Used in hypothesis testing, alpha (α) is the maximum acceptable level of risk for rejecting a true null hypothesis (type I error) and is expressed as a probability ranging between 0 and 1. Alpha is frequently referred to as the level of significance. You should set α before beginning the analysis then compare p-values to α to determine significance:
Alpha (α) được sử dụng trong kiểm định giả thuyết, là mức độ rủi ro tối đa chấp nhận được để loại bỏ một giả thuyết không chính xác (lỗi loại I) và được biểu diễn dưới dạng xác suất từ 0 đến 1. Alpha thường được gọi là mức độ ý nghĩa. Bạn nên thiết lập α trước khi bắt đầu phân tích và sau đó so sánh giá trị p với α để xác định sự quan trọng:
· If your p-value is less than or equal to the α-level, reject the null hypothesis in favor of the alternative hypothesis.
· Nếu giá trị p của bạn nhỏ hơn hoặc bằng α, loại bỏ giả thuyết không chính xác và chọn giả thuyết thay thế.
· If your p-value is greater than the α-level, fail to reject the null hypothesis.
· Nếu giá trị p của bạn lớn hơn α, không loại bỏ giả thuyết không chính xác.
The most commonly used α-level is 0.05. At this level, your chance of finding an effect that does not really exist is only 5%. The smaller the α value, the less likely you are to incorrectly reject the null hypothesis. However, a smaller value for α also means a decreased chance of detecting an effect if one truly exists (lower power).
Mức α thường được sử dụng nhất là 0.05. Ở mức này, cơ hội của bạn để phát hiện ra một hiệu ứng không thực sự tồn tại chỉ là 5%. Giá trị α càng nhỏ, khả năng loại bỏ sai giả thuyết không chính xác càng ít. Tuy nhiên, một giá trị α nhỏ cũng có nghĩa là giảm khả năng phát hiện hiệu ứng nếu thực sự có một hiệu ứng (sức mạnh thấp).
Sometimes it may be better to choose a smaller value for α. For example, you are testing samples from a new milling machine to decide whether to purchase a dozen for your plant. You stand to save a large amount of money due to fewer defective products if the new machine is more accurate. However, the cost of purchasing and installing a dozen machines is very high. You want to be sure that the new machine is more accurate before making the purchase. In this case, you might want to select a lower value for α, such as 0.001. That way, you have only a 0.1% chance of concluding the new machine is more accurate, if in fact no difference exists.
Đôi khi việc chọn một giá trị α nhỏ hơn có thể tốt hơn. Ví dụ, bạn đang kiểm tra các mẫu từ một máy tiện mới để quyết định có nên mua một tá cho nhà máy của bạn hay không. Nếu máy mới chính xác hơn, bạn có thể tiết kiệm một lượng lớn tiền do sản phẩm lỗi ít hơn. Tuy nhiên, chi phí mua và lắp đặt một tá máy rất cao. Bạn muốn chắc chắn rằng máy mới chính xác hơn trước khi mua. Trong trường hợp này, bạn có thể muốn chọn một giá trị α thấp hơn, chẳng hạn như 0.001. Điều này có nghĩa là bạn chỉ có 0.1% cơ hội kết luận rằng máy mới chính xác hơn, nếu thực tế không có sự khác biệt.
On the other hand, sometimes choosing a larger value for α is better. For example, suppose you are a jet engine manufacturer and you are testing the strength of cheaper ball bearings. Saving a small amount of money does not outweigh the potentially disastrous effects if the bearings are weaker. Therefore, you might want to select a higher value for α, such as 0.1. Although this means you will be more likely to reject a true null hypothesis, more importantly, you will also be more likely to detect a real weakness in the cheaper bearings.
Ngược lại, đôi khi việc chọn một giá trị α lớn hơn có thể tốt hơn. Ví dụ, giả sử bạn là nhà sản xuất động cơ phản lực và bạn đang kiểm tra sức mạnh của bạc đạn rẻ tiền hơn. Tiết kiệm một số tiền nhỏ không là gì so với các hiệu ứng tiềm ẩn nếu bạc đạn yếu hơn. Do đó, bạn có thể muốn chọn một giá trị α cao hơn, chẳng hạn như 0.1. Mặc dù điều này có nghĩa là bạn sẽ có khả năng loại bỏ một giả thuyết không chính xác thực sự, quan trọng hơn, bạn cũng có khả năng phát hiện ra một điểm yếu thực sự trong các bạc đạn rẻ tiền hơn.
