在统计学假设检验中，我们常常会遇到两种错误：I类错误（弃真错误）和II类错误（取伪错误）。做实验时，我们总希望两者都能降到最低，但现实很骨感，这根本做不到。
所以，我们一般会优先保证I类错误不超标，比如通过设定显著性水平来控制风险。除了增大样本容量这种简单粗暴的方法，还有哪些招数能帮我们降低II类错误呢？
嗨，亲爱的朋友，你好呀～我是鲸鱼社工53赫兹，今天来和你聊聊统计中的那些小错误～
🌸先来科普一下：II类错误，也叫取伪错误或β错误，是统计学里的一个常见概念。它常常和I类错误（α错误，即弃真错误）一起出现。
α错误指的是：原假设本来是对的，我们却错误地拒绝了它。
β错误则相反：原假设其实是错的，我们却没能拒绝它，相当于放过了错误。
简单打个比方，α错误就像是你误以为朋友在撒谎，其实他说的是真话；β错误则是你轻信了朋友的假话，还觉得没错。
🌸那为什么会出现取伪错误呢？主要原因有这几个：
1、实验设计不够精细，导致检测不灵敏。
2、样本数据波动太大，掩盖了真实效应。
3、处理效应本身太微弱，难以捕捉。
针对这些原因，我们可以从优化实验设计、控制数据变异、增强处理效应入手，来有效降低II类错误。
希望这些小贴士对你有帮助～祝你好运🍬（鲸鱼社工🐳）