Słownik metodologiczny · Testy statystyczne

Hipoteza zerowa i alternatywna – czym się różnią i jak je sformułować?

Hipoteza zerowa zakłada brak efektu, a alternatywna – że efekt istnieje. Pokazujemy, jak z hipotezy badawczej zrobić parę hipotez statystycznych, dlaczego wyniku nieistotnego nie wolno czytać jako „przyjęcia H0” i jak zapisać hipotezy w pracy.

Strona główna / Słownik / Hipoteza zerowa i alternatywna
W skrócie: Hipoteza zerowa (H0) to twierdzenie o populacji zakładające brak efektu – brak różnicy, związku lub wpływu – a hipoteza alternatywna (H1) obejmuje pozostałe wartości parametru, czyli istnienie efektu. Test sprawdza, czy dane są wyraźnie niezgodne z H0. Po wyniku nieistotnym piszesz „nie odrzucono H0”, a nie „przyjęto H0”; brak efektu o praktycznym znaczeniu wykażesz testem równoważności. Hipotezy formułuj przed zebraniem danych.

Co to jest hipoteza zerowa i alternatywna?

Hipoteza zerowa (H0, ang. null hypothesis) to twierdzenie o populacji, które zakłada brak efektu: brak różnicy między średnimi, brak związku między zmiennymi, zerowy współczynnik regresji. Banerjee i in. (2009) opisują ją jako formalną podstawę testowania istotności – to przy założeniu prawdziwości H0 oblicza się wartość p, a hipotezę odrzuca się, gdy p jest mniejsze od przyjętego z góry poziomu istotności α.

Hipoteza alternatywna (H1 lub HA, ang. alternative hypothesis) obejmuje pozostałe możliwe wartości parametru – mówi, że efekt istnieje. Przyjmuje się ją niejako „przez wykluczenie”: gdy dane są na tyle niezgodne z H0, że odrzucamy hipotezę zerową (Banerjee i in., 2009). Obie hipotezy dotyczą parametrów populacji (μ, ρ, β), a nie wyników w próbie – średnie w próbie zawsze trochę się różnią.

Testowanie hipotezy zerowej względem konkretnej alternatywy wywodzi się z pracy Neymana i Pearsona (1933) o wyborze najefektywniejszego testu. To podejście wprowadziło też pojęcia mocy oraz wyników fałszywie dodatnich i fałszywie ujemnych (zob. błąd I i II rodzaju). Całą procedurę nazywa się testowaniem istotności hipotezy zerowej (NHST). Nickerson (2000) w przeglądzie wieloletniego sporu o NHST konkluduje, że łatwo ją źle zrozumieć i nadużyć, ale stosowana z rozwagą pomaga w interpretacji danych.

Hipoteza badawcza a hipotezy statystyczne

Hipoteza badawcza to przewidywanie sformułowane słownie, w języku teorii („trening uważności zmniejsza stres”). Po operacjonalizacji – wyborze narzędzi i schematu badania – zamienia się ją w parę hipotez statystycznych o parametrach populacji. Przykłady dla typowych analiz w psychologii:

Przykłady hipotez badawczych i odpowiadających im hipotez statystycznych
Hipoteza badawczaH0H1Test
Osoby po treningu uważności mają inny poziom stresu niż osoby z grupy kontrolnejμT = μKμT ≠ μKtest t dla prób niezależnych
Lęk przed wystąpieniem publicznym zmienia się po warsztatachμróżnic = 0μróżnic ≠ 0test t dla prób zależnych
Wsparcie społeczne wiąże się z nasileniem objawów depresjiρ = 0ρ ≠ 0korelacja Pearsona
Wyniki egzaminu różnią się między trzema metodami naukiμ1 = μ2 = μ3co najmniej jedna średnia różni się od pozostałychANOVA
Wybór formy terapii zależy od płcizmienne są niezależnezmienne są zależnetest chi-kwadrat
Samoocena przewiduje satysfakcję z życiaβ = 0β ≠ 0regresja liniowa

Zwróć uwagę na stałą regułę: znak równości (=, ≤ albo ≥) zawsze należy do H0, a H1 zawiera ≠, < albo >. Jak dopasować test do hipotezy i jak przejść od teorii do hipotez, opisujemy w poradnikach podlinkowanych na końcu hasła.

Hipotezy kierunkowe i niekierunkowe

Hipoteza alternatywna może być niekierunkowa (μT ≠ μK – „grupy się różnią”) albo kierunkowa (μT < μK – „w grupie treningowej stres jest niższy”). Pierwsza odpowiada pytaniu niekierunkowemu i testowi dwustronnemu, druga – pytaniu kierunkowemu i testowi jednostronnemu. Przy hipotezie kierunkowej H0 obejmuje równość i przeciwny kierunek: μT ≥ μK.

