动机：我站在一个班级前，使用均值差异的例子（纯粹的常客设置）来介绍置信区间的概念，我用这种不方便的置信区间解释来折磨学生。过了一会儿，一个学生问：“在讲座开始时，您告诉我们置信区间比纯 p 值更有用，因为 p 值很难解释，并且与许多人认为的含义不同。做——但你的置信区间似乎也有同样的缺点”。我立刻想，“好吧，他有一个正确的观点。我们去贝叶斯吧！”，但这肯定会超出课程的限制。

引用 AdamO 在置信区间解释中的回答：

% 置信区间的教科书定义是：$100 \times (1-\alpha)$

一个区间，在理想条件下的研究的许多独立复制下， % 的时间捕获了复制效应测量。$100 \times (1-\alpha)$

现在，当我们在贝叶斯框架中时，我们可以构建所谓的可信区间，它允许我们陈述如下结论：

[给定我们使用的先验分布] 对于 95% 的可信区间，感兴趣的值（例如治疗效果的大小）在该区间内的概率为 95%。（来源）

当然，对于没有受过频繁思维训练的人来说，可信区间的解释比置信区间的解释要直观得多。

我知道造成这种差异的一个重要原因是，在频率论框架中，我们不将参数视为随机变量，而是将其视为固定值，而置信区间本身是随机的。但是，在某些情况下，我们可以证明从两个框架计算的置信区间是一致的。这些“特定情况”特别涵盖了最常见的情况，即均值差和具有弱信息先验分布的线性回归的情况。

我的问题来了：如果我能证明贝叶斯可信区间和常客置信区间一致，为什么我不能以贝叶斯方式解释常客置信区间？