Abstract
Statistical tests are used in science in order to support research hypotheses (theory, model). The Bayes Factor (BF) is a method that weighs evidence and shows which out of two hypotheses is better supported. Adopting the BF in statistical inference, we can show whether data provided stronger support for the null hypothesis, the alternative hypothesis or whether it is inconclusive and more data needs to be collected to provide more decisive evidence. Such a symmetry in interpretation is an advantage of the Bayes Factor over classical null hypothesis signifi cance testing (NHST). Using NHST, a researcher draws conclusions indirectly, by rejecting or not rejecting the null hypothesis. The discrepancy between these decisions and the researcher’s needs, often leads to misinterpretation of signifi cance test results, e.g. by concluding that non-signifi cant p-values are evidence for the absence of differences between groups or that variables are independent. In this work we show the main differences between the Bayesian and the frequential approach to the understanding of probability and statistical inference. We demonstrate how to verify hypotheses using the BF in practice and provide concrete examples of how it modifi es conclusions about empirical fi ndings based on the NHST procedure and the interpretation of p-values. We discuss the advantages of the BF – particularly the validation of a null hypothesis. Additionally, we provide some guidelines on how to do Bayesian statistics using the freeware statistical program JASP 0.8.
Highlights
W jednym z badań Baumeistera, Bratyslavsky’ego, Muravena i Tice (1998) proszono uczestników o rysowanie figur bez odrywania ręki
In this work we show the main differences between the Bayesian and the frequential approach to the understanding of probability and statistical inference
We demonstrate how to verify hypotheses using the Bayes Factor (BF) in practice and provide concrete examples of how it modifies conclusions about empirical findings based on the null hypothesis significance testing (NHST) procedure and the interpretation of p-values
Summary
W jednym z badań Baumeistera, Bratyslavsky’ego, Muravena i Tice (1998) proszono uczestników o rysowanie figur bez odrywania ręki. 2) Wartość p < 0,001 to prawdopodobieństwo tego, że nie ma różnicy między typowym czasem wykonywania zadania po zjedzeniu rzodkiewek μ1 i po zjedzeniu ciasteczek μ2. 3) Całkowicie udowodniono hipotezę badawczą, że jedzący rzodkiewki różnią się przeciętnym czasem porzucenia zadania od jedzących ciasteczka. 4) Z wartości p < 0,001 można wyprowadzić szanse prawdziwości hipotezy badawczej o tym, że jedzący rzodkiewki różnią się przeciętnym czasem porzucenia zadania od jedzących ciastka. Wskaźnik istotności p pokazuje szansę, z jaką można było zaobserwować różnicę między badanymi grupami taką jak uzyskana lub większą, nawet jeśli w rzeczywistości ludzie jedzący rzodkiewki i ciasteczka rezygnują z wykonania zadania po tym samym czasie. Spośród 113 uczestników ankiety, zaledwie 6 wykładowców i 4 badaczy udzieliło poprawnej odpowiedzi, zaznaczając, że wszystkie z powyższych sześciu interpretacji są błędne
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
