决策法则

决策法则 (Decision Rule)

决策法则（Decision Rule）是统计假设检验中将样本数据映射为关于零假设的二元决策（拒绝或不拒绝）的一套规则。它是连接统计推断与实际行动之间的桥梁：给定观测样本，决策法则明确规定在何种条件下拒绝零假设 $H_0$，在何种条件下不拒绝。在决策理论和统计推断的框架下，决策法则的选择直接影响检验的两类错误概率——第一类错误（弃真）和第二类错误（取伪），因而是决定检验质量的核心要素。

拒绝域与接受域

决策法则的构造通常基于一个检验统计量 $T(X)$ 和一个临界值 $c$。将样本空间划分为两个互斥区域：若 $T(X)$ 落入拒绝域（Rejection Region 或 Critical Region）$R$，则决策为拒绝 $H_0$；若 $T(X)$ 落入接受域（Acceptance Region）$R^c$，则决策为不拒绝 $H_0$。拒绝域的选择由显著性水平 $\alpha$ 控制：

即当零假设真实时，决策法则错误拒绝 $H_0$ 的概率不超过 $\alpha$。典型的单侧检验拒绝域形式为 $\{T > c\}$ 或 $\{T < c\}$，双侧检验为 $\{|T| > c\}$。例如在Z检验中，若设定 $\alpha = 0.05$ 进行双侧检验，决策法则为"当 $|Z| > 1.96$ 时拒绝 $H_0$"。

p值决策法则

现代统计实践中广泛使用的是一种等价于拒绝域法则的替代方案：p值决策法则。计算观测p值（在 $H_0$ 下观察到当前或更极端结果的概率），然后比较 p值 与显著性水平 $\alpha$。决策法则为：若 $p \le \alpha$，拒绝 $H_0$；若 $p > \alpha$，则不拒绝 $H_0$。p值决策法则的优势在于提供了更强的信息性：p值不仅给出二元结论，还量化了"反对零假设的证据强度"，允许读者根据各自的风险偏好自行评估结论的稳健性。

奈曼-皮尔逊引理与最优决策法则

奈曼-皮尔逊引理（Neyman-Pearson Lemma）为在简单假设 $H_0: \theta = \theta_0$ 对 $H_1: \theta = \theta_1$ 的检验中构造最优决策法则提供了理论基础。在给定第一类错误概率 $\alpha$ 的约束下，似然比检验（决策法则为：当 $\mathcal{L}(\theta_1)/\mathcal{L}(\theta_0) > k$ 时拒绝 $H_0$）最大化检验的功效，即最小化第二类错误概率。这一结论确立了似然比检验在假设检验理论中的核心地位，并在似然比检验统计量的构造中推广至复合假设情形。

决策法则的评估与选择

评估决策法则的优劣需从多个维度考量。功效函数 $\beta(\theta) = P(\text{拒绝 } H_0 \mid \theta)$ 给出了在不同参数真值下决策法则拒绝零假设的概率曲线，理想的决策法则在 $H_0$ 为真时功效低（等于 $\alpha$），在 $H_1$ 为真时功效高（趋于1）。功效分析通过预设期望功效水平反算所需样本量来指导实验设计。无偏检验要求在任何备择参数值下拒绝 $H_0$ 的概率不低于 $\alpha$，即 $\beta(\theta) \ge \alpha$ 对所有 $\theta \in H_1$ 成立。一致最优势检验（UMP Test）在给定 $\alpha$ 下对所有可能的备择参数值都达到最高功效，但仅在特定分布族和检验形式下存在（如指数族参数的单侧检验）。