比较两个模型，传统贝叶斯因子（Bayes factor）像只看一次考试成绩：它计算数据在两个模型下出现的概率之比，却容易受先验分布——看数据前对参数的判断——影响，还会把一个随机样本算出的结果当成固定证据。Egidi 与 Ntzoufras 提出的随机贝叶斯因子（SBF），想把这张“成绩单”改成一组可能成绩。
最关键的一步是重复造数据：先从模型的后验预测分布——吸收当前数据后，模型认为未来可能出现的数据范围——抽取许多副本，再分别计算贝叶斯因子，由此得到一整个分布。研究者便能观察原始结果在两个模型各自预期中有多意外，而不只按人为阈值给单个数字贴上“强证据”标签。作者更倾向后验预测而非先验预测，称它能聚焦更相关的参数区域，并在模拟与真实应用中提高稳健性和预测可靠性；这些效果目前来自论文作者自述。