如何正确设定假设检验中的H0与H1？

Question

在进行假设检验时，如何正确设定原假设（H0）与备择假设（H1）常令人困惑。例如，在评估某新药是否比现有药物更有效时，应将“新药疗效不优于旧药”设为H0，还是相反？常见误区是将希望证明的结论直接作为H0，导致逻辑错误。正确的做法是：H0应体现“无变化、无效果或无差异”的保守立场，H1则代表研究者试图寻找证据支持的新主张。此外，需根据问题背景判断是单侧还是双侧检验。如何结合实际研究目标合理分配H0与H1，并避免主观偏倚，是统计推断中的关键难题。

Answer 1

如何正确设定假设检验中的原假设（H₀）与备择假设（H₁）

1. 假设检验的基本逻辑：从“无罪推定”谈起

在统计学中，假设检验的核心思想类似于司法系统中的“无罪推定”原则。我们默认现状成立——即没有变化、没有效果、没有差异——这正是原假设 H₀ 的角色。只有当数据提供了足够强的反证时，我们才拒绝 H₀，转而接受 H₁。

例如，在评估新药疗效时，不能因为希望其更有效就将“新药更有效”作为 H₀。相反，应设 H₀：“新药疗效不优于旧药”，H₁：“新药疗效优于旧药”。这种设定确保了结论的稳健性，避免了主观愿望影响判断。

2. H₀ 与 H₁ 的标准形式与常见误区

• 误区一：将研究者希望证明的结论设为 H₀
• 误区二：混淆单侧与双侧检验的应用场景
• 误区三：忽视显著性水平 α 的先验设定，导致 p 值操纵

正确的做法是始终让 H₀ 表达“无差异”或“无效”的状态。比如：

研究问题	H₀	H₁
新算法是否比旧算法快？	μ_new ≤ μ_old	μ_new > μ_old
广告A是否改变了用户点击率？	p_A = p_control	p_A ≠ p_control
某参数是否等于标称值？	θ = θ₀	θ ≠ θ₀
新模型准确率是否不低于基线？	acc ≥ acc_baseline	acc < acc_baseline

3. 单侧 vs 双侧检验的选择依据

选择单侧还是双侧检验取决于研究目标的方向性。若只关心某一方向的变化（如性能提升），使用单侧检验；若关注任何偏离（无论正负），则用双侧。

以 A/B 测试为例：

1. 若仅关心新界面是否提高转化率 → 单侧检验
2. 若想检测是否有显著不同（可能升高也可能降低）→ 双侧检验

错误地使用单侧检验可能夸大效应，造成 Type I 错误风险上升。

4. 实际案例分析：新药疗效评估

假设现有药物治愈率为 60%，现测试新药是否更优。

H₀: p_new ≤ 0.60   # 新药不更优
H₁: p_new > 0.60   # 新药更优（研究者希望证实）

收集样本后进行 z 检验或卡方检验，计算 p 值。若 p < α（如 0.05），则拒绝 H₀，认为有统计证据支持新药更优。

注意：即使样本显示更高治愈率，若未通过显著性检验，仍不能拒绝 H₀。

5. 技术实现流程图（Mermaid 格式）

graph TD
    A[明确研究问题] --> B{是否关心方向？}
    B -->|是| C[设定单侧H₁]
    B -->|否| D[设定双侧H₁]
    C --> E[构建H₀: 无效果/无优势]
    D --> E
    E --> F[选择检验方法]
    F --> G[收集数据并计算统计量]
    G --> H[得出p值]
    H --> I{p < α?}
    I -->|是| J[拒绝H₀]
    I -->|否| K[不拒绝H₀]

6. 避免主观偏倚的工程实践建议

在 IT 项目中（如推荐系统优化、性能调参），常出现“先看数据再定假设”的问题，这会导致 p 值失效。建议采取以下措施：

• 在实验前注册假设（Pre-registration）
• 使用交叉验证或 holdout 数据集进行检验
• 对多重比较进行校正（如 Bonferroni 或 FDR）
• 结合置信区间而非仅依赖 p 值做决策

这些做法提升了结果的可复现性和科学性，尤其适用于机器学习模型迭代和在线实验平台（如 Google Optimize、内部 AB 平台）。