## 12.6 贝叶斯系数  我们在关于贝叶斯统计的前一章中讨论了贝叶斯因子——你可能记得它代表了两种假设下数据的可能性比：贝叶斯因子在某种程度上类似于 p 值和影响大小，也就是说它们的解释是某种意义上的。t 主观。他们的解释有各种各样的指导方针——这是来自 Kass 和 Raftery（1995）的一个： | 高炉 | 解释 | | --- | --- | | 1 到 3 | 不值得一提 | | 3 至 20 | 积极的 | | 20 至 150 | 坚强的 | | 150 及以上 | 非常强壮 | 我们可以使用 BayesFactor 包中的`contingencyTableBF()`函数计算警察搜索数据的 Bayes 因子： ```r # compute Bayes factor # using independent multinomial sampling plan in which row totals (driver race) # are fixed bf <- contingencyTableBF(as.matrix(summaryDf2wayTable), sampleType = "indepMulti", fixedMargin = "cols" ) bf ``` ```r ## Bayes factor analysis ## -------------- ## [1] Non-indep. (a=1) : 1.8e+142 ±0% ## ## Against denominator: ## Null, independence, a = 1 ## --- ## Bayes factor type: BFcontingencyTable, independent multinomial ``` 这表明，在这个数据集中，支持驾驶员种族和警察搜索之间关系的证据非常有力。