假设检验是一种统计方法，它利用样本的实际资料来验证对总体某些数量特征的预先假设是否可信。
通过假设检验的目的在于判断原假设的总体与实际总体是否存在显著差异。
过去，这种检验方法被称为显著性检验。它运用小概率反的思维逻辑，间接地通过问题的对立面（H0）来判断所要解决的问题（H1）是否成立。当假设H0成立时，我们会计算检验统计量，然后根据得到的P值来判断H1是否成立。
当P值小于或等于预先设定的概率值α时，这种情况被视为小概率事件。
以下将以实例3-5来说明这一概念。
本例中，我们试图确定μ是否不等于μ0。这是一个双侧检验，因为我们处理的是连续性单样本资料，因此我们应用单样本t检验。
检验流程
- 确定检验假设与水准
H0：μ=μ0，即从事铅作业男性工人的血红蛋白含量均数等于正常成年男性的均数。
H1：μ≠μ0，即从事铅作业男性工人的血红蛋白含量均数不等于正常成年男性的均数。
其中，H0常称为零假设或无效假设，而H1称为对立假设或备择假设。
- 计算检验统计量
将数据导入SPSS软件，选择“分析”菜单下的“单样本t检验”。将变量“铅作业工Hb含量”放入“检验变量”框中，并输入已知的总体均数（μ0=140g/L），然后点击“确定”。
计算结果得出t值为-2.137，P值为0.04。
选择检验统计量时，应根据统计推断的目的、设计方案、变量或资料类型、方法的适用条件等因素进行选择。
- 确定P值并作出推断结论
根据检验结果，统计量t为-2.137，P值为0.04，均小于预先设定的0.05。我们拒绝H0并接受H1，认为该差异具有统计学意义。
结合专业背景知识，我们可以得出结论：从事铅作业的男性工人的血红蛋白含量均数低于正常成年男性的均数。
注意事项与结论阐释
在推断结论时，应包括统计结论和专业结论两部分。统计结论仅说明差异是否有统计学意义，而不能说明专业上的差异大小。对于H0的判断，我们只能说拒绝或不拒绝H0，不能随意使用其他表述方式。
错误类型及其影响
在假设检验中，可能Ⅰ型错误（弃真错误）和Ⅱ型错误（取伪错误）。其中，Ⅰ型错误的概率用α表示，α的取值可根据研究目的而定。若要同时减小这两种错误的可能性，增加样本含量n是唯一的方法。
进行假设检验时的注意事项
- 应有严密的研究设计，尤其是随机分组的设计来保证均衡性。
- 应根据分析目的、资料类型等选择适当的检验方法。
- 正确理解“显著性”的含义，即统计学上的有意义不代表临的有意义。
- 在报告结论时，应列出具体的P值或P值的范围，而不是简单地写“P＜0.050”。
- 置信区间与假设检验在统计学中各有其用途和重要性。置信区间可以提供更多关于参数范围的信息。