ЯСП

ЯСП
Стабильная версия	0.18.3 / 12 января 2024 г .; 5 месяцев назад
Репозиторий	Страница JASP на Github
Написано в	C++ , R , JavaScript , QML
Операционная система	Microsoft Windows , Mac OS X , ChromeOS , Linux
Тип	Статистика
Лицензия	Я приношу Стандартную общественную лицензию GNU.
Веб-сайт	Jasp-статистика .org

JASP ( ) Программа удивительной статистики Джеффриса ^[2]) — бесплатная программа с открытым исходным кодом для статистического анализа, поддерживаемая Амстердамским университетом . Он прост в использовании и знаком пользователям SPSS . Он предлагает стандартные процедуры анализа как в классической, так и в байесовской форме . ^[3]^[4] JASP обычно создает таблицы результатов и графики в стиле APA для облегчения публикации. Он продвигает открытую науку посредством интеграции с Open Science Framework и воспроизводимости за счет интеграции настроек анализа в результаты. Развитие JASP финансируется несколькими университетами и исследовательскими фондами . JASP Поскольку графический интерфейс разрабатывается на C++ с использованием платформы Qt , некоторые члены команды ушли, чтобы создать заметное ответвление - Jamovi которого , графический интерфейс разработан на JavaScript и HTML5 . ^[5]

Анализы [ править ]

JASP предлагает частотный вывод и байесовский вывод на основе одних и тех же статистических моделей . Частотный вывод использует p-значения и доверительные интервалы для контроля частоты ошибок в пределе бесконечных совершенных повторений. Байесовский вывод использует достоверные интервалы и факторы Байеса. ^[6]^[7] оценить достоверные значения параметров и смоделировать доказательства с учетом имеющихся данных и предварительных знаний.

В JASP доступны следующие виды анализа по сравнению с SPSS:

**Функции графического пользовательского интерфейса** (функции, доступные через синтаксис R или SPSS, не указаны)
	ЯСП 0.18.2	СПСС 29	ЯСП 0.18.2	СПСС 29
Анализ	Классический	Классический	Байесовский	Байесовский
Приемочная выборка	✓	Х
(повторяется) (M)AN(C)OVA и непараметрические параметры	✓	✓	(✓)	(✓)
Аудит — статистические методы аудита	✓	Х	✓	Х
Бейн - оценка байесовских информативных гипотез			✓	Х
BSTS — байесовский структурный временной ряд			✓	Х
Круговая/направленная статистика - анализ направлений, часто углов.	✓	Х	Х	Х
Кокрейновский метаанализ	✓	Х	✓	Х
Описания	✓	✓
Распределения	✓	Х	✓	Х
Т-тесты эквивалентности (TOST): независимые, парные, одновыборочные.	✓	Х	✓	Х
Факторный анализ (PCA, EFA, CFA)	✓	✓ / АМОС	Х	Х
Частоты (биномиальная, полиномиальная, непредвиденная, Хи², лог-линейная регрессия)	✓	✓	✓	(✓)
JAGS (семплер байесовской цепи Маркова черного ящика Монте-Карло (MCMC))			✓	(АМОС)
Изучите статистику (отдельный классический и байесовский модуль)	✓	Х	✓	Х
Машинное обучение (включая кластерный и дискриминантный анализ)	✓	✓	Х	Х
(Кокрейновский) Мета-анализ (PET-PEESE, WAAP-WLS для коррекции систематической ошибки публикации)	✓	✓	✓	Х
(Обобщенные или линейные) Смешанные модели	✓	✓	✓	Х
Сеть	✓	✓	✓	Х
Анализ мощности/планирование размера выборки	(✓)	(✓)	Х	Х
Пророк / Прогнозирование временных рядов	Х	✓	✓	Х
Контроль качества	✓	(✓)	Х	Х
Регрессия / Корреляция (r, Rho, Tau, (логарифмическая) линейная, полиномиальная, порядковая, логистическая, остаточная	✓	✓	(✓)	(✓)
Надежность	✓	✓	(✓)	Х
Моделирование структурными уравнениями, вкл. (PLS) Частичный метод наименьших квадратов, скрытый рост и МИМИЧЕСКИЙ	SEM лаваан и ПРОЦЕСС	АМОС И ПРОЦЕСС	Х	Х
Сводная статистика	Х	Х	✓	Х
непараметрический анализ выживания	✓	✓	Х	Х
Т-тесты: независимые, парные, одновыборочные (включая z, тесты Уэлча, непараметрические и устойчивые байесовские тесты)	✓	✓	✓	(✓)
Визуальное моделирование: автоматическое построение графиков, (не)линейное, смешанное, обобщенное линейное.	✓	✓	Х	Х
Всегда актуальная версия этой таблицы поддерживается здесь https://docs.google.com/spreadsheets/d/1lQ7Pt8vFfSrHxQ9Kh3rjY6Ttx2Yx5b1sVKEGLYU9v4Y/edit#gid=0.
Источники https://jasp-stats.org/features/ и официальная документация IBM SPSS.
Пустое поле предполагает, что это может быть невозможно.

