Factor de Bayes (BF₁₀) como complemento
En resumen
El factor de Bayes BF₁₀ compara lo bien que dos supuestos predicen los datos: H₁ (hay una diferencia, un cambio, una relación) frente a H₀ (no la hay). BF₁₀ = 8 significa: los datos son unas 8 veces más probables bajo H₁ que bajo H₀. A diferencia del valor p, también puede expresar evidencia a favor de H₀.
Dónde aparece
Por defecto, en ningún sitio. En «Ajustes» → «Mostrar factores de Bayes» aparece, bajo el resultado, una línea plegada «Factor de Bayes» para la prueba t (dos grupos), la comparación antes y después y la correlación de Pearson. La línea APA recibe entonces «BF₁₀ = …». No hay factor de Bayes para Spearman ni Kendall. El resultado de Welch y todos los demás números no cambian.
Cómo leerlo
- Con BF₁₀ > 1 favorece a H₁; por debajo de 1, a H₀; entonces se muestra el valor inverso BF₀₁ (BF₀₁ = 5 significa que los datos son unas 5 veces más probables bajo H₀ que bajo H₁).
- Clasificación según Lee y Wagenmakers (2013): 1-3 anecdótica, 3-10 moderada, 10-30 fuerte, 30-100 muy fuerte, por encima de 100 extrema. Son reglas generales, no puntos de corte.
- Un BF₁₀ cercano a 1 significa que los datos no favorecen a ninguna de las dos hipótesis. Eso es distinto de «ningún efecto».
El factor de Bayes depende de la distribución a priori, es decir, de qué tamaños del efecto considera plausibles H₁. El valor por defecto (véase más abajo) es muy utilizado; quien necesite otra distribución a priori tiene que fijarla en JASP o en R. No sustituye ni al tamaño del efecto ni al intervalo de confianza.
t(38) = 2,51, p = ,016, d = 0,79, IC del 95 % [0,15; 1,42], BF₁₀ = 3,4
Para especialistas
Prueba t: factor de Bayes JZS según Rouder et al. (2009), bilateral; distribución a priori de Cauchy sobre el tamaño del efecto δ con escala r = √2/2 (valor por defecto en JASP y BayesFactor, «medio»). Con dos grupos usa la t de Student (varianzas iguales), no la de Welch. La integral sobre la variable de mezcla g se resuelve numéricamente (Gauss-Legendre sobre ln g). Correlación: Ly, Verhagen y Wagenmakers (2016), distribución a priori beta estirada sobre ρ con κ = 1 (uniforme, como en JASP), densidad exacta de r con ₂F₁. El paquete de R BayesFactor (correlationBF) usa por defecto una distribución a priori más estrecha (rscale = 1/3); con rscale = 1 coinciden. Comprobado con R: scripts/bayes-erwartet.R.