Receba gratuitamente todos os nossos conteúdos.

Fique por dentro das novidades e oportunidades referentes à Psicometria e Análise Quantitativa de Dados.

O que é Erro Tipo I?

Quando conduzimos um teste de hipóteses, o erro do tipo I acontece quando rejeitamos a hipótese nula (h0) quando ela é verdadeira. Lembrando que a h0 é a hipótese de que não há um efeito, enquanto a hipótese alternativa, h1, diz que há o efeito observado.

Por exemplo:

  • h0: não há diferença na média de ansiedade entre homens e mulheres;
  • h1: há diferença na média de ansiedade entre homens e mulheres.

Para relembrar, quando usamos um teste de hipóteses, definimos o nível de significância, α, para rejeitar a hipótese nula. Ou, seja, quando o valor de significância do teste, p, for menor do que o valor de α, rejeitamos a h0. Comumente, o valor de α é 0,05. Portanto, o valor de p deve ser menor do que 0,05 para rejeitarmos a hipótese nula.

No entanto, mesmo quando p < 0,05 e rejeitamos a h0, há uma chance de que a h0 seja verdadeira. Este é o erro do tipo I. Na realidade, um valor de α de 0,05, por exemplo, significa rejeitaremos a hipótese nula mesmo ela sendo verdadeira em 5% das vezes que fizermos um teste de hipótese.

Ainda que o erro do tipo I seja inevitável, podemos ser mais rigorosos com o valor de α. Se decidirmos que nosso α é de 0,01, estaremos dizendo que em 1% dos testes estaremos rejeitando a hipótese nula quando ela é verdadeira.

Só que ao aumentarmos o valor de α estamos aumentando a chance de não rejeitar a hipótese nula quando ela é falsa, que é o erro do tipo II. Portanto, precisamos sempre procurar uma balança entre erro do tipo I e erro do tipo II.

Outro ponto que devemos levar em consideração é que em muitos casos o erro do tipo I pode estar sendo inflado sistematicamente, como quando realizamos vários testes de hipóteses em consecutivo. Você pode ver mais sobre isso neste artigo sobre correção de Bonferroni.

Como me lembrar do que é erro do tipo I e erro do tipo II?

Diferenciar entre erros do tipo I e erros do tipo II, é difícil. Para facilitar, lembre-se deste gráfico, onde a hipótese nula é a pessoa não estar grávida:

Erro do tipo I e II
Erro do tipo I e II

Também facilita se pensarmos que o erro do tipo I é um falso positivo (dizer que a pessoa está grávida quando ela não está) e o erro do tipo II é um falso negativo (dizer que uma pessoa grávida não está grávida).

Agora que vimos o que é o erro do tipo I, que tal aprender sobre a sua contra-parte, o erro do tipo II? Se ficou alguma dúvida, deixe um comentário!

BRUNO FIGUEIREDO DAMÁSIO

Sou Psicólogo, mestre e doutor em Psicologia. Venho me dedicando à Psicometria desde 2007.

Fui professor e chefe do Departamento de Psicometria da UFRJ durante os anos de 2013 a 2020. Fui editor-chefe da revista Trends in Psychology, da Sociedade Brasileira de Psicologia (SBP) eEditor-Associado da Spanish Journal of Psychology, na sub-seção Psicometri e Métodos Quantitativos.

Tenho mais de 50 artigos publicados e mais de 3000 citações, nas melhores revistas nacionais e internacionais. Atualmente, me dedico a formação de novos pesquisadores, através da Psicometria Online Academy. Minha missão é ampliar a formação em Psicometria no Brasil e lhe auxiliar a conquistar os seus objetivos profissionais.

Deseja se tornar completamente autônomo e independente na análise dos seus dados?

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Veja mais

Posts relacionados

Teste de Wilcoxon

Teste de Wilcoxon

O teste de Wilcoxon é um teste de hipóteses para analisar a diferença entre duas amostras pareadas. Portanto, podemos usá-lo quando temos duas medidas de uma mesma amostra, isto é,

O que é um teste post hoc?

