本文扩展了鲁宾的工作，探索了经典$p$-值的贝叶斯对应物，即零假设下“检验统计量”的尾部区域概率。贝叶斯公式使用数据的后验预测复制，允许“测试统计”依赖于数据和未知（有害）参数，从而允许直接测量样本数量和总体数量之间的差异。然后，在重复数据和（妨害）参数的联合后验分布下，找到“检验统计量”的尾部区域概率，这两个参数都是以零假设为条件的。该后验预测$p$-值也可以被视为经典$p$-值的后验平均值，在零假设下对（妨害）参数的后验分布进行平均，因此它提供了一种处理妨害参数的通用方法。用两个经典的例子，包括Behrens-Fisher问题，来说明后验预测$p$-值及其一些有趣的性质，这也揭示了一些经典$p$--值的一种新的（贝叶斯）解释。文中还介绍了在多重计算推理中的应用。频率评估表明，一般来说，如果复制是由新的（干扰）参数和新数据定义的，那么$\alpha$级后验预测测试的I型频率误差通常接近但小于$\alfa$，并且永远不会超过$2\alpha$。