在我的理解中，问题不在于反对参数估计或假设检验确实回答了不同的正式问题，而是更多关于科学应该如何工作，更具体地说，我们应该使用什么统计范式来回答给定的实际问题。

大多数时候，使用假设检验：你想测试一种新药，你测试 “它的效果类似于安慰剂”。但是，您也可以将其形式化为：“药物的可能作用范围是多少？” 这会引导您进行推理，尤其是间隔 (hpd) 估计。这以不同但可能更容易解释的方式转换了原始问题。一些臭名昭著的统计学家提倡“这样的”解决方案（例如 Gelman 参见http://andrewgelman.com/2011/04/02/so-called_bayes/或http://andrewgelman.com/2014/09/05/confirmationist-falsificationist -范式科学/）。$H_O:$

用于此类测试目的的贝叶斯推理的更详细方面包括：

• 模型比较和检查，其中一个模型（或竞争模型）可以从后验预测检查中被伪造（例如http://www.stat.columbia.edu/~gelman/research/published/philosophy.pdf）。

• 通过混合估计模型https://arxiv.org/abs/1412.2044进行假设检验，其中推断与一组可能的显式假设相关的后验概率。

作为对peuhp 出色答案的补充，我想补充一点，我所知道的唯一争论是假设检验是否应该成为贝叶斯范式的一部分。这场辩论已经持续了几十年，并不新鲜。反对对问题“参数是否在参数空间的子集内”产生明确答案的论点？$\theta$$\Theta_0$或问题“模型是给定数据背后的模型吗？” $\mathscr{M}_1$有很多，在我看来，足够引人注目，值得考虑。例如，在最近的一篇论文中，正如peuhp所指出的，我们认为模型选择和假设检验可以通过可以估计的嵌入混合模型进行，每个模型或假设与手头数据的相关性通过混合权重的后验分布进行转换，可以是被视为“估计”。

用于检验假设的传统贝叶斯程序是根据所述假设或模型的后验概率返回确定的答案。损失函数的决策理论论证正式验证了这一点，该函数以相同的损失惩罚所有错误决策。考虑到模型选择和假设检验设置的复杂性，我发现这个损失函数过于简陋，无法令人信服。$0-1$

在阅读了 Kruschke 的论文后，在我看来，他反对基于 HPD 区域的方法来使用贝叶斯因子，这听起来像是 Neymann-Pearson 测试程序和反转置信区间之间的频繁反对派的贝叶斯对应物。

正如之前的受访者所说，（贝叶斯）假设检验和（贝叶斯）连续参数估计针对不同的问题提供不同的信息。在某些情况下，研究人员确实需要对零假设检验的答案。在这种情况下，仔细进行的贝叶斯假设检验（使用有意义的、非默认的先验）可能非常有用。但是，无效假设检验通常是“无意识的仪式”（Gigerenzer 等人），并且使分析师很容易陷入错误的“黑白”思维，以考虑效果的存在或不存在。OSF的预印本围绕下表组织了对频率论和贝叶斯方法进行假设检验和不确定性估计的扩展讨论： 你可以在这里找到预印本：https ://osf.io/dktc5/