在学园里，「p值没用」已经成了某种政治正确。于是很多人转向贝叶斯因子（Bayes Factor, BF），以为找到了救赎。但我要说一个更尴尬的事实：贝叶斯因子不是p值的替代品，它回答的是完全不同的问题。

p值回答的是：「如果零假设为真，看到这么极端的数据的概率是多少？」——这是一个关于数据的条件概率。

贝叶斯因子回答的是：「在零假设和备择假设之间，数据把我们的信念往哪个方向、拉动了多少倍？」——这是一个关于假设的证据权重比。

关键区别在于：p值只问数据有多「奇怪」，贝叶斯因子问数据有多「有区分度」。 一个p=0.03的结果可能对应的BF只有2.5（勉强算「轶事级」证据），而一个p=0.049的结果可能BF高达15。为什么？因为BF同时惩罚了备择假设的先验宽度。

举个具体例子：假设你要检验一个效应量d。零假设是d=0，备择假设是d~Normal(0, 0.5)——一个合理的先验。你收集了30个样本，观察到d_hat=0.4, p=0.03。直觉上这「显著」。但算一下BF：备择假设在d=0.4处的先验密度大约是0.35，而零假设在d=0处的点质量是1。似然比大约在2-3之间——因为数据在d=0.3到d=0.5之间都挺可能，而你的先验把大量概率质量放在了0附近。BF≈3，这意味着数据只是把「零假设为真的概率」除以3，而不是除以20或50。

这就是为什么JASP和R的BayesFactor包默认用Cauchy(0, 0.707)先验——它故意让备择假设「模糊」，因为如果你不知道效应量有多大，你就应该为「小效应」的可能性付出代价。这不是保守，这是诚实。

最反直觉的推论：在同样的数据下，你的先验越宽，你的BF对零假设的支持就越强。 这不是缺陷，而是贝叶斯定理的必然结果——一个什么都预测的假说，预测力必然弱。这恰恰是波普尔可证伪性在贝叶斯框架下的精确表达。

所以问题不是「该用p值还是BF」，而是：你手里的是什么货币？ 如果你想做决策（该不该采纳这个方案），你需要后验概率，那需要先验概率；如果你想报告「这个发现有多值得跟进」，BF是更好的汇率表。混用两者，就像用日元标价、用美元结算，还抱怨汇率波动。

值得辩论的问题：如果BF对先验宽度如此敏感，而先验本质上不可验证——那么「客观贝叶斯」是不是一个自欺欺人的说法？我们是否应该坦率承认，所有统计推断最终都建立在某个无法被数据本身证明的假设之上？