1 第一種の誤りの定義
1.1 帰無仮説と対立仮説
1.1.1 帰無仮説が「棄却される」状況
統計的仮説検定では、まず帰無仮説（H0）と対立仮説（H1）を設定し、標本から得た統計量に基づいて決定を行う。有意水準αのもとで、帰無仮説が真である場合に、そのにもかかわらず棄却域に統計量が入って「帰無仮説を棄却する」という結論に至るのが第一種の誤りである。言い換えると、データが偶然にも棄却域に入ったために、真の状態を誤って否定してしまう状況を指す。
1.1.2 対立仮説が「採択」されるときの誤解
検定の一般的な記述では「帰無仮説を棄却する」ことは結論として示されるが、「対立仮説を採択する」という言い方は誤解を招きやすい。第一種の誤りは帰無仮説が真である局面で発生するため、棄却されたことは対立仮説が真である確率を直接示すものではない。棄却は「少なくとも帰無仮説がデータと両立しにくい」という意味合いにとどまる。
1.2 第一種の誤りの数学的表現
1.2.1 有意水準と発生確率の関係
第一種の誤りの確率は、帰無仮説が真であるという条件の下で「棄却してしまう」確率として定義される。通常、この確率を有意水準αとして設計する。したがって第一種の誤りは「偽陽性（帰無仮説が偽ではないのに棄却してしまう）」に対応する考え方であり、αはその上限として解釈されることが多い。
1.2.2 棄却域と真の状態の対応
棄却域とは、統計量がどの範囲に入ったら帰無仮説を棄却するかを決める領域である。第一種の誤りは、帰無仮説が真のときに棄却域が実現してしまうことに対応する。つまり真の状態（H0が成り立つ分布）と、棄却域の重なりが第一種の誤り確率を決める。設計段階でαを指定し、その指定に応じて棄却域の境界が決まる。
2 第一種の誤りの評価方法
2.1 有意水準（α）の設定
2.1.1 実験目的に基づく調整
αの選択は、第一種の誤りをどの程度抑えたいかという研究上の要請に結びつく。たとえば、誤って「効果あり」と結論し、実行コストや安全性に大きな影響が及ぶ場面では、第一種の誤りを小さくする方向でαが設定されやすい。一方、見逃し（第二種の誤り）を許容してでも、まず候補を広く拾いたい探索的研究では、αを相対的に大きく扱う場合がある。αはただの手続きパラメータではなく、目的に応じたリスク配分の一部として扱う必要がある。
2.1.2 慣習値とリスクの取り方
慣習的に用いられるα（例として0.05など）は、万能ではなく、データや目的の状況に対するリスク評価が不足しがちである。実務では、第一種の誤りの発生がもたらす損失（誤通知によるコスト、意思決定への影響）と、第二種の誤りがもたらす損失とのバランスを考慮し、αの妥当性を説明可能な形にすることが望ましい。
2.2 シミュレーションによる確認
2.2.1 モンテカルロ法の考え方
第一種の誤りが設計通りに制御されているかは、解析的に示せる場合もあるが、複雑な手続きではシミュレーションで確認することがある。モンテカルロ法では、帰無仮説が成り立つと仮定したモデルから多数回データを生成し、それぞれで検定を実行する。棄却の相対頻度がαに近いかどうかを見れば、第一種の誤り率が実際にどの程度期待通りになっているかを検証できる。
2.2.2 事前検討としての活用
シミュレーションは、単に誤り率の事後確認にとどまらず、研究計画の段階で用いることに価値がある。サンプルサイズ、分散の仮定、検定統計量の選択などによって、実効的な誤り率が変わりうる。事前に再現的に評価することで、手続きの妥当性や頑健性を高められる。
3 第二種の誤りとの対比
3.1 第二種の誤りの定義
3.1.1 「見逃し」に相当する状況
第二種の誤りとは、対立仮説が真であるにもかかわらず、帰無仮説を棄却できないことを指す。これは「効果があるのに検出できない」という見逃しに相当する。第一種の誤りが偽陽性であるのに対し、第二種の誤りは偽陰性の性格を持つと整理できる。
