众所周知，size为犯第一类错误的概率。1-power为犯第二类错误的概率。
在假设检验中，以一元线性回归为例，原假设为：系数为0。而往往我们都是要看检验结果是否拒绝原假设。根据题设，拒绝原假设的概率为显著性水平。但是我们在检验时并没有指出原假设是正确的假设。如果原假设是正确的假设，那么拒绝原假设的概率为犯第一类错误的概率。如果原假设本来就是错误的，我们拒绝原假设的概率为犯第二类错误的概率，也是1-power。

但是一般的假设检验都认为原假设为真命题，最后得到的是犯第一类错误的概率，但是在一元线性回归模型中，比如说来验证凯恩斯的绝对收入假说，用消费对可支配收入进行回归，理论上可支配收入的估计系数应该不为0，但是在进行假设检验时，原假设却是系数为0，而这明明是一个错误假设，最后拒绝这个假设的概率应该是犯第二类错误的概率，也是1-power。而这跟一般数理统计教科书中的说法完全不一样啊，教科书中认为不管什么情况下，原假设始终是正确的，要不怎么认为拒绝原假设的概率为犯第一类错误的概率呢？难道有size=1-power之说法？
所以恳请大家解释一下这个问题，本人在再此表示感谢。