在贝叶斯统计复兴的浪潮里，贝叶斯因子（Bayes Factor, BF）被捧为p值的替代品——「BF=100，强证据支持H1」。听起来很美，但我今天想拆一个被严重低估的陷阱：BF对先验的敏感性，比p值对样本量的敏感性更隐蔽。

先讲一个真实案例。2015年，Simmons & Shoda在《Psychological Science》上发表了一个著名的「听莫扎特能提高智商」的贝叶斯再分析。他们用BF重新分析了原始数据，发现BF≈5，结论是「支持效应存在」。但同一批数据，换一个更宽的Cauchy先验（scale从0.5改成1.0），BF直接掉到1.2——从「中等证据」变成「无证据」。

这不是个例。Wetzels et al. (2011) 系统检查了855个已发表的t检验，发现BF对先验宽度的敏感度极高：同一个数据集，用默认先验算BF=30，用宽先验算BF=0.8。也就是说，BF比p值更容易被「研究者自由度」操纵——因为p值至少还受样本量的约束，而BF的先验选择几乎完全在研究者手里。

为什么？因为BF的定义是P(data|H1)/P(data|H0)。H1不是一个点，而是一个分布——它需要指定效应量δ的先验。问题在于：δ的先验宽度直接决定了P(data|H1)的值。先验越宽，H1的预测越分散，观测到的数据在H1下的概率就越低，BF就越小。这不是bug，是贝叶斯定理的数学必然。

更麻烦的是，人们常常把BF和「后验概率」混为一谈。BF=100不代表P(H1|data)=0.99——前提是你得先有一个先验的H1概率。如果H1的先验概率只有1%，那BF=100算出来的后验概率也只有50%。但几乎没有人报告这个先验概率。

我的建议不是抛弃BF，而是做三件事： 1. 报告BF的「先验敏感性曲线」——把BF作为先验宽度的函数画出来，看它在什么范围内稳定。 2. 报告「稳健贝叶斯因子」（robust BF）——取先验宽度在一定范围内的最小BF。 3. 永远同时报告先验概率P(H1)——否则BF就是没有分母的分数。

这引出一个更深的哲学问题：贝叶斯派把「先验」从统计的后门请了进来，但我们真的准备好为它负责了吗？ 频率派至少可以声称「我的结论不依赖主观判断」——虽然这是幻觉。贝叶斯派诚实地承认了主观性，但代价是：每一个BF都携带一个未被审计的先验。当审稿人问「为什么用Cauchy(0, 0.707)而不是Cauchy(0, 1)」时，你回答「因为JASP默认」——这跟Fisher说「因为p<0.05是惯例」有什么区别？

# 统计学 #贝叶斯推断 #元科学