零假设
零假设 (Null Hypothesis)
零假设 (Null Hypothesis)，在 统计学 中通常以 表示，是 假设检验 (Hypothesis Testing) 的基石。它是关于 总体 (Population) 参数 (Parameter) 的陈述，核心思想为"无效应"或"无差异"。研究者设零假设作为需通过 样本 数据挑战的默认立场。
与零假设相对的是 备择假设 (Alternative Hypothesis)，用 或 表示，代表研究者希望证明的"有效应"或"有差异"的陈述。假设检验的本质是收集证据评估是否有足够理由推翻零假设、支持备择假设。
零假设的构建原则
零假设的构建遵循以下基本原则：
- 陈述的性质：零假设总是关于总体参数（如总体 均值 、总体比例 或两个总体参数之差）的陈述，而非关于样本统计量。
- 包含等号：零假设的数学形式必然包含等式关系（, , 或 ）。这一设定提供了一个确切的数值，使得我们能够在 为真的前提下计算观察到特定样本结果的 概率。
- 作为被挑战的对象：零假设代表现状、普遍接受的观点或一种无特定关系的状态，科学研究的目的正是挑战这种现状。
构建示例
- 医学研究（新药降压效果）： \[ H_0: \mu_{\text{新药}} = \mu_{\text{安慰剂}}, \quad H_1: \mu_{\text{新药}} \neq \mu_{\text{安慰剂}} \]
- 经济学（政策对失业率的影响）： \[ H_0: \mu_{\text{实施后}} = \mu_{\text{实施前}}, \quad H_1: \mu_{\text{实施后}} \neq \mu_{\text{实施前}} \]
- 生产管理（零件直径是否符合标准 5cm）： \[ H_0: \mu = 5, \quad H_1: \mu \neq 5 \]
假设检验的逻辑过程
假设检验的逻辑可类比法庭"无罪推定"原则：零假设如同"被告无罪"的初始假定，检方须提供足够证据来推翻它。检验分为以下步骤：
- 设定假设：明确陈述 和 。
- 设定显著性水平 ：即愿意承担的"弃真"风险，通常取 , 或 。
- 假定 为真：作为整个推断过程的逻辑起点。
- 计算检验统计量：从总体抽取 随机样本，计算如 值、 值或 值等 检验统计量，衡量样本与零假设预期的偏离。
- 计算 p 值：在 为真的前提下，获得当前样本结果或更极端结果的概率。很小的 p值 意味着零假设为真时该结果极不可能发生。
- 做出决策： \begin{itemize}
- 若 ：拒绝零假设 (Reject )，结果被称为 统计显著的 (Statistically Significant)。
- 若 ：未能拒绝零假设 (Fail to Reject )，即当前样本数据没有提供足够强的证据来推翻它。 \end{itemize}
关键概念辨析
"未能拒绝"不等于"接受"
这是统计推断中最易误解的概念。我们永远不说"接受零假设"。"未能拒绝"仅意味着当前数据未能提供足够证据推翻它——正如法庭"证据不足、无罪释放"不等同于证明被告"绝对清白"。由于样本随机性，零假设可能实际为假但我们恰巧抽到了无法揭示该错误的样本。
p 值不是 为真的概率
p 值是在假定 为真的条件下观察到当前样本结果的条件概率，即 ，绝非零假设本身为真的概率 。这是频率派与 贝叶斯统计 的根本区分：频率派视参数为固定常数，概率仅来自数据随机性；贝叶斯派允许对参数赋予概率分布。
两类错误
基于样本信息对总体做推断时，存在两种可能的错误：
- 第一类错误 (Type I Error)：弃真—— 本身正确却被拒绝。发生概率即显著性水平 ： \[ P(\text{Reject } H_0 \mid H_0 \text{ is true}) = \alpha \]
- 第二类错误 (Type II Error)：存伪—— 本身错误却未能被拒绝。发生概率以 表示： \[ P(\text{Fail to Reject } H_0 \mid H_0 \text{ is false}) = \beta \]
研究者通常在控制 的前提下尽可能降低 ，即最大化 统计功效 (Statistical Power, )。零假设的设立为科学方法论提供了客观、可重复的框架，用以评估新发现是否仅源于随机巧合。