Alternative Hypothesis

备择假设 (Alternative Hypothesis)

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（$H_0$）相对立的命题。它代表研究者期望通过样本数据提供证据支持的主张，通常反映"存在效应"、"存在差异"或"存在关系"的研究预期。在经典的Neyman-Pearson引理检验范式中，假设检验的本质就是在这两个竞争的假设之间依据数据证据做出决策。备择假设的存在赋予了假设检验以方向性——没有备择假设，检验就失去了目标和判断的依据。

备择假设的三种形式

根据研究问题的具体性质，备择假设可以分为三种标准形式。设 $\theta$ 为感兴趣的总体参数，$\theta_0$ 为零假设下的特定取值。

双侧备择假设（Two-sided Alternative）的形式为 $H_1: \theta \neq \theta_0$。此时拒绝域位于抽样分布的两侧尾部，适用于"是否存在差异"这种不预设方向的研究问题。例如，检验一种新药是否会影响血压（无论升高还是降低），备择假设应设为 $H_1: \mu \neq \mu_0$。双侧检验的优点是稳健——它在两个方向上都能检测效应，但代价是检验功效稍低，因为显著性水平 $\alpha$ 被平分到两侧尾部。

右侧备择假设（Right-tailed Alternative）的形式为 $H_1: \theta > \theta_0$，拒绝域完全位于抽样分布的右侧尾部。这类设定适用于"是否显著大于"的方向性问题。例如，检验新工艺是否提高了产品寿命，应设 $H_1: \mu > \mu_0$。右侧检验将所有检验力集中于单一方向，因此在相同样本量下比双侧检验更灵敏。

左侧备择假设（Left-tailed Alternative）的形式为 $H_1: \theta < \theta_0$，拒绝域完全位于抽样分布的左侧尾部，适用于"是否显著小于"的方向性问题。例如，检验污染治理措施是否降低了排放浓度，应设 $H_1: \mu < \mu_0$。

方向的选择必须在数据收集之前根据研究目的确定，而不能在看到数据后再选择最有利的方向。先看数据再决定检验方向属于p值操纵（p-hacking），会严重损害统计推断的可靠性。

与零假设的逻辑关系

备择假设与零假设在逻辑上互斥，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：默认接受零假设为真，然后考察观测数据与零假设的相容程度。若数据在零假设下出现的概率（即p值）小于预先设定的显著性水平 $\alpha$，则拒绝零假设，转而接受备择假设。

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 $H_1$"。当数据不足以拒绝零假设时，结论只能是"不拒绝 $H_0$"，而非"证明 $H_0$ 为真"。这体现了统计推断中"证据支持备择假设需要足够的样本信息"这一保守原则。正是由于这种不对称性，研究者不能将"没有拒绝零假设"等同于"零假设为真"——样本量不足、测量误差过大或模型设定错误都可能导致检验无法检测到真实存在的效应。

检验功效与两类错误

假设检验中存在两种可能的错误。第一类错误（Type I Error）是在零假设为真时错误地拒绝零假设，其概率由显著性水平 $\alpha$ 控制。第二类错误（Type II Error）是在备择假设为真时未能拒绝零假设，其概率记作 $\beta$。检验功效（Power）定义为当备择假设为真时正确拒绝零假设的概率，即 $1 - \beta$。功效是衡量检验对真实效应敏感度的关键指标，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共同影响。在实验设计阶段，研究者通常通过功效分析（Power Analysis）确定所需样本量，以确保检验功效达到最低可接受水平（通常为 0.80）。

经济学与社会科学中的应用

在计量经济学的实证研究中，备择假设的设定具有重要的方法论含义。以工具变量法为例，研究者关心某个内生解释变量的系数是否显著异于零，或是否符合特定的理论符号预期。当经济理论对效应方向有明确预测时（如最低工资对就业的负面影响、教育回报率的正向效应），采用单侧备择假设比双侧更为恰当，因为单侧检验能更高效地利用有限的样本信息检测预定方向上的效应。

在随机对照试验中，备择假设设定为 $H_1: \mu_t > \mu_c$ 意味着研究者有先验证据预期处理组的均值高于对照组。在A/B测试中，备择假设的设定直接影响样本量的计算和实验时长的安排——单侧检验所需的样本量通常少于双侧检验，可为企业节省实验成本。此外，在涉及多重假设检验的场景中，如全基因组关联分析或高维变量选择，研究者需对备择假设的接受标准进行校正，以控制假发现率（False Discovery Rate），避免因大量并行检验导致的假阳性膨胀问题。

示例：单样本均值检验

以单样本t检验为例说明备择假设的实际应用。某化肥厂商声称其产品可使玉米亩产达到 $800$ 公斤。农学家怀疑实际产量低于声称值，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：$H_0: \mu = 800$，$H_1: \mu < 800$（左侧检验）。检验统计量 $t = (780 - 800) / (48 / \sqrt{36}) = -2.5$，自由度为 $35$。若 $-2.5$ 小于左侧临界值 $-t_{0.05, 35}$，则拒绝零假设，认为有充分证据支持亩产低于 800 公斤的备择假设。本例中备择假设的方向直接决定了检验为左侧单侧检验，体现了研究问题对统计方法选择的引导作用。