拒绝域就是指( )。 A. 能够拒绝原假设的样本观测值的与 B. 能够拒绝原假设的总体观测值的与 C. 不拒绝原假设的检验统计量的所有可能取值的集合 D. 能够拒绝原假设的检验统计量的所有可能取值的集

拒绝域就是指( )。 A. 能够拒绝原假设的样本观测值的与 B. 能够拒绝原假设的总体观测值的与 C. 不拒绝原假设的检验统计量的所有可能取值的集合 D. 能够拒绝原假设的检验统计量的所有可能取值的集合

拒绝域是假设检验中判断是否拒绝原假设的关键界限，其核心定义为能够拒绝原假设的检验统计量的所有可能取值的集合。这一区域通过显著性水平α确定，当计算出的检验统计量落入该范围时，表明样本数据提供了足够证据反对原假设。例如在正态分布检验中，若采用Z统计量且α=0.05，双侧检验的拒绝域为|Z|≥1.96，此时统计量取值超过临界值即触发拒绝决策。

从概念边界看，拒绝域需与样本观测值的直接集合区分。文档2和文档10指出，拒绝域虽基于样本数据构建（如样本均值\(\bar{x}\)的取值范围），但本质上是通过检验统计量（如Z、t、F统计量）来定义的。例如当拒绝域表示为\(W=\{\bar{x} \leq c\}\)时，实际是将样本均值转化为标准化统计量后与临界值比较的结果，而非直接使用原始观测值。这种通过统计量间接定义的方式，确保了不同样本量、不同分布类型数据间的检验标准化。

拒绝域的构造遵循严格逻辑：首先根据原假设\(H_0\)确定检验统计量的理论分布（如正态分布、t分布），再依据显著性水平α划分出“小概率区域”作为拒绝域。单侧检验中拒绝域位于分布的左侧或右侧（如\(W=(-\infty,a)\)为左侧拒绝域），双侧检验则分布在两侧尾部。临界值作为拒绝域的边界，需通过统计分布表查得，例如自由度为n-1的t分布在α=0.05时的临界值\(t_{\alpha}\)。

这一机制的本质是控制第一类错误（弃真错误）的概率。文档4和文档6强调，拒绝域的面积恰好等于显著性水平α，即当\(H_0\)为真时，检验统计量落入拒绝域的概率仅为α，从而保证决策的统计严谨性。例如医学试验中，通过将拒绝域设定为α=0.01的小概率区域，可最大限度降低错误否定有效药物的风险。

综上，拒绝域的定义需同时满足三个要素：基于检验统计量、与原假设对立、概率等于α。这一概念将抽象的假设检验转化为可计算的统计决策规则，成为连接理论分布与实证数据的桥梁。理解拒绝域是否包含检验统计量而非直接观测值，是掌握假设检验逻辑的关键。那么，当样本量增大时，拒绝域的临界值会如何变化？这一问题背后，隐藏着统计功效与样本代表性的深层权衡。

答案：D