JASP

JASP是一款自由开源的统计学软件。^[1][2]JASP可以产生APA格式的表格。几所大学和研究基金曾资助开发者开发JASP。

JASP

当前版本	0.11.1（2019年10月7日 (2019-10-07)）
源代码库	JASP Github page
编程语言	C++, R语言, JavaScript
操作系统	Microsoft Windows, Mac OS X and Linux
类型	统计学
许可协议	GNU Affero General Public License
网站	jasp-stats.org

分析

JASP在相同的统计模型上提供了频率学派推断和贝叶斯推断。 频率学派推断使用p值和信赖区间来控制在无限完美复制中的错误率。贝叶斯推断使用可信区间和贝叶斯因子 ^[3]，基于已知资料与先前知识，估计可信参数值。

JASP提供下列分析：

分析	频率	贝叶斯
T检验 ：独立，配对，一次抽样	Y	Y
曼·惠特尼·U和威尔科克森	Y	Y
相关性[4] ： Pearson ， Spearman和Kendall	Y	Y
可靠性分析：α，γδ和ω	Y
ANOVA ， ANCOVA ， 重复测量ANOVA和MANOVA	Y	Y
线性回归	Y	Y
对数线性回归	Y	Y
逻辑斯谛回归	Y
列联表 （包括卡方检验）	Y	Y
二项式检验	Y	Y
多项式检验	Y	Y
A / B测试		Y
探索性因素分析 （EFA）	Y
主成分分析 （PCA）	Y
验证性因素分析（CFA）	Y
结构方程建模 （SEM）	Y
网路分析	Y
后设分析	Y
摘要统计[5]		Y

其他特色

• 描述性统计数据和图表绘制。
• 对所有分析进行假设检查，包括Levene检验 ， Shapiro-Wilk检验和Q-Q图 。
• 可汇入SPSS文件和逗号分隔的文件（CSV档）。
• 整合开放式科学框架。
• 数据过滤：使用R程式码，或使用图形界面以拖放方式选择资料。
• 创建列：使用R程式码，或使用图形界面以拖放方式，从现有变量创建新变量。
• 以LaTeX格式复制表格。

模组

1. 摘要统计量 ：从t检验，回归和二项式检验的频率摘要统计量，得出贝叶斯推断。
2. BAIN ：对t检验，ANOVA，ANCOVA和线性回归进行贝叶斯信息假设评估^[6]。
3. 网路 ：网路分析允许使用者分析变量的网路结构。
4. 后设分析 ：包括用于固定和随机效应分析，固定和混合效应元回归，森林和漏斗图，漏斗图不对称性测试， trim-and-fill 与 fail-safe N 分析。
5. 机器学习 ：机器学习模块包含13种分析：
   • 回归
     1. 提升回归（Boosting Regression）
     2. K近邻回归
     3. 随机森林回归（Random Forest Regression）
     4. 正则线性回归（Regularized Linear Regression）
   • 分类
     1. 提升方法分类（Boosting Classification)
     2. K最近邻分类（K-Nearest Neighbors Classification）
     3. 线性判别分类
     4. 随机森林分类
   • 聚类
     1. 基于密度的聚类
     2. 模糊C均值聚类
     3. 层次聚类
     4. K均值聚类
6. SEM ：结构方程建模^[7] 。

参考文献

1. Bayesian inference for psychology. Part II: Example applications with JASP. Psychonomic Bulletin & Review. February 2018, 25 (1): 58–76. PMC 5862926 . PMID 28685272. doi:10.3758/s13423-017-1323-7.
2. Software to Sharpen Your Stats (vanc). APS Observer. 2015, 28 (3) [2020-01-09]. （原始内容存档于2016-08-17）.
3. Bayesian alternatives for common null-hypothesis significance tests in psychiatry: a non-technical guide using JASP. BMC Psychiatry. June 2018, 18 (1): 178. PMC 5991426 . PMID 29879931. doi:10.1186/s12888-018-1761-4 （英语）.
4. Nuzzo, Regina L. An Introduction to Bayesian Data Analysis for Correlations. PM&R (vanc)使用|format=需要含有|url= (帮助). December 2017, 9 (12): 1278–1282. PMID 29274678. doi:10.1016/j.pmrj.2017.11.003.
5. Ly, Alexander; Raj, Akash; Etz, Alexander; Marsman, Maarten; Gronau, Quentin Frederik; Wagenmakers, Eric-Jan. Bayesian Reanalyses from Summary Statistics: A Guide for Academic Consumers (vanc). Open Science Framework. 2017-05-30 [2020-01-09]. （原始内容存档于2020-11-25） （英语）.
6. Gu, Xin; Mulder, Joris; Hoijtink, Herbert. Approximated adjusted fractional Bayes factors: A general method for testing informative hypotheses. British Journal of Mathematical and Statistical Psychology. 2018, 71 (2): 229–261. ISSN 2044-8317. PMID 28857129. doi:10.1111/bmsp.12110 （英语）.
7. Kline, Rex B. Principles and Practice of Structural Equation Modeling, Fourth Edition. Guilford Publications. 2015-11-03. ISBN 9781462523351 （英语）.

外部链接

• 官方网站
• GitHub上的jasp-desktop页面