深入理解假设检验的两类错误和功效

假设包含原假设Null Hypothesis和备择假设Alternative Hypothesis，原假设也称为零假设，记为$H_0$，备择假设也称为对立假设，记为$H_a$或$H_1$。 原假设和备择假设相互对立，没有交集。
进行假设检验时，由于数据的随机性，所作出的决策可能会有：
第 I 类错误(拒真)：$H_0$为真时错误地拒绝了零假设。犯第 $I$ 类错误的最大概率记为 $\alpha$。
第 II 类错误(受伪)：$H_0$为假时错误地没有拒绝零假设。犯第 $II$ 类错误的最大概率记为 $\beta$。

$H_0$	Do not reject $H_0$	Reject $H_0$
TRUE	Correct Decision $1-\alpha$: Confidence level 置信水平	Type $I$ error $\alpha$: significance level 显著性水平
FALSE	Type $II$ error $\beta$	Correct Decision $1-\beta$: Power 功效

假设检验的功效（Power）定义如下：
$$1-\beta =P(reject{H}_{0}when{H}_{a}istrue)$$

下图表明了$\alpha$, $\beta$和power之间的关系：
$$\begin{gathered} H_0:\mu ={\mu }_0 \\ {H}_a:\mu \ne {\mu }_0 \end{gathered}$$

重叠在一起看：

在实际运用中，假设检验作出的结论，不同的利益攸关方可能关注的风险点不一样。比如，一家药企临床试验的药物，进行假设检验：
$$H_0:该药无疗效;H_1：该药有疗效$$
监管机构关注的是$H_0$为真时（药无疗效），被误判为有效的概率，即$\alpha$，导致无疗效的药物上市销售贻害百姓。

而药厂关注的是$H_0$为假时（药有疗效），被误判为无效的概率，即$\beta$，导致前期的投资都打了水漂。