1 概述
1.1 基本定义：拒真即错
I 类错误（Type I error）指在假设检验中，当原假设 \(H_0\) 实际为真时，却仍然做出“拒绝 \(H_0\)”的决策，从而把由随机波动造成的差异误判为“真实存在的效应”。换言之，它是把“噪声当成信号”的误判结果。
1.2 与显著性水平 α 的关系
I 类错误的发生概率通常被设定为显著性水平 \(\alpha\)。在经典检验框架下，\(\alpha\)可理解为：在 \(H_0\) 为真的前提下，仍被允许拒绝 \(H_0\) 的最大概率（或目标概率）。因此，\(\alpha\)越小，检验越“保守”，I 类错误越难发生。
1.3 与 II 类错误的区分
I 类错误关注“拒真即错”，其对应的是在 \(H_0\) 真时的误拒绝；II 类错误（Type II error）则相反，关心在备择情形真实时却未能拒绝 \(H_0\)。两者从不同方向刻画检验失误：一个是“误报”，另一个是“漏报”。实践中常需要在两类错误之间权衡。
1.4 在假设检验中的位置与作用
I 类错误在假设检验的设计阶段影响决策规则（例如阈值与拒绝域的选择），在解释阶段用于说明“显著性结论在 \(H_0\) 为真时的误判风险”。它帮助读者避免把“统计学上显著”简单等同于“结论一定正确”或“效应一定重要”。
2 数学表述与符号约定
2.1 原假设 H₀ 与备择假设 H₁
设原假设为 \(H_0\)，备择假设为 \(H_1\)。检验通过统计量或判别规则对数据进行评估，最终在“拒绝 \(H_0\)”与“不拒绝 \(H_0\)”之间作出选择。需要注意的是，\(H_0\) 与 \(H_1\)的具体含义取决于研究问题，例如“无效应/有效应”或“参数等于某值/不等于该值”等。
2.2 拒绝域（critical region）概念
拒绝域（critical region）是统计量取值空间中触发“拒绝 \(H_0\)”的区域。若观测统计量落入该区域，则做出拒绝 \(H_0\) 的决定；若不落入，则不拒绝 \(H_0\)。拒绝域的形状与位置由检验目标与分布假设共同决定。
2.3 I 类错误概率的表示
I 类错误概率可表示为： \[ P(\text{拒绝 }H_0 \mid H_0 \text{ 为真}) \] 在设计良好的检验中，该概率通常被控制在 \(\alpha\) 附近或不超过 \(\alpha\)。当拒绝域确定后，这一概率在 \(H_0\) 的前提下由统计量的分布直接给出。
2.4 显著性水平 α 的解释方式
\(\alpha\)常被解释为“在原假设为真时，发生误报（I 类错误）的概率”。需要强调的是，它是对“程序行为”的描述，而不是对“结论真假的概率”的直接陈述。即：\(\alpha\)刻画的是决策规则在 \(H_0\) 为真这一世界状态下的错误频率，而不是说“某次结果有 \(\alpha\) 的概率是错的”。
3 举例与直观理解
3.1 “检测到差异”的误报情景
设想做一项检验，目标是判断两组是否存在差异。若实际不存在任何差异（即 \(H_0\) 为真），仍可能因为抽样波动而观察到看似“很不一样”的结果，从而落入拒绝域。此时做出的“存在差异”结论属于 I 类错误：它是在 \(H_0\) 真时的误判。
3.2 医学临床试验中的 I 类错误类比
在临床试验中，\(H_0\)可对应“治疗与安慰剂效果相同”。如果试验设计的显著性水平为 \(\alpha\)，那么在治疗并无真实效果的情形下，研究仍有大约 \(\alpha\) 的概率会得到“治疗更有效”的统计显著结论。这种“看起来阳性但本质无效”的情况可视为I类错误的类比。
3.3 工程/质量控制中的误警案例
质量控制中常对“过程是否偏离标准”进行检验。例如 \(H_0\)为“产品质量过程稳定且符合指标”。当过程其实没有问题，却因为测量噪声触发报警（拒绝 \(H_0\)），便属于 I 类错误：它会带来不必要的停线、复检与成本。
3.4 日常类比：把噪声当信号
日常生活也能找到类似直觉：比如你在嘈杂环境中听到某个“像是有人呼喊”的声音，但可能只是环境噪声的巧合。若你把这种巧合当作真实呼救并采取行动，那么你所犯的就类似 I 类错误——在“原本并没有真实信号”的前提下，仍把随机波动当成了证据。
4 统计检验中的影响因素
4.1 显著性水平 α 的设定策略
\(\alpha\)的设定体现了对“误报代价”的考量。若 I 类错误代价高（例如误判会导致昂贵或危险的后续措施），通常倾向采用更小的 \(\alpha\)。若更担心漏过真实效应，则可能需要更大的 \(\alpha\)（或配合提升检验能力的策略）。因此，\(\alpha\)不是“越小越好”的单调选择，而是与应用场景目标相关的设计参数。
4.2 检验类型与 I 类错误控制
不同统计检验在具体实现上可能采用不同的统计量、近似方法或分布假设。若检验在理论上能保证 \(P(\text{拒绝 }H_0\mid H_0)=\alpha\)，则其对 I 类错误的控制更直接；若使用了近似（例如渐近性质或置换/重采样近似），实际误报率可能与目标略有偏差。检验类型与实现方式会影响 I 类错误控制的可靠程度。
4.3 多重比较下的 I 类错误累积
当同时进行多次检验时，单次检验的 \(\alpha\)不等同于“整体误报风险”。即使每个检验都把 I 类错误概率控制在 \(\alpha\)，多次检验后至少出现一次“误报”的概率通常会上升。这也是多重比较中需要调整（例如控制家族错误率或控制假发现率）的原因之一。简言之，多重比较会让 I 类错误从“局部风险”变成“累计风险”。
4.4 连续与离散情形的差异直觉
在连续分布情形下，统计量落在拒绝域边界的概率往往为零，因此 \(\alpha\)的设定更容易与拒绝域精确对应。相对地，在离散分布中，由于可能取值受限，拒绝域的变化会呈现跳跃式效果，导致实际的 I 类错误率可能难以精确等于指定 \(\alpha\)，只能满足“不超过”或“接近”的控制。这种“离散导致阈值无法细调”的直觉，有助于理解不同数据类型下显著性水平的表现差异。