Bayesov pristup statističkom zaključivanju

Zadnja provjera: listopad 2026.

Klasična statistika pita: koliko bi bili neobični ovakvi podaci kad učinka ne bi bilo? Bayesov pristup postavlja pitanje koje mnogima zvuči prirodnije: koliko bismo, nakon što smo vidjeli podatke, trebali vjerovati da učinak postoji? Ova lekcija objašnjava osnovnu ideju bayesovskog zaključivanja, njegove prednosti i kritike, bez formula.

Osnovna ideja

Bayesov pristup temelji se na **ažuriranju uvjerenja**:

1. **Prethodna vjerojatnost** (*prior*) – što smo vjerovali prije podataka, na temelju dotadašnjeg znanja.

2. **Podaci** – što smo opazili u istraživanju.

3. **Naknadna vjerojatnost** (*posterior*) – koliko vjerujemo nakon što smo uzeli u obzir podatke.

Slično razmišljamo i u svakodnevici: ako prijatelj koji uvijek kasni zakasni opet, to nas malo iznenađuje; ako zakasni netko tko je uvijek točan, više smo zabrinuti. Isto opažanje mijenja uvjerenje različito, ovisno o onome što smo znali prije.

Bayesov faktor

Jedan od najčešćih alata bayesovske statistike u psihologiji jest **Bayesov faktor**: omjer koji pokazuje koliko su podaci vjerojatniji pod jednom hipotezom nego pod drugom. Bayesov faktor 10 znači da su podaci deset puta vjerojatniji ako učinak postoji nego ako ne postoji. Važna je prednost što može pokazati i **dokaze za izostanak učinka**, dok neznačajna p-vrijednost samo kaže da nismo pronašli dovoljno dokaza za učinak (Wagenmakers i sur., 2018).

Prednosti

• izravno izražava jačinu dokaza za i protiv hipoteze;
• omogućuje praćenje dokaza kako podaci pristižu, bez strogo unaprijed određene veličine uzorka;
• uključuje prethodno znanje na transparentan način;
• daje intervale (*credible intervals*) koji se mogu tumačiti kao raspon u kojem se vrijednost vjerojatno nalazi.

Kritike i ograničenja

• **Izbor prethodne vjerojatnosti** može utjecati na zaključke, osobito kod malih uzoraka. Zato se zahtijeva da se izbor obrazloži i provjeri utječe li drukčiji izbor na rezultat.
• **Složenost** – rezultate je ponekad teže razumjeti onima koji nisu upoznati s pristupom.
• **Ne rješava sve probleme** – loš nacrt, pristran uzorak ili selektivno izvještavanje jednako štete i bayesovskim analizama (više u lekciji [Istraživačke prakse koje povećavaju rizik pogrešnih zaključaka](/lekcija/istrazivacke-prakse-koje-povecavaju-rizik-pogresnih-zakljucaka)).

Bayesovsko razmišljanje izvan statistike

Ideja ažuriranja uvjerenja korisna je i pri čitanju istraživanja. Nevjerojatna tvrdnja – primjerice da ljudi mogu predvidjeti buduće događaje – zahtijeva mnogo snažnije dokaze od tvrdnje koja je u skladu s postojećim znanjem. Jedno istraživanje sa „značajnim” rezultatom za nevjerojatnu tvrdnju ne bi smjelo puno promijeniti naše uvjerenje (više u lekciji [Kvaliteta dokaza i sigurnost zaključaka](/lekcija/kvaliteta-dokaza-i-sigurnost-zakljucaka)).

Česte zablude

• **„Bayesovska statistika je subjektivna, pa nije znanstvena.”** Prethodne pretpostavke su eksplicitne i provjerljive.
• **„Bayesov pristup uvijek daje drukčije zaključke.”** Kod velikih uzoraka i razumnih pretpostavki zaključci se često slažu s klasičnima.
• **„Neznačajan rezultat dokazuje da učinka nema.”** U klasičnom pristupu ne dokazuje; Bayesov faktor može procijeniti dokaz za izostanak učinka.

Primjer

Dva istraživanja ne nalaze značajan učinak nove vježbe pamćenja. Bayesov faktor u prvom istraživanju je oko 1 – podaci ne razlikuju dvije hipoteze, pa ništa nismo naučili. U drugom, većem istraživanju Bayesov faktor pokazuje da su podaci osam puta vjerojatniji ako učinka nema – to je razmjerno snažan dokaz da vježba ne pomaže.

Sažetak

Bayesov pristup zaključivanju temelji se na ažuriranju prethodnih uvjerenja u svjetlu podataka. Bayesov faktor izražava koliko su podaci vjerojatniji pod jednom hipotezom nego pod drugom i može pokazati i dokaze za izostanak učinka. Izbor prethodne vjerojatnosti treba obrazložiti, a bayesovske analize ne rješavaju probleme lošeg nacrta.

Povezane lekcije

• [Deskriptivna i inferencijalna statistika](/lekcija/deskriptivna-i-inferencijalna-statistika)
• [Veličina učinka i statistička značajnost](/lekcija/velicina-ucinka-i-statisticka-znacajnost)
• [Statistička snaga istraživanja](/lekcija/statisticka-snaga-istrazivanja)
• [Kvaliteta dokaza i sigurnost zaključaka](/lekcija/kvaliteta-dokaza-i-sigurnost-zakljucaka)

Izvori i literatura

• Wagenmakers, E.-J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., Selker, R., Gronau, Q. F., Šmíra, M., Epskamp, S., Matzke, D., Rouder, J. N. i Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. *Psychonomic Bulletin & Review*, 25(1), 35–57. [doi.org/10.3758/s13423-017-1343-3](https://doi.org/10.3758/s13423-017-1343-3)