這個詞出現在「你的自動判斷會犯兩種錯：誤報與漏接」這個問題裡——它是統計學給「誤報」的編號。

統計學的假設檢定，把 false positive 編號叫 Type I error、把 false negative 叫 Type II error。

兩個編號的意思

假設檢定先立一個虛無假設（H₀，預設「沒有效果 / 沒有差異」），再用資料決定要不要拒絕它：

• Type I error（型一錯誤）：H₀ 其實為真，卻拒絕了它——宣稱「有效果」，實際沒有。這就是 false positive。
• Type II error（型二錯誤）：H₀ 其實為假，卻沒拒絕——漏掉了真實存在的效果。這就是 false negative。

與顯著水準 α 的關係

設計檢定時會先訂一個 顯著水準 α（常見 0.05），它就是容許的 Type I error 機率上限。在樣本數固定的前提下，把 α 設得越小，越不容易誤報（Type I 降低），但相對更容易漏掉真實效果（Type II 升高）——兩者此消彼長，這是檢定設計的核心取捨。（加大樣本數則可同時壓低兩者。）

一個好記的順序

哪個是 Type I、哪個是 Type II 容易記混。一個記法：Type I 是「太急著宣稱有」（過度反應、誤報），Type II 是「太保守而漏掉」。可把編號順序記成「先有過度反應，才談漏接」——這純為助記，不是 Neyman-Pearson 當初編號的歷史定義。

相關概念

• 概念本身與源頭：false positive。
• 對偶錯誤：Type II error（= false negative）。
• 量化的尺：precision（誤報多則 precision 低）。
• 程式領域描述同一件事的本土詞：over-match、false trigger、spurious warning 等。

這個詞出現在「你的自動判斷會犯兩種錯：誤報與漏接」這個問題裡——它是統計學給「漏接」的編號。

Type II error（型二錯誤）是 false negative 在統計假設檢定裡的編號：虛無假設（H₀，預設「沒有效果 / 沒有差異」）其實為假，卻沒拒絕它——漏掉了真實存在的效果。

它和 Type I error（誤報、宣稱有實無）成對：

• Type I：H₀ 為真卻拒絕 → false positive（誤報）。
• Type II：H₀ 為假卻沒拒絕 → false negative（漏接）。

β 與檢定力

Type II error 的機率記為 β。與它互補的是檢定力（statistical power）= 1 − β，也就是「H₀ 確實為假時，正確抓到的機率」。提高檢定力（少漏接）通常靠加大樣本數或放大效果量。

把 β 對應到偵測語境，「少漏接」就是提高 recall——兩者衡量的是同一件事的不同領域 framing。

相關概念

• 對偶錯誤：false positive / Type I error。
• 同概念的偵測語境：false negative。
• 量化的尺：recall（被 false negative 拉低）。