Kierunek trzeba ustalić przed zebraniem danych i uzasadnić teorią. Kiedy test jednostronny jest dopuszczalny i jak to opisać, wyjaśniamy w haśle test jednostronny i dwustronny. Hipotezy w ANOVA i w teście chi-kwadrat są z natury niekierunkowe: H1 mówi tylko, że jakaś różnica lub zależność istnieje.

Dlaczego „nie odrzucamy H0”, a nie „przyjmujemy H0”?

Test sprawdza, czy dane są wyraźnie niezgodne z H0. Wynik nieistotny oznacza tylko, że takiej niezgodności nie wykazano – na przykład dlatego, że próba była za mała. Rysunek 1 pokazuje różnice średnich z przedziałami ufności w dwóch badaniach tego samego pytania: czy muzyka w tle podczas nauki zmienia liczbę zapamiętanych słów (0–30)? W obu przypadkach p > .05, ale wnioski są zupełnie różne.

Dwa nieistotne wyniki: w badaniu A (15 + 15 osób) różnica −2.00 słowa z 95% CI od −4.60 do 0.60, p = .126; w badaniu B (400 + 400 osób) różnica −0.22 z 95% CI od −0.77 do 0.33, p = .426, mieszcząca się w obszarze równoważności ±1 słowo (test równoważności p = .003)
Rysunek 1. Różnica średnich (czerwony punkt) i jej 95% przedział ufności (niebieski) w dwóch badaniach z wynikiem nieistotnym. Szary pas to obszar równoważności: różnice mniejsze niż 1 słowo uznano za pozbawione znaczenia praktycznego. Obliczenia: R (dane symulowane).
  • Badanie A (15 + 15 osób): różnica −2.00 słowa, 95% CI [−4.60, 0.60], t(28) = −1.58, p = .126. Przedział obejmuje zero, ale też różnice sięgające 4.6 słowa. Moc wykrycia efektu d = 0.5 przy takiej próbie wynosiła tylko .26. Wynik jest niejednoznaczny – brak dowodów na efekt to nie dowód braku efektu.
  • Badanie B (400 + 400 osób): różnica −0.22 słowa, 95% CI [−0.77, 0.33], t(798) = −0.80, p = .426. Przedział jest wąski i mieści się w obszarze ±1 słowo.

Jeśli chcesz wykazać brak efektu, zmień pytanie: zamiast testować H0 „różnica = 0”, przetestuj, czy różnica jest mniejsza niż najmniejszy efekt, który miałby dla Ciebie znaczenie (ang. smallest effect size of interest, SESOI). Lakens i in. (2018) opisują w tym celu procedurę dwóch testów jednostronnych (TOST): hipotezą zerową jest wtedy efekt co najmniej tak duży jak SESOI, a jej odrzucenie pozwala stwierdzić brak efektu o praktycznym znaczeniu. Dla badania B przy granicach ±1 słowo (około 0.25 odchylenia standardowego) test równoważności dał p = .003, a dla badania A – p = .781. Granice równoważności trzeba ustalić i uzasadnić przed analizą. Siłę dowodów na rzecz H0 można też ocenić w podejściu bayesowskim (zob. czynnik Bayesa).

Jak zapisać hipotezy w pracy dyplomowej

W rozdziale metodologicznym podaj hipotezę badawczą słownie, a w opisie analiz – hipotezy statystyczne i sposób ich weryfikacji. Hipotezy sformułuj przed zebraniem danych: przedstawianie hipotez wymyślonych po poznaniu wyników tak, jakby powstały wcześniej, to HARKing (Kerr, 1998). Najlepszym zabezpieczeniem jest prerejestracja badania. Wzór:

Hipoteza 1. Osoby uczące się przy muzyce w tle zapamiętają mniej słów niż osoby uczące się w ciszy. Hipotezy statystyczne: H0: μ(muzyka) = μ(cisza); H1: μ(muzyka) ≠ μ(cisza). Weryfikacja: test t dla prób niezależnych, dwustronny, α = .05; wielkość efektu: d Cohena z 95% przedziałem ufności. Kierunek ewentualnej różnicy zostanie oceniony na podstawie średnich i przedziału ufności.

