1 基本概念
1.1 定义与作用
假设检验是统计推断的重要方法，用于依据样本信息判断关于总体的某种陈述是否有足够证据支持。它并不追求对总体做出绝对结论，而是通过概率意义上的判断，评估观察到的数据是否与某一假设相容。 在实际应用中，假设检验常用于比较组间差异、判断某种现象是否存在、检验模型是否合理，以及评价干预或处理是否有效。
1.2 原假设与备择假设
假设检验通常从两个相互对立的命题出发：原假设与备择假设。原假设一般表示“无差异”“无效应”或“无关联”的基准状态，备择假设则表示研究者希望寻找证据支持的情况。 检验过程的核心，不是直接证明备择假设成立，而是考察样本数据是否足以使原假设显得不合理，从而决定是否拒绝原假设。
1.3 统计推断中的位置
假设检验属于统计推断的一部分，与参数估计、置信区间和预测分析共同构成从样本推及总体的主要工具。它通过抽样误差和概率模型，将有限观测转化为对总体规律的判断。 与描述性统计不同，假设检验强调推断和决策，因此更关注不确定条件下的证据强度及其风险控制。
1.4 与科学方法的关系
在科学方法中，假设检验常被视为检验理论或实验预测是否与观测结果一致的手段。研究者先提出可检验的命题，再通过实验或观察收集数据，以评价该命题是否得到支持。 因此，假设检验不仅是数学程序，也是一种证据评估方式，广泛嵌入实验设计、假说验证和模型比较之中。
2 历史发展
2.1 早期统计思想
假设检验的思想可追溯到概率论、天文学观测误差研究以及早期生命统计与人口统计的发展。随着人们开始系统地处理测量误差和抽样波动，利用概率判断数据合理性的思路逐渐形成。 这些早期探索为后来的统计推断奠定了基础，使“以有限数据判断总体特征”成为可能。
2.2 经典假设检验框架的形成
20世纪初，统计学家逐步建立起较为完整的假设检验体系，尤其是在抽样分布、显著性检验和决策规则方面形成了标准框架。 这一时期，检验统计量、拒绝域、显著性水平等概念被系统化，假设检验也由零散方法发展为可推广的统计程序。
2.3 现代统计推断的发展
随着计算能力提升和研究领域扩展，假设检验从传统参数检验不断延伸到非参数方法、重抽样方法、模型选择与贝叶斯框架等方向。 现代统计推断更强调结果解释、模型诊断和可重复性，也更关注单纯“是否显著”之外的证据质量与实际意义。
3 基本要素
3.1 检验统计量
检验统计量是从样本数据中计算得到的数值，用来概括样本对原假设的支持程度。它通常依据抽样分布构造，并在原假设成立时具有已知或近似已知的分布。 常见的检验统计量包括 t 统计量、z 统计量、F 统计量和卡方统计量等。
3.2 显著性水平
显著性水平通常记作 α，表示在原假设为真的情况下，研究者愿意容忍的第一类错误概率。它相当于预先设定的判别阈值，常见取值为 0.05、0.01 或 0.10。 显著性水平越小，拒绝原假设的标准越严格，但也可能提高漏判真实效应的风险。
3.3 p值
p值是在原假设成立的前提下，获得当前观测结果或更极端结果的概率。它反映数据与原假设之间的不相容程度，而不是原假设为真的概率。 p值越小，通常表示样本结果越不符合原假设的预期，但其解释必须结合研究设计、样本规模和效应大小。
3.4 拒绝域与临界值
拒绝域是检验统计量取值的一组区域，当统计量落入该区域时，就按照预先设定的规则拒绝原假设。临界值则是划分拒绝域与非拒绝域的边界。 这类方法与 p值判断在本质上等价，只是表达方式不同：一个强调“是否落入区域”，另一个强调“概率有多小”。
3.5 错误类型
3.5.1 第一类错误
