这是一个很好的问题。让我从几个澄清开始：

• 对于“[t] II 型错误 [to] 很重要”（或 I 型错误）来说，这并不意味着任何事情。当然，我们错过了真正的效果 可能非常重要。
• 此外，我们通常不会“[接受] 原假设”。（有关更多信息，在这里阅读我的答案可能会有所帮助：为什么统计学家说不显着的结果意味着“你不能拒绝零”而不是接受零假设？）

我认为您（不幸地）是对的，即较少关注权力和 II 型错误。虽然我认为生物医学研究的情况正在改善（例如，资助机构和 IRB 现在经常需要进行功率分析），但我认为有以下几个原因：

1. 我认为权力对于人们来说比简单的意义更难理解。（这部分是因为它取决于很多未知数——尤其是效应大小，但还有其他的）。
2. 大多数科学（即，除了物理和化学）都没有很好地数学化。因此，研究人员很难知道他们的理论“应该”给出多大的效应大小（不仅仅是$\ne0$）。
3. 科学家们传统上认为 I 型错误比 II 型错误更糟糕。

原因是我们根本不知道实际的 II 型错误率，而且我们永远也不会知道。这取决于我们通常不知道的参数。反过来，如果我们知道这个参数，我们就不需要进行统计测试。

但是，我们可以计划一个实验，以便满足特定的 II 类错误率，前提是某些替代方案是正确的。这样，我们将选择一个不浪费资源的样本量：要么是因为测试最终没有拒绝，要么因为已经小得多的样本量足以拒绝假设。