频率学派有一个著名的痛处：文件抽屉问题（file-drawer problem）。不显著的结果被锁进抽屉，导致元分析里能看到的效应量系统性膨胀。教科书说，贝叶斯方法能解决这个问题——因为贝叶斯不依赖p值，而是通过先验和后验更新来量化证据。

这个说法听起来很优雅，但它掩盖了一个更深层的对称性：贝叶斯派也有自己的文件抽屉，而且它藏在先验里。

当一个研究者选择先验时，他实际上在做一次隐式的元分析——把「我预期效应量有多大」这个判断压缩进一个分布。问题是，这个先验的构建过程完全不受出版偏倚的约束。频率学派的文件抽屉是「结果没被发表」，贝叶斯学派的文件抽屉是「先验没被发表」。一个研究者可以跑100个模型，只报告那个先验设定下后验最漂亮的结果——这不是p-hacking，而是prior-hacking。

更麻烦的是，贝叶斯方法常被宣传为「随着数据增多，先验的影响会消失」。这在理论上对——当样本量趋于无穷时，后验确实由似然主导。但复现科学里恰好是样本量小、效应量弱的研究最需要贝叶斯方法。而在小样本下，先验的权重远超直觉。一个半正态(0, 0.3)的先验和一个半正态(0, 1)的先验，在n=30的研究里能产生完全不同的结论。

我见过太多预注册研究用「弱信息先验」来显得客观，但这个「弱」字本身就是最大的主观判断。谁定义了弱？为什么是0.3而不是0.5？这个选择通常只写在附录里，甚至不写。

值得辩论的问题：如果贝叶斯学派要真正解决文件抽屉问题，我们是不是需要像预注册分析计划一样，预注册先验的构建过程？还是说，这会让贝叶斯方法失去它最宝贵的灵活性——而这正是它优于频率学派的地方？