第一类错误是指原假设实际上成立，却被错误拒绝。这类错误也常被理解为“假阳性”或“误报”。 显著性水平 α 就是对第一类错误概率的控制指标。
3.5.2 第二类错误
第二类错误是指原假设实际上不成立，却未能拒绝原假设。这类错误也称为“假阴性”或“漏报”。 第二类错误的概率通常记作 β，与统计功效密切相关。
3.5.3 两类错误的权衡
第一类错误和第二类错误之间通常存在权衡关系。降低 α 往往会使检验更保守，从而可能增加 β；提高检验灵敏度则可能提高误报风险。 研究设计需要根据实际情境决定何种错误更不可接受，例如在安全性筛查中，控制假阳性和假阴性的重要性可能不同。
4 检验流程
4.1 提出研究问题
假设检验通常从一个明确的研究问题开始，例如“某种处理是否改变了均值”“两组之间是否存在差异”或“两个变量是否相关”。 问题越具体，后续的假设设定和方法选择就越清晰。
4.2 设定假设
研究者根据问题构造原假设与备择假设，并确定是单侧检验还是双侧检验。 这一步要求在分析前明确判断标准，以减少事后调整带来的偏差。
4.3 选择检验方法
不同数据类型和研究设计对应不同检验方法。例如，连续变量均值比较常用 t 检验，分类变量关联分析常用卡方检验。 方法选择需要考虑样本大小、分布特征、是否配对、是否独立以及方差条件等因素。
4.4 收集样本数据
数据收集应尽量遵循随机抽样或随机分配原则，以保证样本具有代表性并减少系统误差。 同时，测量工具、记录方式和实验过程也会影响数据质量。
4.5 计算统计量与p值
在确定方法后，研究者根据样本数据计算检验统计量，并进一步求得相应的 p值。 如果使用软件进行分析，仍需理解其输出所对应的统计含义，而不能只关注结果数字。
4.6 作出统计判断
将 p值与显著性水平比较，或将统计量与临界值比较，即可得到是否拒绝原假设的结论。 这种判断属于统计意义上的决策，不等同于对现实世界作出绝对真伪裁定。
4.7 解释结果
结果解释应结合研究背景说明统计结论的含义、局限和适用范围。 除显著性外，还应考虑效应大小、估计区间以及研究设计是否可靠，避免过度解读。
5 常见检验方法
5.1 单样本检验
单样本检验用于将一个样本的统计特征与某个已知或假定的总体参数进行比较。 它常见于基准值判断、质量抽查和标准符合性分析。
5.1.1 单样本均值检验
单样本均值检验用于判断样本均值是否与某个总体均值假设不同。 当总体方差未知且样本量不大时，通常使用 t 检验。
5.1.2 单样本比例检验
单样本比例检验用于考察样本比例是否与某一理论比例一致。 这类检验常用于合格率、赞成率或事件发生率的判断。
5.2 双样本检验
双样本检验用于比较两个样本所代表的总体是否存在差异。 它是应用最广的检验类别之一，适合组间对照研究和前后比较分析。
5.2.1 独立样本t检验
独立样本 t 检验用于比较两个相互独立的样本均值是否不同。 其适用前提通常包括近似正态分布和方差条件满足。
5.2.2 配对样本t检验
配对样本 t 检验用于分析同一对象前后测量，或成对匹配样本之间的均值差异。 由于比较的是差值，因此能控制部分个体间差异。
5.2.3 两比例检验
两比例检验用于比较两个总体比例是否相同。 它常见于转化率比较、成功率比较和事件发生率比较。
5.3 方差分析与多组比较
方差分析用于比较三个及以上组的均值差异，核心思想是将组间变异与组内变异进行对比。 若总体均值不全相同，则统计量往往会显示较强的组间差异证据。
5.4 卡方检验
卡方检验主要用于分类变量的适合度检验、独立性检验和同质性检验。 它适合处理频数数据，例如不同类别的分布是否符合预期，或两个分类变量是否相关。
5.5 非参数检验
