ในงานวิจัยมีข้อผิดพลาดอยู่ 2 ประเภท เรียกว่า ข้อผิดพลาดหรือความคลาดเคลื่อนประเภทที่ 1 (Type I Error) และข้อผิดพลาดหรือความคลาดเคลื่อนประเภทที่ 2 (Type II Error) ซึ่งเกี่ยวข้องกับการตัดสินใจที่ไม่ถูกต้องในการทดสอบสมมติฐาน
ข้อผิดพลาดประเภทที่ 1 เกิดขึ้นเมื่อเราปฏิเสธสมมติฐานว่างทั้งที่เป็นจริง พูดง่ายๆ ก็คือ เราพบหลักฐานของผลกระทบที่ไม่มีอยู่จริง ตัวอย่างเช่น หากเรากำลังทดสอบยาตัวใหม่และสรุปว่าได้ผลทั้งที่จริงๆ แล้วไม่ได้ผล แสดงว่าเราทำผิดพลาดประเภทที่ 1
ข้อผิดพลาดประเภทที่ 2 เกิดขึ้นเมื่อเราไม่ปฏิเสธสมมติฐานว่างทั้งที่จริง ๆ แล้วเป็นเท็จ กล่าวอีกนัยหนึ่งคือเราพลาดผลกระทบที่มีอยู่จริง เหมือนพลาดโอกาส ตัวอย่างเช่น หากเรากำลังทดสอบยาตัวเดียวกับด้านบนและสรุปว่ามันไม่ได้ผลทั้งที่ส่งผลจริง แสดงว่าคุณทำข้อผิดพลาดประเภทที่ 2
ในการวิจัย เราต้องการลดโอกาสในการเกิดข้อผิดพลาดทั้งสองประเภทให้น้อยที่สุด ข้อผิดพลาดประเภทที่ 1 มักจะแสดงด้วยตัวอักษรกรีก alpha (α) และข้อผิดพลาดประเภทที่ 2 จะแสดงด้วยเบต้า (β)
พลังของการทดสอบทางสถิติ (Statistical power) คือ 1 - β ซึ่งเป็นความน่าจะเป็นที่จะปฏิเสธสมมติฐานว่างได้อย่างถูกต้องเมื่อเป็นเท็จ
นักวิจัยสามารถควบคุมโอกาสที่จะเกิดข้อผิดพลาด Type I และ Type II และเพิ่มพลังของการทดสอบได้
พลังของการทดสอบทางสถิติได้รับอิทธิพลจากปัจจัยหลายอย่าง รวมถึงขนาดตัวอย่าง (ยิ่งตัวอย่างมาก พลังยิ่งสูง) ขนาดของผลกระทบ (ผลกระทบยิ่งมาก พลังยิ่งสูง) และระดับนัยสำคัญ (ระดับนัยสำคัญยิ่งมาก พลังยิ่งสูง)
Perhaps, we should talk about ‘type 0 error’ - errors from ‘sampling and collecting data’ before these statistics, and type 3 error - errors from adjusting data used to make the researchers’ intended result (in plain words, cooking data). These errors are more common than types 1 & 2 and often come from (dishonestly) ‘making the measure the goal of success’.
เห็นด้วยอย่างยิ่งค่ะ