您的逻辑完全适用于读者可能更熟悉的良好的旧式单面测试(即)。为了具体,假设我们正在测试的空^ h 0:μ ≤ 0对替代方案,μ为正。然后,如果trueμ为负,则增加样本数量不会产生明显的结果,也就是说,用您的话来说,“如果我们获得更多证据,则相同的影响大小将变得很重要”。x = 0H0:μ ≤ 0μμ
如果我们测试,我们可以有三种可能的结果:H0:μ ≤ 0
首先,的置信区间可以是完全大于零; 然后我们拒绝null并接受替代方案(μ为正)。(1 - α )⋅ 100 %μ
其次,置信区间可以完全低于零。在这种情况下,我们不会拒绝null。但是,在这种情况下,我认为可以说“接受空值”是可以的,因为我们可以将视为另一个空值而拒绝该空值。H1个
第三,置信区间可以包含零。这样我们就不能拒绝,也不能拒绝H 1,因此没有什么可以接受的。H0H1个
因此,我想说,在单面情况下,可以接受空值,是的。但是我们不能仅仅因为未能拒绝就接受它。有三种可能性,而不是两种。
(完全相同的测试也适用于等效测试,也称为“两面测试”(TOST),非劣等测试。一个人可以拒绝无效,接受无效或得出不确定的结果。)
相反,当是零点,例如H 0:μ = 0时,我们永远不能接受它,因为H 1:μ ≠ 0不会构成有效的零假设。H0H0:μ = 0H1个:μ ≠ 0
(除非只能有离散值,例如必须是整数,那么我们似乎可以接受^ h 0:μ = 0,因为^ h 1:μ ∈ ž,μ ≠ 0,现在确实构成了有效的零假设这是一点。不过是特殊情况。)μH0:μ = 0H1个:μ∈Z,μ≠0
前一段时间,在@gung的回答下的评论中讨论了这个问题:统计学家为什么说不重要的结果意味着“您不能拒绝零”而不是接受零假设?
另请参见有趣的(且投票不足)线程。在Neyman-Pearson方法中未能拒绝null是否意味着应该“接受”它?,@ Scortchi解释说,在Neyman-Pearson框架中,有些作者毫无疑问地谈论“接受null”。这也是@Alexis在其答案的最后一段中的含义。