《Food Quality and Preference》：There are other worlds than these: why sensory and consumer science should embrace Bayesian inference
编辑推荐：
在感官科学中，常规使用零假设检验（NHST）很少受到挑战。三个例子展示了贝叶斯推断（BI）相对于传统分析的附加价值。贝叶斯推断提供了一种不二分证据的统计框架。结果可能在数值上相似，但在概念上和推理上不同。贝叶斯推断应该在感官和消费者科学中更多地使用。
在感官科学中，常规使用零假设检验（NHST）很少受到挑战。三个例子展示了贝叶斯推断（BI）相对于传统分析的附加价值。贝叶斯推断提供了一种不二分证据的统计框架。结果可能在数值上相似，但在概念上和推理上不同。贝叶斯推断应该在感官和消费者科学中更多地使用。
**论文解读：贝叶斯推断在感官与消费者科学中的价值与应用**
**研究背景与问题**
感官与消费者科学是一个高度跨学科的领域，涵盖心理物理学、感官营养、消费者行为等多个方面。该领域长期依赖零假设检验（NHST）进行数据分析，但NHST存在若干根本性问题：首先，它混淆了测量与建模的抽象层次，将概率视为物理系统属性，忽视了测量本身的主观性；其次，p值无法直接回答研究人员关心的效应存在性，且常被误解为“无效应”的证据；最后，将结果二分为“显著”与“非显著”的做法，强化了“显著性即科学真理”的错觉，导致效应量高估、出版偏倚等不良后果。因此，研究人员提出，感官与消费者科学需要拥抱贝叶斯推断（BI），以更直接、灵活地应对实际研究问题。
**研究内容与意义**
本研究通过三个实例，系统比较了NHST与贝叶斯推断在同一数据集上的分析结果，旨在展示贝叶斯推断如何提供更丰富的证据解读、避免二分法陷阱，并允许信息重用。论文发表在《Food Quality and Preference》。研究表明，贝叶斯推断不仅能够直接回答“给定数据下效应概率”的问题，还能通过先验分布整合已有知识，在小样本场景下抑制虚假发现，从而推动该领域走向更稳健的统计实践。
**关键技术与方法**
贝叶斯推断的核心是贝叶斯定理，通过先验分布（prior）编码分析前的信念，结合数据似然（likelihood）更新为后验分布（posterior）。本研究在三个例子中使用了不同模型：
- **Example 1**：采用多元线性回归（用于分析动机与消费频率关联）和逻辑回归（用于分析动机与感官期望关联），以正态分布设定先验，基于前期研究（Collier等，2023）的后验结果作为后续分析的信息先验。样本来自瑞典成年消费者，包括问卷1（N=175）和问卷2（N=402），均为在线调查。
- **Example 2**：使用三角测试（triangle test）辨别掺假橄榄油，采用贝塔-二项模型（beta-binomial model），以无信息先验开始，并用前一年数据作为后续年份的先验。样本为本科食品科学学生的课堂练习数据（不同年份，N=11和N=15）。
- **Example 3**：引用Niimi等（2022）的研究，通过后验分布直接计算等价区域概率，评估冷切肉感官剖面在家庭使用测试与中心位置测试之间的差异。样本为消费者测试数据，具体来源未详细说明。
**研究结果**
**2.1.2.1 动机与乳制品消费之间的关联**
通过多重线性回归，NHST只发现“Nice”动机与消费频率显著关联（p<0.001），而“Normal”动机不显著。贝叶斯分析则显示，“Normal”也有97%的概率关联（PoA），但效应量较小（后验均值0.18），且概率大于0.5点的可能性低于1%。这表明，贝叶斯方法能揭示NHST忽略的潜在关系，提供更精细的解读。
**2.1.2.2 动机对感官期望的影响**
逻辑回归分析显示，对于牛奶，高强度动机（4N得分高）者更可能选择“savoury”，更少选择“rancid”等属性；对于植物基奶，高强度动机者更可能选择“artificial”、“bitter”等，更少选择“sweet”、“nutty”。贝叶斯分析中，使用较严格先验（正态分布，均值0，标准差1.5）收缩了估计，并计算了关联概率。例如，“cereal”和“earthy”属性在NHST中不显著，但贝叶斯显示96%的关联概率，提示这些属性可能具有实际意义，而NHST的二分法会忽略这些信息。
**2.2 辨别能力评估（三角测试）**
通过贝塔-二项模型，对连续两年三角测试数据（3/11和6/15正确）进行贝叶斯更新，得到后验比例均值0.36，95%置信区间[0.19,0.53]。进一步计算，概率p≤1/3（猜测概率）为41%，p>1/3为59%，且73%的概率比例在猜测概率±10%范围内。结论是，学生辨别掺假橄榄油的证据不充分，但贝叶斯方法直接量化了不确定性，优于NHST的“不显著”陈述。
**2.3 等价性检验**
在Niimi等（2022）的研究中，研究人员通过贝叶斯后验分布，直接计算了冷切肉感官剖面属性均值差异在0.5点或1点以内的概率，发现差异很小且方向无系统性，概率很低。这直接支持了“等价性”假设，而无需依赖NHST的“接受零假设”逻辑。
**讨论与结论**
**讨论**：NHST的二分法不仅导致过度强调p值，还容易诱发研究者利用自由度调整结果（如选择不同协变量、忽视假设违背），而贝叶斯方法通过明确定义先验，可减少这种偏差。但贝叶斯并非万能，仍需预设先验并避免事后调整。贝叶斯尤其适用于小样本工业场景，能通过保守先验抑制错误估计，且更关注效应大小和方向而非“显著性”。此外，文中列出了多个资源（如brms、rethinking包）供实践参考。
**结论**：研究人员认为，感官与消费者科学应增加贝叶斯推断的使用。通过比较NHST与贝叶斯分析，以及已有应用，贝叶斯推断具有以下优势：
- 直接回答常见研究问题，提供给定数据下效应的概率，消除倒置逻辑。
- 非二分推断促进细微解读，减少因统计不显著而遗漏重要变量或关系的风险。
- 便于信息重用，通过先验整合已有证据，并在小样本时收缩估计。
- 研究人员应更关注效应大小和符号的错误，而非未能拒绝零假设：贝叶斯方法将焦点从表面的“显著性”转向这些结果特征。
