Нульова та альтернативна гіпотези: що H0 і H1 означають у статистичній перевірці
Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 року · Редакційна політика
Нульова гіпотеза H₀ та альтернативна гіпотеза H₁ (або H_A) — це формальні статистичні твердження, між якими організована конкретна процедура перевірки. H₀ задає модель або множину параметрів, щодо яких контролюють імовірність хибного відхилення; H₁ задає статистичні альтернативи, для яких тест має виявляти несумісність із H₀. У найпростішому двобічному порівнянні це може бути H₀: θ = θ₀ проти H₁: θ ≠ θ₀, але така форма є лише одним із можливих випадків.
Це розрізнення важливе для психології, тому що статистична гіпотеза не є автоматичним перекладом змістовної наукової гіпотези. Дослідник може мати теоретичне припущення про механізм, причинний ефект або зв’язок між явищами, а статистичний тест перевірятиме значно вужче твердження про середню різницю, коефіцієнт кореляції, параметр регресії чи іншу величину. Окремо про змістовне формулювання дослідницьких припущень ідеться у статті «Наукова гіпотеза в психології».
У частотній інференції результат тесту також не зводиться до фраз «H₀ істинна» або «H₁ доведена». Рішення «відхилити H₀» означає, що спостережені дані за заданої моделі достатньо несумісні з H₀ відповідно до наперед визначеної процедури. Рішення «не відхиляти H₀» означає, що такого ступеня несумісності не отримано. Воно саме по собі не доводить відсутності ефекту. Ця логіка узгоджується з рекомендаціями щодо інтерпретації статистичних тестів, систематизованими Greenland та співавторами.
Коротка відповідь: що означають H₀ і H₁
H₀ — нульова гіпотеза. Вона визначає статистичне твердження або множину тверджень, за яких калібрується тест: обчислюється розподіл тестової статистики, p-значення або критична область і контролюється помилка першого роду. У багатьох стандартних тестах H₀ містить точку «нульового ефекту», наприклад різниця середніх Δ = 0 або кореляція ρ = 0. Проте H₀ не зобов’язана буквально означати «нічого не відбувається» і не завжди зводиться до рівності нулю.
H₁, яку також позначають H_A, — альтернативна гіпотеза. Вона визначає значення параметра або моделі, які протиставляються H₀. Для двобічної перевірки H₁ може мати форму θ ≠ θ₀, для спрямованої — θ > θ₀ або θ < θ₀. В інших завданнях, зокрема тестах еквівалентності чи не меншої ефективності, ролі «відсутності» та «наявності» практично значущої різниці формулюють інакше.
Найкоротше правило таке: H₀ і H₁ визначають простір статистичної перевірки, але не замінюють дизайн дослідження, наукову теорію, оцінку величини ефекту, причинні припущення чи змістову інтерпретацію результату.
Нульова гіпотеза H₀: що саме вона стверджує
Нульова гіпотеза є частиною математичної моделі аналізу. Вона може стверджувати, що певний параметр дорівнює заданому значенню, що два параметри рівні, що коефіцієнт дорівнює нулю, що дві змінні незалежні за умов конкретної моделі або що параметр лежить у певній області. Саме тому визначення H₀ має містити достатньо точності, щоб було зрозуміло, який статистичний світ вважається нульовим під час обчислення тесту.
Наприклад, якщо θ — різниця середніх між двома умовами, H₀: θ = 0 означає рівність популяційних середніх у межах моделі, а не буквальну тотожність двох груп у всіх психологічних характеристиках. Якщо θ — коефіцієнт лінійної регресії, H₀: β₁ = 0 стосується конкретного коефіцієнта в заданій регресійній моделі. Вона не стверджує, що змінна «не має жодного значення» у ширшому психологічному сенсі.
Поширене навчальне визначення «H₀ означає відсутність ефекту» є корисним лише як перше наближення. NIST Engineering Statistics Handbook показує як двобічні, так і однобічні формулювання, де нульова гіпотеза може містити нерівність. У тестах еквівалентності H₀ взагалі може означати, що ефект достатньо великий, щоб вважатися практично нееквівалентним.
