1 基本概念
1.1 定义
原假设是统计推断中的基准性陈述，通常记作 \(H_0\)。它表示在研究开始时暂时接受的“无差异”“无关联”或“无效应”状态，作为后续检验的起点。研究者并不是先验地证明它为真，而是通过样本数据判断是否有足够证据对其提出异议。
1.2 作用与意义
原假设的主要作用，是把现实中的研究问题转化为可操作的统计判断。借助这一设定，研究可以围绕“观察到的差异是否只是随机波动”展开分析，从而建立较为统一的检验标准。它也有助于提高研究的可重复性，使不同研究者能够围绕同一统计命题进行比较。
1.3 与备择假设的关系
原假设与备择假设相对立但并非简单对称。前者通常代表默认状态，后者则表示研究者希望寻找证据支持的变化、关系或效应。假设检验的核心任务，是在预先设定的显著性标准下评估数据是否足以拒绝原假设，而不是直接“证明”备择假设必然成立。
1.4 典型表述方式
原假设的表述通常尽量简洁、明确，并用参数关系加以表达。例如，两组均值无差异可写为“\(\mu_1 = \mu_2\)”，相关性检验中可写为“\(\rho = 0\)”，回归分析中则常写为某个回归系数等于零。其共同特点是将研究中的默认判断写成可检验的数学形式。
2 理论基础
2.1 统计推断中的位置
原假设属于统计推断的核心组成部分。统计推断的目标，是根据样本信息去判断总体特征，而原假设提供了一个明确的比较基准。通过它，样本结果不再只是描述性信息，而可以进一步用于推断总体是否偏离默认状态。
2.2 假设检验框架
2.2.1 研究假设的构建
假设检验通常从研究问题出发，先形成可观察、可度量的命题，再将其转化为原假设与备择假设。这个过程要求研究者明确关注的对象、测量指标以及比较方向，使理论问题进入统计分析流程。
2.2.2 检验统计量的选择
不同研究问题对应不同的检验统计量，如 \(t\) 统计量、\(z\) 统计量、\(\chi^2\) 统计量或 \(F\) 统计量等。统计量的选择取决于数据类型、样本分布假设、参数结构以及检验目标。合适的统计量能够将原假设下的理论分布与样本结果进行有效比较。
2.3 概率与随机误差
原假设之所以必要，部分原因在于现实数据总包含随机误差。即使总体不存在真实差异，样本之间也可能因抽样波动而出现不一致。概率论为这种不确定性提供了量化框架，使研究者能够区分“偶然波动”与“可能存在的真实偏离”。
2.4 显著性水平
显著性水平通常记作 \(\alpha\)，表示研究者愿意接受的第一类错误上限。常见取值包括 0.05、0.01 等。它并不表示结果“有多重要”，而是表示在原假设为真时，允许多大概率误拒原假设。显著性水平越严格，拒绝原假设的门槛通常越高。
3 常见类型
3.1 无差异原假设
无差异原假设最常见，主要用于比较两组或多组在均值、中位数、比例等指标上的差别是否存在。例如，两个处理组的平均成绩相同，即可构成无差异假设。这类设定在实验研究和比较研究中十分常见。
3.2 无关联原假设
无关联原假设常用于检验两个变量之间是否存在统计关联。若在原假设下，两变量彼此独立或相关系数为零，则可判断观察到的联系是否超出随机波动所能解释的范围。这种形式常见于相关分析、列联表分析和回归分析。
3.3 无效应原假设
无效应原假设强调某种处理、干预或条件变化不会带来可检测的影响。它常出现在实验设计、临床试验以及工程测试中。若样本数据显示出足够强的偏离，研究者便可能拒绝“无效应”的设定。
3.4 单侧与双侧情形
单侧原假设通常与方向性检验配合使用，关注效应是否朝某一特定方向发生变化；双侧情形则考察是否存在任一方向的偏离。虽然备择假设在方向上会有所不同，但原假设常保持“没有变化”或“差异为零”的形式不变。
4 构建方法
4.1 从研究问题到原假设
