回答:
帰無仮説は、ベイジアンも帰無仮説を使用し、ベイズの因子を使用して仮説検定を実行できるという単純な理由から、以前のベイジアンの情報価値のないものとは異なります。それらが同等である場合、ベイジアンは帰無仮説を使用しません。
ただし、頻度主義とベイズ仮説の両方のテストには自己懐疑論の要素が組み込まれています。これは、私たちの対立仮説が、偶然の偶然よりも何らかの方法で観察のもっともらしい説明であるという証拠があることを示す必要があるためです。頻度論者は、有意水準を持つことでこれを行い、ベイジアンはベイズ因子の解釈の尺度を持つことでこれを行います。そのため、帰無仮説に対するベイズ因子が十分に高い場合を除き、仮説を強く公表しません。
頻度主義仮説検定が直観に反する理由は、頻度主義者が、一般的に実際に望んでいる仮説の真理に、自明ではない確率を割り当てることができないためです。彼らがこれに最も近づくことができるのは、p値（H0での観測の尤度）を計算し、これからH0またはH1がもっともらしいかどうかについて主観的な結論を出すことです。ベイジアンは、仮説の真実に確率を割り当てることができるため、これらの確率の比率を計算して、それらの相対的な妥当性、または少なくとも観測値がこれらの確率の比率をどのように変化させるかを示すことができます（これは、ベイズ因子はそうです）。
私の意見では、頻度主義とベイズ仮説のテスト手法は根本的に異なり、根本的に異なる質問に答えるので、あまりにも近づきすぎないようにするのは悪い考えです。それらを同等であるかのように扱うことは、潜在的に危険である頻度論的検定（たとえば、p値の誤り）のベイズ解釈を助長します（たとえば、気候懐疑論者は、世界平均表面温度に統計的に有意な傾向がないことは、温暖化はありませんでした-これはまったく正しくありません）。
あなたがあなたの顔にその男と同じエピファニックな外観を持たない理由は、私はそれだと思います。。。ステートメントは真実ではありません。
帰無仮説は、制御条件と実験条件の違いが偶然によるものであるという仮説です。
情報のない事前は、質問に関する以前のデータがあることを意味しますが、次回は何を期待するかについては何も伝えません。ベイジアンは、以前のどの情報にも、均一な分布でさえ情報があることを維持する可能性があります。
したがって、帰無仮説は、制御と実験の間に違いはないと言っています。一方、情報のない事前は可能かもしれないし、可能でないかもしれません。もしそれが可能であったとしても、それが対照と実験の違いについて何も示さないでしょう（これは、違いが偶然によるものであることを示すこととは異なります）。
おそらく、私は情報価値のない事前知識の理解に欠けているのかもしれません。他の回答を楽しみにしています。
単一の十分な統計に要約できる単一のパラメーターとデータの場合、未知のパラメーターが以前のロケーションパラメーター（...）である場合、信頼できる区間と信頼区間が一致することを示すことができます。は、均一なフラット分布（...）であり、未知のパラメーターがジェフリーズの事前分布を持つスケールパラメーター（...）である場合も同様です。
実際、参照はジェインを指しています：
Jaynes、ET（1976）、信頼区間対ベイジアン区間。
185ページで私たちは見つけることができます：
ケース（I）が発生した場合（そして実現するよりも頻繁に発生する場合）、ベイジアンテストとオーソドックステストにより、「確率」を使用するか「それらを説明する重要性」。
したがって、実際には同様のケースがありますが、たとえば、コーシー分布を尤度として使用している場合、画像内のステートメントが真実であるとは言えません...
グラフィックを作成したのは私ですが、添付の投稿に記載されているように、元々私の洞察ではありません。それがどのようにして生じたのかについていくつかの背景を提供し、私がそれを理解する方法を説明するために最善を尽くします。その認識は、その時点まで推論へのベイズのアプローチをほとんど学んでいた学生との議論の間に起こりました。彼は全体の仮説検証のパラダイムを理解することに苦労しました、そしてあなたが否定する「違い」を考える場合、私は（これ明らかに混乱アプローチを説明するために全力をしていた-のようではありません等しい-次に、標準の帰無仮説アプローチはトリプルネガティブです。研究者の目標は、差がないことを示すことです）。一般に、別の回答で述べられているように、研究者は通常、ある程度の違いが存在することを期待しています。彼らが本当に望んでいるのは、ヌルを「拒否する」という説得力のある証拠です。しかし、偏見を持たないためには、「まあ、この薬物は人に何の影響も及ぼさないかもしれない」のように、本質的に無知を装うことから始めます。次に、データ収集と分析（可能な場合）を通じて、この帰無仮説はデータが与えられた場合、悪い仮定であったことを示します。
ベイジアンにとっては、これは複雑な出発点のように思えます。なぜあなたの以前の信念を直接発表することから始め、あなたが何であるか（そしてそうではないか）を、以前の信念でそれをエンコードすることによって明確にしないのですか？ここで重要なポイントは、均一の前であることではありません情報のない以前のものと同じ。コインを1000回投げて500の頭を出した場合、新しい以前のバージョンでは、頭と尾の両方に等しい（均一な）重みを割り当てますが、分布曲線は非常に急です。非常に有益な追加情報をエンコードしています！真に有益ではない事前（限界に達した）は、まったく重要性を持ちません。これは、事実上、ゼロから始め、頻繁に使用する表現を使用して、データにそれ自体を説明させることを意味します。「クラレンス」によってなされた観察は、この情報の欠如をエンコードする頻繁な方法は帰無仮説であるというものでした。これは、情報のない以前のものとまったく同じではありません。それは正直な方法で最大限の無知を表現するための頻繁なアプローチであり、あなたが証明したいものを推測するものではありません。
