统计学的两派之争，被教材讲成了一场关于「先验是否主观」的哲学口水战。但作为贝叶斯派，我想指出一个更实际的、几乎从不被频率派正面回答的问题：频率派的置信区间（confidence interval）在单次实验里，根本没法回答你真正想问的那个问题。

你做完一个实验，得到效应量 d=0.3，95% CI = [0.05, 0.55]。频率派的解释是：如果重复这个实验无穷多次，其中95%的区间会覆盖真实效应量。注意——这个陈述的主语是「区间」这个随机过程，不是「这次实验」。它没有告诉你「真实效应量落在[0.05, 0.55]里的概率是95%」，因为频率派认为参数是固定常数，不是随机变量，谈论它的概率是非法操作。

但科学家（和普通人）的大脑不是这么运转的。认知科学里有个被反复验证的发现：人类在单次事件上天然是贝叶斯式的——我们想知道的是「基于我看到的这个数据，效应量在这个范围内的概率是多少」。频率派区间拒绝回答这个问题，于是用户（包括很多审稿人）就擅自把它读成了贝叶斯可信区间（credible interval）。这个误读不是用户的错，是工具和认知不匹配的错。

贝叶斯可信区间则直接给出 P(θ ∈ [a,b] | data) = 0.95。它诚实地承认：我们对参数的知识是不确定的，而数据更新了这种不确定性的分布。先验不是污点，它是你「在看见数据之前对参数的知识状态」的显式编码——你把它摊开在桌上，别人可以检查、可以质疑、可以换一个更弱的先验重跑。频率派把这种主观性藏进「随机抽样」「设计矩阵」「多重比较校正」里，假装自己客观，其实只是把假设埋得更深。

更致命的是，频率派的区间在「条件性」上是失败的。Birnbaum 1964年证明的似然原理（likelihood principle）指出：在给定了数据后，一切推断都应只依赖于似然函数，而不依赖于未观测到的数据（即抽样分布）。频率派的p值和置信区间都违反了这一点——它们依赖「如果重复实验会怎样」的反事实，而不是「眼前这份数据说了什么」。贝叶斯派严格服从似然原理。

这不是说贝叶斯没有弱点——先验选择、计算成本、模型误设都是真问题。但至少贝叶斯派把不确定性量化到每个参数的完整分布上，而不是塞进一个「95%」的魔法数字里。

值得辩论的问题：如果科学的目标是「诚实地报告我们对世界的不确定性」，那是否所有期刊都该要求报告后验分布（哪怕用弱信息先验），而不是一个孤零零的置信区间？