帰無仮説とは？棄却されない・できないときの結論と対立仮説との違い

帰無仮説（きむかせつ／null hypothesis）とは、統計的仮説検定で「差がない・効果がない」と置く出発点の仮説です。検定では研究者が本当に示したいこと（＝対立仮説）を直接証明するのではなく、まず帰無仮説が正しいと仮定し、その仮定ではデータが説明しにくいときに帰無仮説を棄却する、という遠回りの論法を取ります。だからこそつまずきやすいのが「帰無仮説が棄却されなかったとき、結局なにが言えるのか」という結論の読み方です。

この記事は、帰無仮説と対立仮説の違い・立て方から、有意水準やp値との関係、そして最も誤解の多い「帰無仮説を棄却できない＝差がないと証明できた、ではない」という結論の解釈までを具体例で整理します。まず要点を先に押さえます。

まとめ：帰無仮説と対立仮説の違い・棄却されないときの結論

帰無仮説は「差はない」と置く前提、対立仮説は「差がある」と示したいゴールです。検定はこの2つをペアで立て、帰無仮説を棄却できるかどうかだけを判定します。両者の違いを表で整理します。

結論を先に言えば、帰無仮説を棄却できなかった場合に言えるのは「差があるとまでは言える証拠が足りなかった」ことだけで、「差がないと証明できた」ではありません。両者はまったく別の結論です。棄却できないときに何を疑い次に何をすべきかも含め、以下で順に解説します。

帰無仮説とは｜読み方・英語・「差がない」と置く理由

帰無仮説は「きむかせつ」と読み、英語では null hypothesis（記号は H0）です。「差がない」「関係がない」「効果がない」という、いわば無に帰す（差をゼロと置く）仮説であることが名前の由来です。統計的仮説検定では、この H0 をいったん正しいと仮定したうえで、手元のデータがその仮定と矛盾する度合いを測ります。

なぜ「示したいこと」ではなく「差がない」を初期仮説に置くのか

「効果がある」を直接証明しようとすると、どれだけ差があれば十分かという基準を先に決められず、水掛け論になります。そこで「差がゼロ」という一点に定まった仮説を置き、その一点仮説のもとでは滅多に起きないほど偏ったデータが出たら仮説の側を棄てる、という背理法に近い進め方を取ります。この枠組みはロナルド・フィッシャーが有意性検定として定式化し、イェジ・ネイマンとエゴン・ピアソンが対立仮説・第2種の過誤・検出力の概念を加えて意思決定の理論へ発展させました。現在の教科書的な検定手順は、この2つの流れが折衷されたものです。

帰無仮説と対立仮説の違い

帰無仮説（H0）が「差がない」とする前提であるのに対し、対立仮説（H1 または Ha）は「差がある」とする、研究者が本当に主張したい仮説です。検定が直接評価するのは常に帰無仮説の側で、対立仮説は「帰無仮説を棄却できたときに間接的に支持される」という受け身の立場にあります。ここを取り違えると「対立仮説を証明する検定」という誤ったイメージになり、結論の解釈を誤ります。

片側検定・両側検定と対立仮説の向き

対立仮説の書き方で片側検定か両側検定かが決まります。「既存薬と比べて効果が高い」のように向きを限定するなら片側検定（H1: μ > μ0）、「効果が異なる（高いか低いかは問わない）」なら両側検定（H1: μ ≠ μ0）です。片側は関心のある向きに検出力を集中できる一方、逆向きの差はまったく検出できません。向きを事前に理論的根拠で決められる場合だけ片側を使い、迷うなら両側を選ぶのが安全です。データを見てから有利な向きに片側へ変えるのは、第1種の過誤を水増しする不正な操作にあたります。

帰無仮説・対立仮説の立て方【例つき】

仮説の立て方そのものは定型です。示したい主張を対立仮説に置き、その否定（差ゼロ・関係なし）を帰無仮説に置きます。

立て方の手順

まず「何を示したいか」を一文にします（例：新しい教材で平均点が上がる）。それを対立仮説 H1（平均点に差がある／高い）とし、その否定を帰無仮説 H0（平均点に差がない）に置きます。次に有意水準を先に決め、検定統計量を計算し、p値または棄却域と照らして H0 を棄却するか判断します。仮説と有意水準はデータを見る前に確定させるのが原則です。

