.png){kind=icon}
研究技能
第一类错误：定义以及如何在研究中识别
本文介绍第一类错误（假阳性）的定义、产生原因及其在研究中的识别方法，并通过烟雾报警器和法庭案例解释这一统计学概念。文章对比第一类错误与第二类错误，说明显著性水平（α）和概率值（p 值）的区别，分析多次假设检验如何增加误报风险。同时，介绍邦费罗尼校正、错误发现率控制和重复研究等降低风险的方法，帮助读者更准确地评估研究结果的可靠性。
第一类错误是一种假阳性。当一项研究声称发现了某种效应或差异，但实际上并不存在时，就会发生这种错误。发生这种错误的概率由显著性水平决定，通常为 0.05，即百分之五。
如果你在学习或工作中阅读研究报告，理解这一概念可以帮助你判断研究结论是否可信。当你查找研究论文并需要决定哪些研究结果值得信任时，这一概念也很有用。
用简单的语言理解第一类错误
先想象一个烟雾报警器。如果没有发生火灾，报警器却响了，这就是误报。在统计学中，第一类错误也是同样的情况。
研究人员首先会提出一个初始假设，称为零假设。它表示“没有发生任何变化”。例如：“这种新药的效果并不比糖丸更好。”
然后，研究人员会进行检验。当检验结果表明“这种药有效”，但实际上它并没有效果时，就发生了第一类错误。研究人员错误地拒绝了一个真实的零假设。这种错误也称为假阳性或阿尔法错误。
法庭可以提供另一个例子。第一类错误就像把无辜的人判定为有罪。
第一类错误与第二类错误的区别
统计检验可能以两种方式出错。下面是两者的并列比较。
第一类错误 | 第二类错误 | |
另一个名称 | 假阳性 | 假阴性 |
发生的情况 | 发现实际上不存在的效应 | 未能发现实际存在的效应 |
符号 | 阿尔法（α） | 贝塔（β） |
法庭例子 | 把无辜的人判定为有罪 | 让有罪的人无罪释放 |
烟雾报警器例子 | 没有火灾却发出警报 | 发生火灾时却没有报警 |
这两种错误会相互牵制。如果你为了避免误报而让检验标准更加严格，就更有可能错过真实存在的效应。哪一种错误更严重，取决于具体情况。
阿尔法与概率值并不相同
这两个概念经常被混淆。
阿尔法是研究人员在进行检验之前选定的界限，通常为 0.05。它代表研究人员愿意接受的最高误报概率。
概率值是在检验之后得到的。它告诉你，如果实际上没有任何效应，那么当前数据会有多么出乎意料。如果概率值低于阿尔法，研究结果就被称为“具有统计学显著性”。
因此，阿尔法是判断规则，而概率值是检验结果。较小的概率值并不能证明效应确实存在。
为什么进行多次检验会增加误报的可能性
这是许多指南容易忽略的一点。每次检验都有一定的误报概率。如果进行大量检验，这些风险就会累积。
假设一名研究人员以 0.05 的显著性水平进行 20 次相互独立的检验。那么，至少出现一次假阳性的概率约为百分之六十四。如果进行 5 次检验，这一概率约为百分之二十三。
可以想象掷骰子的情景。掷一次骰子，出现六点的可能性不高。但如果掷 20 次，至少出现一次六点的可能性就很高。一项检查 20 个结果的研究，可能仅仅因为运气而发现一个“具有统计学显著性”的结果。
研究人员如何降低风险
常见的方法包括：
使用更严格的显著性水平。例如，使用 0.01，而不是 0.05。
对多次检验进行校正。邦费罗尼校正法会用显著性水平除以检验次数。如果进行 20 次检验，就需要用 0.05 除以 20，结果为 0.0025。
控制错误发现率。这种方法可以降低显著结果中假阳性所占的比例。当研究人员进行数千次检验时，例如基因研究中，这种方法很受欢迎。
提前规划检验。在查看数据之前，就决定要检验哪些内容。
重复进行研究。如果某个结果真实存在，其他研究团队也应该能够发现相同的结果。
邦费罗尼校正法很简单，但有时过于严格，从而增加错过真实效应的可能性。
如何在论文中识别可能的第一类错误
仅仅通过阅读论文，你无法证明某项研究发生了第一类错误。不过，以下线索值得留意：
检验了许多结果，却只出现一个幸运的发现。论文测试了很多内容，但只突出展示其中一个结果。
概率值略低于 0.05。接近这一界限的结果更容易因偶然而出现。
没有对多次检验进行校正。查看研究方法部分，寻找邦费罗尼校正法、错误发现率或类似术语。
一项规模较小的研究提出了令人惊讶的结论。重大结论需要有力的证据。
没有重复研究。检查其他研究人员是否发现了相同的结果。
研究结果并非事先计划。如果研究人员是在查看数据之后才提出这一想法，就需要格外谨慎。
这些情况并不意味着研究一定有问题，只是提醒你需要仔细阅读。人工智能论文摘要可以帮助你快速浏览研究方法和结果，让你知道哪些部分值得进一步仔细阅读。
常见错误
认为 0.05 意味着研究结果有百分之九十五的概率是真实的。它并不表示这一点。
混淆阿尔法与概率值。一个是预先选择的界限，另一个是检验得到的结果。
忽略进行了多少次检验。要统计检验次数。
认为较小的概率值意味着效应很大。效应大小与统计学显著性是不同的概念。
认为可以完全消除这种风险。你只能降低风险，无法将其彻底消除。
常见问题
用简单的语言来说，什么是第一类错误？
这是一种误报。检验结果表明存在某种效应，但实际上并不存在。
什么会导致第一类错误？
随机偶然因素、过于宽松的显著性水平，或者在没有进行校正的情况下执行大量检验，都可能导致第一类错误。
第一类错误和第二类错误，哪一种更严重？
这取决于具体情况。在药物检测中，假阳性可能导致一种无效药物获得批准。在癌症筛查中，假阴性则可能导致真实病例被遗漏。
可以完全避免第一类错误吗？
不可以。你可以通过采用更严格的显著性水平、进行校正以及重复研究来降低风险。
什么是坎亚姆？
坎亚姆是一个可以搜索研究论文并阅读人工智能摘要的网站。其首页表示，该平台涵盖超过六千五百万篇论文。
因此，下次阅读研究报告时，请记住第一类错误。统计检验次数，查看概率值，并询问是否有人重复验证过这一研究结果。