Key points are not available for this paper at this time.
Bayes-Faktor-Tests der Nullhypothese bieten eine praktikable Alternative zu frequentistischen Messungen der Evidenzquantifizierung. Bayes-Faktoren für realistische interessante Modelle können nicht genau berechnet, sondern müssen geschätzt werden, was Annäherungen an komplexe Integrale erfordert. Entscheidenderweise ist die Genauigkeit dieser Schätzungen, d.h. ob ein geschätzter Bayes-Faktor dem wahren Bayes-Faktor entspricht, unbekannt und kann von Daten, Prior und Wahrscheinlichkeit abhängen. Wir haben kürzlich ein neuartiges statistisches Verfahren entwickelt, nämlich simulation-basierte Kalibrierung (SBC) für Bayes-Faktoren, um für eine gegebene Analyse zu testen, ob die berechneten Bayes-Faktoren genau sind. Hier verwenden wir SBC für Bayes-Faktoren, um für einige gängige kognitive Designs zu testen, ob Bayes-Faktoren genau geschätzt werden. Wir verwenden die Pakete bridgesampling/brms sowie das BayesFactor-Paket in R. Wir stellen fest, dass Bayes-Faktor-Schätzungen genau sind und nur wenig Verzerrung in lateinischen Quadrat-Designs mit (a) zufälligen Effekten nur für Subjekte und (b) für gekreuzte zufällige Effekte für Subjekte und Items, jedoch einen einzigen festen Faktor zeigen. Bayes-Faktor-Schätzungen erweisen sich jedoch als verzerrt und liberal in einem 2x2-Design mit gekreuzten zufälligen Effekten für Subjekte und Items. Diese Ergebnisse legen nahe, dass Forscher für ihre individuelle Analyse testen sollten, ob Bayes-Faktor-Schätzungen genau sind. Darüber hinaus ist zukünftige Forschung erforderlich, um die Rahmenbedingungen zu bestimmen, unter denen Bayes-Faktor-Schätzungen genau oder verzerrt sind, sowie Softwareentwicklung zur Verbesserung der Schätzgenauigkeit.
Schad et al. (Wed,) haben diese Frage untersucht.