Sai số loại II, còn gọi là lỗi giả định âm tính (false negative) hay lỗi chấp nhận giả thuyết vô hiệu khi nó sai, xảy ra khi:
- Bạn kết luận không có một hiệu ứng, một mối liên hệ, hoặc một sự khác biệt đáng kể, nhưng thực tế thì có.
Tiếp tục với ví dụ về thuốc huyết áp: Nếu thuốc mới thực sự có tác dụng giảm huyết áp, nhưng nghiên cứu của bạn lại kết luận rằng “thuốc không có tác dụng giảm huyết áp” (chấp nhận H0), thì đó chính là sai số loại II. Điều này thường xảy ra khi cỡ mẫu quá nhỏ hoặc phương pháp nghiên cứu không đủ nhạy để phát hiện ra hiệu ứng thực sự.
- Sức mạnh thống kê (Power – 1−β): Đây là xác suất để phát hiện ra một hiệu ứng thực sự khi nó tồn tại. Nếu bạn đặt β=0.20 (20%), thì sức mạnh thống kê của nghiên cứu là 1−0.20=0.80 (80%). Điều này có nghĩa là bạn có 80% cơ hội phát hiện ra hiệu ứng đó nếu nó thực sự có.
Hậu quả của sai số loại II: Trong y học, sai số loại II có thể khiến một phương pháp điều trị hiệu quả bị bỏ qua hoặc không được công nhận, làm chậm trễ việc đưa ra các giải pháp cải thiện sức khỏe cho bệnh nhân. Trong kinh doanh, nó có thể khiến một sản phẩm tiềm năng không được đưa ra thị trường, bỏ lỡ cơ hội phát triển.
Mối liên hệ giữa cỡ mẫu và hai loại sai số
Mục tiêu của việc tính toán cỡ mẫu là tìm ra con số n tối thiểu cần thiết để cân bằng và kiểm soát cả α và β.
- Để giảm sai số loại I (giảm α): Bạn cần bằng chứng mạnh mẽ hơn.
- Để giảm sai số loại II (tăng sức mạnh thống kê 1−β): Bạn cần có khả năng phát hiện hiệu ứng nhỏ hơn và giảm sự biến thiên ngẫu nhiên trong dữ liệu.
Cỡ mẫu càng lớn, khả năng mắc cả sai số loại I và loại II càng được kiểm soát tốt hơn (với điều kiện các yếu tố khác như thiết kế nghiên cứu được giữ nguyên). Tuy nhiên, việc tăng cỡ mẫu lại đi kèm với chi phí và sự phức tạp. Do đó, việc ước tính cỡ mẫu là quá trình tìm kiếm điểm cân bằng tối ưu giữa việc giảm thiểu rủi ro sai sót và tính khả thi của nghiên cứu.
