这是一个不经常被问到的问题。在常客统计中，我们倾向于按照惯例固定。然后作为类型 II 错误（即幂）即使我们也有很大的奢侈不允许我们选择不同的这么多误报。这种约定的结果是，当为“大”时，可以检测到微不足道的差异，而当有很多假设时，就会出现多重性问题。相比之下，似然推理学派倾向于处理 I 类和 II 类错误的总数，并让 I 类错误为$\alpha$$n\rightarrow\infty$$\rightarrow 0$$\rightarrow 1$$n$$n$$\rightarrow 0$$n \rightarrow\infty$. 这解决了频率论范式的许多问题。具有讽刺意味的是，似然法的常客性能特征也相当不错。

参见例如http://people.musc.edu/~elg26/SCT2011/SCT2011.Blume.pdf和http://onlinelibrary.wiley.com/doi/10.1002/sim.1216/abstract。

您似乎错过了 I 类错误率也是您的截止标准的要点。如果您的截止标准没有改变，那么 alpha 不会改变。

值是在 null 为真时观察到的效果与您发现的效果一样大或更大的条件概率。如果您选择 0.05 的截止值来确定 null 不为真，那么它为真的 0.05 概率将变成您的 I 型错误。$p$$p$

顺便说一句，这突出了为什么您不能进行相同的测试并为设置截止值。才能存在。$\beta$$\beta$

弗兰克哈雷尔的观点非常好，这取决于你的哲学。尽管如此，即使在频率统计下，您也可以提前选择较低的标准，从而改变 I 类错误的发生率。

如果您使用标准假设检验，那么您将设置置信水平，然后将检验 p 值与其进行比较。在这种情况下，样本量不会影响 I 类错误的概率，因为您的置信水平是 I 类错误的概率，几乎可以定义为。换句话说，您通过选择置信水平来设置 I 类错误的概率。$\alpha$$\alpha$

I 类错误的概率仅受您选择的置信水平的影响，而没有其他影响。