IMO（本身不是逻辑学家或受过正式培训的统计学家），人们不应该太认真地对待这种语言。即使在p < .001 时拒绝 null 也不会毫无疑问地使 null 为 false。那么，在类似的临时意义上“接受”替代假设有什么害处呢？在相反的情况下（即一个大的、微不足道的p），它比“接受零”更安全，因为替代假设的具体性要低得多。例如，给定，如果p = .06，未来的研究仍有 94% 的机会会发现至少与 null* 不同的效果，因此接受$\alpha=.05$即使不能拒绝空值，空值也不是明智的选择。相反，如果p = .04，则可以拒绝 null，我一直认为这意味着支持替代方案。为什么不“接受”？我能看到的唯一原因是一个人可能是错的，但在拒绝时也是如此。

另一种选择并不是特别强烈的主张，因为正如您所说，它涵盖了整个“空间”。要拒绝您的空值，必须在空值的任一侧找到可靠的影响，以使置信区间不包括空值。给定这样的置信区间 (CI)，备择假设是正确的：其中的所有值都不等于空值。备择假设对于 CI 之外的值也是正确的，但与 null 的差异比 CI 内最不同的值更大（例如，如果，它不会 ) ，对于备择假设来说，t 甚至是一个问题。如果你能得到这样的 CI，那么，有什么不能接受的呢，更不用说替代假设了？$\rm CI_{95\%}=[.6,.8]$$\mathbb P(\rm head)=.9$

可能有一些我不知道的论点，但我怀疑我会被说服。务实地说，如果有评论者参与，最好不要写下你接受替代方案，因为与他们（与一般人一样）的成功通常取决于不以不受欢迎的方式违背期望。无论如何，如果您没有将“接受”或“拒绝”过于严格地视为事情的最终真相，那么风险并不大。我认为这是无论如何都要避免的更重要的错误。

同样重要的是要记住，即使它可能不真实，null 也很有用。在我提到的第一个例子中p = .06 时，不拒绝 null 并不等于认为它是真的，但它基本上与判断它在科学上有用是一样的。拒绝它与判断替代方案更有用基本相同。这对我来说似乎足够接近“接受”，特别是因为它不是一个可以接受的假设。

顺便说一句，这是关注 CI 的另一个论点：如果您可以使用 Neyman–Pearson 式推理拒绝空值，那么为了拒绝空值，p小多少都没关系。级别拒绝 null可能更有用，而不是比您更自信地拒绝 null需要（一种统计上的“矫枉过正”）。如果您事先有一个舒适的错误率，请尝试使用该错误率来描述您认为效果大小可能在$\alpha$$\alpha$$\alpha$$\alpha$$\rm CI_{(1-\alpha)}$. 对于大多数目的，这可能比接受更模糊的替代假设更有用。

^{* 关于这个示例p值的解释的另一个重要点是，它代表了在给定 null 为真的情况下的这种机会。如果在这种情况下，证据似乎表明空值是不真实的（尽管对于传统的科学标准来说不够有说服力），那么这个机会就更大了。换句话说，即使 null 是真的（但人们不知道这一点），在这种情况下下注也不明智，如果下注是不真实的，那就更糟了！}

假设通过多次投掷硬币你得到序列(head, tail, head, head, head)

你用假设检验真正计算出的实际上是ℙ[ obtaining (head, tail, head, head, head) | ℙ(head) = 0.5 ]

也就是说，您会得到以下问题的答案：

假设H0: ℙ(head) = 0.5，我(head, tail, head, head, head)至少有 5% 的时间得到序列吗？

所以这个问题的表述方式是你根本无法得到1. Is ℙ(head) ≠ 0.5 true?

这两种说法并不相互排斥。并不是因为一个命题被证明是错误的，另一个命题就必然是正确的。

因此，在情况 1 中，is it correct to say "we accept H1"?答案是否定的，您的结论是：

我们有足够有力的证据相信 H0 不是真的，但我们可能没有足够有力的证据相信 H1 是真的。因此，“拒绝 H0”并不自动意味着“接受 H1”

对我来说似乎是正确的。

科学理论只建立在一组特定的命题之上，直到其中一个命题被证明是错误的。沿着这些思路，假设检验的一般思想是通过现成的事实排除命题的直接矛盾，但它不提供证明。