非参数检验通常不依赖严格的分布假设，适合顺序数据、异常值较多的数据或分布条件难以满足的情形。 这类方法在稳健性方面往往更有优势，但在某些条件下统计效率可能低于参数检验。
5.5.1 符号检验
符号检验只利用观测值相对于中位数或某一基准的正负方向信息。 它简单稳健，但对数据中的幅度信息利用较少。
5.5.2 Wilcoxon秩和检验
Wilcoxon 秩和检验常用于两个独立样本的比较，依据秩次而非原始数值进行判断。 它适用于偏态分布或存在异常值的场景。
5.5.3 Mann-Whitney U检验
Mann-Whitney U 检验与 Wilcoxon 秩和检验密切相关，常用于独立样本的非参数比较。 它可用于检测两个样本在分布位置上的差异。
5.6 相关与回归中的假设检验
在相关分析和回归分析中，假设检验可用于判断相关系数或回归系数是否显著不为零。 这类检验帮助研究者评估变量之间是否存在统计关联，以及模型中的某一解释变量是否具有贡献。
6 统计假设与模型假设
6.1 分布假设
许多经典检验建立在特定分布假设之上，例如正态分布、二项分布或泊松分布。 若分布假设偏离较大，检验结果可能失真。
6.2 独立性假设
独立性假设要求观测值之间彼此不受影响，或至少近似独立。 若样本存在聚类、重复测量或时间相关性，需改用相应模型处理。
6.3 方差齐性假设
方差齐性假设要求不同组的离散程度相近。 当该假设不成立时，某些经典检验的显著性水平可能不再准确。
6.4 样本随机性假设
样本随机性是统计推断可靠性的基础，意味着样本应来自可视为随机的抽取过程。 若样本存在明显选择偏差，则检验结论对总体的代表性会下降。
6.5 假设违背的影响
当统计假设被严重违背时，可能导致 p值偏差、错误率失控或结论不稳定。 实际分析中，研究者常通过数据变换、稳健方法或替代检验来缓解这些问题。
7 结果解释
7.1 统计显著性
统计显著性表示在预设阈值下，观察到的数据与原假设之间存在足够强的不一致。 它说明“证据足够强”，但不自动等于“结果很大”或“现象很重要”。
7.2 实际显著性
实际显著性关注结果在现实应用中的意义，例如变化幅度是否足以影响决策、生产或临床判断。 有些结果虽然统计显著，但效应很小，实际价值有限。
7.3 效应量
效应量用于描述差异或关联的大小，是对统计显著性的补充。 常见效应量包括均值差、标准化差异、相关系数和风险比等。
7.4 置信区间
置信区间给出参数可能所在的范围，反映估计的不确定性。 与单一 p值相比，它能提供更丰富的信息，帮助理解结果的精度与稳定程度。
7.5 结果的可重复性
可重复性强调在相近条件下重复研究是否能得到相似结论。 一个稳健的结果不仅应在统计上成立，也应在不同样本、不同分析方案下保持一定一致性。
8 方法学争议与误区
8.1 p值误读
常见误读包括把 p值当作原假设为真的概率，或把它理解为结果偶然性的直接度量。 实际上，p值只是在原假设成立条件下衡量数据极端性的指标。
8.2 “显著”不等于“重要”
统计显著并不自动代表研究结果有较大实践意义。 在大样本研究中，极小差异也可能达到显著，而在小样本研究中，较大的效应也可能未达显著。
8.3 多重比较问题
当同时进行大量检验时，即使各个原假设都成立，也可能出现若干“显著”结果。 因此，多重比较需要适当校正，以控制整体错误率。
8.4 过度依赖阈值
如果把 0.05 之类的阈值视为绝对分界，容易忽略证据的连续性。 更合理的做法是结合 p值、区间估计与背景知识综合判断。
8.5 选择性报告与发表偏倚
