JASP

JASP


Стабильный выпуск	0.14.1 / 18 декабря 2020 г. ( 2020-12-18 )

Репозиторий	Страница JASP на Github
Написано в	C ++ , R , JavaScript
Операционная система	Microsoft Windows , Mac OS X и Linux
Тип	Статистика
Лицензия	Стандартная общественная лицензия GNU Affero
Интернет сайт	jasp-stats .org

JASP - это бесплатная программа с открытым исходным кодом для статистического анализа, поддерживаемая Амстердамским университетом. Он разработан, чтобы быть простым в использовании и знакомым пользователям SPSS . Он предлагает стандартные процедуры анализа как в их классической, так и в байесовской форме . ^[1]^[2] JASP обычно создает таблицы результатов и графики в стиле APA для облегчения публикации. Он способствует развитию открытой науки за счет интеграции с Open Science Framework и воспроизводимости путем интеграции настроек анализа в результаты. Разработка JASP финансируетсянесколько университетов и исследовательских фондов .

Скриншот JASP

Анализирует [ править ]

JASP предлагает частотный вывод и байесовский вывод для одних и тех же статистических моделей . Вывод Frequentist использует p-значения и доверительные интервалы для управления частотой ошибок в пределах бесконечного количества точных повторений. Байесовский вывод использует достоверные интервалы и байесовские факторы ^[3]^[4] для оценки достоверных значений параметров и модельных свидетельств с учетом имеющихся данных и предварительных знаний.

В JASP доступны следующие анализы:

Анализ	Частотник	Байесовский
A / B тест		Y
ANOVA , ANCOVA , ANOVA и MANOVA с повторными измерениями	Y	Y
АУДИТ (модуль)	Y	Y
Бэйн (модуль)	Y	Y
Биномиальный тест	Y	Y
Подтверждающий факторный анализ (CFA)	Y
Таблицы непредвиденных обстоятельств (включая критерий хи-квадрат)	Y	Y
Корреляция: ^[5] Пирсон , Спирмен и Кендалл.	Y	Y
Т-тесты эквивалентности: независимые, парные, однократные	Y
Исследовательский факторный анализ (ОДВ)	Y
Линейная регрессия	Y	Y
Логистическая регрессия	Y
Лог-линейная регрессия	Y	Y
Машинное обучение	Y
Манн-Уитни и Уилкоксон	Y	Y
Анализ посредничества	Y
Мета-анализ	Y	Y
Смешанные модели	Y	Y
Полиномиальный тест	Y	Y
Сетевой анализ	Y
Анализ главных компонентов (PCA)	Y
Анализ надежности : α, γδ и ω	Y	Y
Моделирование структурным уравнением (SEM)	Y
Сводная статистика ^[6]		Y
Т-тесты : независимые, парные, однократные	Y	Y
Визуальное моделирование: линейное, смешанное, обобщенное линейное	Y

Другие особенности [ править ]

Описательная статистика и графики.
Допущение проверки для всех анализов, в том числе тест Левена в , на тест Шапиро-Wilk и Q-Q участка .
Импортирует файлы SPSS и файлы, разделенные запятыми.
Интеграция Open Science Framework .
Фильтрация данных: используйте код R или графический интерфейс перетаскивания, чтобы выбрать интересующие случаи.
Создание столбцов: используйте код R или графический интерфейс перетаскивания для создания новых переменных из существующих.
Скопируйте таблицы в формате LaTeX .
PDF экспорт результатов.

Модули [ править ]

Сводная статистика : байесовский вывод из сводной частотной статистики для t-критерия, регрессии и биномиальных тестов.
BAIN : оценка байесовских информативных гипотез ^[7] для t-теста, ANOVA , ANCOVA и линейной регрессии.
Сеть : сетевой анализ позволяет пользователю анализировать сетевую структуру переменных.
Мета-анализ : включает методы анализа фиксированных и случайных эффектов, мета-регрессии с фиксированными и смешанными эффектами, лесов и воронкообразных графиков, тесты на асимметрию воронкообразных графиков, анализ с обрезкой и заполнением и отказоустойчивый N-анализ.
Машинное обучение : модуль машинного обучения содержит 13 анализов для контролируемого и неконтролируемого обучения:
- Регресс
  1. Повышение регрессии
  2. Регрессия K-ближайших соседей
  3. Случайная лесная регрессия
  4. Регуляризованная линейная регрессия
- Классификация
  1. Повышение классификации
  2. Классификация K-ближайших соседей
  3. Линейная дискриминантная классификация
  4. Классификация случайных лесов
- Кластеризация
  1. Кластеризация на основе плотности
  2. Кластеризация нечетких C-средних
  3. Иерархическая кластеризация
  4. Кластеризация K-средних
SEM : Моделирование структурным уравнением. ^[8]
Модуль JAGS
Откройте для себя дистрибутивы
Проверка эквивалентности

Ссылки [ править ]