Jeśli numerujesz hipotezy badawcze jako H1, H2, H3, w opisie analiz pisz słownie o „hipotezie zerowej” i „alternatywnej”, żeby czytelnik nie pomylił Hipotezy 1 z H1. A tak można opisać wynik nieistotny z badania A, nie „przyjmując” H0:

Liczba zapamiętanych słów nie różniła się istotnie między osobami uczącymi się przy muzyce (M = 16.73, SD = 3.22) i w ciszy (M = 18.73, SD = 3.71), t(28) = −1.58, p = .126, d = −0.58. Różnica wyniosła −2.00 słowa, 95% CI [−4.60, 0.60]; ze względu na szeroki przedział wynik nie pozwala ani potwierdzić, ani wykluczyć różnicy o znaczeniu praktycznym.
Przykład reprodukowalny

Przykład w R

Kod testuje H0 o równości średnich w obu badaniach z rysunku 1, liczy moc badania A i wykonuje test równoważności (TOST) dla badania B za pomocą dwóch jednostronnych testów t.

Test H0, moc i test równoważności

Dane wejściowe: liczba zapamiętanych słów w dwóch badaniach (dane symulowane, set.seed(15) i set.seed(7)).

Co odczytać: różnicę, granice 95% CI, t i p dla obu badań, moc badania A oraz wartości p obu testów jednostronnych w TOST (decyduje większa z nich).

R
set.seed(15)
cisza_A  <- pmin(pmax(round(rnorm(15, 18, 4)), 0), 30)    # badanie A: liczba zapamiętanych słów (0–30)
muzyka_A <- pmin(pmax(round(rnorm(15, 16, 4)), 0), 30)
set.seed(7)
cisza_B  <- pmin(pmax(round(rnorm(400, 18, 4)), 0), 30)   # badanie B: po 400 osób w grupie
muzyka_B <- pmin(pmax(round(rnorm(400, 18, 4)), 0), 30)

# H0: μ_muzyka = μ_cisza;  H1: μ_muzyka ≠ μ_cisza (test dwustronny, α = .05)
wA <- t.test(muzyka_A, cisza_A, var.equal = TRUE)
wB <- t.test(muzyka_B, cisza_B, var.equal = TRUE)
podsumuj <- function(w) round(c(roznica = unname(diff(rev(w$estimate))), dolna = w$conf.int[1],
                                gorna = w$conf.int[2], t = unname(w$statistic), p = w$p.value), 3)
rbind(A = podsumuj(wA), B = podsumuj(wB))
power.t.test(n = 15, delta = 0.5)$power        # moc badania A dla efektu d = 0.5

# Test równoważności (TOST) dla badania B, granice ±1 słowo:
# H0: |różnica| ≥ 1;  H1: |różnica| < 1 (dwa testy jednostronne)
t1 <- t.test(muzyka_B, cisza_B, var.equal = TRUE, mu = -1, alternative = "greater")
t2 <- t.test(muzyka_B, cisza_B, var.equal = TRUE, mu = 1, alternative = "less")
round(c(p_dolny = t1$p.value, p_gorny = t2$p.value, p_TOST = max(t1$p.value, t2$p.value)), 4)
Wynik w R
  roznica  dolna gorna      t     p
A  -2.000 -4.598 0.598 -1.577 0.126
B  -0.223 -0.771 0.326 -0.796 0.426
[1] 0.2619313
p_dolny p_gorny  p_TOST 
 0.0028  0.0000  0.0028 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietu stats); rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • „Przyjęto hipotezę zerową” – po wyniku nieistotnym pisz „nie było podstaw do odrzucenia H0” i podaj przedział ufności. Brak efektu o praktycznym znaczeniu wykażesz testem równoważności.
  • „Udowodniono hipotezę alternatywną” – jedno badanie nie dowodzi hipotezy. Pisz, że odrzucono H0, a wynik jest zgodny z hipotezą badawczą.
  • Hipotezy o próbie zamiast o populacji – „średnie w grupach nie różnią się” to opis danych, a nie hipoteza; hipotezy dotyczą parametrów populacji.
  • Znak równości w H1 – zapis „H1: μ1 ≥ μ2” jest błędny; równość zawsze należy do H0.
  • Hipotezy niefalsyfikowalne – „trening może wpływać na stres” nie wyklucza żadnego wyniku. Dobra hipoteza mówi, jaki wynik by ją podważył (zob. falsyfikowalność).

Najczęstsze pytania

Co to jest hipoteza zerowa?

Hipoteza zerowa (H0) to twierdzenie o populacji zakładające brak efektu, np. że średnie dwóch grup są równe albo że korelacja wynosi zero. Jest punktem odniesienia testu statystycznego: wartość p liczy się przy założeniu, że H0 jest prawdziwa.

Czym różni się hipoteza zerowa od alternatywnej?

