什么是原假设和备择假设？

什么是零假设和备择假设？

在统计学和研究方法中，零假设（H0）和备择假设（H1 或 Ha）是两个基本概念，研究人员在利用数据检验假设时经常会用到它们。它们构成了假设检验的基础，假设检验是一种用于确定样本证据是否足以支持关于总体的论断的程序。虽然听起来可能很专业，但其基本思想其实很简单：我们提出两个对立的假设，然后利用数据来确定哪个假设更合理。

理解研究中的假设

一般来说，假设是对事实的初步推测或陈述，可以通过检验来验证其真伪。在定量研究中，假设通常以变量间关系或组间差异的形式提出。例如：“研究方法A比研究方法B更有效”或“睡眠时长与注意力水平之间存在关联”。

然而，当这些假设被引入统计分析领域时，它们通常会被分解成两对：零假设和备择假设。

什么是零假设（H0）？

零假设（H0）通常表示不存在差异、没有影响或没有关系。H0 通常被视为“默认”或“现状”立场。在统计检验中，研究人员通常首先假设 H0 为真，然后从数据中寻找证据来拒绝它。

零假设的一般特征：
1. 表示没有效果或没有区别。
2. 成为测试中的初始参考对象。
3. 根据统计检验结果被拒绝或未被拒绝。

零假设示例：
“采用A方法和B方法的班级平均成绩没有区别。”
“学习时间长短与考试成绩之间没有关系。”
“学生的平均身高为165厘米。”

在统计符号中，零假设通常包含等号，例如 μ = 165 或 p = 0,5。等号很重要，因为 H0 通常表示总体参数处于某个特定值。

备择假设（H1/Ha）是什么？

备择假设（H1 或 Ha）是与零假设相矛盾的陈述。H1 表明存在差异、效应或关系。如果 H0 被拒绝，研究者就获得了支持 H1 的证据（尽管严格来说，这只是拒绝了 H0，而不是最终“证明”了 H1）。

备择假设的一般特征：
1. 说明某种效果、差异或关系的存在。
2. 成为研究人员想要支持的主要目标。
3. 当 H0 被拒绝时，间接接受。

其他假设的例子：
“A类方法和B类方法的平均值存在差异。”
“学习时间与考试成绩之间存在某种关系。”
“学生的平均身高不等于165厘米。”

在符号表示中，H1 通常使用符号 ≠、> 或 <，具体取决于检验类型。H0 和 H1 之间的关系：一对互斥的陈述。H0 和 H1 必须互斥，这意味着它们不能同时为真。如果 H0 表示“没有差异”，那么 H1 表示“存在差异”。这种配对是特意设计的，以便研究人员能够根据数据做出明确的决策。例如，如果一项研究想要了解一种新药是否能降低血压：- H0：新药不能降低血压（或降低效果与旧药相同）。- H1：新药能降低血压（效果更好）。研究人员利用实验数据进行统计检验，以确定证据是否足够充分来拒绝 H0。备择假设的类型：单尾检验和双尾检验。

备择假设可以是双尾检验或单尾检验。1. 双尾检验 - H1 仅说明“不同”，而不具体说明是更大还是更小。- 例如：- H0：μ = 165 - H1：μ ≠ 165 如果研究者只想知道是否存在差异，而不需要具体说明差异的方向，则可以使用此检验。2. 单尾检验 - H1 说明差异的方向：更大或更小。- 例如：- H0：μ ≤ 165 - H1：μ > 165
atau
– H0：μ ≥ 165
– H1：μ < 165 如果研究者已经基于理论或先前的研究对某个假设方向有所预设，则可以使用此检验。选择单尾检验还是双尾检验至关重要，因为它会影响拒绝域的确定以及结果的解释。如何做出决策：拒绝或不拒绝 H0 在假设检验中，通常的决策是： - 拒绝 H0：数据提供了足够强有力的证据，表明结果与 H0 不一致。 - 不拒绝 H0：数据不足以拒绝 H0（但这并不意味着 H0 被证明是正确的）。之所以使用“不拒绝”这个术语，是因为基于样本的研究总是存在不确定性。我们很少能绝对确定地“证明”某件事；我们所能做的只是评估现有证据的强度。一个常用的决策工具是 p 值： - 如果 p 值 < α（例如，α = 0,05），则拒绝 H0。 - 如果 p 值 ≥ α，则不拒绝 H0。这里，α 是显著性水平，是研究者在拒绝原假设 H0 时对出错可能性的容忍限度。假设检验中的错误：I 型错误和 II 型错误。由于统计决策并非总是正确的，因此存在两种类型的错误：1. I 型错误 (α) - 当 H0 为真时拒绝 H0。- 例如：得出某种药物有效但实际上无效的结论。 2. 第二类错误 (β) - 当原假设 H0 为假时，未能拒绝原假设 H0。- 例如：得出药物无效的结论，而实际上该药物有效。研究人员通常通过显著性水平 α（例如 0,05）来控制第一类错误的风险。同时，第二类错误的风险与研究的统计功效、样本量和数据变异性有关。一个来自日常生活的简单例子：假设你想检验一个生产团队在更换机器后是否提高了产品质量。- H0：机器更换不会提高产品的平均质量。- H1：机器更换会提高产品的平均质量。你收集了机器更换前后生产缺陷的数据。如果分析结果显示存在显著差异（例如，缺陷减少且 p 值 < 0,05），则拒绝 H0，并支持新机器确实有所帮助。结论：原假设和备择假设是统计学中假设检验的核心。零假设 (H0) 通常表示不存在任何影响或差异，而备择假设 (H1/Ha) 则表示存在影响或差异。研究人员利用数据检验证据是否足以拒绝 H0。理解这一概念有助于我们更批判性地解读研究结果，设计更完善的实验，并做出更理性、更基于数据的决策。如果您需要，我可以帮助您创建与您的研究主题（例如，教育、健康、商业）相关的零假设和备择假设示例，并附上相应的统计检验方法。