3.1.2 関連指標との接続
第二種の誤りの確率はβで表されることが多い。検定の設計では、第一種の誤り確率αを抑えつつ、第二種の誤り確率βを小さくすることが望ましい。しかし現実には、単純な手続きだけで同時に両方を十分小さくすることは難しく、他の条件（サンプルサイズや検出可能な効果量など）と絡んでトレードオフが生じる。
3.2 検出力（パワー）との関係
3.2.1 検出力が高いとは何を意味するか
検出力（パワー）は、対立仮説が真であるときに帰無仮説を棄却できる確率である。したがって検出力が高いとは、「本当に差や効果がある場合に見逃しにくい」ことを意味する。βを用いると、検出力は1−βとして表現されることが多い。
3.2.2 αと検出力のトレードオフ
αを小さくし、偽陽性を抑えようとすると、棄却域が厳しくなりやすい。その結果、対立仮説が真でも棄却しにくくなり、検出力が低下する方向に働くことがある。逆にαを大きくすれば棄却しやすくなり、検出力は上がりやすいが、第一種の誤り確率も増える。設計ではこの相互作用を理解し、目的に照らして妥当な組合せを選ぶ必要がある。
4 実務における解釈と報告の注意点
4.1 p値と第一種の誤りの混同回避
4.1.1 p値が示すもの／示さないもの
p値は、帰無仮説が成り立つという仮定の下で、観測された（またはそれ以上に極端な）データが得られる確率を表す。ここで重要なのは、p値が「帰無仮説が真である確率」を直接意味しない点である。またp値が小さいからといって、対立仮説の真偽が確定するわけでもない。第一種の誤りとの関係は「棄却の基準を設けたときに、棄却域に入る確率がαとして制御される」という設計思想にある。
4.1.2 「誤った確率」の誤読
第一種の誤り率は、帰無仮説が真の条件下での棄却確率として定義される。一方、個々の観測結果に対し「この結果が誤りである確率はαだ」とする理解は誤りになりやすい。αは確率ではあるが、特定のサンプルに対する事後確率ではなく、反復した場合の誤り率を対象にした指標である。解釈の立場（頻度論的な見方か、ベイズ的な見方か）を混同しないことが重要である。
4.2 多重検定での第一種の誤り管理
4.2.1 家族内誤差率の考え方
複数の仮説検定を同時に行うと、各検定でαを設定しても、全体として少なくとも一度は誤って棄却してしまう確率が上がりうる。このとき「家族内誤差率」（FWER）という考え方が用いられることがある。FWERは、あるグループ内で1回以上の第一種の誤りが起きる確率を抑えることを目的とする概念である。
4.2.2 補正手法の選択指針
FWERや制御の基準に合わせて、ボンフェローニ型などの厳格な補正から、期待誤発見数に基づく手法まで複数の選択肢がある。どれを採用するかは、目的（厳密に誤陽性を避けたいか、見逃しも含めた全体のバランスを取りたいか）、依存構造（検定間の相関）、研究分野の慣行などで変わる。実務では、採用理由と前提条件を明記し、選択が恣意的でないことを示すことが求められる。
4.3 報告時の最低限の記載項目
4.3.1 有意水準、検定方法、解釈の整合性
報告では、設定した有意水準α、用いた検定の種類、片側・両側の区別、ならびに結果の解釈が整合している必要がある。たとえば「α=0.05で有意」といった記載は、棄却判定と対応していなければならない。さらに、p値と結論の関係を明確にし、「有意だからといって原因が確定した」などの飛躍がないよう注意する。
4.3.2 透明性のための記述例
透明性を高める記述例として、(1)仮説の対（H0とH1）、(2)検定統計量と参照分布、(3)棄却基準（αおよび両側/片側）、(4)p値の報告、(5)多重検定を行った場合の補正手法、(6)主要な効果量や推定値と不確実性の提示、をまとめて記すと、読者が第一種の誤りの制御方針を理解しやすい。数値を並べるだけでなく、設計思想に対応した言い回しで結論を述べることが望ましい。