Другие особенности [ править ]

Описательная статистика .
Проверка предположений для всех анализов, включая тест Левена , тест Брауна-Форсайта, тест Шапиро-Уилка , график Q-Q и другие графики остатков.
Импортирует файлы SPSS, файлы, разделенные запятыми, и многие другие (.csv, .txt, .tsv, .ods, .dta, .sav, .zsav, .por, .sas7bdat, .sas7bcat, .xpt, .jasp).
Интеграция Open Science Framework .
Фильтрация данных: используйте код R или графический интерфейс с возможностью перетаскивания, чтобы выбрать интересующие случаи.
Создание столбцов. Используйте код R или графический интерфейс перетаскивания для создания новых переменных или вычисления их на основе существующих.
Скопируйте таблицы в формате LaTeX .
Редактирование формул, редактирование графиков, графики дождевых облаков.
PDF, HTML и т. д. экспорт результатов.
Подключение к различным базам данных SQL (начиная с версии 0.16.4)

Модули [ править ]

JASP включает семь общих модулей, которые включены по умолчанию:

Описательные : исследуйте данные с помощью таблиц и графиков.
T-тесты : Оцените разницу между двумя средними значениями.
ANOVA : Оцените разницу между несколькими средними значениями.
Смешанные модели : оцените разницу между несколькими средними значениями со случайными эффектами.
Регрессия : оценка связи между переменными.
Частоты : анализ данных подсчета.
Фактор : Исследуйте скрытую структуру данных.

JASP также имеет несколько дополнительных модулей, которые можно активировать через меню модуля:

Приемочный отбор : методы приемочного отбора и настройки контроля качества .
Аудит : Статистические методы аудита . Модуль аудита предлагает планирование, отбор и оценку выборок статистического аудита , методы аудита данных (например, закон Бенфорда ) и алгоритм аудита (например, справедливость модели ).
Бэйн : Оценка байесовских информативных гипотез ^[8] для t-тестов, ANOVA , ANCOVA , линейной регрессии и моделирования структурными уравнениями .
BSTS : Байесовский взгляд на линейные гауссовские модели пространства состояний, подходящие для анализа временных рядов.
Круговая статистика : основные методы для данных о направлении .
Мета-анализ Кокрейна : анализ наборов медицинских данных Кокрейна .
Распределения . Визуализируйте распределения вероятностей и сопоставьте их с данными.
T-тесты эквивалентности : проверьте разницу между двумя средними значениями с помощью гипотезы об нулевом интервале.
JAGS : реализация байесовских моделей с помощью программы JAGS для цепи Маркова Монте-Карло .
Изучите байесовскую статистику : изучите байесовскую статистику с помощью простых примеров и вспомогательного текста.
Изучите статистику : изучите классическую статистику с помощью простых примеров и вспомогательного текста.
Машинное обучение : исследуйте взаимосвязь между переменными, используя методы на основе данных для контролируемого и неконтролируемого обучения . Модуль содержит 19 анализов для регрессии , классификации и кластеризации :
- Регрессия
  1. Усиление регрессии
  2. Регрессия дерева решений
  3. K-регрессия ближайших соседей
  4. Регрессия нейронной сети
  5. Случайная лесная регрессия
  6. Регуляризованная линейная регрессия
  7. Машинная регрессия опорных векторов
- Классификация
  1. Повышение классификации
  2. Классификация дерева решений
  3. K-Классификация ближайших соседей
  4. Классификация нейронных сетей
  5. Линейная дискриминантная классификация
  6. Случайная классификация лесов
  7. Классификация машин опорных векторов
- Кластеризация
  1. Кластеризация на основе плотности
  2. Нечеткая кластеризация C-средних
  3. Иерархическая кластеризация
  4. Кластеризация на основе модели
  5. Кластеризация на основе соседства (т. е. кластеризация K-средних , кластеризация K-медианов, кластеризация K-медоидов)
  6. Случайная кластеризация лесов
Метаанализ : синтез данных из нескольких исследований. Включает методы анализа фиксированных и случайных эффектов, мета-регрессию с фиксированными и смешанными эффектами, диаграммы леса и воронкообразные диаграммы, тесты на асимметрию воронкообразных диаграмм, обрезку и заполнение и отказоустойчивый анализ N.
Сеть : исследуйте связи между переменными, организованными в виде сети. Сетевой анализ позволяет пользователю анализировать структуру сети.
Мощность : Проведите анализ мощности .
Прогнозная аналитика : этот модуль предлагает прогнозную аналитику.
Процесс: реализация популярного модуля SPSS PROCESS Хейса для JASP.
Пророк : Простая модель прогнозирования временных рядов.
Контроль качества : выясните, соответствует ли произведенный продукт определенному набору критериев качества.
Надежность : Оцените надежность результатов тестов.
Надежные Т-тесты : надежная оценка разницы между двумя средними значениями.
SEM ( моделирование структурными уравнениями ) : оценка скрытых структур данных с помощью программы лаваана Ива Росселя. ^[9]
Сводная статистика : применяйте общие байесовские тесты из сводной статистики частоты для t-критерия, регрессии и биномиальных тестов.
Временные ряды : анализ временных рядов.
Визуальное моделирование : графически исследуйте зависимости между переменными.
R Console : выполнение кода R в консоли.

