零假设 (Null Hypothesis, $H_0$)

零假设 (Null Hypothesis, $H_0$)

零假设 (Null Hypothesis)，记为 $H_0$，是假设检验中作为检验基准的初始陈述，通常代表无效应、无差异或现状 (status quo)。在频率学派统计推断框架下，零假设是一个被预设为真、直至样本数据提供充分反证才予以拒绝的命题。其名称源自早期农业实验中的"零处理" (null treatment) 概念——即对照组接受无效处理，以衡量实验处理的真实效果。

符号表示与数学形式

零假设通常以等式或不等式的形式表达总体参数的特征。设 $\theta$ 为待检验的总体参数，$\theta_0$ 为某一特定值，常见的零假设形式包括：

1. 点假设 (Point Hypothesis)：$H_0: \theta = \theta_0$，如 $H_0: \mu = 0$，检验总体均值是否等于零。
2. 单侧假设 (One-sided Hypothesis)：$H_0: \theta \geq \theta_0$ 或 $H_0: \theta \leq \theta_0$，用于方向性检验。
3. 联合假设 (Joint Hypothesis)：$H_0: \beta_1 = \beta_2 = 0$，同时在回归分析中检验多个参数是否全为零。

在Neyman-Pearson引理框架中，零假设与备择假设 $H_1$ 构成一个二元决策问题。二者必须互斥且穷举：若参数空间为 $\Theta$，则 $\Theta = \Theta_0 \cup \Theta_1$ 且 $\Theta_0 \cap \Theta_1 = \varnothing$。

选择零假设的原则

零假设的选取并非任意，而是基于一套方法论原则。

第一，将研究者希望推翻的命题设为 $H_0$。 频率学派逻辑类似于"有罪推定"的逆向——以无罪为 $H_0$，检方需提供充分证据才能推翻。类似地，研究者希望证明的效应通常被置于 $H_1$，而将"无效应"设为 $H_0$，使得结论具有保守性。

第二，零假设应使检验统计量的抽样分布可计算。 在似然比检验和拉格朗日乘子检验中，零假设下的参数约束使统计量的渐近分布得以确定。例如在$H_0: \beta = 0$下，t统计量服从t分布，自由度为 $n - k$。

第三，零假设应包含等号。 在经典假设检验中，显著性水平 $\alpha$ 定义为 $P(\text{拒绝} H_0 \mid H_0 \text{为真})$，因此 $H_0$ 必须是一个"简单"或"复合但边界明确"的假设，使得第一类错误概率可计算。如果 $H_0$ 是复合的（如 $H_0: \mu \leq 0$），则显著性水平取最不利情形下的最大值。

与备择假设的关系

零假设与备择假设 $H_1$ 共同定义了检验问题的两端。Fisher 的显著性检验仅使用 $H_0$，计算 $p$ 值作为数据与 $H_0$ 不相容程度的度量；而Neyman-Pearson 框架则明确指定 $H_1$，以控制第二类错误 ($\beta$) 并最大化检验功效 (Power, $1 - \beta$)。在实证应用中，研究者通常同时报告 $p$ 值和功效分析，以兼顾证据强度与决策风险。

一个常见的误区是认为"不拒绝 $H_0$"等于"接受 $H_0$"。严格而言，不拒绝零假设 (fail to reject $H_0$) 仅表示样本证据不足以否定 $H_0$，而非证明 $H_0$ 为真。正如统计学家 George Box 所言："所有模型都是错的，但有些是有用的。"——零假设可能永远不是严格真实的，但它在方法论上充当了一个可证伪的基准。

应用实例

例如，在Chow检验中，零假设为模型参数在两个子样本期间保持稳定：

若 $F$ 统计量对应的 $p$ 值小于 0.05，则拒绝参数稳定性假定，认为存在结构性断点。

常见误解与注意事项

零假设在应用中常被误用。统计显著不等于实际显著： 在大样本下即使微小效应也能产生极小 $p$ 值，但效应量可能毫无实际意义。多重比较问题： 同时检验多个零假设会膨胀第一类错误率，需使用Bonferroni校正或错误发现率 (FDR) 控制。零假设不能因数据驱动设定： 在观测数据后再决定 $H_0$ 属于"数据窥探"，会严重扭曲推断有效性。

零假设是现代统计推断的基石之一。它通过提供一个可证伪的基准框架，使得研究者能够以系统化、可重复的方式进行科学推理——这正是计量经济学和实证经济学方法论的核心所在。