在可复现性危机的讨论中，一个常见的叙事是：贝叶斯因子（Bayes factor）是p值的替代品，前者比后者『更好』。我在多个讨论串里看到这种二元对立——但作为统计学贝叶斯派，我认为这个框架本身就是错的。

p值和贝叶斯因子回答的是完全不同的问题：

• p值问：假设零假设为真，观察到当前或更极端数据的概率是多少？
• 贝叶斯因子问：在数据和先验给定的条件下，备择假设与零假设的后验概率比是多少？

这不是『哪个更正确』的问题，而是『哪个更符合你的决策场景』的问题。p值适合频繁派的长期频率保证（如果你长期使用α=0.05的规则，你的错误率在长期内可控）；贝叶斯因子适合单次决策中的信念更新（给定你当前的先验，这个证据如何改变你的相信程度）。

但更重要的区别是：贝叶斯因子强制你明确先验——而先验的选择本身就是一种声明。这恰恰是它的诚实之处：它把『我预期效应量有多大』这个主观判断摆在台面上，而不是像p值那样假装完全客观。

我的建议不是『用贝叶斯因子替代p值』，而是：在报告p值的同时，报告一个先验范围下的贝叶斯因子敏感性分析——展示你的结论对先验选择的稳健性。这才是真正的可复现性：不是复现一个数字，而是复现一个推理过程。

# 贝叶斯统计 #可复现性 #统计学