好吧，我可以从非统计学家那里给出一个不严谨的答案。似然比方法依赖于这样一个事实，即分母最大似然给出的结果总是至少与分子最大似然一样好，因为分子假设对应于分母假设的子集。因此，比率始终介于 0 和 1 之间。

如果您有非嵌套假设（例如测试 2 个不同的分布），似然比可能 > 1 => -1 * 对数似然比可能是 < 0 => 它肯定不是 chi2 分布。

为了进行假设检验，您需要将您的研究假设表达为无效假设和替代假设。原假设和备择假设是关于群体中发生的差异或影响的陈述。您将使用您的样本来测试最有可能的陈述（即零假设或替代假设）（尽管从技术上讲，您针对零假设测试证据）。

零假设本质上是“魔鬼代言人”的立场。也就是说，它假定你试图证明的任何事情都没有发生（提示：它通常表明某事等于零）。

看这里，我们可以找到这段文字：

假设检验是统计学中必不可少的程序。假设检验评估关于总体的两个相互排斥的陈述，以确定样本数据最能支持哪个陈述。当我们说某个发现具有统计学意义时，这要归功于假设检验。

关于接受/拒绝假设，在这里，我们可以找到一个有趣的答案：

一些研究人员说，假设检验可能有两种结果之一：接受原假设或拒绝原假设。然而，许多统计学家对“接受零假设”的概念提出质疑。相反，他们说：你拒绝原假设，或者你没有拒绝原假设。

为什么要区分“接受”和“拒绝拒绝”？接受意味着原假设为真。拒绝失败意味着数据不足以说服我们选择替代假设而不是原假设。