{
  "id": "alternative-hypothesis",
  "title": "备择假设",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "在统计假设检验中，规定与原假设相对的参数取值或分布的命题。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "对立假设",
    "替代假设"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/alternative-hypothesis/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/alternative-hypothesis/",
      "json": "https://aiwiki.page/en/alternative-hypothesis.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "备择假设是统计假设检验中规定偏离原假设情形的命题。它通常记作 \\(H_1\\)、\\(H_a\\) 或 \\(H_A\\)，描述检验旨在识别的参数取值或生成数据的分布。例如，原假设可以规定总体均值等于某个给定值，而备择假设则规定总体均值不等于该值。备择假设有助于确定哪些观测结果可视为反对原假设的证据。(itl.nist.gov)"
    },
    {
      "heading": "数学表述",
      "text": "在统计学中，统计假设涉及总体或其概率分布，而不只是对已观测样本的描述。假设一个模型由参数 \\(\\theta\\) 确定，且 \\(\\theta\\) 属于参数空间 \\(\\Theta\\)。检验问题可写为\n\n\\[H_0:\\theta\\in\\Theta_0, \\qquad H_1:\\theta\\in\\Theta_1,\\]\n\n其中 \\(\\Theta_0\\) 与 \\(\\Theta_1\\) 互不相交。在穷尽所有可能情形的表述中，\\(\\Theta_1=\\Theta\\setminus\\Theta_0\\)，即备择假设包含原假设所排除的所有可能情形。另一些检验问题则比较指定的、互不相交的可能情形，而不要求这些情形涵盖模型中的全部可能性。(itl.nist.gov)\n\n简单假设完全确定了分布；复合假设则允许存在不止一种可能的分布。例如，若观测值服从正态分布，且方差已知，那么 \\(H_1:\\mu=12\\) 是简单假设，而 \\(H_1:\\mu>10\\) 是复合假设。如果方差仍然未知，仅指定均值并不能使假设成为简单假设。这一区分很重要，因为对于复合备择假设所包含的不同分布，同一检验的性能可能有所不同。(online.stat.psu.edu)"
    },
    {
      "heading": "单侧与双侧备择假设",
      "text": "对于总体均值 \\(\\mu\\) 和参照值 \\(\\mu_0\\)，常见的表述有：\n\n- 双侧： \\(H_0:\\mu=\\mu_0\\)，对立于 \\(H_1:\\mu\\ne\\mu_0\\)。\n- 上侧： \\(H_0:\\mu\\le\\mu_0\\)，对立于 \\(H_1:\\mu>\\mu_0\\)。\n- 下侧： \\(H_0:\\mu\\ge\\mu_0\\)，对立于 \\(H_1:\\mu<\\mu_0\\)。\n\n双侧备择假设涵盖两个方向上的偏离，单侧备择假设则只涵盖指定方向上的偏离。入门介绍有时会将单侧检验的原假设写成等式，因为通常的临界值由边界值决定；采用不等式表述则能明确体现两个假设的互补关系。(itl.nist.gov)\n\n备择假设决定相应的拒绝域。在常规的对称双侧检验中，两端尾部的极端值都构成反对原假设的证据，通常将显著性水平的一半分配给每一侧尾部。上侧检验则在检验统计量足够大时拒绝原假设。因此，同样的观测结果在不同备择假设下可能产生不同的决策，因为这些检验回答的是不同的问题。(itl.nist.gov)"
    },
    {
      "heading": "在构造检验中的作用",
      "text": "检验将统计量与决策规则相结合，决策规则依据原假设下该统计量的抽样分布进行校准。P值衡量观测到的统计量相对于原假设模型有多极端，而“极端”的含义由检验及其备择假设确定。计算P值不能仅看样本估计值在数值上是否与假设值不同，还必须考虑抽样变异。(itl.nist.gov)\n\n例如，对于相互独立、服从正态分布且总体标准差未知的观测值，单样本均值检验使用\n\n\\[T=\\frac{\\bar X-\\mu_0}{S/\\sqrt n},\\]\n\n其中，\\(\\bar X\\) 为样本均值，\\(S\\) 为样本标准差，\\(n\\) 为样本量。分母是估计的标准误。在原假设的边界处，\\(T\\) 服从自由度为 \\(n-1\\) 的学生t分布。备择假设决定拒绝域位于上尾、下尾还是两侧尾部。(itl.nist.gov)\n\n备择假设也在最优检验理论中发挥作用。奈曼–皮尔逊引理表明，当简单原假设与简单备择假设相对时，利用两个模型的似然函数之比适当地构造检验，可以得到给定检验大小下的最强检验。对于复合备择假设，同一个检验未必在每个参数值处都是最强的。(online.stat.psu.edu)"
    },
    {
      "heading": "错误与统计功效",
