假设检验的基本原理

假设检验是统计推断的核心工具，用于判断样本数据是否提供了足够的证据来支持某个关于总体的论断。理解假设检验的基本原理，是正确使用 t 检验、方差分析、卡方检验等所有统计检验方法的前提。

原假设与备择假设

任何假设检验都从提出两个对立的假设开始：

• 原假设（零假设，H₀）：研究者设定的、待检验的默认假设，通常反映"没有差异"或"没有关系"的立场。例如"男生与女生的学习动机没有差异"。
• 备择假设（H₁ 或 Hₐ）：与原假设相对立的论断，通常是研究者最想证明的结论。例如"男生与女生的学习动机存在差异"。

注意：统计检验只能"拒绝"或"不拒绝"原假设，一般不说"接受"原假设。因为不拒绝只说明没有足够证据证明原假设为假，并不代表原假设一定为真。

检验步骤

一个完整的假设检验通常包含以下步骤：

1. 提出原假设 H₀ 和备择假设 H₁；
2. 明确检验所依赖的统计假设（如总体分布形式、样本独立性等）；
3. 选择显著性水平 α（最常用 0.05 和 0.01）；
4. 选择适合的检验统计量（如 t 统计量、F 统计量、卡方统计量）；
5. 在原假设为真的前提下，推导检验统计量的分布；
6. 根据该分布确定拒绝域；
7. 根据样本数据计算检验统计量的值；
8. 判断统计量是否落入拒绝域，从而决定拒绝或不拒绝原假设。

p 值与显著性水平

• 显著性水平（α）：预先设定的概率阈值（如 0.05），表示在原假设成立时，样本结果落入拒绝域的概率上限。它也是第一类错误的概率。
• p 值：在原假设成立的前提下，观察到当前样本结果（或更极端结果）的概率。

判断规则：

• 若 p < α，则拒绝原假设，认为结果具有统计显著性；
• 若 p ≥ α，则不拒绝原假设，认为没有足够证据支持备择假设。

常见误区：p 值不是"原假设为真的概率"，也不是"结果由随机因素造成的概率"。它是在原假设为真的前提下，出现当前或更极端结果的概率。

第一类错误与第二类错误

• 第一类错误的概率即为显著性水平 α；
• 第二类错误的概率记为 β，而 1 − β 称为统计功效（检验力）。

常见检验方法

经典例子：女士品茶

统计学家费希尔（Ronald Fisher）的同事声称能判断奶茶中是先加茶还是先加牛奶。费希尔给她 8 杯奶茶（其中 4 杯先加茶、4 杯先加牛奶，随机排列），让她辨别。

• 原假设：她无法判断（纯靠猜测）；
• 备择假设：她有此能力；
• 若纯靠猜测，8 杯全部正确的概率为 1/70 ≈ 1.43%，因此拒绝域为"8 杯全对"；
• 结果她 8 杯全部正确，在统计上显著，几乎可以排除她只是碰巧猜对的可能。

小结

假设检验是统计推断的基石。掌握原假设与备择假设、p 值与显著性水平、两类错误这三个核心概念，才能正确理解和报告所有统计检验的结果。报告结果时，应同时给出检验统计量、自由度、p 值和效应量，使结论更加完整可信。