构建原假设的第一步，是把模糊的研究问题转化为明确的统计命题。例如，“新方法是否更有效”可被进一步具体化为“新方法与旧方法在平均结果上无差异”。只有完成这种转化，后续检验才具有可执行性。
4.2 变量与参数的确定
原假设需要明确涉及哪些变量、哪些总体参数以及它们之间的关系。参数可以是均值、比例、方差、回归系数等。若参数定义不清，假设本身就难以检验，也容易导致分析结果含混不明。
4.3 可检验性原则
一个良好的原假设应当具有可检验性，即能够借助数据被接受检验或遭到拒绝。过于笼统、无法量化或缺乏明确比较标准的表述，不适合作为正式原假设。可检验性是统计假设区别于一般性观点的重要特征。
4.4 假设表述的规范化
规范化表述通常要求语言简洁、符号明确、逻辑单一。原假设中应避免将多个判断混杂在一起，也应尽量减少模糊词汇。标准化写法不仅方便计算，也便于同行审查与重复研究。
5 检验过程
5.1 设定显著性水平
检验开始前，研究者通常先设定显著性水平，以确定后续判断标准。该步骤应尽量在观察结果之前完成，以减少事后调整标准的风险。显著性水平的设定实际上是在控制错误接受风险与漏检风险之间进行平衡。
5.2 计算检验统计量
在获得样本数据后，需要根据所选检验方法计算统计量。该统计量反映样本结果相对于原假设所预期分布的偏离程度。不同统计模型下的计算方式不同，但目标一致，都是把观察数据映射到可比较的数值指标。
5.3 比较临界值与 p 值
计算结果通常会与临界值或 p 值进行比较。临界值法关注统计量是否落入拒绝域，p 值法则衡量在原假设成立时观察到当前或更极端结果的概率。两种方法在逻辑上相关，均用于判断样本证据是否足以反对原假设。
5.4 作出拒绝或不拒绝的判断
若证据超过预设标准，研究者可拒绝原假设；否则通常只是不拒绝原假设，而不是宣称其成立。这个结论需要结合研究设计、样本质量和统计假设的适用条件来理解，不能机械地等同于“证明”或“否定”某种现实命题。
6 误差与风险
6.1 第一类错误
第一类错误指原假设实际上成立，却被错误拒绝。其概率通常由显著性水平控制，因此也是假设检验中最受关注的风险之一。过于宽松的判断标准会增加这类错误发生的机会。
6.2 第二类错误
第二类错误指原假设实际上不成立，却未能被拒绝。它往往与样本量不足、效应较弱或数据波动较大有关。与第一类错误相比，第二类错误更容易被忽视，但在实际研究中同样重要。
6.3 检验功效
检验功效是指当原假设为假时，正确拒绝它的概率。功效越高，研究越有能力发现真实存在的效应。功效受样本量、效应大小、显著性水平和数据变异程度影响，常用于研究设计阶段的样本规划。
6.4 错误控制方法
常见的错误控制方法包括提前设定显著性水平、进行功效分析、增加样本量、采用更合适的模型以及在多重检验情境下进行校正。合理控制错误，并不意味着消除所有不确定性，而是使结论建立在可接受的风险范围内。
7 与其他统计概念的关系
7.1 备择假设
备择假设与原假设共同构成检验框架的两端。二者并非独立存在，而是相互定义。原假设提供默认立场，备择假设表达研究者关注的潜在变化，二者的对立使统计判断具有明确方向。
7.2 p 值
p 值是与原假设紧密相关的概率指标，用于衡量样本结果在原假设成立条件下出现的极端程度。它不是原假设为真的概率，也不是结果“正确”的概率。对 p 值的恰当理解，是避免误读假设检验的重要前提。
7.3 置信区间
置信区间通过区间估计提供参数可能取值的范围，常与假设检验互为补充。若某个参数值位于置信区间之外，往往提示该值与数据不相容。与单一显著性判断相比，置信区间还能提供估计精度与方向信息。
7.4 效应量
