{
  "id": "null-hypothesis",
  "title": "原假设",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "原假设是一项统计断言，用作参照模型，以评估观测数据是否足以支持拒绝该断言。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "零假设",
    "虚无假设",
    "无效假设",
    "H₀"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/null-hypothesis/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/null-hypothesis/",
      "json": "https://aiwiki.page/en/null-hypothesis.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "原假设通常记作 \\(H_0\\)，是关于总体或数据生成过程的一项断言，通过统计假设检验加以评估。在统计学中，它为评估观测结果提供参照。原假设通常规定不存在差异、不存在关联，或某个参数取特定值，但它并不一定表示不存在效应。检验旨在判断：在指定的假定条件下，数据与原假设是否足够不相容，从而可以拒绝原假设。(itl.nist.gov)"
    },
    {
      "heading": "表述与范围",
      "text": "原假设与备择假设配对，后者通常记作 \\(H_1\\) 或 \\(H_a\\)。对于总体均值 \\(\\mu\\)，双侧比较可以采用\n\n\\[H_0:\\mu=\\mu_0,\\qquad H_1:\\mu\\ne\\mu_0.\\]\n\n有方向性的比较则可以采用 \\(H_0:\\mu\\le\\mu_0\\)，与之相对的备择假设为 \\(H_1:\\mu>\\mu_0\\)。因此，原假设并不必然是一个等式：它的形式取决于所研究的问题，以及检验旨在识别哪些备择情形。假设涉及的是总体特征，而不是观测到的样本均值是否恰好等于某个基准值。(itl.nist.gov)\n\n更一般地，在统计模型 \\(\\{P_\\theta:\\theta\\in\\Theta\\}\\) 中，原假设断言 \\(\\theta\\) 属于指定的子集 \\(\\Theta_0\\)。简单假设完全指定数据的概率分布；复合假设则保留多种可能性。例如，均值为零、方差为一的正态分布是完全指定的，而只规定服从正态分布、均值和方差均未知的假设则是复合假设。即使假设固定了均值，只要其他分布参数仍未指定，它也属于复合假设。(stat210a.berkeley.edu)"
    },
    {
      "heading": "检验程序",
      "text": "检验使用检验统计量，衡量数据在相关方面偏离原假设的程度。该统计量在 \\(H_0\\) 下的抽样分布，与选定的显著性水平 \\(\\alpha\\) 共同确定拒绝域。当原假设为真时，统计量落入该区域的概率被控制在 \\(\\alpha\\) 或以下。对于复合原假设，这一要求适用于该假设涵盖的每一种分布：\n\n\\[\\sup_{\\theta\\in\\Theta_0} P_\\theta(\\text{拒绝 }H_0)\\le\\alpha.\\]\n\n这个上确界称为检验的大小，可能低于其名义显著性水平。(itl.nist.gov)\n\nP值表示观测到的统计量相对于其在原假设下的分布有多极端。如果某个统计量的值越大，表示与原假设越不相容，那么对于简单原假设，一个例子是\n\n\\[p=P_{H_0}(T\\ge T_{\\mathrm{obs}}).\\]\n\n双侧检验根据该检验对极端程度的定义，将两个方向的偏离都纳入考虑。将有效的P值与预先指定的显著性水平比较，即可得到拒绝规则。P值既不是 \\(H_0\\) 为真的概率，也不是结果完全由偶然因素产生的概率。(itl.nist.gov)"
    },
    {
      "heading": "示例：检验总体均值",
      "text": "假设各观测值相互独立，且来自一个标准差未知的正态总体。为检验 \\(H_0:\\mu=\\mu_0\\)，采用的单样本t统计量为\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。分母是均值的标准误的估计值。在原假设成立且满足上述假定条件时，\\(T\\) 服从自由度为 \\(n-1\\) 的学生t分布。在双侧检验中，当统计量取足够大的正值或绝对值足够大的负值时，拒绝原假设。(itl.nist.gov)\n\n举例来说，若某样本满足 \\(n=25\\)、\\(\\bar X=102\\)、\\(S=5\\)，且 \\(\\mu_0=100\\)，则统计量为 \\(T=2\\)。在显著性水平为5%的双侧检验中，自由度为24时的临界值绝对值约为2.064，因此不拒绝原假设。这一结果反映的是检验所设定的证据门槛，并不能证明总体均值恰好为100。(itl.nist.gov)"
    },
    {
      "heading": "错误、功效与解释",