^ Вагенмакерс Е.Ю., любовь Дж, Marsman М, Джамиль Т, Ly А, Verhagen Дж, и др. (Февраль 2018). «Байесовский вывод для психологии. Часть II: Примеры приложений с JASP» . Психономический бюллетень и обзор . 25 (1): 58–76. DOI : 10,3758 / s13423-017-1323-7 . PMC 5862926 . PMID 28685272 .
^ Лав Дж, Селкер Р, Верхаген Дж, Марсман М, Гронау QF, Джамил Т, Смира М, Эпскамп С, Вил А, Ли А, Мацке Д., Вагенмакерс Э.Дж., Мори MD, Роудер Дж.Н. (2015). «Программное обеспечение для улучшения вашей статистики» . Наблюдатель APS . 28 (3).
↑ Quintana DS, Williams DR (июнь 2018 г.). «Байесовские альтернативы для общих тестов значимости нулевой гипотезы в психиатрии: нетехническое руководство с использованием JASP» . BMC Psychiatry . 18 (1): 178. DOI : 10,1186 / s12888-018-1761-4 . PMC 5991426 . PMID 29879931 .
^ Бриджес CR, Гаэта L (декабрь 2019). «Введение в вычисление байесовских факторов в JASP для исследований речи, языка и слуха». Журнал исследований речи, языка и слуха . 62 (12): 4523–4533. DOI : 10,1044 / 2019_JSLHR-Н-19-0183 . PMID 31830850 .
^ Nuzzo RL (декабрь 2017). «Введение в байесовский анализ данных для корреляций» . PM&R . 9 (12): 1278–1282. DOI : 10.1016 / j.pmrj.2017.11.003 . PMID 29274678 .
↑ Ly A, Raj A, Etz A, Marsman M, Gronau QF, Wagenmakers E (30 мая 2017 г.). «Байесовский повторный анализ на основе сводной статистики: руководство для академических потребителей» . Open Science Framework .
^ Гу, Синь; Малдер, Джорис; Хойтинк, Герберт (2018). «Приближенные скорректированные дробные байесовские факторы: общий метод проверки информативных гипотез» . Британский журнал математической и статистической психологии . 71 (2): 229–261. DOI : 10.1111 / bmsp.12110 . ISSN 2044-8317 . PMID 28857129 .
^ Клайн, Рекс Б. (2015-11-03). Принципы и практика моделирования структурных уравнений, четвертое издание . Публикации Гилфорда. ISBN 9781462523351.

Внешние ссылки [ править ]

Официальный веб-сайт
jasp-desktop на GitHub

[1] Вагенмакерс Е.Ю., любовь Дж, Marsman М, Джамиль Т, Ly А, Verhagen Дж, и др. (Февраль 2018). «Байесовский вывод для психологии. Часть II: Примеры приложений с JASP» . Психономический бюллетень и обзор . 25 (1): 58–76. DOI : 10,3758 / s13423-017-1323-7 . PMC 5862926 . PMID 28685272 .

[jasp-review-2] Лав Дж, Селкер Р, Верхаген Дж, Марсман М, Гронау QF, Джамил Т, Смира М, Эпскамп С, Вил А, Ли А, Мацке Д., Вагенмакерс Э.Дж., Мори MD, Роудер Дж.Н. (2015). «Программное обеспечение для улучшения вашей статистики» . Наблюдатель APS . 28 (3).

[3] Quintana DS, Williams DR (июнь 2018 г.). «Байесовские альтернативы для общих тестов значимости нулевой гипотезы в психиатрии: нетехническое руководство с использованием JASP» . BMC Psychiatry . 18 (1): 178. DOI : 10,1186 / s12888-018-1761-4 . PMC 5991426 . PMID 29879931 .

[4] Бриджес CR, Гаэта L (декабрь 2019). «Введение в вычисление байесовских факторов в JASP для исследований речи, языка и слуха». Журнал исследований речи, языка и слуха . 62 (12): 4523–4533. DOI : 10,1044 / 2019_JSLHR-Н-19-0183 . PMID 31830850 .

[5] Nuzzo RL (декабрь 2017). «Введение в байесовский анализ данных для корреляций» . PM&R . 9 (12): 1278–1282. DOI : 10.1016 / j.pmrj.2017.11.003 . PMID 29274678 .

[6] Ly A, Raj A, Etz A, Marsman M, Gronau QF, Wagenmakers E (30 мая 2017 г.). «Байесовский повторный анализ на основе сводной статистики: руководство для академических потребителей» . Open Science Framework .

[7] Гу, Синь; Малдер, Джорис; Хойтинк, Герберт (2018). «Приближенные скорректированные дробные байесовские факторы: общий метод проверки информативных гипотез» . Британский журнал математической и статистической психологии . 71 (2): 229–261. DOI : 10.1111 / bmsp.12110 . ISSN 2044-8317 . PMID 28857129 .

[8] Клайн, Рекс Б. (2015-11-03). Принципы и практика моделирования структурных уравнений, четвертое издание . Публикации Гилфорда. ISBN 9781462523351.

[1]