Чому H₀ часто містить рівність
У класичних тестах гранична рівність часто визначає розподіл, відносно якого калібрують критичну область. Наприклад, для двобічного тесту різниці середніх гранична точка Δ = 0 є природним центром нульової моделі. Для однобічного тесту H₀ може формально охоплювати Δ ≤ 0, тоді як розрахунок критичної межі здійснюють на граничному значенні Δ = 0, де ризик хибного відхилення є найбільшим або визначальним для процедури.
Тому знак рівності в H₀ має статистичну функцію. Він не надає нульовій гіпотезі привілейованого статусу «істини за замовчуванням» і не означає, що дослідник вірить саме в нульовий ефект.
Альтернативна гіпотеза H₁: яку роль вона виконує
Альтернативна гіпотеза описує ту частину параметричного або модельного простору, яку тест має відрізняти від H₀. Вона визначає напрям перевірки, поняття потужності й те, які результати вважаються релевантними альтернативами. Для конкретного значення параметра під H₁ можна обчислити ймовірність відхилити H₀; ця ймовірність є статистичною потужністю щодо саме такого значення, а не універсальною властивістю дослідження.
H₁ також не є автоматично «гіпотезою, яку доводять». Відхилення H₀ може бути сумісним із багатьма конкретними значеннями θ, з різними механізмами та з різними змістовними поясненнями. Якщо H₁ має форму θ ≠ 0, вона охоплює нескінченно багато можливих ефектів — від практично нульових до великих. Статистичний тест не вибирає з цієї множини одну психологічну теорію.
Статистична гіпотеза і наукова гіпотеза — різні рівні
Наукова гіпотеза відповідає на змістовне питання про психологічне явище: наприклад, чи зменшує певне втручання тривогу завдяки конкретному механізму, чи пов’язане навантаження робочої пам’яті з помилками, чи передбачає певна характеристика поведінковий результат. Статистична H₀ або H₁ відповідає на формалізоване питання в моделі: чи дорівнює параметр нулю, чи лежить він по один або інший бік межі, чи сумісні дані з певним розподілом.
Між цими рівнями потрібен явний міст: операціоналізація конструкта, вибір змінних, визначення оцінюваної величини, дизайн, модель і спосіб аналізу. Саме тому одна й та сама наукова гіпотеза може породити кілька статистичних гіпотез, а одна й та сама H₀: β = 0 може використовуватися в дослідженнях із зовсім різним психологічним змістом.
Стандарти звітування APA для кількісних досліджень рекомендують прозоро розрізняти первинні, вторинні й пошукові гіпотези та аналізи, щоб читач розумів, які перевірки були заплановані, а які з’явилися після перегляду даних. Це зафіксовано в APA Journal Article Reporting Standards for Quantitative Research in Psychology. Таке розрізнення особливо важливе, коли багато статистичних H₀/H₁ виникають із однієї широкої дослідницької ідеї.
Формально: гіпотези як множини моделей або значень параметра
Зручна загальна мова статистики така: нехай θ — параметр або набір параметрів моделі. Тоді H₀ визначає множину Θ₀ допустимих під нульовою гіпотезою значень, а H₁ — множину Θ₁ альтернативних значень. У простому двобічному прикладі Θ₀ = {0}, а Θ₁ містить усі ненульові значення. У складніших задачах обидві множини можуть містити багато можливих значень.
Це пояснює різницю між простими й складеними гіпотезами. Проста гіпотеза повністю задає відповідний розподіл або параметри, тоді як складена залишає кілька або нескінченно багато можливостей. NIST прямо розрізняє simple та composite hypotheses на прикладі перевірки розподілу. Для психологічних моделей складені гіпотези є звичайними, адже крім параметра, який нас цікавить, часто залишаються невідомими дисперсії, коваріати та інші компоненти.
Приклад 1: різниця середніх між двома умовами
Припустімо, дослідник порівнює середній бал тривоги після двох умов і визначає Δ = μ₁ − μ₂. Для двобічної перевірки можна записати H₀: Δ = 0 та H₁: Δ ≠ 0. H₀ тут означає рівність саме популяційних середніх за визначеним результатом і моделлю. Вона не означає, що дві групи однакові за всіма рисами або що втручання «взагалі нічого не робить».
