核心要点
H₀ 是「无效应/无差异」的默认基准（如 μ₁=μ₂），H₁ 是研究者想找证据支持的待证陈述，二者互斥
能区分双侧（μ₁≠μ₂）与单侧（μ₁>μ₂）：单侧需先验方向，同 α 下功效更高但易被滥用
检验逻辑是「反证」：假定 H₀ 真，若数据在其下罕见（p<α）则拒绝 H₀
只能「拒绝」或「不拒绝」H₀，永远不能「证明 H₀ 为真」——不拒绝可能只是功效不足
简要回答
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
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）
单侧 vs 双侧：双侧检测任意方向差异
标准回答
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
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）
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。
常见误区
⚠️ 常见踩坑
把「不拒绝 H₀」当成「证明了 H₀ 为真」——不拒绝只表示证据不足，可能是效应小或 n 不够。另一误区：看到数据方向后再临时改用单侧检验（或把双侧 p 值减半），这等于事后挑方向，会人为夸大显著性；检验方向应在看数据前预先设定。
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。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。