对于大多数研究，研究人员都有他们想要解决的特定研究问题。 例如，研究人员可能想知道一种新药是否可以延长全膝关节置换术 (TKA) 后的术后镇痛时间。 空假设和替代假设是专注于研究统计分析的陈述性陈述（不是问题）。 在这里，零假设 (H0) 将声明“在接受新药的患者和接受标准药物的患者之间，TKA 后首次申请止痛药的时间没有差异。” 这似乎令人惊讶，因为调查人员的兴趣肯定在于零以外的差异。 但是，存在不为零的无穷小差异，例如 0.01 和 0.002、12.345、987.65 等等——太多了，无法在几个生命周期中进行测试。 因此，正如恐怖漫画所暗示的那样，必须有一个非常具体的空值——0.00000——来锚定统计测试。
另一方面，替代（也称为研究）假设可能会陈述 H1“TKA 后首次请求止痛药的时间在给予新药的患者和给予标准药物的患者之间不同。” 或者，H2 “接受 TKA 后首次申请止痛药的时间对于给予新药的患者比给予标准药物的患者更长。” 或者，H3 “接受 TKA 后首次申请止痛药的时间对于给予新药的患者比给予标准药物的患者更短。” 必须选择以下 3 个中的一个：第一个是无方向的（2 尾），只是说明存在差异； 另外两个是定向的（1 尾），并指出差异是在较长或较短的方向上。 尽管我们的研究人员可能会为这项特定研究选择 H2，但新研究领域的大多数研究都基于非定向替代方案。
最后，重要的是要注意，一旦开始收集数据，就无法更改假设。 这是因为研究设计和统计分析计划已被设置为测试特定的无效假设和替代假设，并且偷看数据可能会使研究人员受到过度影响而改变它们。 下个月，小剂量统计将涵盖 I 型和 II 型错误及其在统计决策中的重要性。
