近年来贝叶斯统计学越来越受到心理学界的关注。该方法的基本逻辑是综合先验信息和实验结果得出一个后验概率，令研究者可以直接地、客观地检验研究假设，或使用贝叶斯因子比较哪种研究假设能更好解释实验数据。

汉斯出版社《心理学进展》有篇文章认为，心理学实验数据分析中的核心问题之一是如何根据实验结果做出合理的统计推断。而贝叶斯统计方法是其中一种重要的推论统计方法。传统的假设检验与贝叶斯推论统计最大的区别在于对“不确定性”这个概念的理解。前者认为实验得到怎样的数据X是不确定的，为随机变量，而研究者感兴趣的参数θ则为固定值。后者则认为我们实验观察得到的数据是确定的，而由于我们知识的缺乏或对某个现象的不了解，感兴趣的参数θ是不确定的，为随机变量。

与虚无假设检验的方法相比，贝叶斯统计方法在逻辑上更加严密。第一，贝叶斯统计方法用计算得到的后验概率P(H0/X)表示基于实验数据和结果X的前提下H0为真的概率。第二，贝叶斯统计中可以使用贝叶斯因子P(D/M1)/P(D/M2)表示虚无假设条件下实验结果出现的概率与备择假设条件下实验结果出现的概率的比值，直观地说明了虚无假设和备择假设这两种模型中究竟是哪一种能更好地解释实验数据，而不是简单地得出“接受”或“拒绝”的结论。并且，贝叶斯统计分析中的虚无假设是备择假设的一个特例，即H0是Ha, a=0时的一个特例，所以研究者可以更加自由地使用贝叶斯统计来比较两个不同的模型，这两个模型可以类似于虚无假设检验中的虚无假设和备择假设，也可以类似于虚无假设检验中的两个备择假设。

另一方面，贝叶斯推论统计在实际操作中能更好地降低因为实验者的主观意愿和偏见比如研究者认知的系统性偏差、缺失值处理方法、抽样方法、多重比较校正方法和实验停止标准等影响客观实验结果的强度。其中偏差为对有关先验概率或者基率信息(baseline rate)不敏感。贝叶斯统计分析的结果受到似然函数和先验分布影响，而似然函数中的数据都是来自实验已经观察到的数据。

贝叶斯统计的兴起在未来的心理学发展中可能称为方法论上的一个重要革新。总之，贝叶斯统计弥补了虚无假设假设检验的不足，表现在量化评价标准，实验可重复性，模型比较自由性，减小主观意愿的影响等四个方面。然而，其方法劣势在于：如何较为客观地确定先验分布这一问题一直没有得到很好地解决：后验分布概率密度函数的计算较为复杂。