A likelihoodok (és így a posterior eloszlások, a Bayes-féle intervallumok és a Bayes-faktorok) nem érzékenyek a megállási szabályokra. Például az előző fejezetben fontolóra vettünk egy képzeletbeli tanulmányt, amely a G-pontos orgazmust átélő nők arányát hivatott meghatározni. Dönthetne úgy a kutató, hogy akkor áll meg, ha a mintaszám elér egy előre meghatározott értéket (pl. összesen 30-at), vagy azt is mondhatja, hogy akkor fogja abbahagyni az adatgyűjtést, amikor a G-pontos orgazmust átélő nők száma elér egy előre meghatározott értéket (pl. 6-ot). Még akkor is, ha mindkét esetben összesen 30-ból 6 nő tapasztalta meg a G-pontos orgazmust, a klasszikus Neyman–Pearson-féle elemzés alapján a populációarányt a két esetben két különböző módon számoljuk ki (6/30 vs. 5/29). A bayesiánus elemzés alapján mindkét esetben ugyanarra az eredményre jutunk. Ami mindkét esetben fontos, az az, hogy több nőt egymás után megkérdezve pontosan milyen adatokat kapunk. Válaszaik: nem, nem, nem, igen, nem és így tovább 30 válaszig. Ezek a pontos adatok. Ezen adatok megszerzésének valószínűsége adott hipotézis esetében – például egy olyan hipotézis mellett, mely szerint a populációarány = 0,3 – ugyanaz, függetlenül attól, milyen megállási szabályt használtunk. A valószínűség 0,7 × 0,7 × 0,7 × 0,3 × 0,7 … és így tovább a 30 válaszig, mindkét megállási szabály esetében. A likelihood szempontjából mindegy, hogy melyik megállási szabályt használtuk, így az a posteriort, a Bayes-féle intervallumot, és a Bayes-faktort sem érinti.