测试的水平是它的显着性水平，$\alpha$. 降低水平意味着使$\alpha$更小。

如果你做$\alpha$更小，你做$\beta$更大* ...功率是$1-\beta$.

当你降低时你在做什么$\alpha$将临界值进一步移到尾部，因此您更难拒绝是否$H_0$是真还是假，因为通过将临界值进一步移动到尾部，您减少了拒绝区域中的潜在样本集。

很容易看出拒绝概率的这种“同步”降低$H_0$和$H_1$($\alpha$和$1-\beta$分别）在功率曲线的上下文中，例如，使用单样本 t 检验。如果您根据真实总体均值和假设总体均值之间的差异得出幂，$\delta=\mu-\mu_0$, 你得到一条曲线$\alpha$什么时候$\delta=0$并增加为$\delta$离0越来越远。如果你减少$\alpha$通过将临界值进一步推到尾部，您“将曲线拉低”，因为您已经消除了一些可能的**样本安排，这些安排以前会导致拒绝：

随着我们从蓝色（10% 显着性水平）到深红色（5%）再到绿色（1%），在其他条件不变的情况下，整个功率曲线向下移动。

* 几乎总是使用典型类型的测试，但可以构建不一定发生这种情况的案例

** 无论$|\delta|$曾是$0$，或小，或大，旧临界值和新临界值之间的那些可能的统计值不再算作拒绝，因此每个可能的值$\delta$有较低的拒绝率。

犯第 1 类错误与第 2 类错误的可能性成反比。因此，如果您对 null 的拒绝不那么严格，在所有其他条件相同的情况下，您的测试能力应该会增加。

来自Wikipedia on Statistical Power：“增加检验功效的一种简单方法是使用更大的显着性标准（例如 0.10 而不是 0.05）进行不太保守的检验。当原假设为假时，这增加了拒绝原假设（即获得统计学上显着的结果）的机会，也就是说，降低了 II 类错误的风险（关于是否存在效应的假阴性）。”

Ceteris paribus , 当你降低显着性水平时$\alpha$在经典假设检验中，您正在增加拒绝零假设所需的证据数量。这意味着您不太可能拒绝零假设，这会降低 I 类错误的概率，但也会降低检验的功效。