核心要点
H0 通常是无效应/基准，H1 是待证效应
理解双侧 vs 单侧检验
知道「无法证明 H0 为真」只能不拒绝
简要回答
零假设 H0 是默认/无效应陈述；备择假设 H1 是研究者想寻找证据支持的陈述；检验用数据判断是否有足够证据拒绝 H0。
标准回答
一、假设检验框架
（Neyman-Pearson）：
- H₀（零假设）：「无效应」「无差异」「参数等于某值」——待反驳的基准
- 例：新药与安慰剂疗效相同（μ₁=μ₂）
- H₁（备择假设）：与 H₀ 互斥，通常是有方向或双侧差异
- 双侧：μ₁≠μ₂；单侧：μ₁>μ₂
二、逻辑
- 假定 H₀ 为真，计算检验统计量与 p 值
- p < α → 拒绝 H₀，支持 H₁
- p ≥ α → 不拒绝 H₀（≠ 证明 H₀ 为真，可能功效不足）
三、单侧 vs 双侧
双侧检测任意方向差异；单侧需先验方向，同 α 下功效更高但更易误用。
与 p 值、显著性水平、I/II 类错误 紧密关联。见 概率论基础。
面试里如果出现公式，建议先说 零假设与备择假设 解决的直觉问题，再解释变量含义和适用条件。最后补一个反例或边界，比如样本量不足、分布假设不成立、数值不稳定时应该怎么处理。
回答思路
【定义】用一句话说清「什么是零假设与备择假设」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只罗列名词、不会举例；混淆相似概念；忽略工程约束（成本、延迟、数据质量）。不确定时应主动说明假设。
追问
追问 1：为什么不能说「接受 H0」？
不拒绝只说明证据不足以推翻 H0，可能是效应太小或 n 太小。接受暗示 H0 为真，逻辑上不严谨。应报告 p 值/CI 与功效。
追问 2：非劣效检验里 H0 是什么？
H0：新疗法比标准疗法差超过非劣界 δ（或更差）；H1：非劣于 δ 以内。药物审批常用，与优效检验 H0 不同。
追问 3：等价检验和差异检验有何不同？
差异检验 H0：无差异。等价检验 H0：差异超出等价界；需证两组「足够接近」。TOST 方法用于生物等效性。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习