065. Hipoteza zerowa i alternatywna – formalny zapis i interpretacja

W poprzedniej lekcji omawialiśmy hipotezy kierunkowe i niekierunkowe. Teraz przechodzimy do ich formalnego zastosowania w testowaniu hipotez statystycznych. Hipoteza zerowa i hipoteza alternatywna nie są jedynie technicznymi symbolami wpisywanymi do rozdziału metodologicznego. Porządkują sposób, w jaki badacz przechodzi od pytania empirycznego do reguły wnioskowania na podstawie danych.

Najważniejsze jest rozróżnienie trzech poziomów. Po pierwsze, istnieje problem lub pytanie badawcze, np. czy program edukacyjny poprawia przestrzeganie zaleceń przez pacjentów. Po drugie, formułujemy hipotezy dotyczące parametrów populacji. Po trzecie, wybieramy test statystyczny i określamy, jak wynik testu będzie interpretowany. Test nie rozstrzyga samodzielnie, czy teoria jest prawdziwa. Dostarcza jedynie określonego rodzaju informacji o zgodności danych z założonym modelem i hipotezą zerową.

1. Czym jest hipoteza statystyczna?

Hipoteza statystyczna to twierdzenie dotyczące rozkładu zmiennej, parametru populacji albo relacji między zmiennymi. Parametrem może być na przykład średnia wartość ciśnienia skurczowego w populacji, odsetek pacjentów przyjmujących lek zgodnie z zaleceniami albo współczynnik korelacji między nasileniem stresu i jakością snu.

W badaniu obserwujemy próbę, a nie całą populację. Otrzymujemy więc statystykę z próby, np. średnią x̄, odsetek p̂ lub współczynnik korelacji r. Na tej podstawie próbujemy ocenić, które wartości parametru populacji są zgodne z danymi. Testowanie hipotez jest zatem procedurą kontrolowanego wnioskowania w warunkach niepewności.

Klasyczny schemat obejmuje dwie wzajemnie wykluczające się możliwości:

• hipotezę zerową, oznaczaną zwykle jako H₀;
• hipotezę alternatywną, oznaczaną jako H₁ lub H_A.

W ujęciu Neymana i Pearsona hipoteza zerowa i alternatywna tworzą podstawę reguły decyzyjnej, w której kontroluje się prawdopodobieństwo błędu I rodzaju i analizuje moc testu (Neyman i Pearson, 1933). W praktyce współczesnych badań często łączy się ten schemat z rozumowaniem opartym na wartości p, jednak nie należy utożsamiać wszystkich tych elementów.

2. Hipoteza zerowa – sens i formalny zapis

Hipoteza zerowa opisuje model, który traktujemy jako punkt odniesienia dla oceny danych. Bardzo często wyraża brak różnicy, brak związku albo brak efektu, ale nie jest to reguła absolutna. W niektórych badaniach hipoteza zerowa może określać konkretną wartość referencyjną, na przykład średnią populacyjną równą 140 mmHg.

Przykładowe zapisy:

• H₀: μ₁ − μ₂ = 0 – średnie w dwóch populacjach są równe;
• H₀: p = 0,30 – odsetek osób spełniających określone kryterium wynosi 30%;
• H₀: ρ = 0 – w populacji nie występuje liniowa korelacja;
• H₀: β₁ = 0 – współczynnik przy danej zmiennej objaśniającej w modelu regresji jest równy zero.

Symbol μ oznacza średnią w populacji, p – odsetek lub prawdopodobieństwo w populacji, ρ – populacyjny współczynnik korelacji, a β₁ – parametr nachylenia w modelu regresji. Indeksy 1 i 2 wskazują zwykle dwie grupy lub dwie populacje.

Określenie „zerowa” nie oznacza, że wynik obserwowany w próbie musi być dokładnie równy zero. Możliwe jest przecież, że średnia w jednej grupie wynosi 128 mmHg, a w drugiej 125 mmHg. Hipoteza zerowa może nadal głosić, że w populacji różnica średnich wynosi zero, a obserwowana różnica jest skutkiem zmienności losowej, błędu pomiaru lub innych czynników.

3. Hipoteza alternatywna – kierunek i zakres twierdzenia

Hipoteza alternatywna określa wartości parametru dopuszczane jako konkurencyjne wobec hipotezy zerowej. W zależności od pytania może być niekierunkowa albo kierunkowa.

3.1. Hipoteza alternatywna niekierunkowa

Hipoteza niekierunkowa zakłada, że parametr różni się od wartości określonej w hipotezie zerowej, ale nie przesądza, w którą stronę:

H_A: μ₁ − μ₂ ≠ 0

Taki zapis obejmuje zarówno różnicę dodatnią, jak i ujemną. Jest właściwy wtedy, gdy obie strony różnicy mają znaczenie naukowe lub praktyczne, a wcześniejsza wiedza nie uzasadnia wiarygodnie konkretnego kierunku.

