statistical hypothesis testing

统计假设检验 (Statistical Hypothesis Testing)

统计假设检验是推断统计学的核心分支，为数据驱动的科学决策提供了形式化框架。其基本思路是：对总体的某个特征提出一个假设，然后利用样本数据提供的信息，判断该假设是否合理。这一方法由英国统计学家Ronald Fisher在20世纪20年代奠基，后经Jersey Neyman与Egon Pearson的系统化拓展，形成了现代假设检验的双重理论体系。统计假设检验已在医学、经济学、心理学、工程学等几乎所有实证科学领域得到广泛应用，成为连接理论与数据的桥梁。

基本概念与逻辑结构

统计假设检验的核心在于区分两种相互排斥的陈述：零假设 ($H_0$) 与备择假设 ($H_1$ 或 $H_a$)。零假设通常代表"无效应"、"无差异"或"现状"，是研究者试图挑战的基准命题；备择假设则是研究者希望获得证据支持的替代性主张。例如，在评估新药疗效时，零假设可设为"新药与安慰剂疗效无差异"，备择假设为"新药疗效优于安慰剂"。

检验的逻辑基础是反证法与小概率原理的有机结合：在假定零假设为真的前提下，构造合适的检验统计量，计算观测结果出现的概率（即p值）。若该概率小于预设的显著性水平 $\alpha$，则认为小概率事件发生了，零假设的合理性受到质疑，从而拒绝 $H_0$ 转而接受 $H_1$。这一逻辑链条的关键在于：研究者并非直接证明备择假设为真，而是通过否定零假设间接支持备择假设。

两类错误与统计检验力

任何基于样本的推断都伴随着不确定性，统计假设检验因此需要面对两种可能的判断错误。第一类错误（Type I Error）是指零假设为真时错误地拒绝了它，其概率由显著性水平 $\alpha$ 控制；第二类错误（Type II Error）是指零假设为假时错误地未能拒绝它，其概率记为 $\beta$。两类错误之间存在此消彼长的权衡关系：降低 $\alpha$ 会增大 $\beta$，反之亦然。在样本量固定的前提下，研究者无法同时最小化两类错误，必须根据研究语境做出取舍。

统计检验力（Statistical Power）定义为 $1 - \beta$，即正确拒绝错误零假设的概率。它衡量了检验识别真实效应的能力。影响检验力的因素包括：效应量（效应越大越容易被检测到）、样本量（样本越多检验力越高）、显著性水平（$\alpha$ 越大检验力越高）以及检验的方向性（单边检验比双边检验具有更高检验力）。在实验设计阶段进行检验力分析，是确保研究具备足够敏感度的标准做法。

检验统计量与抽样分布

构造检验统计量是假设检验的技术核心。检验统计量将样本数据压缩为一个数值，其抽样分布在零假设下是完全已知或近似已知的。常用的检验统计量包括：用于均值检验的 $t$ 统计量、用于方差检验的 $F$ 统计量、用于比例检验的 $z$ 统计量以及用于分布拟合的卡方统计量等。

以单样本均值检验为例，当总体方差 $\sigma^2$ 未知时，检验统计量为：

其中 $\bar{x}$ 为样本均值，$\mu_0$ 为零假设下的总体均值，$s$ 为样本标准差，$n$ 为样本量。该统计量在零假设下服从自由度为 $n-1$ 的 $t$ 分布。当样本量足够大（如 $n > 30$）时，根据中心极限定理，即使总体分布非正态，$t$ 统计量也近似服从标准正态分布，此时可使用 $z$ 检验代替。

p值与显著性水平

p值（p-value）是假设检验中最具信息量的输出之一，它定义为在零假设为真的前提下，观测到当前结果或更极端结果的概率。p值越小，说明样本数据与零假设的兼容性越差，拒绝零假设的理由越充分。显著性水平 $\alpha$ 是研究者事先设定的阈值，当 $p \le \alpha$ 时拒绝零假设。

常见的 $\alpha$ 取值包括 0.05、0.01 和 0.10，其中 0.05 最为普遍。然而，将显著性水平机械地用作"显著/不显著"二分标准，近年来引起了广泛反思。美国统计协会（ASA）在2016年发表声明，强调 p 值不应被视为效应存在与否的终极判据，研究者还应关注效应量的大小、置信区间的宽度以及研究的可重复性。

参数检验与非参数检验

根据对总体分布形式的前提假定不同，假设检验可分为两大类。参数检验（Parametric Tests）假定数据来自特定分布族（如正态分布），并对分布参数进行推断。其优点是在假定成立时具有最高的检验力；缺点是对分布的偏离较为敏感。代表性方法包括 $t$ 检验、$F$ 检验和 $z$ 检验。

非参数检验（Nonparametric Tests）不依赖于严格的分布假定，通常基于数据的秩次或符号而非原始数值进行分析。其优点是稳健性高、适用范围广；缺点是当数据真正满足参数假定时，其检验力低于参数方法。代表性方法包括曼-惠特尼U检验、威尔科克森符号秩检验和克鲁斯卡尔-沃利斯检验。在实践中，研究者应根据数据特征和假设条件选择最合适的检验方法。

假设检验的延伸：双样本与配对设计

除单样本检验外，实践中更常见的是双样本检验情境，即比较两个独立总体的参数差异。独立样本 $t$ 检验适用于两组来自不同总体的观测值，其检验统计量为：

其中下标 1 和 2 分别代表两组样本。当两组样本量不等或方差不齐时，需采用韦尔奇t检验（Welch's t-test）进行校正。

配对设计（Paired Design）是双样本检验的重要变体，适用于同一组受试者在不同条件下的测量结果，或按某些特征匹配后的成对数据。配对检验通过计算每对观测值的差值 $d_i$，将双样本问题转化为单样本问题：

计算检验统计量：

自由度为24，单尾临界值 $t_{0.05,24} \approx 1.711$。因 $1.5 < 1.711$，检验统计量未落入拒绝域。采用 p 值法验证：右尾 p 值约为 0.073，大于 $\alpha = 0.05$。两种方法均指向无法拒绝零假设，故现有数据不足以支持新教学法优于全国平均水平的说法。这一结果表明，虽然样本均值（78分）高于全国平均水平（75分），但差异可能源于抽样误差，而非真正的教学效果。