假说（英语单数为 hypothesis，复数为 hypotheses）是为开展研究而提出的解释、命题或假定。在科学中，假说将有关世界的问题与可通过观察或实验评估的推论联系起来。假说不必在提出时就已获得充分支持，但要对其进行科学评估，就必须足够清楚地说明哪些证据会支持它，哪些证据会对它构成挑战。提出和检验假说是科学方法中的重要活动，不过科学探究也包括探索性观察、测量和模型构建。(plato.stanford.edu)
含义与相关概念
假说不同于观察：观察记录或描述所遇到的事物，而假说则提出如何解释观察结果，或说明这些结果之间可能存在怎样的联系。假说也不同于预测，后者指明在特定条件下预期出现的结果。一个假说可以产生多个预测，而相互竞争的假说在某些情况下可能产生相同的预测。因此，预测成功并不一定能确定唯一的解释。(plato.stanford.edu)
在科学和哲学用语中，假说与理论的含义存在重叠；二者之间并没有仅凭成功通过检验的次数就能确定的普遍界限。假说可以是较广泛的解释框架中的一项具体主张。而在逻辑学中，假说可以指论证中采用的假定，并不声称它描述了某个已观察到的事实。这一区别将推理的有效性与其前提是否符合经验事实区分开来。(plato.stanford.edu)
提出与可检验性
假说可以源自既有理论、意外的观察结果、类比和探索性研究。归纳推理可以从具体案例中提出一般性关系；演绎推理则从假定成立的假说中推导出结果。科学发现并不遵循某一种强制性的步骤顺序：观察可以促使研究者作出修正，而一次未获成功的检验可能引出不同的问题，而非仅仅终结研究。(plato.stanford.edu)
在实证研究中有用的假说会明确相关条件和可观察的结果。例如，以“增强光照会提高植物的生长速率”这一主张为例，当植物种类、光照范围、生长的衡量指标和比较时段得到明确界定时，这一主张就变得更加精确。这些细节使研究者能够将该主张与其他解释区分开来，并设计适当的检验。精确并不意味着确定无疑，而是使不确定性能够得到研究。(plato.stanford.edu)
可证伪性是指存在某种可以设想的观察结果与一项主张相冲突的可能性。卡尔·波普尔在其对科学的论述中强调这一性质，将真正承担被推翻风险的预测与能够兼容任何可能结果的主张区分开来。可证伪性并不意味着假说是错误的，而尚未接受检验的假说也不自动等于不可检验的假说。可证伪性作为科学判准的重要性及充分性，仍是科学哲学讨论的问题。(plato.stanford.edu)
检验与解读
假说通常与关于仪器、初始条件、测量及其他相关过程的背景假定一起接受检验。如果预测未能实现，结果所挑战的是这一整组假定；它并不总能指出其中哪个部分出了问题。因此，研究者可能会先调查测量问题或辅助假定，再决定是否放弃核心假说。这些修正本身也可能产生更多可检验的预测。(plato.stanford.edu)
检验可以对一项主张构成挑战、给予佐证，也可能使其仍悬而未决。佐证并非演绎证明：观察到预测的结果，并不能排除所有其他解释。一项结果的证据价值，部分取决于它能在多大程度上区分相互竞争的解释，以及检验是否让假说面临了实质性的失败可能。因此，多项观察不能仅仅因为看起来都有利于假说，就被视为具有相同的证据价值。(plato.stanford.edu)
统计假设
在统计学中，假设通常规定总体、模型参数或概率分布的某项性质。统计假设检验通常将原假设 (H_0) 与备择假设 (H_1) 进行比较。例如，(H_0) 可以表述为两个总体的均值相等，而 (H_1) 则表述为二者不同。有方向的备择假设还会明确哪个均值更大。(itl.nist.gov)
检验利用样本数据和决策规则，评估数据与原假设的相容程度。拒绝了真实的原假设，就会发生第一类错误；未拒绝错误的原假设，则会发生第二类错误。统计功效是在某个指定的备择假设成立时拒绝原假设的概率。未拒绝原假设，并不证明原假设为真。(itl.nist.gov)
P值表示在指定的原假设模型下，出现所观察到的检验统计量或更极端数值有多么罕见。它不是假设为真的概率，也不是衡量效应大小或实际重要性的指标。置信区间提供了补充信息，说明哪些参数值与所采用的估计程序相容。科学结论不能简化为P值是否越过某个阈值。(amstat.org)
贝叶斯评估
贝叶斯推断通过依据证据更新概率来评估假说。贝叶斯定理将先验概率、某一假说下证据的似然与后验概率联系起来。在参数估计中，先验分布与似然函数共同确定后验分布。结果取决于指定的模型和先验假定；采用这一方法并不意味着无需评估这些假定或考虑相互竞争的解释。(arxiv.org)
探索性研究与验证性研究
探索性数据分析可以从事先未预料到的模式中提出假说。验证性研究则利用预先规划的分析，或独立预留的证据，评估明确提出的主张。预注册是在查看相关结果之前记录假说、方法和分析决策，有助于区分预先计划的检验与后续探索。它并不禁止开展额外分析：计划之外的发现可以作为探索性结果报告，并利用进一步的数据加以研究。这一区分关注的是证据如何获得，而不是意外发现是否具有科学价值。(cos.io)