备择假设 (Alternative Hypothesis, $H_1$)

备择假设 (Alternative Hypothesis, $H_1$)

备择假设（Alternative Hypothesis），记作 $H_1$ 或 $H_a$，是统计假设检验框架中与零假设（$H_0$）相对立的研究假设。它代表研究者希望通过样本数据提供证据支持的命题，通常反映所研究现象"存在效应"、"存在差异"或"存在关联"。在Neyman-Pearson引理的假设检验范式下，检验的本质就是在 $H_0$ 与 $H_1$ 两个竞争性假设之间依据样本证据做出决策。

备择假设的形式

根据研究问题的性质，备择假设有三种标准形式。设 $\theta$ 为感兴趣的总体参数。

双侧备择假设的形式为 $H_1: \theta \neq \theta_0$。此时拒绝域分布在抽样分布的两侧尾部，适用于"是否存在差异"这类无方向性的研究问题。例如检验某药物是否改变血压（无论升高或降低），$H_1: \mu \neq \mu_0$。

右侧备择假设的形式为 $H_1: \theta > \theta_0$。拒绝域位于抽样分布的右尾。该类设定适用于"是否显著大于"的方向性研究问题，如检验新工艺是否提高产品寿命，$H_1: \mu > \mu_0$。

左侧备择假设的形式为 $H_1: \theta < \theta_0$。拒绝域位于抽样分布的左尾，适用于"是否显著小于"的方向性研究问题，如检验改进后的次品率是否降低，$H_1: p < p_0$。

方向的选择必须在收集数据之前根据研究目的确定，而非在看到数据之后再选择"有利"的方向。先看数据再决定检验方向属于p值操纵（p-hacking），严重损害统计推断的有效性。

与零假设的逻辑关系

备择假设与零假设在逻辑上通常是互斥的，但并不必然穷尽所有可能。在经典的假设检验逻辑中，检验采用"反证法"思路：默认接受 $H_0$ 为真，然后考察观测数据与 $H_0$ 的相容程度。如果数据在 $H_0$ 下出现的概率（即p值）足够小（小于预定的显著性水平 $\alpha$），则拒绝 $H_0$，转而接受 $H_1$。

这一逻辑的不对称性至关重要：检验可以"拒绝 $H_0$ 从而接受 $H_1$"，但不能"接受 $H_0$ 从而拒绝 $H_1$"。当数据不足以拒绝 $H_0$ 时，结论只能是"不拒绝 $H_0$"，而非"证明 $H_0$ 为真"。这体现了统计学中"证据支持备择假设需要足够的样本信息"这一保守原则。

功效与两类错误

假设检验中存在两种可能的决策错误。第一类错误（Type I Error）是在 $H_0$ 为真时错误拒绝 $H_0$，其概率由显著性水平 $\alpha$ 控制。第二类错误（Type II Error）是在 $H_1$ 为真时未能拒绝 $H_0$，其概率记作 $\beta$。

检验功效（Power）定义为当 $H_1$ 为真时正确拒绝 $H_0$ 的概率：

功效是衡量检验对真实效应敏感度的关键指标。功效受样本量 $n$、效应大小、显著性水平 $\alpha$ 以及备择假设的方向性影响。样本量越大，功效越高；效应越大，越容易被检测到。在功效分析（Power Analysis）中，研究者通常在实验设计阶段预设所需的功效水平（通常为 0.80），反推所需的样本量。

应用示例

以单样本t检验为例。某化肥厂商声称其产品使玉米亩产平均达到 $800$ 公斤。农学家怀疑实际产量低于该声称值，从使用该化肥的农田中随机抽取 $n = 36$ 个样本，测得样本均值 $\bar{x} = 780$ 公斤，样本标准差 $s = 48$ 公斤，显著性水平 $\alpha = 0.05$。

建立假设：$H_0: \mu = 800$，$H_1: \mu < 800$（左侧备择假设）。检验统计量 $t = (780 - 800) / (48 / \sqrt{36}) = -2.5$，自由度为 $35$。若 $-2.5$ 小于临界值 $-t_{0.05, 35}$，则拒绝 $H_0$，认为有充分证据支持亩产低于声称值的备择假设。备择假设的设定方向直接决定了本检验为单侧检验而非双侧检验，体现了研究问题对统计方法的引导作用。