3.2. Hipoteza alternatywna kierunkowa

Hipoteza kierunkowa zawęża rozważany zbiór możliwości:

• H_A: μ₁ − μ₂ > 0 – średnia w grupie pierwszej jest większa;
• H_A: μ₁ − μ₂ < 0 – średnia w grupie pierwszej jest mniejsza.

Test jednostronny nie powinien być wybierany dopiero po obejrzeniu wyników. Kierunek hipotezy musi wynikać z pytania badawczego, wcześniejszej wiedzy, uzasadnienia teoretycznego albo projektu badania. Zmiana testu z dwustronnego na jednostronny po uzyskaniu nieoczekiwanego kierunku jest formą dopasowywania analizy do wyniku i zwiększa ryzyko błędnej interpretacji.

4. Jak przejść od pytania badawczego do zapisu H₀ i H_A?

Przydatna jest następująca sekwencja:

1. Określ populację, której dotyczy wniosek.
2. Zidentyfikuj zmienną wynikową i sposób jej pomiaru.
3. Ustal parametr populacji, którego dotyczy pytanie.
4. Określ wartość referencyjną albo relację będącą punktem odniesienia.
5. Zdecyduj, czy hipoteza alternatywna ma być kierunkowa.
6. Zapisz obie hipotezy symbolicznie i słownie.
7. Sprawdź zgodność hipotez z planowanym testem i projektem badania.

Przykładowo pytanie „Czy pielęgniarki pracujące w systemie zmianowym mają gorszą jakość snu niż pielęgniarki pracujące wyłącznie w dzień?” dotyczy porównania dwóch średnich. Jeżeli wyższy wynik skali oznacza gorszą jakość snu, można zapisać:

H₀: μ_zmianowy − μ_dzienny = 0

H_A: μ_zmianowy − μ_dzienny > 0

Hipoteza alternatywna jest kierunkowa, ponieważ pytanie zakłada konkretny kierunek różnicy. Gdyby pytanie brzmiało „Czy jakość snu różni się między grupami?”, właściwszy byłby zapis niekierunkowy:

H_A: μ_zmianowy − μ_dzienny ≠ 0

5. Związek hipotez z wartością p

Wartość p jest obliczana przy założeniu, że hipoteza zerowa oraz pozostałe założenia modelu są prawdziwe. Informuje, jak często można byłoby uzyskać wynik co najmniej tak niezgodny z hipotezą zerową jak wynik zaobserwowany, gdyby model zerowy był prawidłowy. Nie jest prawdopodobieństwem prawdziwości hipotezy zerowej ani prawdopodobieństwem, że wynik powstał „wyłącznie przez przypadek”. Takie interpretacje są błędne (Wasserstein i Lazar, 2016; Greenland i in., 2016). ([pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC4877414/?utm_source=openai))

Jeżeli ustalono poziom istotności α = 0,05, można przyjąć następującą regułę techniczną:

Wynik	Decyzja formalna	Ostrożna interpretacja
p ≤ α	Odrzucamy H0	Dane są trudno zgodne z H0 przy przyjętym modelu
p > α	Nie odrzucamy H0	Brak wystarczających podstaw do odrzucenia H0

Nie należy pisać, że „udowodniono H₀” albo że „H₀ jest prawdziwa”, gdy p > 0,05. Taki wynik może oznaczać brak efektu, ale może też wynikać z małej liczebności próby, dużej zmienności, niedokładnego pomiaru albo zbyt małej czułości badania. Trafniejsza formuła brzmi: „nie znaleziono wystarczających podstaw do odrzucenia hipotezy zerowej”.

6. Istotność statystyczna, wielkość efektu i znaczenie praktyczne

Formalna decyzja dotycząca H₀ nie wyczerpuje interpretacji wyniku. Należy osobno rozważyć:

• istotność statystyczną – zależność między wynikiem testu a przyjętym poziomem α;
• wielkość efektu – rozmiar zaobserwowanej różnicy lub związku;
• precyzję oszacowania – na przykład przedział ufności;
• znaczenie praktyczne lub kliniczne – pytanie, czy efekt ma realne konsekwencje dla pacjentów, personelu lub polityki zdrowotnej.