分野別の具体例

新薬の臨床試験なら、H0「新薬は既存薬と効果に差がない」／H1「差がある」。Webの広告A/Bテストなら、H0「新旧バナーでコンバージョン率に差がない」／H1「差がある」。製造の品質管理なら、H0「不良率は基準値と変わらない」／H1「基準値と異なる」。分野が変わっても「示したい差の否定を H0 に置く」という骨格は共通です。

検定手法ごとの帰無仮説（t検定・カイ二乗検定・F検定）

使う検定によって帰無仮説の言い回しが変わります。t検定は「2群の母平均に差がない」、カイ二乗検定（独立性の検定）は「2つのカテゴリ変数は独立で関連がない」、F検定（等分散の検定）は「2群の母分散が等しい」、分散分析（ANOVA）は「3群以上の母平均がすべて等しい」を帰無仮説に置きます。F検定が分散、ANOVAが平均を対象にする点は取り違えやすいので注意してください。どの手法でも「差・関連がゼロ」を H0 にする構造は同じで、違うのは差を測る統計量とその分布だけです。

有意水準・p値と棄却の判定

帰無仮説を棄却するかどうかは、有意水準とp値（または棄却域）の比較で機械的に決めます。判断基準を事前に固定しておくことで、恣意的な結論を避けます。

有意水準（危険率α）とp値の関係

有意水準αは「帰無仮説が本当は正しいのに、誤って棄却してしまう確率」の上限で、危険率とも呼びます。慣例的に α = 0.05（5%）、厳しく見る医薬分野などでは 0.01（1%）が使われます。p値は「帰無仮説が正しいと仮定したとき、観測されたデータ以上に極端な結果が偶然得られる確率」です。判定はシンプルで、p < α なら帰無仮説を棄却、そうでなければ棄却できません。有意水準の決め方とp値の詳しい読み方は有意水準とは何か？統計的仮説検定における基本概念の解説で掘り下げています。

棄却域・棄却限界値による判定

p値の代わりに、検定統計量そのもので判定する方法もあります。有意水準αに対応する境界値（棄却限界値、臨界値）を分布表から求め、統計量がその外側（棄却域）に落ちれば帰無仮説を棄却します。両側検定なら分布の両裾にα/2ずつ棄却域を置き、片側検定なら関心のある側にαを全部置きます。p値による判定と棄却域による判定は、同じ結論を別の角度から述べているだけで、結果は一致します。

第1種の過誤と第2種の過誤

検定の誤りは2種類あります。第1種の過誤は「正しい帰無仮説を誤って棄却する」誤り（確率はα＝危険率）、第2種の過誤は「誤った帰無仮説を棄却し損ねる」誤り（確率はβ）です。両者はトレードオフの関係にあり、αを小さく厳しくするほど第2種の過誤βは増えます。そして「本当は差があるとき、それを正しく棄却できる確率」1 − β を検出力（power）と呼びます。棄却できないときの結論は、この検出力を確認できたかどうかで読み方が変わります。

帰無仮説が棄却されない・棄却できないときの結論

検定でつまずく人が最も多いのがここです。帰無仮説を棄却できなかった結果を「差がないことが分かった」と読むのは誤りで、この読み違いは実務でも論文でも頻発します。

「棄却されない」は「差がない」の証明ではない

帰無仮説を棄却できないのは、「帰無仮説が偽だと言い切れるほどの証拠が集まらなかった」ことを意味するだけです。証拠が足りない原因は、本当に差がゼロに近いからかもしれませんし、差はあるのにサンプルが少なく検出できていないだけかもしれません。検定はこの2つを区別できません。したがって「棄却されない＝差がないと証明された」ではなく、正しくは「差があるとは言えなかった（判断を保留）」です。裁判で「無罪」が「潔白の証明」ではなく「有罪を立証できなかった」を意味するのと同じ構造です。

「採択」ではなく「棄却できない（保留）」が正しい

この理由から、帰無仮説については「採択する」という言い方を避け、「棄却できない」「保留する」と表現するのが正確です。フィッシャーの有意性検定の立場では、帰無仮説は棄却されるか判断を保留されるかのどちらかで、積極的に「正しい」と採択する対象ではありません。対立仮説は棄却によって間接的に支持できても、帰無仮説そのものを「証明された正しい仮説」として採択することはできない、と覚えておくと結論を書き間違えません。

