【G検定】対立仮説とは？帰無仮説とのペアで理解する仮説検定をやさしく解説

「新薬には効果がある」「このコインはイカサマだ」——統計でこうした主張をしたいとき、主役として掲げられるのが対立仮説です。ただし統計の世界では、対立仮説を直接証明するのではなく、相方である帰無仮説を崩すことで間接的に支持するという独特の手順を踏みます。帰無仮説との役割分担を軸に、仮説検定の流れを丁寧に解説します。

📖 ひと言でいうと

対立仮説とは、統計的仮説検定において本当に主張したい「差がある」「効果がある」「変化がある」という側の仮説です。「差がない」とする帰無仮説と必ずペアで設定され、帰無仮説がデータによって棄却(否定)されたときに採択されます。

裁判にたとえると、帰無仮説が「被告は無罪」という推定なら、対立仮説は検察が立証したい「被告は有罪」という主張です。証拠(データ)が無罪推定を覆すのに十分なら、有罪の主張が認められる——この構図がそのまま仮説検定の構図になっています。

🖼 1枚でわかる対立仮説

📘 公式テキストの説明

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。

ポイントは「対立仮説は直接検証されない」ことです。検定でデータと突き合わせられるのはあくまで帰無仮説の側で、「帰無仮説のもとではこのデータは起こりにくい(P値が小さい)」と示せたときに、消去法的に対立仮説が採択されます。主張したいのは対立仮説なのに、手続きの主戦場は帰無仮説——この間接的な構造が仮説検定の最大の特徴です。

🔍 しっかり理解する

帰無仮説との役割分担

なぜ主張したい側を直接検証しないのでしょうか。「効果がある」という主張は効果の大きさが無数にありえて的を絞れないのに対し、「効果がゼロ」という帰無仮説は1点に定まるため、その仮定のもとでデータの起こりやすさ(P値)を具体的に計算できるからです。「狙い撃ちできる的(帰無仮説)を置いて、それを崩す」のが検定の設計思想です。

対立仮説の立て方——両側検定と片側検定

対立仮説の書き方には方向性の違いがあります。コインの例で、帰無仮説「表の確率 = 50%」に対して、

のどちらを対立仮説にするかで、同じデータでも判定の境目が変わります。どちらの形にするかは、データを見る前に、検証したい主張の内容に合わせて決めておくのがルールです。

採択されても「証明」ではない

有意水準5%で帰無仮説を棄却し対立仮説を採択しても、それは「帰無仮説が正しいのに偶然こんなデータが出た」可能性を5%まで許した上での判断です。つまり対立仮説の採択は100%の証明ではなく、「偶然では説明しにくいので、差があると考えるのが妥当」という確率的な結論です。この控えめさが統計的な誠実さでもあります。

💡 具体例で考える

新薬の臨床試験では、帰無仮説「新薬の効果は偽薬(プラセボ)と変わらない」に対し、対立仮説は「新薬は偽薬と効果が異なる(あるいは上回る)」と設定されます。試験データのP値が有意水準を下回れば帰無仮説が棄却され、対立仮説——新薬の有効性——が支持されます。規制当局への承認申請は、まさにこの対立仮説を統計的に支持できるかの勝負です。

機械学習モデルの改善判断でも同じ枠組みが使えます。新モデルの精度が旧モデルを上回ったとき、対立仮説「新モデルは旧モデルより性能が高い」を掲げ、帰無仮説「性能に差はない」が棄却できるかを検定すれば、テストデータのたまたまの偶然で乗り換えを決めてしまうリスクを抑えられます。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