Якщо тест дає мале p-значення й H₀ відхиляють за обраним α, це є статистичним свідченням несумісності даних із точковою нульовою різницею в межах моделі. Для змістового висновку потрібно подивитися на оцінене Δ, довірчий інтервал, якість вимірювання, дизайн, втрати учасників, можливі зміщення та практичну величину різниці.
Приклад 2: кореляція
Для коефіцієнта кореляції ρ часто перевіряють H₀: ρ = 0 проти H₁: ρ ≠ 0. Відхилення H₀ означає, що дані несумісні з нульовою популяційною кореляцією за припущень обраного тесту. Воно не перетворює кореляцію на причинний ефект і не показує, яка змінна впливає на яку.
Навіть дуже мале p-значення не усуває змішування, селекційне зміщення, зворотну причинність, помилки вимірювання чи залежність спостережень. Статистична гіпотеза про ρ та причинна гіпотеза належать до різних рівнів висновку.
Приклад 3: коефіцієнт регресії
У лінійній регресії типовою є H₀: β₁ = 0 проти H₁: β₁ ≠ 0. Тут β₁ — умовний коефіцієнт у конкретно заданій моделі. Його значення залежить від того, які змінні включено, як їх закодовано, яку функціональну форму обрано та які припущення зроблено про помилки й залежності.
Тому відхилити H₀: β₁ = 0 не означає встановити універсальний зв’язок між двома психологічними явищами. Це висновок про параметр визначеної моделі. Якщо модель змінюється, змінюється і зміст H₀.
Двобічна й однобічна альтернативи
Двобічна перевірка
Двобічна альтернатива має форму H₁: θ ≠ θ₀. Вона використовується, коли науково важливими є відхилення в обидва боки. За α = .05 типовий двобічний тест розподіляє критичну ймовірність між двома хвостами нульового розподілу. Такий тест відповідає питанню «чи відрізняється параметр від θ₀?», не задаючи напрям наперед.
Однобічна перевірка
Однобічна альтернатива має напрям: наприклад, H₁: θ > θ₀. Відповідна H₀ може бути записана як θ ≤ θ₀, а граничне значення θ = θ₀ використовується для калібрування тесту. NIST наводить саме таку логіку для однобічних тестів. Вона доречна тоді, коли протилежний напрям справді не призводить до того самого наукового рішення і це визначено до перегляду результатів.
Перетворювати двобічний аналіз на однобічний після того, як дослідник побачив напрям ефекту, — некоректно. Таке рішення використовує дані двічі: спочатку для вибору сприятливого напрямку, потім для обчислення тесту. Номінальний рівень α перестає описувати реальну процедуру так, як було заявлено.
Як працює статистична перевірка H₀ проти H₁
Крок 1. Визначити наукове питання і оцінювану величину
Спочатку потрібно зрозуміти, що саме оцінюється: різниця середніх, коефіцієнт кореляції, відношення шансів, параметр регресії, різниця ризиків, частка, медіана чи інша величина. Без цього H₀ легко перетворюється на декоративний запис, який не має однозначного зв’язку з дослідницьким питанням.
Крок 2. Сформулювати H₀ і H₁ до результату
Гіпотези задають до того, як результат тесту починає впливати на аналітичні рішення. Потрібно визначити напрям, граничне значення, одиниці вимірювання та всі важливі компоненти моделі. Якщо аналіз є пошуковим і H₁ сформовано після перегляду даних, це можна робити, але його слід так і позначати й перевіряти на незалежних даних.
Крок 3. Визначити правило помилки першого роду
Рівень значущості α задає контроль імовірності відхилити H₀, коли нульова модель справджується, відповідно до визначеної процедури. α = .05 є історично поширеною конвенцією, а не природною межею між правдою і хибою. Вибір α має бути пов’язаний із наслідками помилок і контекстом, а не лише зі звичкою.
Крок 4. Обрати тестову статистику і перевірити припущення
Тестова статистика стискає дані в величину, для якої відомо або апроксимується її розподіл за H₀. У t-тесті це t, у тесті χ² — χ², у багатьох регресійних моделях використовують t, z, F або відношення правдоподібностей. Коректність процедури залежить від припущень про вибірку, незалежність, модель, дисперсію, форму розподілу та спосіб формування аналізу.
