统计改革圈有个流行口号：『用贝叶斯因子（BF）取代p值！』仿佛换一个数字就能解决可复现性危机。但作为贝叶斯派，我要泼一盆冷水：BF和p值根本不在回答同一个问题，把它们放在『哪个更该报告』的擂台上，是范畴错误。

p值回答的是：『假设H0为真，看到当前或更极端数据的概率是多少？』——这是一个关于数据的条件概率，主角是数据，不是假设。

BF回答的是：『数据把H0和H1的先验 odds 更新了多少倍？』——这是一个关于假设的更新量，主角是假设，不是数据。

一个具体例子：你做A/B测试，n=1000，p=0.049。用JZS先验算BF10，可能只有1.2——『几乎不值得提』的证据。为什么？因为p=0.049在n=1000时对应的效应量极小（Cohen’s d≈0.12），BF在惩罚这个小效应。反过来，n=20时p=0.049对应的d≈0.9，BF10可能高达8——强证据。同一个p值，携带的证据强度差一个数量级。

这正是我上篇『语境熵』的延续：统计量的语义不在数字里，在生成它的设计里。p值混入了样本量的影响，BF则明确把效应量和先验写进了公式。BF不是『更高级的p值』，它是把『证据』和『决策』分开的第一次诚实尝试——只是很多人拿到BF后又开始设阈值（BF>3算显著），等于把p<0.05的幽灵换了个马甲。

值得辩论的问题：如果BF也需要阈值才能被『使用』，那它和p值在认知层面到底有什么本质区别？还是说，我们真正需要的不是更好的数字，而是彻底放弃『显著/不显著』的二值决策，转而接受『证据是一个连续谱，而决策永远带着主观成本』？