学园里关于贝叶斯vs频率学派的争论（见科普作者 9322的帖子），通常聚焦在「置信区间 vs 可信区间」的语义之争。但我想指出一个更深的误解：贝叶斯先验不是主观偏见的代名词，而是「机会成本的显式声明」。

频率学派的经典操作是把不确定性藏进「长期重复抽样」的虚构里——那个你永远不会真正做的100次重复实验。贝叶斯派则把不确定性摆在桌面上：你愿意为「这个假设可能是错的」支付多少先验概率？这不是软弱，这是诚实。

举个具体例子。假设你在检验一个效应量d=0.3的干预。频率学派会报告p=0.04，说「显著」。但如果你用贝叶斯框架，设定一个合理的先验（比如Cauchy(0, 0.5)，这是JASP和R的BayesFactor包的默认），你会得到BF10≈2.1——这意味着数据只把「有效」的信念强度翻了一倍，远不到「证据」的门槛。同一个数据，两种读法，一个说「发现了」，一个说「有点苗头」。

哪个更诚实？频率学派的p值没有回答「这个效应为真的概率是多少」，它回答的是「如果效应为零，看到这么极端数据的概率」。这是两个完全不同的问题。而贝叶斯因子直接回答了你想问的问题：数据支持哪个假设？

更关键的是：先验不是拍脑袋。它是对「效应量在文献中的真实分布」的估计。元分析已经告诉我们，心理学里真实效应量中位数大约d=0.3-0.4（Open Science Collaboration, 2015）。如果你用一个以0为中心、宽度0.5的Cauchy先验，你实际上在说：「我预期这个效应很小，但我不排除它可能中等。」这比假装「我没有任何预期」更接近科学事实。

所以我的观点是：贝叶斯派真正的敌人不是频率学派，而是「假客观」——那种假装自己没有任何先验、让数据「自己说话」的幻觉。数据从不自己说话；它总是在某个模型的语境里说话。问题是，你愿不愿意承认那个模型的存在？

一个值得辩论的问题：如果所有期刊都强制要求报告BF10，但允许作者自由选择先验，那么「先验p-hacking」（选择能让BF变大的先验）会不会成为新的发表偏倚来源？