「新しい施策に効果があった」とデータで主張したいとき、統計学ではあえて逆の「効果がない」という仮説を立てて、それを崩しにいきます。この崩される役割を担うのが帰無仮説です。仮説検定の流れ、対立仮説・P値・有意水準との関係まで、コイン投げの例で丁寧に解説します。
📖 ひと言でいうと
帰無仮説とは、統計的仮説検定で最初に立てる「差がない」「効果がない」「変化がない」という前提の仮説です。データがこの前提では説明しにくいほど極端なら帰無仮説を棄却(否定)し、逆の主張である対立仮説を採択します。
裁判にたとえると、帰無仮説は「被告は無罪(何も起きていない)」という推定です。十分な証拠が揃ってはじめて無罪推定が覆される(棄却される)ように、統計でも「効果がない」をデータの証拠で覆すことで「効果がある」を主張します。厳密には、これは証拠の強さを確率で測る仕組みであり、棄却されても100%の証明ではない点が裁判のたとえとの違いです。
🖼 1枚でわかる帰無仮説
📘 公式テキストの説明
公式テキストでは、ペアとなる用語「対立仮説」の項で帰無仮説とセットで説明されています。
対立仮説は、仮説検定において重要な要素の一つであり、帰無仮説と対をなす存在です。統計的な仮説検定では、まず最初に帰無仮説を立てますが、これは「変化がない」「効果がない」という状況を前提としています。一方、対立仮説は、その逆で「変化がある」「効果がある」という主張を示す仮説です。たとえば、コインが公平かどうかを検証する場合を考えてみましょう。帰無仮説は「コインは公平である（表と裏が出る確率が50%ずつ）」と設定します。この場合の対立仮説は「コインは公平ではない」となります。検定の結果、帰無仮説が棄却された場合、対立仮説が支持されることになります。仮説検定では、帰無仮説が正しいかどうかを検証し、十分な証拠があればその仮説を棄却し、対立仮説が採択されるという流れです。帰無仮説が棄却されるためには、データから得られた結果が偶然ではなく、統計的に有意であることが必要です。その判断基準としてP値や有意水準が使われます。たとえば、P値が設定された有意水準（通常5%など）を下回る場合、帰無仮説を棄却し、対立仮説が正しいとされます。
かみ砕くと、「主張したいこと(効果がある)を直接証明する代わりに、その逆(効果がない)を仮に置き、データがその仮定では起こりにくいことを示して逆を否定する」という背理法に似た論法です。P値は「帰無仮説が正しいとしたら、観測された(またはそれ以上に極端な)結果が偶然起こる確率」で、これが有意水準より小さければ「偶然とは考えにくい」として棄却します。
🔍 しっかり理解する
帰無仮説と対立仮説——役割の対比
- 「差がない・効果がない」という前提
- 棄却されることを期待して立てる
- 例: 新薬の効果は偽薬と変わらない
- 「差がある・効果がある」という主張
- 本当に示したい仮説
- 例: 新薬は偽薬より効果がある
「帰無」という名前は「無に帰することを期待される仮説」、つまり棄却される前提で立てる仮説であることに由来します。研究者が本当に主張したいのは対立仮説の側です。
仮説検定の流れ
有意水準は「帰無仮説が正しいのに誤って棄却してしまう危険をどこまで許すか」の基準で、慣例的に5%(0.05)や1%がよく使われます。分析を始める前に決めておくのがルールです。
コイン投げで体感する
コインが公平か調べるために10回投げたら、10回すべて表が出たとします。帰無仮説「コインは公平(表の確率50%)」が正しいなら、10連続で表が出る確率は(1/2)の10乗 = 1/1024、約0.1%しかありません。「公平なコインでこんな極端な結果はめったに起きない」ので、有意水準5%なら帰無仮説を棄却し、「コインは公平ではない」という対立仮説を採択します。一方、10回中6回表なら公平なコインでも普通に起こりうる結果なので、棄却はできず判断保留となります。
💡 具体例で考える
WebサービスのA/Bテストは帰無仮説の代表的な実務応用です。ボタンの色を変えた新デザインBと従来デザインAでクリック率を比べるとき、帰無仮説は「AとBのクリック率に差はない」。十分なユーザー数で実験し、P値が有意水準を下回れば「差がないとは考えにくい」として新デザインの効果を認めます。逆に、少ないデータでたまたまBが良く見えただけの場合はP値が大きくなり、早合点を防いでくれます。
機械学習モデルの比較でも使われます。新モデルの精度が旧モデルを0.5ポイント上回ったとき、それが実力差なのかテストデータの偶然なのかを、帰無仮説「両モデルの性能に差はない」を立てて検定で確かめる、という使い方です。
⚠️ よくある誤解・紛らわしい用語
- 帰無仮説と対立仮説の取り違え — 「差がない」側が帰無仮説、「差がある(主張したい)」側が対立仮説です。問題文でどちらを指しているか必ず確認しましょう。
- 「棄却されなかった = 帰無仮説が正しい」ではない — 棄却できないのは「差があるとは言い切れない」だけで、「差がない」ことの証明ではありません(判断保留)。
- 「P値 = 帰無仮説が正しい確率」ではない — P値は「帰無仮説が正しいと仮定したときに、観測結果以上に極端な結果が出る確率」です。仮説自体の確率ではありません。
- 「統計的に有意 = 効果が大きい」ではない — データ数が多ければ、ごくわずかな差でも有意になりえます。有意性は「偶然では説明しにくい」ことを示すだけで、差の大きさは別に評価が必要です。
📝 試験でのポイント
- 「仮説検定で最初に立てる『効果がない・差がない』という仮説はどれか」という用語選択が基本形です。
- 「P値が有意水準を下回った場合の判断」を問う問題では、「帰無仮説を棄却し対立仮説を採択」が正解の型です。
- 「帰無仮説が棄却されなかったので帰無仮説が正しいと証明された」という選択肢は誤りと見抜けるようにしましょう。
- コインや新薬の事例文から帰無仮説・対立仮説を正しく設定させる問題が想定されます。「公平である/効果がない」が帰無仮説側です。
📚 まとめ
- 帰無仮説は「差がない・効果がない」という、棄却されることを期待して立てる仮説。
- 対立仮説はその逆の「差がある」という本来主張したい仮説で、必ずペアで設定する。
- P値が有意水準(5%など)を下回れば帰無仮説を棄却し、対立仮説を採択する。
- 棄却できない場合は「証明」ではなく判断保留——この非対称性が仮説検定の最重要ポイントです。