选择性报告指只呈现有利结果而忽略不显著或不理想的分析；发表偏倚则是显著结果更容易被公开。 这些现象会扭曲文献整体证据，使某些结论看上去比实际更强。
9 扩展与替代框架
9.1 贝叶斯假设检验
贝叶斯假设检验通过先验分布与后验分布更新对假设的信念。 它更强调“在数据到来后，假设成立的可信程度如何变化”。
9.2 似然比检验
似然比检验比较两个或多个模型对数据的解释能力，常通过似然函数的比值构造统计量。 它在模型比较和参数约束检验中具有重要地位。
9.3 置换检验
置换检验通过重新排列标签或分组方式，构建经验分布来评估观察结果的极端程度。 这种方法对分布假设依赖较小，思想直观。
9.4 自助法与重抽样方法
自助法通过对样本反复重抽样来估计统计量的变异性。 它常用于构造置信区间、估计标准误和辅助假设检验。
9.5 统计功效分析
统计功效分析用于评估在给定样本量和效应大小下，检验发现真实效应的能力。 它有助于研究设计阶段的样本量规划，也能解释“未显著”结果是否可能源于样本不足。
10 应用领域
10.1 医学与临床研究
医学研究中，假设检验常用于疗效比较、不良反应分析和诊断指标评估。 由于结果可能影响实践决策，因此对证据质量和误差控制要求较高。
10.2 心理学与行为科学
心理学研究常通过实验组与对照组比较、量表差异检验和相关分析来验证理论假设。 由于行为数据受多种因素影响，结果解释通常需要结合情境与测量特性。
10.3 工程质量控制
工程领域中，假设检验常用于判断产品参数是否符合标准、工艺是否稳定，以及生产过程是否发生偏移。 它在抽样检验和过程控制中具有实用价值。
10.4 商业与A/B测试
商业分析中，A/B 测试常借助假设检验比较不同方案的转化率、点击率或留存率。 这类方法有助于基于数据改进产品设计和运营策略。
10.5 社会科学研究
社会科学中，假设检验被广泛用于调查数据分析、政策效果评估和群体差异研究。 由于变量复杂且干扰因素较多，研究设计与解释框架尤为重要。
11 相关概念
11.1 置信区间
置信区间是对总体参数范围的区间估计，用以表达估计结果的不确定性。 它与假设检验常配合使用，帮助理解结论的稳定程度。
11.2 效应量
效应量表示差异或关系的大小，便于比较研究结果的实际影响。 它弥补了单纯显著性检验无法体现“大小”的不足。
11.3 统计功效
统计功效是指在原假设不成立时正确拒绝原假设的概率。 较高的功效意味着更有机会发现真实存在的效应。
11.4 样本量估计
样本量估计用于在研究开始前确定需要多少观测，以达到预期的功效和精度。 它直接关系到研究成本、可行性和结论可靠性。
11.5 多重检验校正
多重检验校正用于在同时进行多项比较时控制总体错误率。 常见方法包括 Bonferroni 校正、假发现率控制等。
12 经典案例
12.1 药物疗效检验
在药物疗效研究中，研究者常比较新药组与安慰剂组在症状改善、指标变化或康复率上的差异。 若统计检验显示差异显著，通常还需要进一步考察效应大小、不良反应与临床意义。
12.2 新旧工艺对比
在制造业中，新旧工艺的比较常通过对产品尺寸、强度或合格率进行假设检验实现。 如果新工艺在统计上优于旧工艺，企业还会继续评估成本、稳定性和实施难度。
12.3 问卷调查数据分析
问卷调查中，研究者可利用假设检验比较不同群体在态度、满意度或行为倾向上的差别。 由于问卷数据常带有等级特征，方法选择需与变量类型相匹配。
12.4 网站界面实验比较
网站界面实验通常通过 A/B 测试比较不同页面版本在点击率、停留时长或转化率上的表现。 若某一版本显著优于另一版本，产品团队可能据此调整界面设计，不过仍需结合用户体验与长期效果综合判断。