যেকোনো প্রকার পরিসংখ্যানে Type I error একটি মিথ্যা ইতিবাচক সিদ্ধান্ত (false positive conclusion), অপরদিকে Type II error হল মিথ্যা নেতিবাচক সিদ্ধান্ত (false negative conclusion)। একটি পরিসংখ্যানগত সিদ্ধান্ত নেওয়ার ক্ষেত্রে সর্বদা অনিশ্চয়তা জড়িত থাকে, তাই হাইপোথিসিস (hypothesis) পরীক্ষার ক্ষেত্রে এই প্রকার ঝুঁকিগুলি অনিবার্য।
একটি Type I error মিথ্যা ইতিবাচক (false positive) হিসেবে পরিচিত এবং এটি ঘটে যখন একজন গবেষক ভুল বশত একটি সত্য নাল অনুমানকে (null hypothesis) প্রত্যাখ্যান (reject) করেন। এর মানে হল যে, গবেষকের রিপোর্টে যে ফলাফলটি তাৎপর্যপূর্ণ যখন বাস্তবে তা ঘটনাক্রমে ঘটেছে।
Type I error (false positive): পরীক্ষার ফলাফল বলছে আপনার ডেঙ্গু হয়েছে, কিন্তু আসলে আপনার ডেঙ্গু হয়নি।
Type I error আলফা (α) দ্বারা প্রকাশ করা হয়, যেটি P-value এর নীচে থাকা নাল অনুমান (null hypothesis)-কে প্রত্যাখ্যান করে। 0.05-এর একটি P-value ইঙ্গিত করে যে গবেষক null hypothesis প্রত্যাখ্যান করার সময় গবেষক ভুল ত্রুটি 5% সম্ভাবনা গ্রহণ করতে ইচ্ছুক। আবার গবেষক 0.01 লেভেলে null hypothesis-কে প্রত্যাখ্যান করে Type I error ঝুঁকি কমাতে পারেন। উদাহরণস্বরূপ 0.01-এর P-value type I error 1% সম্ভাবনা গ্রহণ করতে পারেন।
Type II error
একটি Type II error মিথ্যা নেতিবাচক (false negative) হিসেবে পরিচিত এবং এটি ঘটে যখন একজন গবেষক একটি null hypothesis প্রত্যাখ্যান করতে ব্যর্থ হন যা আদতে মিথ্যা (really true)। এখানে একজন গবেষক সিদ্ধান্তে পৌঁছেছেন যে, সেখানে কোনো উল্লেখযোগ্য প্রভাব নেই (there is no significant effect), যখন আসলে সত্যিই আছে।
Type II error (false negative): পরীক্ষার ফলাফল বলছে আপনার ডেঙ্গু হয়নি, কিন্তু আসলে আপনার সত্যিই ডেঙ্গু হয়েছে।
Type II error-কে প্রকাশ করা হয় বিটা (β) দ্বারা, এবং এটি পরিসংখ্যানগত সক্ষমতার সাথে সম্পর্কিত power of the statistical test (power = 1- β)। কোনো প্রকার গবেষণার সক্ষমতা, সঠিক বিশ্লেষণ এবং সিদ্ধান্ত গ্রহণ type II error -এর ঝুঁকি কমাতে পারে।
_____________________________________
