误区一：如果不能拒绝原假设，那么便接受原假设（错误）
在多大数假设检验的应用中（即显著性检验），虽然对发生第一类错误的概率进行了控制，但并没有控制第二类错误发生的概率。因此，如果样本数据不能拒绝原假设，我们决定接受原假设的话，其实并不能确定该决策有多大的可信度。因此，我们在叙述中通常用“不能拒绝原假设”，而不是“接受原假设”。
“不能拒绝原假设”说明我们对判断持保留意见。只要未对第二类错误发生的概率加以控制，就不能得出接受原假设的结论。在这种情况下，我们只能得出两种结论：拒绝原假设或不能拒绝原假设。
误区二：p值代表事件（原假设）发生的概率，p值越小，说明事件越不可能发生（错误）
如果p<=α，我们拒绝原假设，这不是说原假设发生的可能性非常小，而是说当原假设为真时，我们错误拒绝原假设的概率非常小。
p值表示的是：当原假设为真时，出现样本检验统计量的具体值或更极端结果的概率。也可以说，p 值是犯第一类错误的实际概率。
误区三：把α值设置的越小越好（错误）
把α值设置的越小，就是把犯第一类错误的概率控制得很小，但是不要忘了，还有犯第二类错误的情况呢。对于给定的样本量，减小α会使β增大，反之，增大α会使β减小。因此，不能毫无必要地选择非常小的显著性水平α，否则会增大第二类错误发生的概率β。
误区四：如果p<=0.05，结果就是显著的（错误）
通常，人们会把α值设为0.05，以至于这成了一种通用做法。但在不同的情况下，小概率事件发生的标准是不同的，我们应该用自己的专业知识进行判断。事实上，不应该只把p值作为评判的手段，最好要计算出置信区间，效应量等。
误区五：置信度0.95表示有95%的概率，总体参数会落在置信区间内（错误）
置信区间是对总体参数的区间估计，因此，每次抽样计算出的置信区间都不同。要记住，总体参数是不变的，置信区间是包含总体参数的随机区间。置信度0.95表示有95%的概率，置信区间会包含总体参数。
附：
还有一个地方是我自己刚开始搞晕的。
α：错误拒绝原假设的概率。（相当于FN）
β：错误接受原假设的概率。（相当于FP）
1-β：正确拒绝原假设的概率。（相当于TN）
注意：α +β 不一定等于 1（基本上除特殊情况外都不等于1，因为它们根本就是两码事） 。