Крок 5. Обчислити p-значення або застосувати критичну область
p-значення показує, наскільки екстремальною була б спостережена або ще екстремальніша тестова статистика за H₀ та заданої статистичної моделі. Воно не є P(H₀ | дані). Детально ця різниця розібрана в окремій канонічній статті «p-значення: що воно насправді означає». ASA Statement прямо наголошує, що p-value не вимірює ймовірність істинності досліджуваної гіпотези.
Крок 6. Прийняти процедурне рішення
Якщо наперед задане правило каже відхиляти H₀ при p ≤ α і отримано p нижче порога, H₀ відхиляють. Якщо p вище порога, H₀ не відхиляють. Ці два результати асиметричні: перший свідчить про несумісність із H₀ за процедурою, другий лише означає, що дані не дали достатньої підстави для відхилення.
Крок 7. Повернутися від статистики до психології
Після тесту потрібно інтерпретувати оцінку ефекту, її невизначеність, якість дизайну, валідність вимірювання, множинність аналізів, пропущені дані, відповідність моделі та зовнішню доказову базу. Wasserstein, Schirm і Lazar закликають відмовлятися від механічного мислення «p < .05 = відкриття» й оцінювати величину, невизначеність, контекст і наслідки.
Що означає «відхилити H₀»
Відхилення H₀ означає, що реалізована тестова процедура класифікувала дані як достатньо несумісні з нульовою моделлю за обраним правилом. Це рішення має визначену довгострокову частоту помилок лише за умов, для яких тест калібрований, і за умови, що саму процедуру не змінювали залежно від отриманих даних.
Фраза «ми відхилили H₀» не є синонімом фрази «H₁ доведена». Причина проста: статистична альтернатива часто дуже широка, а джерелом несумісності можуть бути не лише той психологічний ефект, який цікавить дослідника, а й порушення моделі, залежність спостережень, систематичні зміщення, помилки вимірювання або селективний аналіз.
Тому найсильніша коректна інтерпретація завжди співвідноситься з дизайном. У добре проведеному рандомізованому експерименті відхилення H₀ про нульову середню різницю може бути частиною причинного висновку, якщо виконані релевантні припущення. У поперечному спостережному дослідженні те саме p-значення не усуває альтернативні причинні пояснення.
Що означає «не відхилити H₀»
Не відхилити H₀ означає, що за реалізованої вибірки, моделі, тесту й рівня α дані не потрапили до області відхилення. Такий результат може виникнути, коли H₀ приблизно відповідає даним, коли ефект малий, коли оцінка неточна, коли вибірка мала, коли варіабельність велика або коли модель і вимірювання не дають достатньої інформації.
Саме тому формула «p > .05, отже ефекту немає» є помилковою. Велике p-значення може співіснувати з широким інтервалом, який допускає і нуль, і ефекти практично важливої величини. Greenland та співавтори окремо розбирають цю помилку, а ASA застерігає, що відносно велике p-value саме по собі не є доказом на користь H₀.
Як досліджувати відсутність практично важливого ефекту
Коли наукове питання звучить «чи можемо ми виключити ефект, достатньо великий, щоб мати практичне значення?», звичайний тест H₀: Δ = 0 проти H₁: Δ ≠ 0 не відповідає на нього прямо. Для цього потрібно наперед визначити межу найменшого ефекту, що має значення, і застосувати процедуру, здатну підтримати висновок про практичну еквівалентність або не менш ефективний результат.
Lakens показує це на тестах еквівалентності TOST. Якщо ±δ визначає межі ефектів, які вважаються практично неважливими, нульова гіпотеза еквівалентності охоплює ефекти за межами цього інтервалу, а альтернатива — ефекти всередині нього. Отже, тут «нульова» гіпотеза описує наявність достатньо великої різниці, а відхилення H₀ підтримує висновок про еквівалентність у заданих межах.
H₀ не завжди означає «нуль ефекту»
Це один із найважливіших моментів. У тестах не меншої ефективності, еквівалентності, відповідності розподілу та багатьох складених моделях H₀ має форму, яка не збігається з «ефект = 0». Назва «нульова» описує її роль у процедурі — гіпотезу, відносно якої контролюється правило відхилення, — а не обов’язковий числовий нуль.