棄却できないときに疑う3つの原因

棄却できなかったときは、結論を出す前に次の3点を疑います。第一にサンプルサイズが小さすぎないか。標本が少ないほど検出力が下がり、真の差を見逃しやすくなります。第二にデータのばらつき（分散）が大きすぎないか。ノイズが大きいと差が埋もれます。第三に有意水準を必要以上に厳しく設定していないか。これらはいずれも「本当は差があるのに棄却できない」第2種の過誤を招く典型的な原因です。

棄却できなかったときの次のステップ

次の一手は、結論を急ぐことではなく検出力を確かめることです。検出力分析（パワー分析）で「この試験は、想定する大きさの差があれば何%の確率で検出できたか」を計算します。検出力が例えば5割しかなければ、差がないのではなく「差を見つける力が不足していた」試験だったと分かります。その場合はサンプルサイズを設計し直して再検証します。あわせて効果量（差の大きさ）や信頼区間を併記すれば、「有意ではないが実質的に無視できない差がある」といった保留状態も読み取れます。標本の大きさが結論に効く仕組みは標本誤差とは何か？基本的な定義と統計学的な意味もあわせて確認してください。

「有意差なし」を鵜呑みにしない：ASA声明と実務での読み方

「p値が0.05を超えたから効果なし」と機械的に結論づける運用には、統計学の本家から明確な警告が出ています。米国統計学会（ASA）は2016年に声明「The ASA Statement on p-Values」を公表し、p値は効果の大きさや結果の重要性を測る指標ではないと明言しました。2019年には特集「Moving to a world beyond p<0.05」を出し、同じ年にNature誌は「統計的有意性を引退させよう」とする論説を掲載、これに世界の科学者800名超が署名しています。これらが問題視したのは、p値そのものより「有意／非有意の二分法で結論を切り分ける運用」でした。

実務での要点は3つに絞れます。第一に、有意差なしは「差がない」ではなく判断保留として扱い、効果量と信頼区間を必ず併記する。第二に、有意差ありでも効果量が小さければ実務的な意味は乏しく、p値の小ささは効果の大きさを保証しない。第三に、「2群は等しい」と積極的に主張したいなら、通常の検定で棄却できなかったことを根拠にせず、同等性検定（差がないことを積極的に示す）や非劣性検定（劣らないことを示す）といった専用の設計を使う。「棄却できなかったから同等」は成立しません。p値と有意差の全体像は有意差検定とは？有意差・p値の意味と検定の種類・やり方をわかりやすく解説で体系的に整理しています。

よくある質問

帰無仮説を棄却する確率は？

帰無仮説が本当は正しいときに、それを誤って棄却してしまう確率が有意水準α（危険率）で、通常5%または1%に設定します。これは第1種の過誤の確率そのものです。なお実際に棄却されるかどうかは、真の差の大きさとサンプルサイズによって決まる検出力に依存します。

帰無仮説が棄却される場合とは？

検定統計量から求めたp値が有意水準を下回る（p < α）とき、または統計量が棄却域に入るときに帰無仮説を棄却します。これは「帰無仮説が正しいと仮定すると、これほど極端なデータは偶然では起きにくい」と判断できた状態です。

帰無仮説が棄却されたら何が結論づけられる？

帰無仮説を棄却すると対立仮説が支持され、「統計的に有意な差がある」と言えます。ただし言えるのは差の存在までで、差が実務的に十分大きいかは別問題です。効果量や信頼区間を併せて確認してください。

帰無仮説の危険率とは何ですか？

危険率は有意水準αの別名で、正しい帰無仮説を誤って棄却する（第1種の過誤を犯す）確率を指します。危険率5%は「20回に1回は、本当は差がないのに差があると誤判定しうる」ことを意味します。

帰無仮説の読み方・英語は？

読み方は「きむかせつ」、英語は null hypothesis で記号は H0 です。対立仮説は alternative hypothesis（H1 または Ha）と表記します。

関連記事

• 有意水準とは何か？統計的仮説検定における基本概念の解説
• 有意差検定とは？有意差・p値の意味と検定の種類・やり方をわかりやすく解説
• 標本誤差とは何か？基本的な定義と統計学的な意味