Hipoteza (zerowa i alternatywna)

Opracowanie merytoryczne: Konrad Hryniewicz · Opublikowano: 21 sierpnia 2026 · Aktualizacja: 22 sierpnia 2026

Co oznacza Hipoteza (zerowa i alternatywna)?

Hipoteza zerowa i alternatywna rozdzielają przestrzeń możliwych wartości parametru na model odniesienia H₀ i wartości objęte H₁.

Hipoteza zerowa (H₀)

Hipoteza zerowa jest precyzyjnym stwierdzeniem o parametrze lub rozkładzie w populacji, na przykład o równości średnich, braku współczynnika regresji albo niezależności dwóch zmiennych. Nie oznacza ogólnie, że „nic się nie dzieje”. Określa model odniesienia, przy którym oblicza się rozkład statystyki testowej. W klasycznym teście badacz pyta, jak nietypowe byłyby zaobserwowane dane, gdyby H₀ i pozostałe założenia modelu były prawdziwe.

Hipoteza alternatywna (H₁)

Hipoteza alternatywna opisuje wartości parametru nieobjęte H₀. Może być dwustronna, gdy dopuszcza efekt w obu kierunkach, albo kierunkowa, gdy z góry uzasadniono znak różnicy lub zależności. H₁ nie staje się prawdziwa tylko dlatego, że p jest mniejsze od alfa. Wynik stanowi dowód oceniany wraz z wielkością efektu, przedziałem ufności, jakością projektu i możliwością wystąpienia błędów systematycznych. Gdy p nie przekracza alfa, poprawne sformułowanie brzmi „odrzucono H₀”; gdy jest większe — „nie odrzucono H₀”, a nie „udowodniono H₀”.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Formułuj przed analizą, wskazując populację, zmienne, kierunek i główny parametr.

Przed zebraniem danych zapisz hipotezy w języku parametrów populacji, na przykład jako różnicę średnich, współczynnik regresji lub iloraz szans. Dzięki temu wiadomo, jaki wynik byłby zgodny z H₀, czy test ma być jedno- czy dwustronny oraz jakie oszacowanie i przedział ufności trzeba zaraportować.

Jak poprawnie stosować i interpretować hasło „Hipoteza (zerowa i alternatywna)”?

Dobre użycie „Hipoteza (zerowa i alternatywna)” wymaga wskazania populacji, zmiennych, ich roli oraz relacji lub parametru, którego dotyczy badanie. Przy ocenie hasła „Hipoteza (zerowa i alternatywna)” pytanie powinno dać się przełożyć na plan pomiaru i analizy, ale nie może być wyłącznie nazwą testu. W analizie dotyczącej hasła „Hipoteza (zerowa i alternatywna)” język wpływu jest uzasadniony dopiero wtedy, gdy projekt wspiera kolejność czasową i kontrolę alternatywnych wyjaśnień.

Ocena pojęcia „Hipoteza (zerowa i alternatywna)” polega na sprawdzeniu zgodności między teorią, operacjonalizacją, projektem i końcowym modelem. Dla interpretacji hasła „Hipoteza (zerowa i alternatywna)” trzeba ustalić kierunek przed obejrzeniem wyników, rozróżnić cele główne od wtórnych i zaplanować postępowanie z wieloma zmiennymi wynikowymi. W odniesieniu do hasła „Hipoteza (zerowa i alternatywna)” pytanie zbyt szerokie zwykle prowadzi do wielu niejawnych decyzji i selektywnego raportowania.

Co trzeba opisać w raporcie?

Opis pojęcia „Hipoteza (zerowa i alternatywna)” powinien używać tych samych nazw konstruktów i populacji w części teoretycznej, metodzie i wynikach. Przy ocenie hasła „Hipoteza (zerowa i alternatywna)” warto jawnie wskazać analizę odpowiadającą każdemu pytaniu, oczekiwany kierunek, główny parametr oraz kryterium wniosku. W analizie dotyczącej hasła „Hipoteza (zerowa i alternatywna)” analizy powstałe po obejrzeniu danych należy oznaczyć jako eksploracyjne.

Zakres raportowania dla hasła „Hipoteza (zerowa i alternatywna)”: Oddziel hipotezy pierwotne, wtórne i eksploracyjne oraz podaj plan testu.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Dla różnicy średnich zapisano H₀: μA − μB = 0 oraz dwustronną H₁: μA − μB ≠ 0; wartości dotyczą parametrów populacji, nie obserwowanych średnich próby.

Jak ją zinterpretować: H₀ i H₁ dotyczą parametru populacji, a nie dokładnej równości średnich obserwowanych w próbie. Odrzucenie H₀ jest decyzją procedury, natomiast nieodrzucenie nie stanowi dowodu, że parametr na pewno ma wartość zerową.

Najczęstsza pułapka i granica interpretacji

Nieodrzucenie H₀ nie jest dowodem jej prawdziwości, a odrzucenie nie dowodzi całej teorii.

Poprawnie sformułowane „Hipoteza (zerowa i alternatywna)” porządkuje badanie, lecz nie naprawia słabego pomiaru ani niereprezentatywnej próby. Dla interpretacji hasła „Hipoteza (zerowa i alternatywna)” wniosek musi pozostać w granicach operacjonalizacji i projektu.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Wasserstein i Lazar, 2016).

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczy Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Wasserstein, R. L., & Lazar, N. A. (2016). The ASA statement on p-values: Context, process, and purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108
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. https://doi.org/10.1007/s10654-016-0149-3
Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594
Sullivan, G. M., & Feinn, R. (2012). Using effect size—or why the P value is not enough. Journal of Graduate Medical Education, 4(3), 279–282. https://doi.org/10.4300/JGME-D-12-00156.1
Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology, 4, 863. https://doi.org/10.3389/fpsyg.2013.00863
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191

Cytowania BibTeX

@article{wasserstein2016pvalues, author={Wasserstein, Ronald L. and Lazar, Nicole A.}, title={The ASA Statement on p-Values: Context, Process, and Purpose}, journal={The American Statistician}, year={2016}, volume={70}, number={2}, pages={129--133}, doi={10.1080/00031305.2016.1154108}}

@article{greenland2016misinterpretations, author={Greenland, Sander and Senn, Stephen J. and Rothman, Kenneth J. and Carlin, John B. and Poole, Charles and Goodman, Steven N. and Altman, Douglas G.}, title={Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations}, journal={European Journal of Epidemiology}, year={2016}, volume={31}, number={4}, pages={337--350}, doi={10.1007/s10654-016-0149-3}}

@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}

@article{sullivan2012effectsize, author={Sullivan, Gail M. and Feinn, Richard}, title={Using effect size—or why the P value is not enough}, journal={Journal of Graduate Medical Education}, year={2012}, volume={4}, number={3}, pages={279--282}, doi={10.4300/JGME-D-12-00156.1}}

@article{lakens2013effect, author={Lakens, Daniël}, title={Calculating and reporting effect sizes to facilitate cumulative science}, journal={Frontiers in Psychology}, year={2013}, volume={4}, pages={863}, doi={10.3389/fpsyg.2013.00863}}

@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}