「假设检验八讲」第1讲：为什么要“假设”总体？——统计推断的逻辑起点

统计

在统计学中，假设检验是最容易让人“绕晕”的概念。学生常问：“我们明明有样本，为什么还要‘假设’总体？”

其实，这正是统计推断的核心逻辑——我们从来不知道总体是什么，只能假设一个总体状态，然后用样本去验证它是否成立。这听起来抽象，但本质上非常直观。

假设检验就像一次法庭审判。

原假设 H₀：被告无罪（总体没有差异或没有效应）。

备择假设 H₁：被告有罪（总体存在差异或效应）。

法官（我们）并不知道真相，只能根据证据（样本数据）来判断是否有足够理由推翻“无罪”的假设。

这就是假设检验的思维方式：

不是证明某个观点“正确”，而是看样本证据是否“足以拒绝”原假设。

统计学中，我们常遇到的问题是：

“A 城的平均收入是否高于 B 城？”

“新药是否真的比旧药有效？”

这些问题都指向一个总体参数（如均值、比例），但我们手上只有样本。

所以我们要先假设总体参数的值（如两地平均收入相等），再用样本数据检验这种假设是否被证据推翻。

这一逻辑由费希尔（R.A. Fisher, 1925）正式提出，他强调显著性检验的核心思想是：

“在原假设成立的前提下，样本结果出现的概率是否足够小？”

这就是后来的p值思路。

很多人会问：“我直接看两个样本均值不同不就行了吗？”

不行。因为样本差异可能是随机误差造成的假象。

假设检验要回答的不是“有没有差异”，而是“这种差异是否可能仅由随机性造成”。

如果这种随机出现的概率极低（比如不到5%），我们才说：

“数据足够反常，原假设不再站得住脚。”

这就是显著性检验的逻辑起点。

假设检验的流程可以简化为四步：

1️⃣ 提出假设（H₀ 与 H₁）

2️⃣ 设定显著性水平 α（通常为0.05）

3️⃣ 计算检验统计量与p值

4️⃣ 根据结果作出结论（拒绝或不拒绝 H₀）

这套框架的美妙之处在于，它把“不确定”变成了“可以量化的不确定”，让决策建立在概率逻辑之上。

💬 小结：假设检验的“哲学味道”

假设检验并不是在寻找“真理”，而是在进行理性的怀疑。

我们假设世界是某种样子，然后用数据去挑战这种假设。

这种思维方式，不仅是统计学的核心，也是科学研究的精神所在。

📚【延伸阅读】

Fisher, R.A. (1925). Statistical Methods for Research Workers.

思考题：

如果你要比较两种教学方式的效果，你会怎样写出H₀和H₁？