定向和非定向假设

非定向备择假设 (H1) 只表明原假设 (H0) 不正确。它不能预测相关参数大于还是小于在 H0 中指定的参考值。

定向的 H1 指出 H0 不正确，并且指定参数的真实值大于还是小于 H0 中指定的参考值。

示例：

·    非定向 - 研究人员具有在特定中学参加高考的学生样本的结果。该研究人员想知道该学校的分数是否与国家平均分 850 不同。由于研究人员感兴趣的是分数低于还是高于国家平均分，因此使用非定向的 H1 比较合适。（H0：m = 850 与 H1：m 不等于 850）

·    定向 - 研究人员具有参加培训课程的国家考试的学生样本的考试结果。该研究人员想知道培训的学生分数是否高于平均分 850。由于研究人员专门假设培训学生的分数高于平均分，因此应使用定向的 H1。（H0：m = 850 与 H1：m > 850）

使用定向假设的优点在于增加了检测到您所感兴趣的特定效果的功效。缺点在于没有能力检测正面影响。

例如，假设一位研究人员预测，培训的学生的考试分数高于国家平均分（H1：m > 850）。通过这一定向的假设，检验更可能检测到培训对考试分数的正面影响。但是，该检验根本无法检测负面影响。如果因为某种原因，培训使学生的考试很糟糕（即 m 实际小于 850），则该检验无法检测到该效果。