在真实的、非模拟的数据中，真正的 P（I 型错误）是否真的等于？$\alpha$

假设不成立（所有假设什么时候成立？），人们在看到数据后选择假设，在检查假设后选择程序，忽略异常值等。

即使是“精确的”非参数程序也依赖于很少完全成立的假设（例如独立性或可交换性）。

将 p 值视为——在完美的条件下——有时相当准确（其余时间可能是信息丰富的虚构），你可能不会错得太远。

我能想到的唯一例子是数据挖掘。例如，如果运行许多测试（但未纠正）并且只报告那些“显着”的测试，则 I 类错误的概率远高于 alpha。明显的例子是通过许多检验进行多重比较，而没有像 Bonferroni 校正或逐步变量选择之类的东西。 $t$