零假设 ($H_0$)

零假设 (Null Hypothesis, $H_0$)

零假设 (Null Hypothesis)，通常记作 $H_0$，是 统计假设检验 中处于核心地位的一个命题，指被设定为"默认成立"或"无效应、无差异"的状态，检验的目的就是用样本数据去判断是否有足够证据推翻它。零假设通常代表一种保守的、维持现状的立场，例如"新药无效""两组均值相等""回归系数为零"等。检验的逻辑不是直接证明 备择假设 成立，而是通过控制犯错概率来评估零假设的可信程度：只有在数据与零假设严重不一致时，才拒绝 $H_0$ 转而接受备择假设。

零假设在假设检验中的角色

假设检验的推理框架建立在"反证法"思想之上。研究者真正感兴趣的命题通常放在 备择假设 (Alternative Hypothesis, $H_1$) 中，而零假设则是该命题的"反面"。检验从假定 $H_0$ 为真出发，考察在当前样本下观察到极端结果的概率即 p值 (p-value)。若 $p$ 值小于预先设定的 显著性水平 (Significance Level, $\alpha$)，则认为数据提供了足够强的反证，拒绝 $H_0$；否则不能拒绝 $H_0$。

需要强调的是，"不能拒绝 $H_0$"并不等同于"接受 $H_0$ 为真"。它仅意味着当前数据没有提供足够的证据去推翻零假设，可能因为样本量不足、效应确实为零，也可能因为数据噪声过大。这一逻辑不对称性是假设检验中最容易被误解的地方。

零假设的设定原则

零假设的设定遵循几条基本规则。其一，$H_0$ 必须包含等号。例如 $H_0: \mu = 0$ 或 $H_0: \mu \leq 0$ 都是合法的零假设，而 $H_0: \mu > 0$（严格不等式）不能直接作为零假设，因为等号是计算检验统计量在零假设下分布的必要条件。其二，零假设通常体现"无差异"或"无效"的保守立场。在 两样本均值差异的检验 中，零假设一般为 $H_0: \mu_1 = \mu_2$；在回归分析中，对单个系数的检验通常设 $H_0: \beta_j = 0$。

其三，零假设应该在收集数据之前确定。如果看到数据之后再设定 $H_0$，检验的统计性质（如 第一类错误 概率）将不再有效，这属于 p值操纵 (p-hacking) 的一种形式。

两类错误与零假设

零假设检验框架下存在两种可能的决策错误。第一类错误 (Type I Error) 是指 $H_0$ 实际为真却被拒绝，其概率由显著性水平 $\alpha$ 控制，通常设为 0.05 或 0.01。第二类错误 (Type II Error) 是指 $H_0$ 为假却未能拒绝，其概率记为 $\beta$，而 $1 - \beta$ 称为检验的 功效 (Power)。

两种错误之间存在权衡：降低 $\alpha$（使拒绝标准更严格）会减少第一类错误但增加第二类错误概率（在其他条件不变时）。样本量是同时降低两类错误的主要手段，这也是 样本量计算 (Sample Size Calculation) 在实验设计中的核心作用。

经济学中的应用实例

在 计量经济学 中，零假设几乎无处不在。检验某个政策是否有效时，设 $H_0: \beta_{\text{policy}} = 0$，即政策效应为零。在 有效市场假说 的检验中，零假设为"市场是有效的"，研究者需要找到足够强的证据才能宣称市场无效。在 格兰杰因果检验 中，零假设为"X 不格兰杰导致 Y"，即过去的 X 无助于预测 Y。这些例子共同体现了零假设的保守本质：将需要强证据支撑的命题放在对立面，用数据去尝试推翻一个"无趣"但可靠的原假设。