我们主要从几个方面来说明，当统计中假设检验不显著时，为什么需要说不拒绝原假设而不能说接受原假设。

从本质上说，我们之所以不能说接受原假设，是因为我们在对真实数据做检验时，做出的推断是建立在原假设（ H 0 H_0 H0​）基础上，我们做出的推断也往往是拒绝原假设或者不拒绝原假设。而如果要说接受原假设，在假设检验这一小概率反证法的思想框架下，是需要以很小的概率拒绝备择假设（ H 1 H_1 H1​）才能说得过去，而这就涉及到了第二类错误与功效，其取决于只有上帝才知道的真实值才能计算得到，我们是不知道真实情况的，也就是说我们没办法在检验前按照自己的想法来控制第二类错误。

在假设检验中，我们设置了显著性水平（连续情况下为第一类错误，离散情况下第一类错误通常小于显著性水平），通常为 α = 0.05 \alpha = 0.05 α=0.05。因此，我们拒绝了实际成立原假设这一犯错的概率（第一类错误）是可以控制的，其小于等于 0.05 0.05 0.05。若在这种很小犯错概率的前提下都拒绝，那么其实可以认为发生 H 1 H_1 H1​的概率还蛮大的，从而做出了推断。

但是反过来，如果我们在原假设的基础上，得不到充足的证据拒绝原假设，但此时，我们对此时犯错误的概率并不知道！当我们不能拒绝原假设的时候，这是可能犯的错误是第二类错误，也就是——真实情况下原假设为假，但是我们却接受了原假设的这个错误，如果第二类错误非常大，就会导致原假设也是错的这一结论。也因此从逻辑上说，我们不能得到接受原假设这一推断。

下面我们通过绘制分布图，来直观理解前面所讲的内容（代码均为R语言代码）。

首先构建绘图函数：