可能性一：药物作用很小。 也许它可以治愈 0.0001% 的服用者。您概述的测试仅意味着您提出的戏剧性替代方案没有足够的证据。

可能性二：药物有很强的负面作用。（归功于@ssdecontrol） 也许药物没有效果，所有这些患者都会自己好转，但由于药物，没有患者康复。

在没有任何先验知识的情况下，数据将与这些可能性以及空值为真的可能性一致。

因此，未能拒绝 null 并不意味着 null 比其他这些可能性更真实。

这里有一些很好的答案，但我认为关键问题没有在任何地方明确说明。 简而言之，您对零假设和替代假设的表述是无效的。 原假设和备择假设必须是互斥的（也就是说，它们不能同时为真）。您的配方符合该标准。然而，它们也必须是集体详尽的（也就是说，其中之一必须是真实的）。你的配方不符合这个标准。

你不能有一个零假设，即药物有的机会治愈糖尿病，而另一种假设是药物有的机会治愈糖尿病。想象一下药物治愈糖尿病的真实概率是，那么你的无效假设和替代假设都是错误的。那是你的问题。 $0\%$$100\%$$50\%$

原型零假设是一个点值（例如，实数线上的，但这只是惯例）。此外，如果您正在使用有界参数空间（就像您在这里一样 - 概率必须在范围内），尝试测试处于极限的值（即或 ）通常会出现问题）。选择一个点值作为您的空值（您想要拒绝的值），您可以获得反对它的证据，但无法从您的数据中获得证据（参见@John 的有见地的答案）。为了进一步理解这一点，它可能会帮助您在此处阅读我的答案：$0$$50\%$$[0,\ 1]$$0$$1$为什么统计学家说一个不显着的结果意味着“你不能拒绝零”而不是接受零假设？ 将这些想法更具体地应用于您的情况，即使您的 null 为（因此您的替代假设是患者身上尝试了这种药物，但没有一个人存在治愈，你不能接受你的零假设：数据仍然与概率为的可能性一致（请参阅：如果没有失败，如何判断失败的概率？）。 $0\%$$\pi\ne 0$$100,\!000$$0.00003$

另一方面，您不必有一个空点。例如，单尾（即）空假设不是点。它们是无限点的集合。同样，您也可以有一个范围/区间假设（例如，参数在范围内）。在这种情况下，您可以根据证据接受您的 null — 这就是等效性测试的全部内容。（当然，你仍然可能犯 I 类错误。） $< \theta_0$$[a,\ b]$

正如其他用户评论的那样，接受零假设的问题是我们没有足够的证据（我们也永远不会）得出结论，效果正好为 0。从数学上讲，假设检验通常无法回答此类问题.

但是，这并不意味着您的问题的意图不是有效的！事实上，这通常是仿制药临床试验的意图：目标不是表明您已经生产出更有效的药物，而是您的药物基本上与名牌产品一样有效（并且您可以生产它的成本要低得多）。等效性通常被认为是零假设。

为了使用假设检验来解决这个问题，该问题以可以回答的方式进行了改革。重新格式化的问题如下所示：

$H_o: \beta_g \leq \beta_{nb}\times 0.75$

$H_a: \beta_g > \beta_{nb} \times 0.75$

其中，是仿制药的效果，是名牌药物的效果。因此，现在如果我们拒绝零假设，我们可以得出结论，仿制药的有效性至少是名牌产品的 75%。显然，这与说完全等价不同，但它解决了您感兴趣的问题（并且我认为这是一个数学上更合理的问题）。$\beta_g$$\beta_{nb}$

我们可以以类似的方式处理您的问题。与其试图说“我们有足够的证据来得出 0 效应吗？”，我们可以问“鉴于我们的证据，我们的结果不太不寻常的最大效应是什么？”。在和 0 次成功的情况下，可以声称我们有足够的证据得出结论，成功的概率小于 0.3%（基于 Fisher 的精确检验，）。$n = 1000$$\alpha = 0.05$

从这个结果中，您当然仍然可以得出结论，这不是您会相信的药物。

假设药物有效，但仅对 0.00001% 的人口有效。药物有效，期间。在统计上检测到它对 10000 人的样本起作用的几率是多少？10万人？1,000,000 人？