Тому визначення H₀ через побутове «нічого немає» породжує дві помилки одночасно: воно звужує клас статистичних тестів і підштовхує до хибного висновку, ніби невідхилення автоматично підтверджує відсутність явища.
H₁ не завжди означає «ефект існує»
Так само H₁ не слід визначати лише як «ефект є». У двобічному тесті вона може означати будь-яке ненульове значення параметра. У спрямованому тесті — лише значення по один бік межі. У тесті еквівалентності H₁ може означати, що ефект лежить усередині практично неважливого інтервалу. У перевірці відповідності розподілу H₁ може означати, що розподіл не належить до заданого класу.
Зміст H₁ потрібно читати з математичного формулювання конкретної перевірки, а не з назви.
Рівень α і помилка першого роду
Помилка першого роду виникає, коли H₀ відхиляють за умов, за яких вона справджується в межах моделі. Її контроль пов’язаний з α. Важливо, що α — це властивість процедури в повторюваних застосуваннях, а не ймовірність того, що конкретне вже прийняте рішення помилкове. Докладне пояснення є у статті «Помилка першого роду».
Якщо дослідник проводить багато тестів, вибирає лише найменші p-values, зупиняє збір даних залежно від проміжних результатів або змінює моделі без належного врахування цих рішень, фактична помилка першого роду може відрізнятися від номінального α. Саме тому процедура включає не лише формулу тесту, а й правила, за якими дані збирали, аналізували й відбирали результати.
Помилка другого роду, β і статистична потужність
Помилка другого роду виникає, коли H₀ не відхиляють для конкретної альтернативи, за якої H₀ хибна. Її імовірність позначають β, а потужність — 1 − β. Окремі канонічні матеріали ХАБу розбирають помилку другого роду і статистичну потужність.
Потужність має сенс лише відносно конкретних альтернативних значень, дизайну, розміру вибірки, варіабельності, α та тесту. Тому фраза «потужність дослідження 80%» є неповною без уточнення, для якого ефекту або набору ефектів вона розрахована. Це ще одна причина не сприймати H₁ як одну точку «ефект є».
Як H₀ пов’язана з p-значенням
p-значення визначають умовно щодо H₀ і статистичної моделі. У спрощеному записі це хвостова ймовірність отримати тестову статистику, щонайменше настільки екстремальну, як спостережена, за умов нульової моделі. ASA Statement формулює саме цю умовність і наголошує, що p-value описує сумісність даних із моделлю, а не ймовірність її істинності.
Через це p = .03 не означає, що H₀ має 3% шансів бути істинною, а H₁ — 97%. Для такого твердження потрібна інша ймовірнісна постановка з моделлю для самих гіпотез, наприклад байєсівська. Частотний p-value не перетворюється на постеріорну ймовірність простим відніманням від одиниці.
Що означає p < .05 для H₀ і H₁
Якщо α = .05 був заданий наперед і p < .05, правило типового тесту веде до відхилення H₀. Це процедурне рішення. Воно не повідомляє, що ймовірність H₁ перевищила 95%, не гарантує повторення результату, не показує величину ефекту й не встановлює його практичну важливість.
Порогове мислення особливо проблемне біля межі. p = .049 і p = .051 не описують два радикально різні світи. Вони дають дуже близьку інформацію про сумісність даних із нульовою моделлю. Саме тому сучасні рекомендації радять показувати оцінки ефекту, інтервали невизначеності та точні p-values, а не перетворювати .05 на онтологічну межу.
Статистична значущість не дорівнює психологічній або практичній важливості
Відхилення H₀ може статися для дуже малого ефекту у великій вибірці. І навпаки, ефект, який був би практично важливим, може залишитися статистично невизначеним у малому або шумному дослідженні. Тому H₀/H₁ і статистична значущість відповідають на інше питання, ніж «наскільки це важливо?».
Окремо цю межу розбирає стаття «Статистична значущість: що означає p < .05 і чому “значуще” не дорівнює важливому». У хорошому звіті статистичний тест доповнюється оцінкою величини ефекту, інтервалом невизначеності та змістовною шкалою наслідків.
