这不仅仅是风格问题——如果是这样，我实际上会主张将不平等包括在内。

使平等既相关又重要的原因有两个：

(1) 通常，一个人真的只对平等情况或替代方案感兴趣——例如，当替代方案的另一方极不可能出现不平等时（例如，一种新药的可能作用方式已被很好地理解并具有没有使胆固醇变差的机制——它要么有助于降低胆固醇，要么没有）。

(2) 在单尾检验中产生空分布（检验统计量在空下的分布）的方式是只处理相等的情况；虽然部分在逻辑上可能是可能的，但在计算显着性水平（如某些统计量）和 p 值（ )。$<$$\leq$$P(T\geq t_c|H_0)$$T$$P(T\geq T_\text{obs}|H_0)$

（也就是说，在实践中，许多人——尽管远非所有人——在陈述无效时确实包括了不平等，而不仅仅是平等。不同的书对此采取不同的立场。）

它必须是平等的。在经典方法（我相信你的文本遵循）中，正如 Pearson 和 Neyman 很久以前提出的，H0 必须被表述为一个等式（这是这里数学如何工作的基本假设），有必要有参数假设在一个特定的值，以计算出测试统计分布和概率。

假设检验的逻辑基本上是一种“假设”方法。

假设/框架：特定统计模型、总体抽样、带有错误阈值的决策表（非常简单）

输入（成分）：数据样本，H0语句（关于假设的统计模型的一个参数，即关于未知人群）

输出：决定

做出决定的步骤（配方、推理过程）： 1/ 假设 H0 为真，2/ 让我们计算一些概率并检查……假设 H0 为真，观察我们面前的数据的概率是多少3/ 这是通过检验统计量完成的（假设 H0！），它是一个随机变量（随机性来自随机抽样）并且有一定的分布，一些结果更有可能更少，3/ 如果 H0 为真，那么观察到什么的概率我们面前的数据低于（个人设定或行业标准）“怀疑”阈值（拒绝水平）我们倾向于认为 H0 有问题而不是数据有问题（即不仅仅是运气不好，获得了一个不太可能的样本) 并说“有证据”拒绝 H0。没有确凿的证据，但有一些“证据”。

检验统计量的分布有一个参数，该参数作为指定值出现在 H0 中（或在其他类型的假设中作为特定的、已定义的情况），我们必须具有指定的值才能计算或计算分布, 概率。

一个很好的例子是一般包含随机性或投注的游戏。如果你玩扑克并观察到一个非常非常不可能的结果（例如，一个玩家连续赢了 20 次，每次都有四个 A），你会开始认为游戏出了问题（对手太好了？或者可能是一些作弊正在发生吗？），而不是这种胜利只是偶然发生的。这正是内曼后来在他的一本书中解释假设检验的方式（我认为这是在他的“第一门课程”中）。

有人可能会说，上面 H0 相等的整个逻辑有点“狡猾”。当我们知道我们不能证明或选择任何特殊的特定值作为初始猜测（无论如何，所有结果都将以概率表示）。通常我们对检查某些测量的平均值是否恰好在特定的 ONE 值上并不真正感兴趣，如果我们可以拒绝这一点或数据支持，而是最好知道该平均值的概率是多少（或无论是否感兴趣）处于特定范围内（然后我们可以投入一些资金，我们有概率）。这显然是另一个讨论。解决方法是“