假设检验的 p 值或相应的置信区间取决于对 2 个问题的处理或选择：

1. 干扰参数的处理

为了将大小保持在准确的水平，对于讨厌的参数的所有可能值，类型 1 错误需要小于或等于 alpha。比率相等的原假设不约束值本身，因此它是一个令人讨厌的参数。

条件检验（如精确条件泊松检验或 Fisher 精确检验）通过以汇总统计量为条件来消除干扰参数。

无条件精确测试需要通过对所有可能的讨厌参数值使用 max 或 sup 来断言大小是正确的。Berger-Boos 测试限制了 nuisance 参数的空间，max但添加了一个因素以使其准确，即保留大小 alpha。

从这个意义上说，泊松 E 检验并不是一个精确的检验。它使用“精确”分布，但它使用有害参数的估计值。

2. 两侧拒绝区域的位置

双边测试在下尾和上尾都有拒绝区域。测试的六个最多为 alpha 的要求是对处于其中一个尾部的概率的要求，但它并没有单独确定每个尾部的概率。

“中心”或等尾方法将每个尾的概率限制为小于或等于大小的一半，alpha / 2。

“minlike”使用似然值（基于似然比检验）来寻找非拒绝区域。相应的配置文件置信区间在泊松或二项式等偏态分布中不会有等尾。

Michael P. Fay 指出并强调的一点是假设检验和置信区间通常彼此不一致。

例如，R 中的精确泊松检验使用“minlike”假设检验和精确 p 值，但报告精确的“中心”或等尾置信区间。

在单面测试中，位置是固定的，“minlike”和“central”之间的区别变得无关紧要。因为只有一条尾巴，所以精确测试需要将该尾巴的大小保持在 alpha 级别。