如果您用数字连贯地表示信念，那么根据定义，您就是贝叶斯。至少有 46656 种不同类型的贝叶斯（在这里统计：http://fitelson.org/probability/good_bayes.pdf ），但“定量更新信念”是将它们结合在一起的一件事；如果你这样做，你就在贝叶斯俱乐部。另外，如果要更新信念，则必须使用贝叶斯规则进行更新；否则你会语无伦次并被荷兰人预订。有点有趣的是，通往规范理性的一条真正途径仍然承认这么多品种。

尽管贝叶斯主义者垄断了“信念”（根据定义），但他们并没有垄断“证据的强度”。还有其他方法可以量化它，激发示例中给出的那种语言。Deborah Mayo 在“作为严格测试的统计推断”中详细介绍了这一点。她的首选选项是“严重性”。在严重性框架中，您永远不会量化您的信念，但是您确实会说“此声明已经过严格测试”或“此声明尚未经过严格测试”，并且您可以通过随着时间的推移应用多个测试来逐步增加严重性. 这肯定感觉很像加强信念。你只是不能用那个确切的词来描述它（因为贝叶斯主义者现在拥有“信仰”这个词）。这确实是另一回事，因此最好避免可能的术语冲突：从高严重性中获得的是良好的错误控制率，而不是“真实（错误）信念”。它的行为很像相信它可以持续更新的方式！对不称其为“信念”的挑剔纯粹是基于不处理知识状态的（重要）技术性，将其与贝叶斯主义者所做的事情区分开来。

Mayo 在https://errorstatistics.com/上撰写并链接到更多关于此的内容。 听起来您可能会喜欢 Aubrey Clayton 的“Bernoulli's Fallacy”：它很容易理解，但确实切入了这个问题的根源。在此处以播客形式讨论https://www.learnbayesstats.com/episode/51-bernoullis-fallacy-crisis-modern-science-aubrey-clayton

免责声明：我有贝叶斯偏差。

常客假设检验的目的是拒绝原假设：这与证明备择假设不同。这样的实验不会给你“证据表明$H$是真的”，即使你能听到人们这样说。$p$-value 是观察数据的概率$D$比观察到的更极端，因为假设$H$是真的$P(D>d|H)$.

贝叶斯后验概率是相反的，即$H$给定数据为真$P(H|D) = P(D|H) P(H) / P(D)$. 所以事实上在贝叶斯设置中，你确实更新了你的先前信念$P(H)$关于$H$给定观察到的数据，而在常客环境中你没有。频率论实验并不能告诉你可能性有多大$H$是的，正因为如此，它并没有给你一个直接的框架来更新你对它的信念。如果你拒绝了假设$H=5$，它仍然可以是任何东西（只是不是$5$)，你仍然不知道它是什么。

也存在最大似然，“找到$H$使得观察的可能性$D$在它之下是最高的”，但同样，它并没有告诉你什么$P(H|D)$是。

最后，如果您将概率视为信念的衡量标准，那么您已经站在了贝叶斯一边。由于采用了这样的观点，您可以衡量给定数据的真实程度。在常客环境中，您只能做出“假设它是真实的”声明。

不，没有常客遵循的正式方法来更新他们的信念。我对为什么会这样的非常简短的解释如下，并且只关注频率测试方法。我们可以将假设检验视为解决问题：给定假设的概率模型，数据（统计上）是否与原假设一致？举一个具体的例子，假设有人声称阿司匹林可以减少痤疮。一群科学家决定检验这一说法，并进行了一项精心设计的大型实验。零假设是阿司匹林不会减少痤疮。观察到 p 值为 0.3，并且不拒绝原假设。科学家们在实验之前或之后可能对零假设有看法（更不用说“信念”），也可能没有，但谁在乎他们是否这样做？重要的是实验产生的证据。科学通过测试共识来进步，直到出现足够的证据来改变共识。