Які припущення стоять за перевіркою H₀
Статистична гіпотеза ніколи не тестується у вакуумі. Разом із H₀ процедура покладається на інші припущення: як отримано вибірку, чи незалежні спостереження, чи правильно задана модель, чи враховано кластеризацію, як поводяться залишки, як оброблено пропуски, чи не було селективного вибору аналізу та чи відповідає тест шкалі даних.
Greenland та співавтори підкреслюють, що статистичний висновок залежить від цілого набору припущень. Мале p-value може відображати несумісність не лише з конкретним параметричним обмеженням H₀, а й з іншими компонентами моделі. Саме тому фраза «дані спростували H₀» без опису моделі часто звучить сильніше, ніж дозволяє аналіз.
Незалежність спостережень
Якщо дані кластеризовані — наприклад, учні вкладені в класи, клієнти в терапевтів, повторні вимірювання в одну людину — аналіз, який помилково трактує всі спостереження як незалежні, може мати неправильні стандартні похибки й p-values. Тут проблема не в самих символах H₀/H₁, а в невідповідній моделі залежності.
Розподільні припущення
Не кожен тест вимагає нормальності сирих даних, і не кожне відхилення від нормальності руйнує аналіз. Припущення залежать від конкретної процедури, розміру вибірки, структури залишків та способу обчислення стандартних похибок. Тому універсальна порада «спочатку перевірити нормальність, інакше H₀ тестувати не можна» є некоректною.
Множинні та гнучкі аналізи
Коли одна дослідницька ідея породжує десятки H₀ і дослідник повідомляє лише ті, що дали бажаний результат, заявлене α вже не описує весь процес вибору. Прозорість щодо всіх первинних, вторинних і пошукових аналізів — не косметика, а частина статистичної інтерпретації. Тут особливо важливі попередньо визначені плани та повне звітування.
H₀, H₁ і причинність
Статистичний тест може перевіряти параметр у будь-якому дизайні, але сам факт відхилення H₀ не створює причинної ідентифікації. У спостережних даних асоціація може виникати через змішування, селекцію, зворотну часову послідовність, спільні причини або систематичну помилку вимірювання.
Для причинного висновку потрібно окремо обґрунтувати часовий порядок, дизайн, контроль змішування, припущення про відсутність релевантних неврахованих причин, спосіб формування вибірки та коректність вимірювань. H₀: β = 0 у регресії не є тотожною гіпотезі «каузальний ефект дорівнює нулю», якщо β не ідентифікує причинний ефект за конкретних припущень.
Чи треба «приймати» H₀ або H₁
У звичайному тестуванні найточніша мова — «відхилити H₀» або «не відхилити H₀». Слово «прийняти» часто створює враження, ніби тест обчислив істинність гіпотези. Насправді одна й та сама невідхилена H₀ може бути сумісною і з дуже точними даними біля нуля, і з настільки неточними даними, що вони допускають широкий спектр ефектів.
Водночас у теорії статистичних рішень можна формально говорити про області прийняття або рішення між діями. Суть не в забороненому слові, а в інтерпретації: звичайне невідхилення H₀ не є доказом її істинності. Для публічного наукового тексту формула «не відхилили H₀» краще зберігає цю логіку.
Поширені помилки у формулюванні H₀ і H₁
«H₀ — це завжди відсутність ефекту». Ні. Це поширена форма, але тест еквівалентності, не меншої ефективності або складена нульова модель можуть мати іншу структуру.
«H₁ — це те, що дослідник хоче довести». Не обов’язково. H₁ — формальна статистична альтернатива. Вона може бути ширшою або вужчою за змістовну наукову гіпотезу.
«Якщо p < .05, H₁ істинна з імовірністю понад 95%». Ні. p-value не є ймовірністю H₀ або H₁.
«Якщо p > .05, H₀ доведена». Ні. Це лише невідхилення за даної точності й процедури.
«H₀: різниці немає» означає, що вибіркові середні мають бути однакові». Ні. H₀ стосується популяційного параметра або моделі; вибіркові оцінки майже завжди відрізняються через вибіркову мінливість.
«Однобічний тест можна обрати після того, як побачили напрям». Ні. Напрям є частиною процедури й має визначатися незалежно від отриманого результату.
«Відхилення H₀ доводить причинність». Ні. Причинність визначається дизайном і причинними припущеннями, а не порогом p.