Duża próba może dać bardzo małą wartość p dla różnicy pozbawionej znaczenia klinicznego. Z kolei ważny praktycznie efekt może nie osiągnąć konwencjonalnego progu istotności, jeśli badanie ma zbyt małą moc. Dlatego raport powinien zawierać co najmniej oszacowanie efektu, przedział ufności, wartość p, liczebność próby oraz informacje o założeniach analizy. Samo określenie „wynik istotny” jest niewystarczające (Greenland i in., 2016; Amrhein, Greenland i McShane, 2019). ([pmc.ncbi.nlm.nih.gov](https://pmc.ncbi.nlm.nih.gov/articles/PMC4877414/?utm_source=openai))

7. Przykłady formalnego zapisu

Przykład 1. Program edukacyjny dla pacjentów z cukrzycą

Badacz sprawdza, czy udział w sześciotygodniowym programie edukacyjnym zmniejsza odsetek pacjentów, którzy po trzech miesiącach nie przestrzegają zaleceń dotyczących samokontroli.

Niech p_E oznacza odsetek pacjentów nieprzestrzegających zaleceń w grupie edukacyjnej, a p_K – analogiczny odsetek w grupie kontrolnej.

H₀: p_E − p_K = 0

H_A: p_E − p_K < 0

Hipoteza alternatywna jest kierunkowa, ponieważ oczekuje się mniejszego odsetka nieprzestrzegania zaleceń w grupie edukacyjnej. Jeśli badanie było randomizowane, można rozważać wnioskowanie o efekcie przyczynowym programu, o ile spełniono założenia dotyczące realizacji randomizacji, pomiaru i analizy. Jeśli było obserwacyjne, ostrożniejsze będzie stwierdzenie o różnicy lub związku, a nie o działaniu przyczynowym programu.

Przykład 2. Stres zawodowy i jakość snu

W badaniu przekrojowym analizuje się związek między wynikiem skali stresu zawodowego a wynikiem skali jakości snu u ratowników medycznych. Niech ρ oznacza populacyjny współczynnik korelacji rang Spearmana.

H₀: ρ = 0

H_A: ρ ≠ 0

Jest to hipoteza niekierunkowa, jeżeli badacz chce sprawdzić, czy istnieje jakikolwiek związek, bez przesądzania, czy większy stres wiąże się z gorszym, czy lepszym snem. W badaniu przekrojowym nie należy jednak na tej podstawie pisać, że stres powoduje pogorszenie snu. Kierunek związku statystycznego i przyczynowość to odrębne kwestie metodologiczne.

8. Błędy I i II rodzaju oraz moc testu

Jeżeli odrzucimy prawdziwą hipotezę zerową, popełniamy błąd I rodzaju. Prawdopodobieństwo kontrolowania tego błędu określa poziom istotności α. Nie oznacza to jednak, że w konkretnym badaniu prawdopodobieństwo błędu wynosi dokładnie 5%. Poziom α jest właściwością z góry określonej procedury i reguły decyzyjnej.

Błąd II rodzaju polega na nieodrzuceniu hipotezy zerowej, gdy w populacji istnieje efekt należący do rozważanej alternatywy. Jego prawdopodobieństwo oznacza się zwykle jako β. Moc testu wynosi:

moc = 1 − β

Moc zależy między innymi od liczebności próby, zmienności wyników, wielkości efektu, poziomu α oraz wybranego testu. Brak istotności statystycznej nie jest więc automatycznie dowodem braku efektu. Aby ocenić, jakie efekty badanie mogło wykryć, potrzebne są informacje o precyzji i planowanej mocy.

9. Najczęstsze błędy

• „H₀ oznacza, że nic się nie dzieje”. Nie zawsze. Może określać konkretną wartość referencyjną, np. różnicę równą 5 punktów.
• „Nie odrzucono H₀, więc H₀ jest udowodniona”. Nie. Wynik może być niejednoznaczny z powodu małej mocy lub dużej niepewności.
• „Wartość p to prawdopodobieństwo, że H₀ jest prawdziwa”. Nie. Wartość p jest obliczana warunkowo przy założeniu H₀.
• „Małe p oznacza duży efekt”. Nie. Wielkość efektu i wartość p odpowiadają na różne pytania.
• Zmiana hipotezy po obejrzeniu danych. Hipoteza kierunkowa powinna być określona przed analizą, a hipotezy post hoc należy wyraźnie oznaczyć jako eksploracyjne.
• Brak zgodności między hipotezą a testem. Hipoteza o różnicy średnich wymaga innej procedury niż hipoteza o różnicy odsetków lub korelacji.
• Nadmiernie przyczynowy język. Sam fakt odrzucenia H₀ nie dowodzi, że jedna zmienna spowodowała zmianę drugiej.
• Raportowanie wyłącznie „istotne/nieistotne”. Należy przedstawić także kierunek i wielkość efektu, przedział ufności oraz ograniczenia badania.

