零假设 | 统计

零假设对科学探索至关重要，因为它是研究调查的基础。 除了为研究人员提供一个起点外，它还使研究人员能够提出可供检验和评估的其他假设。

零假设的作用

在科学研究中，研究变量之间的关系或弄清群体之间是否存在差异往往非常重要。 根据零假设，所研究的变量之间往往没有明显的区别或联系。 它表示相关组成部分之间不存在关系或影响。

研究人员提出无效假设，作为比较研究结果的参考点。 该假设通常用符号 H0 表示，是确定研究结果统计意义的基准。

示例

让我们以一项关于新型干预计划对非特异性颈痛的影响的研究为例，进一步阐明这一观点。 在这种情况下，根据零假设，接受干预的患者与未接受干预的患者在颈部疼痛方面可能没有明显差异。

因此，零假设在数学上可以写成 H0： 1 - 2 = 0，其中 1 是接受干预者的平均颈部疼痛程度，2 是未接受干预者的平均颈部疼痛程度。

收集信息后，研究人员会进行统计检验，看证据是证实还是反驳了零假设。 如果数据与零假设相矛盾，并显示出显著差异或联系，研究人员可能会拒绝零假设，转而支持另一假设。

不要这样做

需要强调的是，否定 null 假设并不能证明替代假设。 相反，它认为数据可能表明另一种假设被认为是更合理的解释。 通常，替代假设认为相关变量之间存在区别或联系。

在现实生活中，研究人员通过使用各种统计检验（如 t 检验或卡方检验）来分析在零假设下获得所报告结果的可能性。 如果概率低于预设的显著性水平（通常表示为 阿尔法（α）通常为 0.05。

检验假设的行为对科学探究至关重要，因为它使研究人员能够根据经验数据做出判断。 研究人员可以通过有条不紊地分析和质疑零假设来增加知识，促进对许多现象的理解。

零假设检验的问题

一个重要的批评是，它经常忽略效应大小和临床意义，而只关注统计意义。 统计意义并不能揭示所见效果的大小或重要性；它只是告诉人们一个发现是否可能是偶然发生的。 对庞大的数据集进行测试，可以使最微小的差异产生显著的结果（拒绝 H0）。

让我们在前面例子的基础上更进一步。 您对两种颈部疼痛干预治疗后的疼痛 VAS（视觉模拟量表）感兴趣。 每组大约有 1000 名病人。 治疗后，A 组平均为 2.2/10，B 组为 2.4/10。 鉴于两组的人数如此之多，这种微小的差异很有可能在零假设检验中产生显著差异。 不过，0.2/10 的差异并不重要。 就临床意义而言，这两组数据不相上下。

另一个问题是，零假设可能被拒绝，也可能被接受，这可能导致对数据的二元解释。 这种二分法可能会将复杂的事件过于简单化，忽略数据的细节。

此外，在被推翻之前，零假设检验假定零假设为真。 这可能会导致偏向于零假设，并可能导致对潜在的重大影响视而不见。

反对者认为，效果大小报告或贝叶斯统计等替代方法可以对研究结果进行更全面、更有启发性的审查，从而更好地把握研究结果的相关性和实际后果。

摘要

零假设是指相关变量之间不存在显著差异或关联，是研究调查中的默认假设。 为了拒绝零假设，支持备择假设，数据应与零假设不符，显示出显著差异。 科学家可以通过假设检验改进假设，研究新概念，加深我们对世界的理解。 然而，有一大批批评者反对零假设检验。 它并非没有缺点。

Neyman, J., & Pearson, E. S. (1933). 关于统计假设的最有效检验问题。 伦敦皇家学会哲学论文集》，231A, 289-338. https://doi.org/10.1098/rsta.1933.0009

Graves, Spencer (1978). 关于奈曼-皮尔逊测试理论。 英国科学哲学杂志》，29（1），1-24。 

Quintana, D.S., Williams, D.R. 精神病学中常见零假设显著性检验的贝叶斯替代方法：使用 JASP 的非技术指南。 BMC Psychiatry 18, 178 (2018). https://doi.org/10.1186/s12888-018-1761-4

Burnhamm 和 Anderson，P 值只是一个证据指数： 20- 对 21 世纪统计科学。 生态学》（2014 年），https://doi.org/10.1890/13-1066.1