kami tidak membuat komentar tentang mana dari dua hipotesis yang benar (atau salah) —mungkin keduanya benar. Kami tidak mengatakan bahwa hipotesis nol itu benar. Karena itu, mengapa kesimpulan seperti itu disebut kesalahan?

Itu karena kita tidak melakukan apa yang seharusnya kita lakukan ketika hipotesis alternatif itu benar. Misalnya, kami tidak menggunakan obat baru yang sebenarnya lebih baik daripada yang sudah ada tetapi kami tidak dapat membuktikannya.

Bagaimana kita ingin menggunakan kata "kesalahan" pada akhirnya merupakan masalah semantik dan orang-orang yang beralasan dapat tidak setuju pada apakah, dan dalam arti apa, kita harus menganggap negatif palsu sebagai kesalahan .

• Di satu sisi, saya pikir Anda benar bahwa hasil yang tidak signifikan benar-benar berarti bahwa kami tidak memiliki cukup informasi untuk yakin bahwa hipotesis nol itu salah, dan bahwa ini tidak secara logis menyiratkan bahwa hipotesis nol itu benar ( lih., Mengapa ahli statistik mengatakan hasil yang tidak signifikan berarti "Anda tidak dapat menolak nol" sebagai lawan menerima hipotesis nol? ). Jadi, mengingat tingkat kepercayaan yang Anda butuhkan dalam situasi Anda dan tingkat ambiguitas dalam data Anda, Anda membuat keputusan yang tepat dalam arti menerapkan aturan yang telah Anda putuskan dengan benar.
• Di sisi lain, jika Anda menempatkan diri pada posisi seseorang yang sedang merencanakan studi. Mereka ingin tahu apakah nol itu salah. Jika itu benar-benar salah, mereka ingin pergi setelah penelitian selesai setelah menolak hipotesis nol. Sebaliknya, mereka akan tetap tidak jelas tentang masalah ini dan mungkin harus merancang dan menjalankan studi lain. Dari perspektif ini, tidak menolak null palsu jelas merupakan hasil yang kurang optimal.

Kata 'gagal' dekat dengan 'kesalahan'.

Bagi saya istilah error masuk akal karena Anda dapat menghitung probabilitas terjadinya (asalkan Anda menetapkan ukuran efek minimal tertentu yang ingin dideteksi). Dan Anda ingin menghitung probabilitas ini dalam situasi di mana Anda ingin menjadi kecil. Dalam situasi itu kegagalan akan dianggap sebagai kesalahan.

Bagi saya itu sangat simetris dengan kesalahan tipe I.

Seperti nilai-p, yang berhubungan dengan kesalahan tipe I, Anda juga dapat menghitung probabilitas untuk (salah) tidak menolak hipotesis nol. Untuk ukuran efek yang diberikan dan tes yang diberikan (misalnya jumlah pengukuran) Anda dapat menghitung dengan probabilitas apa 'kegagalan' ini mungkin terjadi.

Pikiran ini memang mengharuskan Anda menetapkan batas untuk hipotesis nol.

Kecenderungan untuk tidak mempertimbangkan kesalahan tipe II, atau setidaknya memberikan batasan ukuran efek yang bisa dideteksi dengan probabilitas yang cukup, besar di dunia ilmiah yang terobsesi dengan nilai-p, signifikansi, dan pengujian hipotesis (inversi). terjadi juga dengan memberi penekanan besar pada efek minor yang kebetulan signifikan, hanya dengan sejumlah besar pengukuran). Jika lebih besar dari beberapa maka efeknya dikatakan / dianggap tidak ada (atau lebih elegan tidak ditunjukkan hadir). Dengan cara apapun itu pasti mempengaruhi tindakan masa depan kita seolah-olah kita menerima yang .$p$$\alpha$$H_0$