仮説の記述

優れた仮説は，単純明快に言語化されている．

用語の概念的定義もしくは操作的定義をそのまま仮説の陳述でもちいるのは煩雑ではあるが，何が変数であり，研究者が何を研究しようとしているかを読者が十分理解できる程度に，特定化されていなければならない。

単純仮説か複雑仮説か

単純仮説(simple hypothesis)を１つの独立変数と１つの従属変数のあいだに予想される関係を表現する仮説と定義する．

複雑仮説（complex hypothesis)とは，２つ（ないしそれ以上）の独立変数と２つ（ないしそれ以上）の従属変数のあいだに予想される関係についての仮説である．

複雑仮説は多数の変数を含んでいるため,多変数仮説(multivariate hypothesis)ということもある．

ここで２つのタイプの仮説の具体例をいくつか示そう．

しかし，まず抽象的な用語の違いを説明しておく必要がある，

単純仮説は，１つの独立変数（Ｘとよぷことにする）と１つの従属変数（ｙとよぶことにする）の関係を述べる．

仮定された原因，先行因子，前提条件である変数Ｘによって予測された効果，成果，結果が，変数ｙである．

単純仮説の例

外科処置のあいだに，温めた溶液で体腔洗浄を受けた患者（Ｘ）は，室温溶液で受けた患者より高い深部体温（ｙ）を維持する〔Kelly, Doughty, Hasselbeck, &Vacchiano, 2000〕.

ほとんどの現象は，１つの変数の結果ではなく，多くの変数の複雑な配列の結果である．

たとえば人間の体重は,身長,食事,骨格,活動レベル,新陳代謝などの因子によって同時に影響を受ける．

ｙが体重で,Ｘがカロリー摂取量であるとすれば，個人の体重の変動を完全に説明することも理解することもできないだろう．

たとえばデイヴ・ハーバーさんの毎日のカロリー摂取量が平均2500カロリーであるとわかっても，彼の体重が何キロであるかを正確に予測することはできない．

彼の身長など，他の因子を知れば，彼の体重をより正確に予測できるだろう．

複雑仮説は，一方がｙ，もう一方がXIとX2であるときの関係の性質を述べる．

「背の高い人（XI）とカロリー摂取量が多い人（X2）は，背が低い人とカロリー摂取量が少ない人よりも，体重が重い（ｙ）」という仮説が考えられる．

独立変数が１つである場合よりも，２つの独立変数の場合のほうが，ｙのなかの斜線部分は大きくなる．

このことは，カロリー摂取量だけの場合よりも，カロリー摂取量と身長がわかるほうが，体重（ｙ）という変数を説明しやすいことを意味する．

複雑仮説には，研究者が現実世界の複雑さをとらえやすくなるという利点がある．

もちろん，いつも複雑仮説で研究をデザインできるわけではない．

実践上の条件（例：研究者の技術的手腕・資源）から，複雑仮説を検証することがむずかしいこともある．

しかし，研究の重要な目標は，従属変数を可能なかぎり徹底的に説明することであり，２つ以上の独立変数であれば,１つだけの場合よりも，説明しやすい．

複雑仮説：複数の独立変数の例

乳がんを経験した女性が情緒的に良好な状態（y）かどうかは,女性の自尊心（XI），処理能力の高さ，社会的支援の程度に影響される〔Dirksen, 2000〕.

１つの現象が複数の独立変数から生じるように，１つの独立変数が複数の現象に影響したり，先行因子となることもある．

たとえば，喫煙（独立変数ｘ）が，肺がんと冠状動脈疾患の２つを引き起こすことが，多くの研究で明らかにされている．

このタイプの複合仮説は，患者の健康状態の測定植における変動に，看護介入が与える影響を評価しようとする研究では，ふつうにもちいられている．

複雑仮説：複数の従属変数の例

外来診療の場で,女性を対象に,尿失禁のためのエビデンスに基づいたプロトコルを実施すること（Ｘ）は，尿失禁の発現頻度の減少（ｙ,），発現ごとの失禁量の減少（y;），活動忌避の減少（y:l）をもたらすであろう〔Sampselle et al.. 2000〕.

最後に，２つ以上の独立変数と２つ以上の従属変数を結びつける，さらに複雑なタイプの仮説となる．

この仮説の例には，「妊娠中の喫煙と飲酒が，新生児の低出生体重と低アプガースコアをまねく」というものがあるだろう．

仲介変数または調節変数を予測に含んだ仮説もまた複雑である．たとえば，「体重（ｙ）へのカロリー摂取（Ｘ）の影響が,性別（つまり，体重とカロリー摂取量との関係が男女で異なる）」，という仮説が立てられよう．

仲介変数のある複雑仮説の例

がんの診断を受けたあとの，患者の家族の生活の質（y）は，仲介変数である，

家族にとって病気のもつ意味（Ｚ）をとおして，家族という資源（XI）と病気のストレス（例：再発のおそれ）による影響を受ける〔Mellon & Northouse. 2001〕.