      "text": "第一类与第二类错误的区别说明了检验的不对称性。第一类错误是拒绝了为真的原假设。第二类错误是未拒绝为假的原假设。统计功效是在指定备择假设下拒绝原假设的概率，等于一减去相应的第二类错误概率。功效取决于备择假设、样本量、变异程度和检验程序，并非仅由原假设本身决定的单一属性。(stat.berkeley.edu)\n\n因此，未拒绝原假设并不等于证明原假设成立。数据可能与原假设相容，同时也与某些备择假设相容，而研究的功效不足以将它们区分开来。反过来，拒绝原假设也不能从逻辑上证明某个备择假设成立：仍然可能发生错误拒绝，而且不正确的建模假定可能使计算失去效力。结论既以所检验的假设为条件，也以获得参照分布时采用的假定为条件。(stat.berkeley.edu)"
    },
    {
      "heading": "估计与多重检验",
      "text": "对于彼此对应的检验和区间估计方法，显著性水平为 \\(\\alpha\\) 的双侧检验拒绝某个参数值，当且仅当该值落在相应的 \\(100(1-\\alpha)\\%\\) 置信区间之外。这种对应关系将假设检验与估计联系起来：区间展示了在该方法下与数据相容的一系列参数值，而不只是针对某一个值作出决定。(itl.nist.gov)\n\n统计显著性并不衡量效应量或实际重要性。较小的P值可能伴随着较小的效应，而较大的P值也不能证明不存在重要效应。美国统计协会2016年的声明强调，科学结论不能简化为P值是否越过某个阈值。(doi.org)\n\n当同时检验许多原假设时，多重检验会增加错误拒绝的机会。邦费罗尼校正等方法用于控制一组比较中的错误。对于 \\(m\\) 个检验，若每个检验均采用 \\(\\alpha/m\\) 的显著性水平，则至少发生一次第一类错误的概率不超过 \\(\\alpha\\)，而且这一结论不要求各检验相互独立。(itl.nist.gov)"
    }
  ],
  "links": [
    "statistical-hypothesis-testing",
    "statistics",
    "alternative-hypothesis",
    "probability-distribution",
    "normal-distribution",
    "variance",
    "test-statistic",
    "sampling-distribution",
    "significance-level",
    "probability",
    "p-value",
    "standard-deviation",
    "sample-mean",
    "standard-error",
    "degrees-of-freedom",
    "students-t-distribution",
    "type-i-and-type-ii-errors",
    "statistical-power",
    "confidence-interval",
    "effect-size",
    "multiple-testing",
    "bonferroni-correction"
  ],
  "sources": [
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc13.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc13.htm"
    },
    {
      "title": "stat210a.berkeley.edu/fall-2024/reader/hypothesis-testing.html",
      "url": "https://stat210a.berkeley.edu/fall-2024/reader/hypothesis-testing.html"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc131.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc131.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": "stat.berkeley.edu/~stark/SticiGui/Text/testing.htm",
      "url": "https://www.stat.berkeley.edu/~stark/SticiGui/Text/testing.htm"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section1/prc15.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section1/prc15.htm"
    },
    {
      "title": "doi.org/10.1080/00031305.2016.1154108",
      "url": "https://doi.org/10.1080/00031305.2016.1154108"
    },
    {
      "title": "itl.nist.gov/div898/handbook/prc/section4/prc463.htm",
      "url": "https://www.itl.nist.gov/div898/handbook/prc/section4/prc463.htm"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}