仮説検定の基礎：帰無仮説・p値・過誤・検出力
Stage 2 — 第10章 | 統計検定2級チートシート 推定学習時間：60〜75分 | 難易度：★★★★☆
この章で学ぶこと
仮説検定は、標本データを使って「母集団について立てた仮説が、データと矛盾しているか」を判断する手続きです。
統計検定2級では、各種検定の公式だけでなく、帰無仮説、対立仮説、有意水準、p値、第一種の過誤、第二種の過誤、検出力の意味がよく問われます。
この章を終えると、こんなことができるようになります：
- 帰無仮説と対立仮説を適切に設定できる
- 有意水準、棄却域、p値の関係を説明できる
- 第一種の過誤と第二種の過誤を区別できる
- 検出力とサンプルサイズの関係を説明できる
- 片側検定と両側検定を問題文から判断できる
1. 仮説検定の目的
仮説検定では、まず母集団について仮説を立てます。そのうえで、「その仮説が正しいと仮定したとき、今回の標本データはどのくらい起こりにくいか」を調べます。
基本の流れは次の通りです。
- 帰無仮説 $H_0$ と対立仮説 $H_1$ を設定する
- 有意水準 $\alpha$ を決める
- 検定統計量を計算する
- 棄却域またはp値で判断する
- 帰無仮説を棄却するか、棄却しないかを結論づける
「差があることを証明する」のではなく、「差がないと仮定すると、今回のデータは不自然か」を調べる手続きだと理解してください。
2. 帰無仮説と対立仮説
帰無仮説 $H_0$ は、検定でいったん正しいと仮定する仮説です。多くの場合、「差がない」「効果がない」「比率は同じ」といった形になります。
対立仮説 $H_1$ は、帰無仮説に対して主張したい仮説です。
例として、母平均が基準値 $\mu_0$ と異なるかを調べる場合、
と置きます。
片側検定では、対立仮説が方向を持ちます。
または、
です。
試験での判断ポイント： 問題文が「差があるか」「異なるか」なら両側検定、「大きいか」「小さいか」「改善したか」なら片側検定を疑います。
3. 有意水準と棄却域
有意水準 $\alpha$ は、帰無仮説が真であるのに誤って棄却してしまう確率を、あらかじめどこまで許すかを決める値です。
よく使われる値は、
または、
です。
棄却域は、帰無仮説のもとでは起こりにくい検定統計量の範囲です。検定統計量が棄却域に入れば、帰無仮説を棄却します。
有意水準は「間違いを許す上限」
有意水準5%とは、「帰無仮説が本当は正しいのに、誤って棄却してしまう確率を5%まで許す」というルールです。データを見てから都合よく決める値ではありません。
検定は、最初に誤判定の許容水準を決め、そのルールに従って判断する手続きです。ここを押さえると、棄却域やp値の意味がつながります。
両側5%検定では、左右に $2.5\%$ ずつ棄却域を置きます。標準正規分布なら、
が棄却の目安です。
[図1] 棄却域とp値
4. p値の解釈
p値は、帰無仮説が正しいと仮定したときに、観測された検定統計量と同じか、それ以上に極端な値が得られる確率です。
右側検定のイメージでは、
です。
p値が有意水準より小さい場合、帰無仮説のもとでは今回のデータが起こりにくいと判断し、帰無仮説を棄却します。
4.1 p値のよくある誤解
p値は、次の意味ではありません。
- 帰無仮説が正しい確率
- 対立仮説が正しい確率
- 効果の大きさ
- 偶然である確率そのもの
p値はあくまで、帰無仮説を仮定した条件付き確率です。
p値を言葉で読む
p値が0.03なら、「帰無仮説が正しいと仮定したとき、今回の結果と同じかそれ以上に極端な結果が出る確率が3%」という意味です。
これは「帰無仮説が正しい確率が3%」ではありません。統計検定2級では、この誤解を問う文章問題が出やすいため、条件付き確率として読む習慣をつけましょう。
関連教材（青の統計学）
5. 第一種の過誤と第二種の過誤
検定は標本データに基づく判断なので、誤りが起こりえます。代表的な誤りが、第一種の過誤と第二種の過誤です。
| 真の状態 | 検定の判断 | 結果 |
