matlab 贝叶斯信息标准_贝叶斯因子简介与bain软件包教程

  

零假设显著性检验(NHST)是目前社会科学研究数据分析的主要工具。但是在统计学领域，NHST受到了广泛的批评。越来越多的统计学者提倡使用贝叶斯方法检验研究假设，也经常有做实证研究的学者咨询如何使用贝叶斯因子(Bayes factor, BF)进行数据分析。本文首先介绍贝叶斯因子的相关问题，随后展示如何使用R软件包bain进行贝叶斯检验。 贝叶斯因子简介 1 什么是贝叶斯因子？ 贝叶斯因子是贝叶斯假设检验指标。以零假设 H₀与备择假设 H_u为例，贝叶斯因子 BF_0u量化了数据在假设 H₀下比在假设 H_u下更有可能被观测到的程度，换言之， BF_0u衡量了 H₀相对于 H_u受到数据支持的程度。比如 BF_0u = 5表示数据对 H₀的支持程度是 H_u的5倍。

                                               2 贝叶斯因子的优势 通过对比基于 p 值的 NHST ，来说明贝叶斯因子的优势。 1). NHST常以 p＜0.05作为统计推断的依据(或给定显著性水平0.05，统计量是否落入拒绝域)。 但是，为什么是 p＜0.05，不是0.06或0.04？ p＜0.05是一种约定俗成，并无严格的统计理论依据。研究者通常希望得到 p＜0.05的结果以证明研究理论。

贝叶斯因子表示数据支持假设的相对程度。显然， BF_0u ＞1，数据更支持零假设； BF_0u ＜1，数据更支持备择假设。因此， BF_0u ＝1是贝叶斯因子天然的分割。同时，贝叶斯因子存在不决定区间(indecision region)，不作二分(拒绝或不拒绝)判断。 2). NHST是在假定零假设为真的前提下进行的，因此无法接受零假设。 研究者通常误用p＞0.05来证实无差异的研究理论。而贝叶斯因子可以得到支持或反对零假设的证据。 3). NHST不能同时比较多个假设。 而贝叶斯因子可以转化为后验模型概率(posterior model probability)，以百分比的形式表达哪个研究假设受到数据支持更多，找出最优理论。

                4). NHST不具备连贯性和一致性(coherence and consistency)。 当零假设为真时，样本量的增大不会使p值趋于1。而贝叶斯因子具备连贯性与一致性。当零假设为真(或假)时，随着样本量的增大， BF_0u趋向于无穷(或0)。 5).