单侧检验

单侧检验

单侧检验（One-tailed test）是统计假设检验的一种变体，其备择假设（H₁）明确指出总体参数偏离零假设（H₀）的方向，即要么大于（右侧检验）要么小于（左侧检验）某个特定值。与双侧检验不同，单侧检验将显著性水平α全部集中在分布的一侧尾部，从而在特定方向上获得更高的检验功效（Power）。

设总体参数θ（如均值μ），零假设H₀: θ = θ₀。右侧检验的备择假设为H₁: θ > θ₀，左侧检验为H₁: θ < θ₀。检验统计量（如z或t）服从已知分布，其拒绝域位于分布的一侧：右侧检验拒绝域为[z_α, ∞)或[t_α, ∞)；左侧检验为(-∞, -z_α]或(-∞, -t_α]。其中z_α和t_α分别表示标准正态分布和t分布的上α分位数。

单侧检验必须基于先验知识或理论依据，明确判定参数偏离方向的可能性。常见应用包括：

• 医学疗效试验：验证新药是否优于安慰剂（优于，而非劣于或等效）。
• 环境监测：检验污染物浓度是否超过法定上限（如铅含量>100 ppm）。
• 质量控制：检查产品强度是否达到最低标准（如抗拉强度≥200 MPa）。

单侧检验的统计功效高于双侧检验，因为相同α下其拒绝域更集中于一端。例如，在α=0.05时，单侧z检验的临界值为1.645，而双侧为1.96。这意味着更小的效应量即可被检测。功效计算基于非中心分布参数（如非中心t分布）。样本量公式：对于均值检验，n = ( (z_α + z_β)² σ² ) / δ²，其中δ为效应量。

优点：灵敏度高，适用于明确方向的研究；所需样本量小；结论直接支持研究方向。缺点：若实际效应出现在相反方向，单侧检验无法拒绝H₀，可能导致错误结论（如药物实际有害却被认为无效）。此外，事后将双侧p值减半作为单侧p值可能不当。

双侧检验的H₁: θ ≠ θ₀，拒绝域分布于两侧各α/2。当研究无明确方向时，必须使用双侧检验。若使用单侧检验，需提供强有力的理论或经验证据。许多学术期刊（如《新英格兰医学杂志》）要求除非有预注册明确方向，否则报告双侧p值。

• 数据驱动选择：观察数据方向后决定使用单侧检验，会膨胀I类错误。
• p值解释：单侧p值=双侧p值/2仅当统计量分布对称且方向与实际一致。
• 等效性检验：若目标是证明参数在阈值之内（如生物等效性），需使用双单侧检验（TOST），非单侧检验。

例1（右侧检验）：某公司声称电池平均寿命>500小时。H₀: μ=500, H₁: μ>500。抽样40块电池，样本均值x̄=520小时，σ=60小时。计算z=(520-500)/(60/√40)=2.11。α=0.05，z_α=1.645，2.11>1.645，拒绝H₀，支持广告。

例2（左侧检验）：工艺要求产品缺陷率<2%。H₀: p=0.02, H₁: p<0.02。随机500个产品，缺陷8个，p̂=0.016。z=(0.016-0.02)/√(0.02×0.98/500)≈ -0.64。α=0.05，z_α=-1.645，-0.64 > -1.645，不拒绝H₀，无证据表明缺陷率降低。

在R中，t.test(x, mu=μ0, alternative='greater')进行右侧检验；'less'为左侧。Python的scipy.stats.ttest_1samp计算双侧p值，单侧需手动除以2并检查方向。SPSS等软件也提供选项。

单侧检验由Fisher和Neyman-Pearson学派发展而来。争议集中于滥用问题：研究者可能为获得显著结果而擅自采用单侧检验。为避免该问题，许多机构要求预注册分析计划。现代统计学家（如Andrew Gelman）强调，在探索性分析中应使用双侧检验，而在确证性分析中若方向明确可谨慎使用。

• Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver & Boyd.
• Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289-337.
• Gelman, A., & Tuerlinckx, F. (2000). Type S error rates for classical and Bayesian single and multiple comparison procedures. Computational Statistics, 15(3), 373-390.
• Jones, B., & Kenward, M. G. (2014). Design and Analysis of Cross-Over Trials (3rd ed.). CRC Press.
• Zar, J. H. (2010). Biostatistical Analysis (5th ed.). Pearson Prentice Hall.
• Altman, D. G. (1991). Practical Statistics for Medical Research. Chapman & Hall.
• Goodman, S. N., & Berlin, J. A. (1994). The use of predicted confidence intervals when planning experiments and the misuse of power when interpreting results. Annals of Internal Medicine, 121(3), 200-208.
• Hoenig, J. M., & Heisey, D. M. (2001). The abuse of power: The pervasive fallacy of power calculations for data analysis. The American Statistician, 55(1), 19-24.