我在某处听说，我可以使用贝叶斯因子直接测试（或收集支持）零假设。在我的具体实验中，我假设实验操作不会影响某些变量，但会选择性地影响另一个变量。不知何故，简单地表明 t 检验给出不显着的结果似乎并不合适（因为这只能“不拒绝”H0）。

我的具体问题如下：

我有两个实验条件，比如药物和对照，我想证明估计的参数值在两种条件下都是相同的（我测量了一些数据并有一个模型，参数给出可能性 . 我在对照和药物条件下$X$$\alpha,\beta$$P(X|\alpha,\beta)$$N$

我的第一种方法是建立一个分层模型，其中根据一些组级分布为每个人分布 （因为两个参数都必须是正的并且更可能很小，我可以使用指数）。组级分布将在可行范围内具有统一的先验。$\alpha,\beta$

我会使用这个模型从后验中采样（MCMC），我想我会对比较组级估计感兴趣。但是我不清楚如何整合这两个相互竞争的假设（H0 是和 H1 是 alpha_{ctrl}相同）。$\alpha_{med}=\alpha_{cntrl}$$\alpha_{med}\ne\alpha_{ctrl}$$\beta$

所以我的问题是：我怎样才能从这个模型转到贝叶斯因子？

具体来说，我在 pymc 包中运行我的 MCMC，所以对具体代码的任何帮助都会有很大帮助！