备择假设 ($H_a$ 或 $H_1$)

备择假设 (Alternative Hypothesis, $H_a$ 或 $H_1$)

备择假设 (Alternative Hypothesis)，记作 $H_a$ 或 $H_1$，是假设检验框架中与零假设 ($H_0$) 相对应的命题。它表述了研究者预期发现或试图证明的效应、差异或关系。在Neyman-Pearson引理所确立的假设检验范式中，备择假设定义了检验的目标方向：当样本数据提供足够强的证据拒绝零假设时，研究者便接受备择假设所陈述的主张。备择假设并非"被动的备选"，而是假设检验的逻辑驱动者——检验的功效 (power) 即为在备择假设为真时正确拒绝零假设的概率。

与零假设的逻辑关系

假设检验中零假设与备择假设构成互斥且完备的命题对。零假设通常表述"无效应"或"无差异"的保守立场，例如"两组均值相等"或"回归系数为零"。备择假设则表述与之对立的主张："两组均值不等"或"回归系数非零"。检验的逻辑并非直接证明备择假设，而是通过反证法的思想：先假定零假设成立，然后评估观测数据在该假定下的出现概率（即p值）。若该概率足够小（低于预设的显著性水平 $\alpha$），则拒绝零假设、间接支持备择假设。

这一逻辑的关键推论为：不拒绝零假设不等于证明零假设为真，可能只是样本信息不足或检验功效不够。同时，拒绝零假设也不等于备择假设被"证明"为真，只是在频率学派框架下做出了支持备择假设的统计推断。

单侧与双侧备择假设

备择假设根据研究问题的方向性分为两类。双侧备择假设 (two-sided alternative) 仅断言参数不等于某值而不指定方向，写作 $H_1: \theta \neq \theta_0$。适用于研究者事先不确定效应方向的探索性场景，如检验新药是否"有影响"而不预设是正面还是负面效应。单侧备择假设 (one-sided alternative) 指定了参数偏离的方向：右侧备择 $H_1: \theta > \theta_0$ 或左侧备择 $H_1: \theta < \theta_0$。当理论或先验知识明确预测方向时使用单侧检验，其统计功效在相同样本量下高于双侧检验，因为拒绝域集中于分布的一端。

选择单侧还是双侧备择假设必须在看到数据之前根据研究设计决定，否则会犯数据窥探 (data snooping) 的错误。在计量经济学中，回归系数的显著性检验通常默认为双侧备择（$H_1: \beta_j \neq 0$），而政策效应评估中若理论预测效应方向，则可使用单侧备择以增强检验灵敏度。

数学表述与检验统计量

设待检验的参数为 $\theta$，零假设为 $H_0: \theta = \theta_0$。对于双侧备择 $H_1: \theta \neq \theta_0$，基于检验统计量 $T(X)$ 的拒绝域为：

其中临界值 $c_{\alpha/2}$ 满足在 $H_0$ 下 $\Pr(|T| > c_{\alpha/2}) = \alpha$。对于右侧备择 $H_1: \theta > \theta_0$，拒绝域为 $\{T > c_{\alpha}\}$；左侧备择 $H_1: \theta < \theta_0$ 的拒绝域为 $\{T < -c_{\alpha}\}$。

检验的功效函数 $\beta(\theta) = \Pr(\text{拒绝 } H_0 \mid \theta)$ 在备择假设取值为真时给出正确决策的概率。对于固定的样本量 $n$ 和显著性水平 $\alpha$，功效 $\beta(\theta_1)$ 在 $\theta_1 \neq \theta_0$ 时随 $|\theta_1 - \theta_0|$ 的增大而递增，反映"效应越大越容易被检测到"的直观原理。

经济学与计量经济学中的应用

在实证经济学中，备择假设的设定直接影响研究结论。典型的应用场景包括：评估教育回报率时，零假设为"教育年限系数为零"，备择假设为"教育年限系数为正"（单侧，因理论预测教育提高工资）；检验有效市场假说时，零假设为"超额收益为零"，备择假设为"超额收益非零"（双侧）；Granger因果检验中备择假设为"X的滞后项显著预测Y"，拒绝零假设则支持X对Y存在Granger因果关系。

备择假设的明确表述也是统计功效分析和样本量计算的前提。在临床经济学评估和随机对照试验中，研究者必须在实验设计阶段就确定备择假设下的最小效应量（minimum detectable effect），以确保试验有足够功效检测到具有实际意义的效果。此外，Bayes因子方法通过比较零假设与备择假设下的边际似然提供了一种不依赖p值的替代推断框架，其中备择假设通常设定为参数上的先验分布而非点假设。