效应量用于描述差异或关系的实际大小，强调结果的数量级而非仅仅是否显著。即使某个结论在统计上显著，其效应量也可能很小；反之，样本不足时，大效应也未必达到显著。将效应量与原假设检验结合，有助于更全面地理解结果。
8 应用场景
8.1 自然科学实验
在自然科学中，原假设常用于比较实验条件是否改变测量结果。例如化学反应、物理参数或生物反应的实验设计中，研究者会先设定“无差异”命题，再依据实验数据判断是否存在可检测变化。
8.2 医学与公共健康研究
医学研究中，原假设常用于评估治疗、筛查或预防措施的效果。公共健康研究也常借助它分析某种暴露因素是否与健康指标相关。在这些场景中，统计判断通常需要与研究设计、伦理要求和临床意义结合考虑。
8.3 社会科学调查
社会科学常涉及群体差异、行为关联和政策效果评估，因此原假设应用广泛。无论是问卷调查、实验调查还是观察性研究，研究者都需要借助原假设将经验问题转化为可量化的比较框架。
8.4 工程与质量控制
工程领域常使用原假设判断产品参数是否落在允许范围内，或工艺改进是否真正带来变化。质量控制中，原假设可以作为检测系统是否稳定的基准，帮助识别异常偏移、批次差异或设备漂移。
9 常见误区
9.1 将“不拒绝原假设”误解为“证明原假设成立”
不拒绝原假设，只表示现有数据不足以提供反对它的强证据，并不等于证明其为真。由于样本有限、测量误差和模型假设等因素，统计结论通常具有保留性质。
9.2 过度依赖显著性结果
有时研究者会把“是否显著”看得过于绝对，忽略数据背景、研究设计和效应大小。实际上，显著性只是判断证据的一部分，不能单独代表结果的重要性或可靠程度。
9.3 忽视样本量影响
样本量过小，容易使真实效应难以被检出；样本量过大，则可能把很小的差异也检出为显著。因而，理解原假设检验时，必须考虑样本规模对结论稳定性的影响。
9.4 混淆统计显著与实际意义
统计显著表示结果不太可能仅由随机波动解释，但不必然意味着现实中有重要影响。一个微小差异也可能在大样本下显著，而一个有实际价值的差异则可能因研究条件不足而未达显著。二者需要分别判断。
10 历史与发展
10.1 经典假设检验的形成
经典假设检验体系的形成，与20世纪早期统计学的发展密切相关。围绕抽样、显著性和误差控制的研究，逐渐建立起一套较为标准化的方法，使原假设成为现代统计分析中的基础概念之一。
10.2 现代统计推断的发展
随着计算能力提升和统计理论扩展，假设检验与估计方法、模型比较方法以及更复杂的推断框架不断融合。原假设的使用范围也随之扩大，从简单均值比较发展到回归、分类、时序和多变量分析等多个领域。
10.3 教学与实践中的演变
在教学中，原假设常作为学生理解统计推断的入口，因为它逻辑清晰、步骤明确、便于演示。实际研究中，人们也越来越强调将原假设检验与效应量、区间估计和研究设计结合起来，避免把它简化为单一的“过关”程序。
11 相关方法
11.1 参数检验
参数检验以总体分布参数为核心，通常要求数据满足一定的分布条件或近似条件。常见方法包括 \(t\) 检验、方差分析和回归检验等，适用于参数假定较为明确的场景。
11.2 非参数检验
非参数检验对分布假设要求较少，更适合等级数据、偏态分布或样本较小的情形。它们同样可以围绕原假设展开，只是检验对象不一定是具体的分布参数，而可能是秩次、分布位置或独立性等。
11.3 贝叶斯推断
贝叶斯推断与经典假设检验的思想不同，更强调在先验信息与数据证据结合下更新信念。虽然它不完全依赖原假设—备择假设框架，但在实际应用中，也常与传统检验方法并行使用，以获得更全面的结论。
11.4 多重比较与校正
当同一研究中进行多次检验时，整体误报风险会累积上升。多重比较与校正方法用于调整判断标准，以减少在重复检验中偶然获得“显著”结果的概率。常见做法包括控制家族错误率或假发现率。