Ein formelles statistisches Verfahren zur Bewertung, ob beobachtete Daten mit einer angegebenen Nullhypothese vereinbar sind, unter Verwendung einer Teststatistik und einer Entscheidungsregel, die die Wahrscheinlichkeit eines Typ-I-Fehlers auf einem vorgegebenen Signifikanzniveau kontrolliert.

Prinzip

Der Hypothesentest operationalisiert Falsifikation, indem beobachtete Evidenz mit der unter der Null erwarteten Ergebnisverteilung verglichen wird; Entscheidungsregeln (kritische Werte oder p-Werte) balancieren das Risiko falscher Positiver und das Ziel, relevante Abweichungen zu entdecken.

Demonstration

Bei Preistests kann die Nullhypothese lauten, dass zwei Preisstufen gleiche Konversionsraten liefern; Analysten berechnen eine Teststatistik (z- oder Chi-Quadrat-Test), vergleichen sie mit dem kritischen Bereich bei α=0,05 und verwerfen oder behalten die Nullhypothese bei.

Fehlanwendung

Das Nicht-Verwerfen als Beweis für das Nichtvorhandensein eines Effekts zu betrachten, selektiv viele Tests durchzuführen und nur signifikante Ergebnisse zu berichten (multiples Testen/p-hacking), oder p-Werte als Wahrscheinlichkeit der Wahrheit der Null zu interpretieren.

Konsequenz

Richtige Anwendung führt zu strukturierten, reproduzierbaren Entscheidungen über Evidenz gegen die Null bei kontrollierten Falsch-Positiv-Raten; sie erleichtert kumulatives Wissen, wenn Hypothesen klar und Analysepläne vorab spezifiziert sind.

Umkehrung

Die Umkehr betont Schätzung statt dichotome Tests und berichtet Effektgrößen und Unsicherheit ohne starre Reject-/Fail-to-Reject-Entscheidung; dieser Ansatz priorisiert Magnitude und Präzision statt binärer Ergebnisse.

Abgrenzung

Gilt, wenn Hypothesen und Teststatistiken klar definiert sind und Annahmen über Sampling und Modellverteilungen zutreffen; schließt ad-hoc, datengetriebene Hypothesen aus, die nach Sichtung der Daten ohne Korrektur formuliert wurden.

Semantische Spannung

Spannung zwischen dem Neyman-Pearson-Ansatz, der auf langfristige Fehlerraten fokussiert, und dem fisherianischen Signifikanzansatz, der p-Werte als Evidenzmaß hervorhebt, sowie zwischen Testverfahren und modellbasierten Inferenzen wie Bayesschem Modellvergleich.

Synthese

Ein Hypothesentest ist der strukturierte Vergleich beobachteter Daten mit dem Nullmodell mittels Statistik und Entscheidungsregel, um zu bestimmen, ob die Evidenz das Verwerfen der Null rechtfertigt und dabei den Typ-I-Fehler kontrolliert.