假设

假设 (Hypothesis)

假设（Hypothesis）是在科学方法（Scientific Method）框架下，对现象之间关系的可证伪性（Falsifiability）预测性陈述。它不应被视为一个随意的猜测，而是基于现有理论（Theory）、先前观察或归纳推理（Inductive Reasoning）提出的、有待检验的明确命题。在经济学、金融学、统计学等所有定量和实证研究领域，假设是连接理论与数据的桥梁，是构建知识体系的基石。

一个严谨的科学假设通常具备以下关键特征：（1）可检验性（Testability）：假设必须能够通过实验、观察或统计分析进行检验，这意味着研究者可以收集数据来支持或反驳该假设。（2）可证伪性（Falsifiability）：由科学哲学家Karl Popper提出的核心概念，指假设必须在逻辑上存在被证明为错误的可能性，无法被证伪的陈述（如"不可见的精神力量影响市场"）不属于科学假设的范畴。（3）精确性与清晰性（Precision and Clarity）：假设中涉及的变量（Variables）、总体以及它们之间预期的关系都应被清晰、无歧义地界定，例如"每增加一年正规教育，个人平均时薪将提高百分之八"比"受教育程度影响收入"更精确、更具可操作性。（4）陈述关系（Statement of Relationship）：假设通常陈述两个或多个变量之间的因果关系（Causality）或相关关系（Correlation）。

虚无假设与对立假设

在统计推断（Statistical Inference）中，假设检验（Hypothesis Testing）是一个标准化的流程，研究者通常会设立一对相互对立的假设：虚无假设和对立假设。

虚无假设（Null Hypothesis，$H_0$）是统计检验的默认立场或基准陈述，通常表述为"没有效应"、"没有差异"或"没有关系"。例如：一种新药对降低胆固醇没有效果；男性和女性的平均收入没有差异；广告支出与销售额之间没有关系。在数学形式上，虚无假设通常包含等号（$=$）、大于等于号（$\geq$）或小于等于号（$\leq$），例如比较两个总体均值 $\mu_1$ 和 $\mu_2$ 时写为 $H_0: \mu_1 = \mu_2$ 或 $H_0: \mu_1 - \mu_2 = 0$。研究者的目标是通过收集样本证据来拒绝（Reject）虚无假设——我们不是去"证明"相信的理论，而是去"推翻"与之对立的"无效应"基准。

对立假设（Alternative Hypothesis，$H_1$ 或 $H_a$）是研究者真正相信或希望通过研究证明的陈述，与虚无假设互斥。如果虚无假设被拒绝，我们就获得了支持对立假设的统计证据。对立假设分为两种主要类型：（a）双尾假设（Two-tailed Hypothesis）仅说明变量之间存在差异或关系但不指明方向，数学形式为 $H_1: \mu_1 \neq \mu_2$；（b）单尾假设（One-tailed Hypothesis）明确指出了差异或关系的方向，比双尾假设提供更具体的信息，包括右尾假设（$H_1: \mu_1 > \mu_2$，如接受培训的员工业绩评分高于未接受者）和左尾假设（$H_1: \mu_1 < \mu_2$，如新流程后的次品率低于实施前）。选择单尾还是双尾检验取决于研究问题和背后的理论基础——若已有强有力的理论或先验知识支持某个特定方向的效应，则可用单尾检验；否则为更加保守和客观起见，通常首选双尾检验。

假设检验流程

假设是整个实证研究流程的起点。一个典型的假设检验流程包括以下步骤：（1）陈述假设：根据研究问题，明确定义虚无假设（$H_0$）和对立假设（$H_1$）。（2）设定显著性水平：选择显著性水平（$\alpha$），代表我们愿意承担的"弃真"风险，即第一类错误（Type I Error）的概率，通常设为 0.05、0.01 或 0.10。（3）选择检验统计量：根据数据类型、样本大小和假设形式选择检验统计量，如z统计量、t统计量、F统计量或卡方统计量（$\chi^2$）。（4）制定决策规则：确定拒绝 $H_0$ 的标准，可通过比较检验统计量与临界值，或计算p值（p-value）并与 $\alpha$ 比较。（5）收集数据与计算：从样本中收集数据并计算检验统计量的值。（6）做出统计决策：若 $p \le \alpha$ 则拒绝虚无假设（有统计证据支持对立假设），若 $p > \alpha$ 则未能拒绝虚无假设（不代表 $H_0$ 正确，仅表示缺乏足够证据推翻它）。

经济学实例：人力资本与收入

以人力资本理论（Human Capital Theory）为例说明假设检验过程。研究问题：大学教育是否能显著提高个人起薪？第一步，陈述假设：$H_0$ 为大学毕业生的平均起薪不多于非大学毕业生（$\mu_{grad} \le \mu_{non-grad}$），$H_1$ 为大学毕业生的平均起薪高于非大学毕业生（$\mu_{grad} > \mu_{non-grad}$，此为右尾假设）。第二步，设定 $\alpha = 0.05$。第三步，使用两样本t检验（two-sample t-test）。第四步，若从100名毕业生和100名非毕业生数据中计算得 $p = 0.00002$。第五步，因 $p = 0.00002 < \alpha = 0.05$，拒绝 $H_0$。结论：在百分之五的显著性水平上，统计证据强烈支持大学教育能显著提高个人起薪。

常见误区

第一，假设与理论不可混淆——假设是具体待检验的命题，而理论是更广泛的综合解释框架，通常由许多得到验证的假设支撑。第二，统计中从不"接受"或"证明"虚无假设，只能说"未能拒绝"，这反映了科学的保守性：缺乏证据并不等于证明其不存在。第三，需区分统计显著性与经济显著性：统计显著的结果可能其效应量（Effect Size）极小，在现实世界中毫无实际意义——例如一项政策使人均GDP增长极少，即使统计显著也毫无实践价值。