刚开始接触贝叶斯分析时的时候，通常都会觉得这玩意遥不可及，很玄很虚，MCMC上10000步，然后给你个结果。再加上贝叶斯的优势在于解决复杂的问题（不同来源的不确定性、随机性等），会让人感觉学习这玩意到底会有什么用处，自己以后会碰上这么复杂的问题吗？下面给出一些细小的事例，看看生态上哪些方面可以用得上：

1. 如果预测变量和反应变量都是用相同的方法测量的，在频度统计中，通常是假定反应变量有测量误差，而预测变量没有测量误差。实际上这是说不通的，两个变量都是用相同的方法得到的，为什么在模型中会给出不同的待遇？换句话说，我们同样需要考虑预测变量的不确定性。比如，茎叶比的研究中。传统的统计模型，是很难包含预测变量的不确定性的。而等级方法很容易实现这一点；

2.在大部分的实验中，我们都是假定实验的个体是等同的，对协变量的反应是一致的（相同的系数）。同样，这也是说不通的。尽管，在实验涉及的初期，实验者总是选取比如说大小相似、高度相似等等的个体，然而个体之间的异质性本质上存在的（深层次是由于遗传上的差异）。你不能要求所有的个体对某个因子的反应完全相同。在频度分析中，同样很难考虑这种个体的异质性问题。而等级方法很容易实现这一点；

3. 时间序列模型，空间模型。这类模型需要考虑不同时刻个体的差异，不同空间点上的差异。

注意的是，等级统计模型，既可以是贝叶斯的，也可以是频度的。只是贝叶斯走得更远一些，频度统计在等级模型这一块，差不多才刚刚起步（这里指的是特复杂的模型，不包括比如重复测量、广义线性模型、混合模型等等）。