      "text": "检验中的第一类与第二类错误分别是：拒绝实际上为真的原假设，以及在备择假设成立时未能拒绝原假设。水平为 \\(\\alpha\\) 的检验将所有原假设参数取值下的第一类错误概率控制在不超过 \\(\\alpha\\) 的范围内。对于备择假设中的某个特定参数值 \\(\\theta\\)，统计功效为\n\n\\[\\pi(\\theta)=P_\\theta(\\text{拒绝 }H_0).\\]\n\n相应的第二类错误概率为 \\(\\beta(\\theta)=1-\\pi(\\theta)\\)。因此，复合备择假设一般对应一个功效函数，而不是一个统一的功效值。(itl.nist.gov)\n\n功效取决于实际效应量、样本量、变异程度、显著性阈值以及检验方法。在标准的均值比较情境中，样本量越大或偏离原假设的程度越大，功效通常越高。因此，计算功效需要指定备择假设下的效应，通常是被认为具有实际意义的效应，而不能仅仅声称“存在某种差异”。(online.stat.psu.edu)"
    },
    {
      "heading": "解释与报告",
      "text": "在检验的假定成立时，拒绝原假设提供了反对原假设的证据，但并不意味着备择假设必然成立。尤其是，\\(p\\) 和 \\(1-p\\) 都不是备择假设为真的概率。统计显著性也不能衡量偏离的幅度或实际重要性。(amstat.org)\n\n同样，未能拒绝原假设也不能证明相等。与检验相匹配的置信区间表明，在所用方法下，哪些参数值仍与数据相容。对于常规的双侧均值检验，在边界判定约定一致的前提下，以水平 \\(\\alpha\\) 拒绝原假设，等价于相应的 \\(100(1-\\alpha)\\%\\) 区间不包含 \\(\\mu_0\\)。(itl.nist.gov)\n\n推断过程必须考虑多重检验和选择性报告。在众多备择假设中进行搜索，却只报告有利的结果，可能歪曲证据。因此，假设、模型假定、分析选择和不确定性估计都是报告中的重要内容，不能用一个拒绝与否的决策来取代。(magazine.amstat.org)"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "null-hypothesis",
    "statistics",
    "probability-distribution",
    "normal-distribution",
    "variance",
    "significance-level",
    "test-statistic",
    "sampling-distribution",
    "p-value",
    "standard-deviation",
    "sample-mean",
    "standard-error",
    "degrees-of-freedom",
    "students-t-distribution",
    "likelihood-function",
    "type-i-and-type-ii-errors",
    "statistical-power",
    "effect-size",
    "confidence-interval",
    "multiple-testing"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc13.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc13.htm"
    },
    {
      "title": "online.stat.psu.edu/stat415/lesson/26/26.1",
      "url": "https://online.stat.psu.edu/stat415/lesson/26/26.1"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section2/prc22.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section2/prc22.htm"
    },
    {
      "title": "itl.nist.gov/div898/software/dataplot/refman1/auxillar/t_test.htm",
      "url": "https://www.itl.nist.gov/div898/software/dataplot/refman1/auxillar/t_test.htm"
    },
    {
      "title": "online.stat.psu.edu/stat503/Lesson02",
      "url": "https://online.stat.psu.edu/stat503/Lesson02"
    },
    {
      "title": "amstat.org/asa/files/pdfs/P-ValueStatement.pdf",
      "url": "https://www.amstat.org/asa/files/pdfs/P-ValueStatement.pdf?trk=public_post_comment-text"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section2/prc221.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section2/prc221.htm"
    },
    {
      "title": "magazine.amstat.org/blog/2021/08/01/task-force-statement-p-value/",
      "url": "https://magazine.amstat.org/blog/2021/08/01/task-force-statement-p-value/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}