|---|---|---|
| $H_0$ が真 | $H_0$ を棄却 | 第一種の過誤 |
| $H_0$ が真 | $H_0$ を棄却しない | 正しい判断 |
| $H_0$ が偽 | $H_0$ を棄却 | 正しい判断 |
| $H_0$ が偽 | $H_0$ を棄却しない | 第二種の過誤 |
第一種の過誤は、帰無仮説が真なのに棄却する誤りです。
第二種の過誤は、帰無仮説が偽なのに棄却できない誤りです。
第一種の過誤は偽陽性、第二種の過誤は偽陰性に対応します。
2つの過誤はトレードオフになる
有意水準を大きくすると、棄却しやすくなるため第二種の過誤は減りやすくなります。一方で、帰無仮説が真なのに棄却する第一種の過誤は増えます。
検定では、どちらの誤りも同時にゼロにはできません。だからこそ、有意水準、効果量、標本サイズ、検出力をセットで考えます。
関連教材（青の統計学）
6. 検出力
検出力は、帰無仮説が偽であるときに、正しく棄却できる確率です。
検出力は、次の要因で大きくなります。
- 効果量が大きい
- 標本サイズが大きい
- データのばらつきが小さい
- 有意水準を大きくする
[図2] 第一種の過誤・第二種の過誤・検出力
ただし、有意水準を大きくすると第一種の過誤が増えます。そのため、実務ではサンプルサイズを増やす、測定精度を上げる、実験設計を改善するなどで検出力を高めるのが基本です。
標本サイズが効く理由
標本サイズが大きくなると、標準誤差が小さくなります。標準誤差が小さいと、同じ効果量でも検定統計量が大きくなり、帰無仮説を棄却しやすくなります。
つまり、標本サイズを増やすことは、データのばらつきそのものを消すのではなく、推定量の不確実性を小さくする操作です。
関連教材（青の統計学）
7. 片側検定と両側検定
片側検定と両側検定の違いは、対立仮説の形で決まります。
| 問題文の表現 | 対立仮説 | 検定 |
|---|---|---|
| 異なるか | $\mu\ne\mu_0$ | 両側検定 |
| 大きいか | $\mu>\mu_0$ | 右側検定 |
| 小さいか | $\mu<\mu_0$ | 左側検定 |
| 改善したか | 改善方向のみ | 片側検定 |
片側検定は、効果の方向を事前に決めている場合に使います。データを見た後で片側・両側を都合よく変えるのは不適切です。
8. 検定でよくある誤解
8.1 棄却しない＝帰無仮説が正しい、ではない
帰無仮説を棄却しないとは、「帰無仮説を否定する十分な証拠がない」という意味です。帰無仮説が正しいと証明したわけではありません。
8.2 統計的に有意＝実務的に重要、ではない
標本サイズが非常に大きいと、小さな差でもp値が小さくなります。効果量や実務上の意味も合わせて確認する必要があります。
8.3 p値は事後的に操作してはいけない
検定後に有意水準を変える、都合のよい分析だけを報告する、複数の検定を繰り返して有意なものだけを採用する、といった行為は解釈を歪めます。
9. 試験で問われやすいポイント
| 論点 | 押さえること |
|---|---|
| 帰無仮説 | いったん正しいと仮定する。多くは「差がない」 |
| 対立仮説 | 主張したい方向。片側・両側を決める |
| 有意水準 | 第一種の過誤を許す確率 |
| p値 | $H_0$ のもとで観測値以上に極端な値が出る確率 |
| 第一種の過誤 | 真の $H_0$ を棄却する |
| 第二種の過誤 | 偽の $H_0$ を棄却できない |
| 検出力 | $1-\beta$ |
よくあるひっかけ： p値が0.03だからといって、「帰無仮説が正しい確率が3%」という意味ではありません。
10. 次の章への接続
次の章では、この検定の共通枠組みを使って、母平均、母平均の差、母比率、母比率の差の検定を整理します。まずは「どの統計量を、どの分布で判断するか」を意識してください。
関連教材（青の統計学）
この章のあとに解きたい演習
本文を読んだら、次の問題で「公式を選ぶ」「条件を読む」「計算する」練習に移りましょう。