仮説検定の基本概念について考えましょう。
1. 帰無仮説と対立仮説
仮説検定では、2つの対立する仮説を設定します：
- 帰無仮説（$H_0$）：通常、「差がない」「効果がない」「関連がない」などの仮説です。統計的検定では、この仮説を棄却するための証拠を集めようとします。
- 対立仮説（$H_1$ または $H_a$）：帰無仮説と対立する仮説で、研究者がデータによって支持できるかを検討する仮説です。
2. p値の解釈
p値は、帰無仮説が真であると仮定したとき、観測されたデータまたはそれよりも極端なデータが得られる確率です。p値が小さいほど、帰無仮説と観測データの間の不一致が大きいことを示し、帰無仮説を棄却する根拠が強くなります。
3. 検定の誤り
仮説検定では2種類の誤りが発生する可能性があります：
- 第1種の誤り（偽陽性）：帰無仮説が真であるのに棄却してしまう誤りです。この誤りの確率は有意水準 $\alpha$ で制御されます。
- 第2種の誤り（偽陰性）：帰無仮説が偽であるのに棄却できない誤りです。この誤りの確率は $\beta$ で表され、検定力は $1-\beta$ で定義されます。
4. 有意水準と検定力の関係
有意水準 $\alpha$ を上げると（例えば0.05から0.10に）、帰無仮説を棄却しやすくなります。これにより：
- 第1種の誤りの確率が増加します（より多くの偽陽性）
- 第2種の誤りの確率は減少します（より少ない偽陰性）
- 検定力 $1-\beta$ が増加します
5. 検定統計量の分布
検定統計量は、検定の種類や前提条件によって様々な分布に従います：
- z検定：標準正規分布
- t検定：t分布
- F検定：F分布
- カイ二乗検定：カイ二乗分布
検定統計量が常に正規分布に従うわけではありません。
選択肢の検討：
- 「帰無仮説は、研究者が証明したい仮説である」→ 誤り。研究者が示したい仮説は通常、対立仮説です。また、検定は帰無仮説を棄却できるかを判断する手続きで、仮説を「証明」するものではありません。
- 「p値が小さいほど、帰無仮説を棄却する根拠が弱くなる」→ 誤り。p値が小さいほど、帰無仮説を棄却する根拠が強くなります。
- 「第1種の誤りは、帰無仮説が真であるのに棄却してしまう誤りである」→ 正しい。
- 「有意水準を上げると、第2種の誤りの確率は増加する」→ 誤り。標本サイズや効果量などの条件が同じであれば、有意水準を上げると第2種の誤りの確率は減少します。
- 「検定統計量は常に正規分布に従う」→ 誤り。検定統計量は様々な分布に従います。
したがって、正しい選択肢は「第1種の誤りは、帰無仮説が真であるのに棄却してしまう誤りである」です。