当我刚刚学假设检验的时候，我一直对“无法拒绝零假设”（cannot reject the null）这个表述很疑惑：当统计检验结果显著时，我们说我们可以拒绝零假设，那么当统计检验结果不显著时，我们为什么不说“接受零假设”呢？我相信很多初学者都会有这样的疑问！
但假如你能够深刻理解假设检验的一些特性，这些疑问将会迎刃而解。在今天这篇文章中，我尽量通俗地来谈谈我们为何在统计结果不显著时要这么说。
我们可以将假设检验想象成一个法庭的审判过程，在审判伊始，我们往往首先需要假定被告嫌疑人是无罪的，然后通过逐步的举证，来判断这些证据是否能够作为被告有罪的充足理由。
这个过程背后的逻辑和假设检验是相同的，在假设检验中，我们往往想要证明备择假设的内容，但我们首先需要假定零假设的内容，然后通过采样（也就是法庭中的举证），来判断这些证据是否能够作为备择假设为真的充足证据。
在法庭上，每次庭审后，如果当次例举的证据不足以构成被告有罪的充足理由，从严格的意义上，我们通常会说，我们无法对罪犯做有罪推定/我们无法拒绝罪犯无罪这个假设，而不是直接推定罪犯无罪——因为我们知道证据还没有穷尽，所以这时我们面临两种可能性：1）罪犯确实无罪；2）我们还没有看到能够推定罪犯有罪的证据。
同理，在假设检验中，我们的证据是样本，而我们知道，在99.99%的情况中，我们的样本都不能穷尽总体（不然也就不叫样本了）的所有情况，所以我们自然也没收集到所有的证据。所以，当获得一个非显著的结果时，我们无法确定造成这一结果的原因究竟是1）零假设确实为真，还是2）我们的证据还没有累积到让统计检验结果显著的程度。
如何理解这第二点呢？我们可以想象下图：
在某一次实验中，假如我们获得了某个样本平均值，但由于样本过小，所以假定的零假设抽样分布将会比较宽（样本量比较小，标准误比较大），导致了我们的观测值落在了拒绝域之外。但假如我们能够多积累一些证据/增大样本量，它将导致标准误减小，零假设分布变窄。而在这种情境下，假定我们观察到的样本平均数仍旧保持原有大小，我们最终也会因为证据的足够积累而成功拒绝零假设！这就是证据累积对统计检验结果的影响特性。
所以，通过上面的讲述，相信大家能够更好地理解“无法拒绝零假设”的措辞。事实上，与法庭不同，实证研究中的证据往往永远没有穷尽的时候（不然我们就不需要统计学了），所以我们永远无法得知非显著结果背后的原因到底是什么。
最后给自己打一波广告，上述的讨论实际上节选自我的第一本讲义《深化理解假设检验》，如果你想阅读更完整系统的探讨，或者想要获得其他类似的，令你恍然大悟的关于假设检验的深入见解，欢迎扫码购买相关的讲义对我的创作进行支持！
也希望各位读者老爷们多帮我点点赞和在看呀！！！
