Riflessioni conclusive della sezione

Questa sezione ha mostrato come l’inferenza bayesiana offra un approccio coerente e trasparente per trasformare i dati in conoscenza. Abbiamo visto che:

• l’incertezza non è un ostacolo, ma un elemento costitutivo del ragionamento scientifico, che può essere quantificato e comunicato in termini probabilistici;
• la posterior è il cuore dell’analisi: non un singolo numero, ma una distribuzione che racconta l’intera gamma delle ipotesi compatibili con i dati;
• le prior non sono arbitrarie, ma strumenti per rendere esplicite le nostre assunzioni e per integrare conoscenza pregressa, sempre da valutare con controlli predittivi;
• la valutazione di un modello non si limita alla sua coerenza interna, ma passa attraverso il confronto tra ciò che il modello prevede e ciò che effettivamente osserviamo.

In definitiva, l’inferenza bayesiana ci insegna a pensare in termini di plausibilità graduata, superando la logica dicotomica dei test di significatività. Questa prospettiva sposta l’attenzione dalla domanda “il risultato è significativo?” a interrogativi più ricchi: quanto è credibile un certo effetto? quali valori sono compatibili con i dati? quanto informativi sono i dati rispetto alle nostre ipotesi?

Con queste basi, siamo pronti ad affrontare modelli più complessi e strumenti computazionali avanzati (come i metodi MCMC), che ci permetteranno di applicare l’approccio bayesiano a un’ampia varietà di problemi psicologici e sociali.