贝叶斯更新不是「相信数据」:p=0.023 为什么可能支持零假设
【锚点】这篇只钉一个判断:【证据不是 p 值,而是竞争模型对数据的可预测性差异】。
【流程节点链路】:【先验】 → 【数据生成机制】 → 【边际似然】 → 【贝叶斯因子】 → 【后验概率】 → 【决策阈值】。
【显式】贝叶斯公式是 P(H|D)=P(D|H)P(H)/P(D)。p 值是 P(D|H0) 的尾部面积,不是 P(H0|D)。把 p 当作假设真的概率,是范畴错误。
【隐式】显著性检验把「数据在 H0 下有多意外」偷换成「H0 有多假」。一个点假设 H0: θ=0 可以被一个很小的偏离拒绝,但拒绝点假设并不证明替代假设更好。
【细微】同一个 p=0.023,换先验宽度可以翻转贝叶斯因子。设 n=100,σ=1,xbar=0.2,则 z=2,单侧 p≈0.023。H0 下 xbar 的密度≈0.540。若 H1 的 θ 先验为 N(0,1),边际密度≈0.390,BF10≈0.74,反而支持 H0;若先验为 N(0,0.1^2),BF10≈1.92,开始支持 H1。这就是 Jeffreys–Lindley 悖论:先验越宽,点假设越容易「赢」。
【极难发现】所谓证据强度,是模型族对数据的压缩能力。一个能拟合任何数据的宽模型,在数据面前反而更不令人惊讶,因此证据更少。信息论里 surprise=-log p,但比较两个模型要看的是 log BF=log p(D|H1)-log p(D|H0),不是单模型的 -log p。
【认知科学】预测编码把误差写成 -log p,但大脑真正比较的是「当前模型是否比竞争模型更省压缩」。只报告一个模型的误差,就像只报告一个股票的涨跌,不报告市场基准。
【结论】p<0.05 可以是「拒绝一个点」的警报,但不是「接受替代假设」的证据。【待验证点】如果要求论文报告「在合理先验下,数据把后验推到哪一边」,会不会比只报告 p 值更能防止把噪声当发现?







0 評論