免费假设生成器 以配对、可证伪的形式撰写

替代假设 (H1) 陈述你的实际预测, 即存在某种效应、差异或关联。零假设 (H0) 陈述完全相反的情况, 即不存在这些。显著性检验是围绕零假设建立的, 它会询问, 如果零假设真的是世界的真实状态, 你的数据看起来会有多不可能, 这就是为什么没有与之精确匹配的零假设, 替代假设就只完成了一半。这个工具不会只返回其中一个。

定向（单尾）假设会明确效应将朝哪个方向发生，例如运动会降低静息心率。非定向（双尾）假设只声称心率会发生变化，但不指定变化的方向。只有在理论或既有证据确实指向某一方向时，才选择定向，因为这种承诺会带来代价，所选的统计检验会由此决定，而如果效应实际朝相反方向运行，就会变成原假设结果，而不是发现。当确实不确定时，非定向是更安全的默认选项。

可检验，指其变量能够用你确实拥有的工具测量，并且能在你确实可以实施的设计中进行。可证伪，指至少有一种现实可行的结果会对该主张构成反证。像“正念会以某种方式改变幸福感”这样的陈述，任何结果都不可能反驳，它只是披着假设外衣的话题。一个实用的检查方法是，在任何数据出现之前，先写下哪一种确切的结果模式会迫使你放弃该主张。如果没有任何结果符合这一标准，这个假设就需要进一步明确。

不需要。假设属于确认性的定量研究，这类研究的设计就是为了检验一个明确提出的预测。探索性项目和大多数定性研究则使用研究问题，如果硬把假设套进去，就会歪曲研究实际在做什么。不确定一个项目属于哪一类？先写研究问题，它的类型会决定后面是否需要假设。

可以，只要你的描述同时点明这两个变量，并明确说明预期其中一个变量会改变另一个变量的效应，例如：睡眠对测验成绩的影响取决于咖啡因摄入量。然后，生成器会围绕这一共同主张来构建这对量，而不是把两个变量当作彼此独立、彼此无关的两个预测。若你在描述中不写明交互作用，工具就没有可据以构建的依据，因此它返回的那对量会分别检验每个变量本身，而不是检验交互。

它会被发送到我们的服务器，并仅用于生成一次假设对。除此之外不会发生其他事情。

写明你的变量和研究设计, 也就是你将操纵或比较什么, 你将测量什么以及使用什么工具, 以及参与者是谁。输出会严格限定在你写出的变量之内, 生成器不会凭空创造你从未提到的中介变量, 也不会附加你从未测量的效应量。描述越笼统, 返回的假设就越笼统, 这是有意为之, 目的是提示你回去把各项内容写得更精确。

不会, 也不应该这样做, 因为正确的检验取决于测量尺度、分布和设计细节, 这些只有你知道。它给出的假设对是你做出该决定所需的输入, 因为方向性决定单尾还是双尾检验, 而零假设的精确表述则告诉你检验必须具备怎样的拒绝能力。接下来, 该由方法学教材或你的导师来决定。