O que é um teste post hoc?

Alguma vez, durante a sua jornada como pesquisador, já deve ter se perguntado o que é um teste post hoc ou o que significa fazer um teste post hoc. Testes

O que é a distância de Cook?

O que é a distância de Cook?

A distância de cook é uma estatística para avaliar o quanto um único caso é capaz de influenciar a estimativa de um modelo de regressão.

Entenda o que são graus de liberdade

Entenda o que são graus de liberdade

Os graus de liberdade são uma medida que nos ajuda a determinar o número de observações independentes que temos em nossos dados. Em outras palavras, eles indicam quantos valores podemos

O que são parâmetros livres e fixos em uma AFC?

O que são parâmetros livres e fixos em uma AFC?

Parâmetros livres e fixos são uma parte fundamental para o entendimento da Análise Fatorial Confirmatória (AFC). É útil entender estes conceitos, para quando falarmos de índices de modificação e identificação

Teste de Wilcoxon

Teste de Wilcoxon

O teste de Wilcoxon é um teste de hipóteses para analisar a diferença entre duas amostras pareadas. Portanto, podemos usá-lo quando temos duas medidas de uma mesma amostra, isto é,

O que é um teste post hoc?

O que é um teste post hoc?

Alguma vez, durante a sua jornada como pesquisador, já deve ter se perguntado o que é um teste post hoc ou o que significa fazer um teste post hoc. Testes

O que é a distância de Cook?

O que é a distância de Cook?

A distância de cook é uma estatística para avaliar o quanto um único caso é capaz de influenciar a estimativa de um modelo de regressão.

Entenda o que são graus de liberdade

Entenda o que são graus de liberdade

Os graus de liberdade são uma medida que nos ajuda a determinar o número de observações independentes que temos em nossos dados. Em outras palavras, eles indicam quantos valores podemos

O que são parâmetros livres e fixos em uma AFC?

O que são parâmetros livres e fixos em uma AFC?

Parâmetros livres e fixos são uma parte fundamental para o entendimento da Análise Fatorial Confirmatória (AFC). É útil entender estes conceitos, para quando falarmos de índices de modificação e identificação

Cadastre-se para ser notificado com o link das aulas ao vivo:

Módulo 4: Redes neurais artificiais

• Introdução a Deep Learning

• Avaliando sistemas de Deep Learning

• Redes Neurais feitas (sem programação) no SPSS

• Aula bônus: O futuro da IA na Sociedade

• Aula bônus: Dois Estudos de Caso 

Módulo 3: Interpretar e reportar resultados

• Gerar, interpretar e reportar resultados em Machine Learning

Módulo 2: Criando o seu sistema

• Selecionando algoritmos e métodos 
• Práticas de Machine Learning (Sem programação): Decision Tree (JASP), Linear Discriminant Classification (JASP) e Plataforma ORANGE
• Aula Bônus: Avaliação Psicológica e Machine Learning
• Aula Bônus: Livros e Cursos recomendados  
• Aula Bônus: Entrevista com Cientista de Dados focado na área da Saúde

Módulo 1: O que é Machine Learning

• O que é Machine Learning?
• Como a máquina aprende?
• Machine Learning para Psicometria e Pesquisa Quantitativa (pesquisas comentadas)
• Tipos de Machine Learning (Supervisionado e Não-supervisionado)
• Práticas de Machine Learning (Sem programação): JASP e SPSS
Aula Bônus: Filosofia da Inteligência Artificial
• Aula Bônus: Entrevista com Cientista de Dados graduado em Psicologia
• Aula bônus: Estudo de Caso sobre Redução Dimensional 

Preencha abaixo para
participar gratuitamente

Fique tranquilo, não utilizaremos suas informações de contato para enviar qualquer tipo de SPAM. Os dados coletados são tratados nos termos da Lei Geral de Proteção de Dados e você pode se descadastrar da nossa lista de contatos a qualquer momento.