«Нульова гіпотеза містить число 0, тому так називається». Ні. У багатьох тестах H₀ містить інше граничне значення або цілу область параметрів.
Як коректно формулювати H₀ і H₁ у психологічній роботі
Почніть із параметра, а не з ритуальної фрази. Замість «H₀: відмінностей немає» запишіть, яка саме різниця мається на увазі: наприклад, Δ = μ₁ − μ₂, H₀: Δ = 0, H₁: Δ ≠ 0. Так читач бачить, що перевіряється популяційна середня різниця, а не абстрактна «відмінність взагалі».
Далі вкажіть напрям. Якщо H₁ двобічна, поясніть, що релевантні відхилення в обидва боки. Якщо однобічна — наведіть предметне обґрунтування, чому протилежний напрям не веде до того самого рішення, і зафіксуйте це до аналізу.
Потім відокремте статистичну гіпотезу від змістовного висновку. Формула H₀: ρ = 0 не повинна описуватися як «H₀: психологічні явища не пов’язані взагалі», якщо тест стосується лише конкретного коефіцієнта та конкретної форми залежності.
Нарешті, звітуйте не лише про рішення. Потрібні оцінка параметра, інтервал невизначеності, точне p-value, розмір вибірки, метод аналізу, ключові припущення та пояснення того, чи був аналіз первинним, вторинним або пошуковим. APA JARS закріплює цю ширшу логіку прозорого звітування.
Приклад повної інтерпретації
Уявімо рандомізоване дослідження психологічного втручання. Первинний результат — зміна бала тривоги. Оцінювана величина Δ — середня різниця змін між групами. Заплановано H₀: Δ = 0 і H₁: Δ ≠ 0, α = .05. Аналіз дав Δ = −3.2 бала, 95% довірчий інтервал від −5.6 до −0.8 і p = .009.
Коректний висновок: дані за заданої моделі несумісні з точковою H₀: Δ = 0 на рівні, достатньому для її відхилення за наперед заданим правилом; оцінена різниця становить −3.2 бала, а інтервал характеризує невизначеність оцінки. Далі потрібно оцінити, чи 3.2 бала є практично або клінічно значущою зміною, чи дизайн дозволяє причинний висновок, чи не було суттєвих втрат учасників та чи валідне вимірювання.
Некоректний висновок: «H₁ доведена на 99.1%» або «ймовірність випадковості лише 0.9%». p = .009 не має такого значення.
Приклад, коли p > .05 не дає відповіді про відсутність ефекту
Припустімо, оцінка різниці становить Δ = 2.0 бала, 95% інтервал від −2.5 до 6.5, p = .38. Невідхилення H₀: Δ = 0 не показує, що ефект відсутній. Інтервал допускає як невелику різницю в один бік, так і помітну різницю в інший. Дані просто надто неточні для сильного висновку.
Якщо дослідницька мета — показати, що відмінність менша за ±3 бали і тому практично неважлива, потрібен тест еквівалентності або інша процедура, сформульована навколо цієї межі. Саме так статистична постановка має відповідати реальному науковому питанню.
Що має бути визначено до аналізу
Для підтверджувальної перевірки бажано наперед визначити: первинний результат, параметр або контраст, H₀ і H₁, двобічність чи однобічність, α, критерії включення й виключення, правила обробки пропусків, модель, коваріати, корекції для множинних перевірок і план аналізу чутливості. Така специфікація не усуває всі проблеми, але робить реальну процедуру видимою.
Якщо після перегляду даних виникають нові гіпотези, це нормальна частина науки. Важливо назвати їх пошуковими, а не переописувати як наперед передбачені. Нові H₀/H₁ можуть бути цінними, але їхня підтверджувальна сила зростає, коли вони перевіряються на нових незалежних даних.
H₀ і H₁ у ширшій інференційній статистиці
Перевірка гіпотез є лише одним інструментом інференції. Оцінювання параметрів, довірчі інтервали, прогнозування, моделювання, аналіз чутливості, байєсівські методи та рішення з явними функціями втрат відповідають на інші або ширші питання. Загальну карту цих підходів подає стаття «Інференційна статистика в психології».
Тому H₀/H₁ не варто робити центром усієї статистичної аргументації. Вони корисні, коли дослідницьке питання справді має форму перевірки й процедура визначена коректно. Але зміст результату майже завжди багатший за бінарне «відхилено / не відхилено».
