如果“Neymann-Pearson 方法”被狭义地理解为通过在原假设之外引入替代假设来扩展 Fisher 的方法，那么就没有改变术语的动机。备选方案只能影响检验统计量的选择（通过考虑检验的功效）；一旦做出选择，检验统计量的分布就会在零值下计算。“未能拒绝”反映了零假设和替代假设之间的这种不对称性^†; 在积累足够的相反证据之前，您暂时假设 null 为真。（“保留”是另一种表达方式。）教育家们努力使用这种良好的语义区分，试图避免这样一种误解，即“微不足道”的结果必然反映了反对替代方案的证据优势。例如，考虑来自具有单位方差和未知均值的高斯分布的单个观测值，$X\sim\mathcal{N}(\mu,1)$. 与点 null & 替代$H_0: \mu=0$对比$H_\mathrm{A}: \mu=1$, 大小检验$0.05$仅在以下情况下拒绝 null$x > 1.64$, 即使替代方案在任何时候都得到更好的支持$x > 0.5$.

另一方面，如果您要认真对待 NP 方法的决策理论框架（请参阅此处的出色答案），那么您就不会费心执行对您的目的而言动力不足的测试；然后谈论“接受”零假设似乎更明智。从这个观点出发，一些著名的测试理论阐释者显然是这么认为的。Lehmann & Romano (2005)，Testing Statistical Hypotheses，自始至终毫不掩饰地使用“接受”和“拒绝”。Casella & Berger (2002)，统计推断，也使用“接受”和“拒绝”，甚至说“$H_0$或者$H_1$“。^‡

† 当空值的复合（通过指定参数值的范围，或者由于没有通过对辅助统计量进行调节而消除的有害参数）时，不对称性会加剧，在这种情况下，除非检验统计量是在其任何构成简单零点下都足够极端。

‡ 在 Cox & Hinkley (1974) Theoretical Statistics中，管理四个关于测试的章节，而不使用“accept”或“reject”，除了一次在吓人的引用中。