你有一个误解。“替代”假设（）只是对原假设的否定。例如，在进行功效分析时，我们将指定围绕我们相信的点估计（例如平均处理效果）的特定抽样分布，但拒绝零值并不能使该点估计为真。基于假设检验的逻辑，备择假设不是那个点估计，它只是对原点的否定。没有与否定零相关的检验统计量的特定抽样分布。 $H_1$

此外，值的含义取决于可能是反事实的前提。值是使测试统计量远离参数的空点值（或更远）的概率，如果该点值是真的，无论它是否真的是真的。即使空值不为真，检验统计量在空值下的指定分布也可能是真的。 $p$$p$

不过，您对一个重要的见解很感兴趣。一旦您不再相信 null 获得，就不再清楚值必须提供什么含义。 $p$

（以评论开头，但太长了）

让我们以不同的方式考虑这一点。这个问题的一个更一般的版本是——当我们的条件是错误的时候，我们可以使用涉及条件​​概率的推理吗？

这不仅仅是允许的——它是必要的。

在贝叶斯定理的背景下考虑这一点：

请注意，是互斥的（并且是详尽的）。分母中除一个条件之外的所有条件都必须属于不成立的条件——但这并不意味着涉及这些条件概率的推理将是无效的——贝叶斯定理是正确的，因为我们使用条件进行推理我们知道不成立的事件的条件。$A_j$

条件概率是一个完全有效的条件概率，无论是否实际获得。$P(B|A_j)$$A_j$

通过与不成立的条件相关的条件概率进行推理是完全可以的；结果在逻辑上是有效的。[确实，我敢打赌，您会毫无顾虑地经常这样做。]

例如，如果我说“如果下雨，艾莉森会带她的雨伞”并使用这个加上一些数据来支持一个结论：“她没有雨伞，所以没有下雨”，我的结论不会变得无效因为条件不正确（“没有下雨”这一事实并没有危及推理所基于的条件的真实性：“如果下雨了”）。

该原理就像对立原理的“模糊”版本（或减少荒谬原理，我不确定）。

考虑到每只狗都有四条腿。然后，如果您对有两条腿的动物进行采样，您可以确定它不是狗。

现在只考虑每只狗都有四条腿的可能性很高（换句话说，绝大多数狗都有四条腿）。然后，如果您对有两条腿的动物进行采样，您会得出结论，它不太可能是狗。这是假设检验的原则（但在实践中，它需要明智地选择在下具有高概率的事件）。$H_0$