fa مقایسه عملکرد دو رویکرد نیمن-پیرسونی و شواهدی در مساله آزمون فرضیه‌های یک‌طرفه جدا از هم براساس خطای بدمشخص‌سازی مدل آمار نظری Theoritical Statistics پژوهشی بنیادی Research در مساله آزمون فرضیه‌های آماری، خطای بدمشخص‌سازی مدل وضعیتی است که در آن توزیع واقعی داده‌ها هیچ‌کدام از توزیع‌های تحت فرضیه صفر یا فرضیه مقابل نیست. در این پژوهش، احتمال خطاهای  بدمشخص‌سازی مدل برای آزمون فرضیه‌های مرکب از نوع یک‌طرفه مطالعه شده است. این خطاها در دو رویکرد استنباط آماریِ نیمن-پیرسونی و شواهدی مقایسه شده است. نتایج نشان می‌دهد که رویکرد شواهدی عملکرد بهتری نسبت به رویکرد نیمن-پیرسونی در این زمینه دارد. In statistical hypothesis testing, model misspecification error occurs when the real model of the data is none of the models under null and alternative hypotheses. This research has studied the probability of model misspecification errors in one-sided tests. These error rates are compared between the Neyman-Pearson and evidential statistical inference approaches. The results show that the evidential approach works better than the Neyman-Pearson approach. استنباط شواهدی, استنباط فراوانی‌گرا, بدمشخص‌سازی مدل, فرضیه‌های مرکب Evidential inference, Frequentist inference, Model misspecification, Composite hypothesis. 253 273 http://jss.irstat.ir/browse.php?a_code=A-10-383-1&slc_lang=fa&sid=1 Ali Dastbaravarde علی دست برآورده adabvar@gmail.com 10031947532846009172 10031947532846009172 Yes Yazd University دانشگاه یزد