Практичний алгоритм для читача
1. Визначте, яка величина перевіряється: параметр, різниця, коефіцієнт або модель.
2. Запишіть H₀ математично або максимально однозначно словами.
3. Запишіть H₁ і перевірте, чи вона двобічна, однобічна або має іншу структуру.
4. Переконайтеся, що H₀/H₁ відповідають саме дослідницькому питанню, а не просто шаблону з підручника.
5. Визначте α, тест і ключові припущення до результату.
6. Після аналізу читайте p-value як умовну характеристику даних за H₀ і моделі, а не як імовірність гіпотези.
7. Якщо H₀ відхилено, оцініть величину ефекту, невизначеність, дизайн і альтернативні пояснення.
8. Якщо H₀ не відхилено, не оголошуйте ефект відсутнім без достатньої точності або спеціальної процедури на кшталт тесту еквівалентності.
9. Не робіть причинного висновку сильнішим, ніж дозволяє дизайн.
10. Звітуйте повний ланцюг: питання → параметр → H₀/H₁ → модель → результат → невизначеність → змістовний висновок.
Поширені запитання
Що означає H₀ у статистиці?
H₀ позначає нульову гіпотезу — формальне статистичне твердження або множину тверджень, відносно яких калібрується тест і контролюється правило хибного відхилення. Часто це рівність параметра заданому значенню, але H₀ може мати й іншу форму.
Що означає H₁?
H₁ або H_A позначає альтернативну гіпотезу — значення параметра чи моделі, які протиставляються H₀. Вона може бути двобічною, однобічною або визначати спеціальну область, як у тестах еквівалентності.
Чим H₀ відрізняється від H₁?
H₀ задає нульовий простір, відносно якого визначають помилку першого роду та розподіл тесту; H₁ задає альтернативний простір, відносно якого оцінюють здатність тесту виявляти відхилення. Їхні ролі процедурні й модельні.
Чи H₀ завжди означає, що ефекту немає?
Ні. Це типовий, але не універсальний випадок. H₀ може містити нерівність, область параметрів або твердження про нееквівалентність. У тестах еквівалентності H₀ навмисно формулюють так, щоб її відхилення підтримувало висновок про достатню схожість.
Чи можна прийняти H₀, якщо p > .05?
Звичайний тест дає підставу не відхилити H₀, але p > .05 саме по собі не доводить її істинності. Щоб підтримати висновок про відсутність практично важливого ефекту, потрібні достатня точність і відповідна процедура, наприклад тест еквівалентності.
Чи відхилення H₀ означає, що H₁ істинна?
Не в сенсі обчисленої ймовірності істинності. Відхилення H₀ означає, що дані потрапили до області, яку процедура вважає достатньо несумісною з H₀. Наукова інтерпретація H₁ потребує оцінки ефекту, моделі, дизайну та альтернативних пояснень.
Чи p < .05 означає 95% імовірності H₁?
Ні. p-value не є P(H₁ | дані) і не перетворюється на таку ймовірність через 1 − p. Це одна з центральних помилок інтерпретації статистичних тестів.
Коли використовувати однобічну H₁?
Коли напрям визначений предметним питанням наперед і результат у протилежному напрямі не приводить до того самого висновку. Однобічність не слід обирати після перегляду даних.
Чи H₁ — це те саме, що дослідницька гіпотеза?
Ні. Дослідницька або наукова гіпотеза є змістовним твердженням про явище, а H₁ — формальним твердженням у статистичній моделі. Між ними має бути обґрунтований зв’язок через дизайн, вимірювання та оцінюваний параметр.
Чи статистична перевірка H₀ встановлює причинність?
Ні. Причинний висновок залежить від дизайну й причинних припущень. p-value або відхилення H₀ самі по собі не усувають змішування, селекцію, зворотну причинність чи інші альтернативні пояснення.
Що краще писати у висновку: «прийняли H₁» чи «відхилили H₀»?
Для стандартної частотної перевірки точніше писати «H₀ відхилено» або «H₀ не відхилено», а потім окремо формулювати змістовний висновок з урахуванням ефекту, невизначеності та дизайну.