Tyypin 1 virhe tilastoissa määritellään nullhypoteesin hylkäämiseksi, kun se on totta. Tyypin 1 virhe tunnetaan myös vääränä positiivisena tai tyypin alfa-virheenä.
Tyypin 1 virheen tekeminen on periaatteessa jonkin kieltämistä, kun se on totta. Harkitaan esimerkiksi tilannetta, jossa testataan, lisääkö sosiaalisissa verkostoissa toteutettu markkinointikampanja jäätelön myyntiä yritykselle kesäviikolla. Hypoteesit olisivat seuraavat:
H0: Myynti ei kasva kesäkampanjan takia
H1: Myynti kasvaa markkinointikampanjan ansiosta
Arvioituaan yrityksen verkkosivuston ja kampanjan jälkeen vierailtujen sivujen liikenteen havaitaan seuraava:
- Lisääntynyt, vaikka liikenteessä ja vierailuissa 50%.
- Jäätelön myynti kasvoi 200%.
Näiden tulosten perusteella voitiin päätellä, että mainoskampanja on ollut hedelmällinen ja sillä on ollut myötävaikuttava vaikutus. Ajatelkaamme kuitenkin, että sillä viikolla oli lämpöaalto, joka nosti lämpötilat yli 40 asteen.
Kun tiedämme jälkimmäisen, meidän on otettava huomioon korkean lämpötilan tekijä myynnin kasvun syynä. Jos emme ota tätä huomioon, voisimme hylätä nullhypoteesimme, kun se on totta, eli ajattelemme, että kampanjamme oli ollut loistava menestys, kun todellisuudessa myynnin kasvun syy oli voimakas kuumuus. Jos pääsisimme tähän johtopäätökseen, hylkäämme nollahypoteesin, kun se on todella totta, ja syyllistymme siis tyypin 1 virheeseen.
Tyypin 1 virheen syitä
Tyypin 1 virhe liittyy kontrastin tai alfan merkitykseen kertoimien estimointivirheeseen ja voi johtua kahdesta tyypillisestä regressiolähtöolettamusten rikkomuksesta. Nämä ovat:
- Ehdollinen heteroskedastisuus.
- Sarjakorrelaatio.
Minkä tahansa edellisen rikkomuksen esittänyt regressio aliarvioi kertoimien virheen. Jos näin tapahtuu, arviomme t-tilastosta olisi suurempi kuin todellinen t-tilasto. Nämä suuremmat t-tilastotiedot lisäävät todennäköisyyttä, että arvo putoaa hylkäysvyöhykkeeseen.
Kuvitellaan 2 tilannetta.
Tilanne 1 (virheellinen virhearvio)
- Merkitys: 5%
- Otoskoko: 300 ihmistä.
- Kriittinen arvo: 1,96
- B1: 1,5
- Kerroimen arviointivirhe: 0,5
T = 1,5 / 0,5 = 3
Tällä tavalla arvo putoaisi hylkäysvyöhykkeelle ja hylkäämme nollahypoteesin.
Tilanne 2 (oikea virheestimaatti)
- Merkitys: 5%
- Otoskoko: 300 ihmistä.
- Kriittinen arvo: 1,96
- B1: 1,5
- Kertoimen estimointivirhe: 1
T = 1,5 / 1 = 1,5
Tällä tavoin arvo putoaisi hylkäämättömälle alueelle, emmekä hylkää hypoteesia.
Aikaisempien esimerkkien perusteella tilanne 1, jossa virhe on aliarvioitu, johtaisi meidät hylkäämään nollahypoteesin, vaikka se tosiasiassa onkin totta, koska kuten näemme tilanteessa 2 oikein arvioidun virheen kanssa, emme hylkää hypoteesia olla totta.