一直以来，在学习与应用中的假设检验都以 0.05 为默认的检验标准。即：如果MINITAB算出来的 P >0.05， 则接受原假设，反之，如果 P<0.05，则拒绝原假设。也就是说，作这种决策有95%的置信度，犯错概率只有 5%。
但当引入 0.01的显著性水平后，则出现了一个疑惑。如：在数据作正态性测试时，如果 P=0.03， 按 0.05 的显著性水平（P<0.05)，则拒绝原假设：我们有95%可信度认为此数据不服从正态分布。而如果按 0.01 的显著性水平（P=0.03>0.01），那我们就会接受原假设：我们有99%的置信度认为此数据服从正态分布，这样且不是前后矛盾？95%的可信度拒绝，而99%的置信度反而接受了！
这是否应该有另一个解释？

阿尔法是一个判断标准（是一个弃真的错误率标准（拒绝原假设所犯错误的概率）），0.05就是得有95%的把握和可能性（95%的正确，允许5%犯弃真的错误），，0.01就是得有99%的把握和可能性（99%正确，要求更高了，只能1%失误），那么显然要达到99%的把握，就得把判断区间放的比较宽，所以0.01区间肯定比0.05宽。比如一个美女高度大概在1.68左右，我为了能有99%把握判断这个美女得身高，那我就会说这个她身高在1.0m和2.0m之间（除非美女是个怪胎，要不然身高肯定在1~2米之间），假设想30%把握判断美女身高（允许70%失误），既然前提许我失误70%，那我就大胆的锁定美女身高在1.66到1.70，这样有可能美女身高不在这个1.66~1.70范围之内，但是也没关系，因为允许我70%失误，。
P值就是根据数据估算出来弃真的概率，假设p是0.03，也就是根据数据拒绝原假设会失误的可能性是3%，如果阿尔法是0.05，那么允许5%的失误，现在既然根据数据推断会有拒绝原假设就3%的错误可能，小于允许，那么我宁可赌一把，拒绝原假设吧，如果阿尔法是0.01，那么就是允许1%失误，而现在实际是3%失误的可能，显然高于所允许的，所以还是不能拒绝原假设，老老实实接受原假设吧