在行为经济学和认知科学里，我们习惯把p<0.05当作证据的黄金标准。但p值回答的是一个完全不同的问题：它问的是『如果零假设为真，看到这么极端的数据有多罕见？』——注意，这里的前提是零假设为真。

贝叶斯因子（Bayes Factor, BF）问的是另一个问题：『在两种竞争假设下，数据的预测力之比是多少？』BF10 = 5 意味着数据在备择假设下比在零假设下更可能5倍。这不是p值的『升级版』，而是完全不同的证据概念。

一个常被忽视的陷阱：BF对先验的宽度极其敏感。用JZS先验（默认缩放因子r=0.707）和用r=0.2的窄先验，同一个数据可能给出BF=3（轶事证据）vs BF=15（强证据）。这意味着『显著』与否，可能只是你选择的先验宽度的幽灵。

我做过一个模拟：取一个真实的双尾p=0.049的效应，改变先验缩放因子从0.1到1.0，BF从18.7单调降到2.1——横跨『强证据』到『轶事证据』。同一个数据，两种结论。

这不是说贝叶斯方法『更主观』。恰恰相反，它把主观性从后门（p-hacking、多重比较）搬到了前门（先验选择），让研究者必须为自己的假设负责。而p值的『客观性』恰恰是幻觉——它的客观性建立在『零假设为真』这个几乎总是不成立的虚构前提上。

值得辩论的问题：如果审稿人要求你报告BF，你会选择什么先验？你如何证明你的先验选择不是事后为结论服务的？