一般に，現在時制で仮説を述べなくてはならない．

研究者は，特定の標本だけに現れる関係だけでなく，母集団に存在する関係についての予測を立てる．

研究者が，検証しようとする関係を特定し，もしくは意味しさえすれば,同じ仮説でもいろいろなやり方で記述してよい．次に例をあげよう．

1.年配の患者は，若い患者よりも転倒する危険が高い.

2.患者の年齢と転倒の危険とのあいだには関連がある.

3.患者の年齢が高いほど，転倒する危険は大きくなる.

4.年配の患者と若い患者では，転倒の危険に関して差がある.

5.若い患者は，年配の患者よりも転倒する危険が少ない.

6.転倒の危険は，患者の年齢に応じて増加する，

このほかにも，いろいろな記述ができる．

覚えておきたい重要な点は，仮説は，独立変数（患者の年齢）と従属変数（転倒の危険），およびそれらのあいだに予測される関係を特定しなければならないということである．

方向仮説か非方向仮説か

仮説を，方向仮説と非方向仮説というように説明する場合がある．

方向仮説(directional hypothesis)は，変数間に関係があること，および関係について予測される方向を特定する仮説である．

先に例としてあげた同じ仮説に関する６つの異なる記述のうち, 1, 3, 5, 6,は，年配の患者のほうが，若い患者よりも転倒の危険が大きいことを明確に予測しているので，方向仮説である．

これとは対照的に，非方向仮説(nondirectional hypothesis)は，変数間の関係の方向を条件としない．

前述の２と４は，非方向仮説の記述例である．

これらの仮説は，患者の年齢と転倒する危険との関連を予測しているが，研究者が，年配の患者と若い患者のどちらが危険が大きいと考えているかを規定していない．

理論は現象を説明し，そのために，予測される変数が確かな方法で関係していることを推論として提示する．

ゆえに，理論から導き出される仮説は，大部分が方向仮説となる．

既存の研究はまた，方向仮説の基盤を提供する．

しかし，理論も関連研究も存在しない場合や，関連研究の結果に矛盾がみられる場合や，研究者自身の経験が矛盾するような場合には，非方向仮説が適切である．

事実，非方向仮説は公平性を感じさせるので望ましいとする人々も存在する．

方向仮説の場合,研究者が，特定の結果に思考上のめりこみ，そのため偏りが生じるおそれがあるといわれている．

しかし，もともと研究者という者は，そのことをはっきり記述するか否かは別にして，ふつう，結果についてある特定の予感をもつものであり，上記の論議にはこの点の認識が欠落している．

方向仮説は，研究の枠組みを明確にし，研究する現象を研究者が批判的に考えていることを示すので，論理的な基盤がある場合は望ましい．

方向仮説によって，片側検定を使った，感度のよい統計学的検定を行える．

研究仮説か帰無仮説か

仮説は,研究仮説と帰無仮説に分類することもある．

研究仮説(research hypothesis)〔実質的(substantive反説，叙述(declarative)仮説，科学的(scientific)仮説ということもある〕とは，変数間の予測される関係の陳述である．

これまで述べてきたのは，すべて研究仮説で，研究者が実際に期待する事柄が示されている．

統計学的推論の論理は，多くの初学者をいくらか混乱させる原理で導かれている．

この論理では，｢関係がないことが予測される｣というような表現で仮説を記述する．

帰無仮説(null hypothesis)〔または統計学的仮説(statistical hypothesis)〕とは，独立変数と従属変数のあいだにいかなる関係も存在しないとする仮説である．

先の例をもちいて帰無仮説のかたちにすると，「患者の年齢は，転倒の危険と無関係である」，または「年配の患者は，若い患者が転倒するのと同程度に転倒の可能性がある」となる．

帰無仮説は,裁判で被告を無罪であると仮定する場合になぞらえることができる．

すなわち，適切な統計的手法を通じて変数が「有罪」であることが明らかにされるまでは，どんな関係も「無罪」であると仮定される．

帰無仮説は，この無罪という仮定の形式的な陳述である．

仮説を立てる場合，帰無仮説のかたちで陳述することは避けたほうがよい．

統計学的検定をする場合，明瞭に陳述しなくても，根拠となる帰無仮説は推定される．

帰無仮説のかたちで仮説を陳述すると，素人のような印象を与える．