Hipoteza zerowa mówi, że efektu nie ma (np. μ1 = μ2), a alternatywna – że istnieje (μ1 ≠ μ2 albo, w wersji kierunkowej, μ1 > μ2). Wzajemnie się wykluczają i razem obejmują wszystkie możliwe wartości parametru. Znak równości zawsze należy do H0.

Jak sformułować hipotezę zerową i alternatywną?

Zacznij od hipotezy badawczej, np. „trening uważności zmniejsza stres”. Ustal parametr, który ją wyraża (średni stres w dwóch grupach), i zapisz: H0: μT = μK, H1: μT ≠ μK. Wersję kierunkową (H1: μT < μK) wybierz tylko wtedy, gdy uzasadnisz ją przed zebraniem danych.

Dlaczego nie można przyjąć hipotezy zerowej?

Bo wynik nieistotny oznacza tylko brak wystarczających dowodów przeciw H0 – może wynikać z małej próby i niskiej mocy. Dlatego piszemy „nie odrzucono H0”. Aby wykazać, że efekt jest pomijalnie mały, użyj testu równoważności (TOST) z uzasadnioną najmniejszą interesującą wielkością efektu.

Czy hipoteza badawcza to to samo co hipoteza alternatywna?

Nie. Hipoteza badawcza jest sformułowana słownie, w języku teorii, a hipoteza alternatywna – w języku parametrów populacji (μ, ρ, β). Hipoteza badawcza zwykle odpowiada H1, ale dopiero po operacjonalizacji i wyborze testu.

Jak zapisać hipotezy w pracy magisterskiej?

W rozdziale metodologicznym podaj hipotezę badawczą słownie, a przy opisie analiz – hipotezy statystyczne (H0 i H1), test, poziom istotności α i to, czy test jest jedno-, czy dwustronny. Hipotezy sformułuj przed zebraniem danych, najlepiej w prerejestracji.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Banerjee, A., Chitnis, U. B., Jadhav, S. L., Bhawalkar, J. S., & Chaudhury, S. (2009). Hypothesis testing, type I and type II errors. Industrial Psychiatry Journal, 18(2), 127–131. https://doi.org/10.4103/0972-6748.62274 ● Otwarty dostęp
  2. Kerr, N. L. (1998). HARKing: Hypothesizing after the results are known. Personality and Social Psychology Review, 2(3), 196–217. https://doi.org/10.1207/s15327957pspr0203_4
  3. Lakens, D., Scheel, A. M., & Isager, P. M. (2018). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259–269. https://doi.org/10.1177/2515245918770963 ● Otwarty dostęp
  4. 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(694–706), 289–337. https://doi.org/10.1098/rsta.1933.0009 ● Otwarty dostęp
  5. Nickerson, R. S. (2000). Null hypothesis significance testing: A review of an old and continuing controversy. Psychological Methods, 5(2), 241–301. https://doi.org/10.1037/1082-989X.5.2.241

Cytowania BibTeX

@article{banerjee2009hypothesis, author={Banerjee, Amitav and Chitnis, U. B. and Jadhav, S. L. and Bhawalkar, J. S. and Chaudhury, S.}, title={{Hypothesis testing, type I and type II errors}}, journal={Industrial Psychiatry Journal}, year={2009}, volume={18}, number={2}, pages={127--131}, doi={10.4103/0972-6748.62274}}
@article{kerr1998harking, author={Kerr, Norbert L.}, title={{HARKing: Hypothesizing after the results are known}}, journal={Personality and Social Psychology Review}, year={1998}, volume={2}, number={3}, pages={196--217}, doi={10.1207/s15327957pspr0203_4}}
@article{lakens2018equivalence, author={Lakens, Daniël and Scheel, Anne M. and Isager, Peder M.}, title={{Equivalence testing for psychological research: A tutorial}}, journal={Advances in Methods and Practices in Psychological Science}, year={2018}, volume={1}, number={2}, pages={259--269}, doi={10.1177/2515245918770963}}
@article{neyman1933problem, author={Neyman, Jerzy and Pearson, Egon S.}, title={{On the problem of the most efficient tests of statistical hypotheses}}, journal={Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character}, year={1933}, volume={231}, number={694–706}, pages={289--337}, doi={10.1098/rsta.1933.0009}}
@article{nickerson2000null, author={Nickerson, Raymond S.}, title={{Null hypothesis significance testing: A review of an old and continuing controversy}}, journal={Psychological Methods}, year={2000}, volume={5}, number={2}, pages={241--301}, doi={10.1037/1082-989x.5.2.241}}
R