Psychology：TechniquesandApplications心理技术与应用2023，Vol.11，No.9，514-5275141引言零假设显著性检验是当前心理学数据分析的传统方法。然而近二十年来，基于p值的零假设显著性检验受到了广泛的批评（王珺等,2019;温忠麟等,2022;钟建军等,2017;Hoijtinketal.,2019;Masson,2011;Wagenmakers,2007）。首先，显著性检验是在假定零假设为真的情况下进行的，因此无法获得支持零假设的证据（许岳培等,2022;Wagenmakersetal.,2018）。其次，研究者将p值与预先设置的显著性水平作比较，推断是否拒绝零假设。二分的统计推断可能导致发表偏差和研究不可重复的问题，获得显著性结果的心理学实证研究论文更容易被发表（胡传鹏等,2016;OpenScienceCollaboration,2015）。例如，同一研究问题的十项研究可能仅一项结果显著并被发表，其余九项得到非显著性结果的研究被忽略。此外，显著性检验结果无法简单地进行数据证据的更新，多重假设检验需要校正显著性水平（Rouder,2014）。零假设显著性检验的缺点使得研究者重新思考它的使用和替代方法。比如，Wasserstein和Lazar（2016）强调何时、何故以及如何正确地使用p值。Benjamin等（2017）提出将常用的显著性水平从0.05改为0.005。但是，更严格的显著性水平无法解决发表偏差的问题，甚至可能使更多的非显著性结果被忽略。Trafimow和Marks（2015）则建议研究者不使用统计推断决策，仅考虑描述统计来呈现数据分析结果。但是，描述统计通常无法直接回答研究问题。�零假设显著性检验的另一种替代方法是贝叶斯因子检验（吴凡等,2018;Hecketal.,贝叶斯因子及其应用摘要贝叶斯因子检验是零假设显著性检验的替代方法，心理学研究者可使用贝叶斯因子评估数据支持或反对理论模型的证据。但是，贝叶斯因子的原理较为复杂，在实践中正确使用和解释贝叶斯因子存在一定难度。为此，本文介绍贝叶斯因子的定义、用法和解释，结合案例展示贝叶斯因子在评估零假设、区间假设、信息假设时的具体应用，并讨论贝叶斯因子在统计模型和实证研究中的应用进展。研究者在使用贝叶斯因子时应重点关注先验分布的设置、贝叶斯因子的解释、后验模型概率。关键词贝叶斯因子；先验分布；后验模型概率；发表偏差分类号B841DOI：10.16842/j.cnki.issn2095-5588.2023.09.001朱训1顾昕1（1华东师范大学教育心理学系，上海200062）基金项目：国家自然科学基金青年项目（32100894）。通讯作者：顾昕，E-mail：guxin57@hotmail.com朱训顾昕：贝叶斯因...
