【初心者向け】仮説検定とは？p値・有意水準・過誤をわかりやすく解説

　「新薬は本当に効果があるのか」「男女で平均賃金に差があるのか」——こうした主張の正しさをデータを使って統計的に考察する方法が 仮説検定（Hypothesis Testing） です。

この章では、仮説検定の基本的な考え方から、p値・有意水準の正しい解釈、5ステップの検定手順、そして2種類の過誤（偽陽性・偽陰性）まで、図解とともに丁寧に解説します。

11.1 仮説検定とは何か？

　仮説検定とは、「本当に差がある」のかをデータで判断する方法です。コインを10回投げて8回表が出たとき、それは「コインが歪んでいる証拠」でしょうか、それとも「ただの偶然」でしょうか？こうした問いに対して確率的な答えを出すのが仮説検定です。

仮説検定では2つの仮説を立て、データがどちらを支持するかを判断します。

仮説	記号	内容	戦略
帰無仮説	H₀	「差がない・効果がない」という保守的な主張	棄却して H₁ を支持したい
対立仮説	H₁	「差がある・効果がある」という研究者の主張	証明したい内容

仮説検定は「H₀が正しいと仮定したとき、観測データがどのくらいの確率で発生しうるか」を評価します。その確率が十分小さければ、H₀を棄却して「H₁を支持する」と結論づけます。

対立仮説の向きによって「両側検定」と「片側検定」に分かれます。「差がある（≠）」は両側検定、「大きい（>）や小さい（<）」は片側検定です。

　有意水準（α）とは、「帰無仮説が本当に正しいのに誤って棄却してしまう確率の上限」です。事前に決めておく閾値であり、 α = 0.05（5%） が使わることが多いです。

有意水準	意味	使われる場面
α = 0.10（10%）	やや緩い基準 →検出力大	見逃しを避けたい場面例)探索的な研究
α = 0.05（5%）	中庸的	例)社会科学
α = 0.01（1%）	厳しい基準 →誤検出減	誤検出を避けたい場面例)製造方法の変更(安全性) 「危険」を帰無仮説とする。

　p値（p-value）とは、帰無仮説が真のとき、観測値以上に極端な結果が起こる確率です。p値が小さいほど「H₀のもとではこの結果は珍しい」ことを意味します。

判定	条件	結論
✅ 有意	p < α	H₀を棄却 → 「有意差あり」（H₁を支持）
❌ 非有意	p ≥ α	H₀を棄却できない（H₀が正しい証明ではない）

⚠️ よくある誤解：「p < 0.05 = 効果が大きい」ではありません。p値は効果の大きさを示しません。標本サイズが大きければ、ごくわずかな差でも有意になります。効果の大きさは「効果量（Cohen’s d など）」で別途評価しましょう。

　あるテストの全国平均得点は60点(μ₀=60)、母標準偏差σ=10点とされています。新しい教育方法でn=25名を指導したところ、標本平均 $\bar{x}$ =65点でした。有意水準5%で「新しい教育方法は得点を上げるか」を検定してください（片側検定）。

ステップ	内容
Step 1：仮説設定	H₀: μ = 60、H₁: μ > 60（片側）
Step 2：有意水準	α = 0.05、棄却域 z > 1.645
Step 3：検定統計量	$z=\frac{65-60}{\frac{10}{\sqrt{25}}}=2.50$
Step 4：p値	p = P(Z > 2.50) = 0.0062（約0.6%）
Step 5：結論	p = 0.0062 < α = 0.05 → H₀を棄却。新しい教育方法は有意に得点を上げると判断

　仮説検定は確率的な判断であるため、「間違える可能性」があります。間違いには2種類あります。

　α を小さくすると第一種の過誤は減りますが、第二種の過誤（β）が増えるというトレードオフがあります。トレードオフを解消するためには 標本サイズ n を増やす のが最も有効な対策です。

ポイント	内容
帰無仮説 H₀	棄却したい仮説。対立仮説 H₁ を支持するために設定
有意水準 α	通常 0.05（5%）。H₀を誤って棄却する確率の上限
p値	H₀が真のとき、観測値以上に極端な結果が生じる確率。小さいほど「珍しい」
判定ルール	p < α → H₀棄却（有意差あり）。p ≥ α → 棄却できない
第一種の過誤	真の H₀ を誤って棄却（偽陽性）。確率 = α
第二種の過誤	偽の H₀ を棄却できない（偽陰性）。確率 = β。検出力 = 1−β