在卫生统计学中，检验效能（Power of a Test）是指当研究假设实际上为真时，能够正确拒绝零假设的概率。而I型错误和II型错误则是与假设检验相关的两类错误。

I型错误指的是当我们拒绝了一个实际上是正确的零假设时发生的错误，也就是所谓的“假阳性”。在统计学中，我们通常用α（阿尔法）来表示犯这种错误的概率，一般情况下设定为0.05或5%。这意味着如果一个研究的显著性水平设定了0.05的标准，在实际上没有效应的情况下，有5%的可能性会错误地认为存在效应。

II型错误则是指当零假设实际上是不正确的时我们未能拒绝它的情况，也称为“假阴性”。这种错误的概率通常用β（贝塔）来表示。1-β即为检验效能，代表了在实际存在效应的情况下正确检测到该效应的能力。

检验效能与I型、II型错误之间存在着密切的关系：
1. 提高检验效能可以降低犯II型错误的风险：通过增加样本量、提高测量精度或选择更敏感的统计方法等手段都可以有效地提升检验效能，从而减少未能发现真实存在的效应的可能性。
2. 在固定样本大小的情况下，减小I型错误的概率（即降低α水平）会使得检验效能下降：这是因为降低α值意味着提高了对拒绝零假设的标准要求，这将导致更多的真阳性被误判为阴性，增加了II型错误的风险。反之亦然，在不改变其他条件的前提下增加α值虽然可以提高检测到效应的能力，但同时也会增大I型错误的可能性。
3. 检验效能的计算通常需要预先设定一个可接受的β值（通常是0.2或20%），以确保研究具有足够的能力来发现预期中的效应大小。在实际应用中，研究者往往希望找到一个平衡点，在控制I型和II型错误率的同时尽可能提高检验效能。

综上所述，理解检验效能与I型、II型错误之间的关系对于设计有效的统计分析方案至关重要。