誤區一：如果不能拒絕原假設，那么便接受原假設（錯誤）
在多大數假設檢驗的應用中（即顯著性檢驗），雖然對發生第一類錯誤的概率進行了控制，但並沒有控制第二類錯誤發生的概率。因此，如果樣本數據不能拒絕原假設，我們決定接受原假設的話，其實並不能確定該決策有多大的可信度。因此，我們在敘述中通常用“不能拒絕原假設”，而不是“接受原假設”。
“不能拒絕原假設”說明我們對判斷持保留意見。只要未對第二類錯誤發生的概率加以控制，就不能得出接受原假設的結論。在這種情況下，我們只能得出兩種結論：拒絕原假設或不能拒絕原假設。
誤區二：p值代表事件（原假設）發生的概率，p值越小，說明事件越不可能發生（錯誤）
如果p<=α，我們拒絕原假設，這不是說原假設發生的可能性非常小，而是說當原假設為真時，我們錯誤拒絕原假設的概率非常小。
p值表示的是：當原假設為真時，出現樣本檢驗統計量的具體值或更極端結果的概率。也可以說，p 值是犯第一類錯誤的實際概率。
誤區三：把α值設置的越小越好（錯誤）
把α值設置的越小，就是把犯第一類錯誤的概率控制得很小，但是不要忘了，還有犯第二類錯誤的情況呢。對於給定的樣本量，減小α會使β增大，反之，增大α會使β減小。因此，不能毫無必要地選擇非常小的顯著性水平α，否則會增大第二類錯誤發生的概率β。
誤區四：如果p<=0.05，結果就是顯著的（錯誤）
通常，人們會把α值設為0.05，以至於這成了一種通用做法。但在不同的情況下，小概率事件發生的標准是不同的，我們應該用自己的專業知識進行判斷。事實上，不應該只把p值作為評判的手段，最好要計算出置信區間，效應量等。
誤區五：置信度0.95表示有95%的概率，總體參數會落在置信區間內（錯誤）
置信區間是對總體參數的區間估計，因此，每次抽樣計算出的置信區間都不同。要記住，總體參數是不變的，置信區間是包含總體參數的隨機區間。置信度0.95表示有95%的概率，置信區間會包含總體參數。
附：
還有一個地方是我自己剛開始搞暈的。
α：錯誤拒絕原假設的概率。（相當於FN）
β：錯誤接受原假設的概率。（相當於FP）
1-β：正確拒絕原假設的概率。（相當於TN）
注意：α +β 不一定等於 1（基本上除特殊情況外都不等於1，因為它們根本就是兩碼事） 。