歡迎來到檢定品質的世界！
在你之前的統計學課程中，你已經學會如何進行假設檢定，以判斷某個事物是否發生了變化——例如某個新硬幣是否存在偏差，或是某種藥物是否有效。但我們如何知道我們的檢定究竟「好不好」呢？它會不會經常出錯？當變化真的發生時，它是否有足夠的「強度」來發現這個變化？
在本章中，我們將探討檢定品質（Quality of Tests）。我們將學習如何衡量檢定的「成功率」，並理解統計檢定出錯的兩種主要方式。如果剛開始聽起來有點抽象，別擔心；我們會運用大量現實生活中的類比，讓一切變得清晰易懂！
1. 第一類型錯誤與第二類型錯誤
即使是最好的統計檢定也有可能出錯。由於我們是使用樣本（samples）來對母體（populations）進行推論，因此總是有可能因為樣本剛好「太怪異」，而導致我們得出錯誤的結論。
什麼是第一類型錯誤（Type I Error）？
當你拒絕了虛無假設（\(H_0\)），儘管它實際上是真的，就會發生第一類型錯誤。換句話說，你認為出現了變化或效應，但事實上並沒有。
現實生活類比：「誤報」。想像一下，因為你烤焦了吐司，煙霧探測器突然響起。實際上並沒有火災（\(H_0\) 為真），但警報器卻顯示有火災（\(H_0\) 被拒絕）。
發生第一類型錯誤的機率以希臘字母阿爾法（\(\alpha\)）表示。對於具有固定臨界區域的檢定而言，第一類型錯誤的機率即為該檢定的實際顯著性水平（actual significance level）。
什麼是第二類型錯誤（Type II Error）？
當你無法拒絕虛無假設（\(H_0\)），儘管它實際上是錯的，就會發生第二類型錯誤。你錯過了實際上已經發生的變化。
現實生活類比：「漏報」。想像廚房起火了，但煙霧探測器卻保持靜默。實際上發生了火災（\(H_0\) 為假），但警報器卻沒響（\(H_0\) 沒有被拒絕）。
發生第二類型錯誤的機率以希臘字母貝塔（\(\beta\)）表示。
快速回顧表：
現實情況：\(H_0\) 為真 | 你的決定：拒絕 \(H_0\) = 第一類型錯誤 (\(\alpha\))
現實情況：\(H_0\) 為假 | 你的決定：未能拒絕 \(H_0\) = 第二類型錯誤 (\(\beta\))
記憶小撇步：
第一類型： 錯誤地識別了變化（誤報）。
第二類型： 二（Too）盲目，看不見變化（漏報）。
關鍵總結： 第一類型錯誤是「偽陽性」，而第二類型錯誤是「偽陰性」。我們希望兩者的機率都越小越好！
2. 檢定的大小與功效
既然我們已經了解了錯誤類型，現在我們可以使用這兩個關鍵術語來定義一個檢定有多「好」：大小（Size）與功效（Power）。
檢定的大小（Size）
檢定的大小其實就是第一類型錯誤機率（\(\alpha\)）的別稱。
\( \text{Size} = P(\text{第一類型錯誤}) = P(\text{在 } H_0 \text{ 為真時，拒絕 } H_0) \)
檢定的功效（Power）
檢定的功效是指它正確偵測到變化的能力。也就是在虛無假設實際上為假時，拒絕該假設的機率（這正是我們希望檢定做到的事！）。
在數學上，功效與第二類型錯誤（\(\beta\)）相關：
\( \text{Power} = 1 - P(\text{第二類型錯誤}) \)
\( \text{Power} = 1 - \beta \)
高功效是好事！這意味著該檢定具備足夠的「威力」，能夠偵測出事物是否發生了變化。
你知道嗎？
你可以透過增加樣本大小（\(n\)）來提高檢定的功效。更大的樣本能提供更多的證據，讓你不太可能錯過真實的效應！
關鍵總結： 大小 = 誤報的機率。功效 = 成功偵測的機率。我們追求較小的大小和較大的功效。
3. 功效函數（Power Function）
第二類型錯誤的機率（進而影響功效）取決於參數的真實新值是多少。
例如，如果你正在測試硬幣是否有偏差（\(H_0: p = 0.5\)），如果真實機率為 \(p=0.9\)，檢定會比真實機率為 \(p=0.51\) 時更容易拒絕 \(H_0\)。
功效函數是一個函數（通常繪製成圖表），顯示檢定對於所有可能的真實參數值的功效。
圖表長什麼樣？
- 對於單尾檢定（one-tailed test），功效函數通常從顯著性水平附近開始，並隨著參數遠離虛無假設的值而趨向於 1。
- 如果真實值正好等於虛無假設的值，則功效簡單地等於檢定的大小（Size）。
關鍵總結： 功效函數幫助我們視覺化檢定在不同「替代現實（alternative realities）」下的有效性。曲線越陡峭，檢定就越敏感。
4. 分步解析：計算錯誤與功效
進階統計（Further Statistics 1）的考題常要求你使用二項分佈（Binomial）、卜瓦松分佈（Poisson）或幾何分佈（Geometric）來計算這些機率。以下是解題步驟：
第一步：定義臨界區域（Critical Region）
在計算錯誤之前，你必須清楚哪些檢定統計量的值會導致拒絕 \(H_0\)。(例如：「如果 \(X \geq 8\)，則拒絕 \(H_0\)」)。
第二步：計算第一類型錯誤（大小）
使用 \(H_0\) 中的參數值。
\( P(\text{第一類型錯誤}) = P(\text{在 } H_0 \text{ 為真時，X 落在臨界區域內}) \)
第三步：計算第二類型錯誤（\(\beta\)）
題目會給你一個特定的「替代」參數值（我們稱為 \(\lambda_1\) 或 \(p_1\)）。
\( P(\text{第二類型錯誤}) = P(\text{在參數為 } \lambda_1 \text{ 時，X 不在臨界區域內}) \)
第四步：計算功效
只需計算 \( 1 - P(\text{第二類型錯誤}) \)。
範例：
假設 \(H_0: \lambda = 3\) 而 \(H_1: \lambda > 3\)。你的臨界區域是 \(X \geq 7\)。
若要找出大小，請使用 \(\text{Po}(3)\) 計算 \(P(X \geq 7)\)。
若要找出真實 \(\lambda\) 為 5 時的功效，請使用 \(\text{Po}(5)\) 計算 \(P(X \geq 7)\)。
常見錯誤提醒：
計算第二類型錯誤時，學生常會不小心再次計算落入臨界區域的機率。請記住：第二類型錯誤是「未能拒絕」，所以你要的是落入臨界區域之外的機率！
關鍵總結： 務必檢查你對應的計算使用了哪一個參數值。\(H_0\) 的值是用於第一類型錯誤；「新」的值是用於第二類型錯誤及功效計算。
總結檢查清單
- 你能用文字定義第一類型與第二類型錯誤嗎？
- 你知道大小（Size）就是第一類型錯誤的機率嗎？
- 你知道功效（Power）等於 \(1 - P(\text{第二類型錯誤})\) 嗎？
- 你能找出二項或卜瓦松檢定的臨界區域，並利用它來求出錯誤機率嗎？
- 你能解釋增加樣本大小如何影響檢定的功效嗎？
如果剛開始覺得很複雜，不用擔心！只要多加練習，在「虛無世界」（用於第一類型）與「替代世界」（用於第二類型）之間切換，你就會感到越來越順手了。