10. Przykład praktyczny: interpretacja wyniku

Załóżmy, że w badaniu porównano średnie ciśnienie skurczowe w grupie programu pielęgnacyjnego i w grupie kontrolnej. Różnica średnich wyniosła −4,8 mmHg, 95% przedział ufności dla różnicy wyniósł od −8,9 do −0,7 mmHg, a test dał p = 0,022.

Formalnie, przy α = 0,05, odrzucamy hipotezę zerową o braku różnicy. Wynik wskazuje na różnicę zgodną z kierunkiem hipotezy alternatywnej. Nie wystarczy jednak napisać, że program „na pewno obniża ciśnienie”. Należy uwzględnić projekt badania, sposób przydziału uczestników, możliwe czynniki zakłócające, kliniczne znaczenie różnicy 4,8 mmHg oraz zgodność pomiarów z protokołem.

Przykładowy poprawny opis brzmi: „Średnie ciśnienie skurczowe było niższe w grupie programu o 4,8 mmHg; 95% CI [−8,9; −0,7], p = 0,022. Wynik dostarcza statystycznych podstaw do odrzucenia hipotezy zerowej o równości średnich, jednak znaczenie kliniczne efektu należy ocenić w kontekście populacji, czasu obserwacji i pozostałych wyników”. Taki zapis rozdziela decyzję testową od oceny praktycznej.

11. Jak raportować hipotezy w pracy naukowej?

W części metodologicznej należy jasno wskazać, jaki parametr podlegał testowaniu, jaka była hipoteza zerowa, jaka alternatywna, czy test był jedno- czy dwustronny oraz jaki poziom α przyjęto przed analizą. Warto również określić, czy hipotezy były potwierdzające, czy eksploracyjne.

Wyniki powinny być prezentowane w sposób umożliwiający ocenę kierunku, wielkości i niepewności efektu. Współczesne zalecenia dotyczące wartości p podkreślają, że wnioski naukowe nie powinny zależeć wyłącznie od przekroczenia arbitralnego progu 0,05 (Wasserstein i Lazar, 2016). Publikowanie samej wartości p bez oszacowania efektu może prowadzić do zubożonej, a czasem mylącej interpretacji.

W ramach publicznego szkolenia na statystyk.edu.pl warto traktować zapis H₀ i H_A jako element większej całości: temat powinien odpowiadać celowi, cel pytaniu, pytanie hipotezie, a hipoteza planowanej analizie. Formalna poprawność symboli nie naprawi błędnie zdefiniowanej populacji, nieadekwatnego pomiaru ani projektu, który nie pozwala na wnioskowanie przyczynowe.

Co warto zapamiętać?

• Hipoteza zerowa jest formalnym punktem odniesienia dla testu, a hipoteza alternatywna określa konkurencyjny zakres wartości parametru.
• H₀ często wyraża brak różnicy lub związku, ale może także określać konkretną wartość referencyjną.
• Hipoteza alternatywna może być niekierunkowa: ≠, albo kierunkowa: > czy <.
• Kierunek testu należy określić przed analizą danych, a nie po obejrzeniu wyniku.
• Wartość p nie jest prawdopodobieństwem prawdziwości H₀ i nie mierzy wielkości efektu.
• „Nie odrzucamy H₀” nie znaczy „udowodniliśmy H₀”.
• Interpretacja powinna obejmować wielkość efektu, przedział ufności, znaczenie praktyczne oraz ograniczenia projektu.
• Język przyczynowy jest dopuszczalny tylko wtedy, gdy projekt i analiza uzasadniają wnioskowanie przyczynowe.

\n

Źródła i dalsza lektura

\n

1. Neyman, J.; Pearson, E. S. (1933). On the Problem of the Most Efficient Tests of Statistical Hypotheses. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 231, 289–337. DOI: 10.1098/rsta.1933.0009.
2. Wasserstein, R. L.; Lazar, N. A. (2016). The ASA’s Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. DOI: 10.1080/00031305.2016.1154108.
3. Greenland, S.; Senn, S. J.; Rothman, K. J.; Carlin, J. B.; Poole, C.; Goodman, S. N.; Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31(4), 337–350. DOI: 10.1007/s10654-016-0149-3.
4. Amrhein, V.; Greenland, S.; McShane, B. (2019). Scientists rise up against statistical significance. Nature, 567(7748), 305–307. DOI: 10.1038/d41586-019-00857-9.
5. Fisher, R. A. (1925). Statistical Methods for Research Workers. 1st edition. Oliver and Boyd.
6. Motulsky, H. (2018). Intuitive Biostatistics: A Nonmathematical Guide to Statistical Thinking. 4th edition. Oxford University Press.

\n