Ссылки [ править ]

^ https://jasp-stats.org/release-notes/ . {{cite web}}: Отсутствует или пусто |title= ( помощь )
^ «Часто задаваемые вопросы – JASP» . ЯСП . Проверено 18 февраля 2022 г.
^ Вагенмейкерс Э.Дж., Лав Дж., Марсман М., Джамиль Т., Ли А., Верхаген Дж. и др. (февраль 2018 г.). «Байесовский вывод для психологии. Часть II: Примеры применения JASP» . Психономический бюллетень и обзор . 25 (1): 58–76. дои : 10.3758/s13423-017-1323-7 . ПМК 5862926 . ПМИД 28685272 .
^ Лав Дж., Селкер Р., Верхаген Дж., Марсман М., Гронау К.Ф., Джамиль Т., Смира М., Эпскамп С., Уил А., Ли А., Мацке Д., Вагенмейкерс Э.Дж., Мори М.Д., Рудер Дж.Н. (2015). «Программное обеспечение для улучшения вашей статистики» . Обозреватель АПС . 28 (3).
^ «Представляем jamovi: бесплатное и открытое статистическое программное обеспечение, сочетающее простоту использования с мощью R» . 23 марта 2017 г.
^ Кинтана Д.С., Уильямс Д.Р. (июнь 2018 г.). «Байесовские альтернативы распространенным тестам значимости нулевой гипотезы в психиатрии: нетехническое руководство по использованию JASP» . БМК Психиатрия . 18 (1): 178. дои : 10.1186/s12888-018-1761-4 . ПМК 5991426 . ПМИД 29879931 .
^ Бриджес ЧР, Гаэта Л (декабрь 2019 г.). «Введение в расчет 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-H-19-0183 . ПМИД 31830850 . S2CID 209342577 .
^ Гу, Синь; Малдер, Джорис; Хойтинк, Герберт (2018). «Приближенные скорректированные дробные коэффициенты Байеса: общий метод проверки информативных гипотез» . Британский журнал математической и статистической психологии . 71 (2): 229–261. дои : 10.1111/bmsp.12110 . ISSN 2044-8317 . ПМИД 28857129 .
^ Клайн, Рекс Б. (3 ноября 2015 г.). Принципы и практика моделирования структурными уравнениями, четвертое издание . Публикации Гилфорда. ISBN 9781462523351 .

Внешние ссылки [ править ]

[wikidata-7e20ca5ef90847643bb721b3ba5976c4c977364f-v12-1] ttps://jasp-stats.org/release-notes/ . {{cite web}}: Отсутствует или пусто |title= ( помощь )

[2] «Часто задаваемые вопросы – JASP» . ЯСП . Проверено 18 февраля 2022 г.

[3] Вагенмейкерс Э.Дж., Лав Дж., Марсман М., Джамиль Т., Ли А., Верхаген Дж. и др. (февраль 2018 г.). «Байесовский вывод для психологии. Часть II: Примеры применения JASP» . Психономический бюллетень и обзор . 25 (1): 58–76. дои : 10.3758/s13423-017-1323-7 . ПМК 5862926 . ПМИД 28685272 .

[jasp-review-4] Лав Дж., Селкер Р., Верхаген Дж., Марсман М., Гронау К.Ф., Джамиль Т., Смира М., Эпскамп С., Уил А., Ли А., Мацке Д., Вагенмейкерс Э.Дж., Мори М.Д., Рудер Дж.Н. (2015). «Программное обеспечение для улучшения вашей статистики» . Обозреватель АПС . 28 (3).

[5] «Представляем jamovi: бесплатное и открытое статистическое программное обеспечение, сочетающее простоту использования с мощью R» . 23 марта 2017 г.

[6] Кинтана Д.С., Уильямс Д.Р. (июнь 2018 г.). «Байесовские альтернативы распространенным тестам значимости нулевой гипотезы в психиатрии: нетехническое руководство по использованию JASP» . БМК Психиатрия . 18 (1): 178. дои : 10.1186/s12888-018-1761-4 . ПМК 5991426 . ПМИД 29879931 .

[7] Бриджес ЧР, Гаэта Л (декабрь 2019 г.). «Введение в расчет 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-H-19-0183 . ПМИД 31830850 . S2CID 209342577 .

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

[9] Клайн, Рекс Б. (3 ноября 2015 г.). Принципы и практика моделирования структурными уравнениями, четвертое издание . Публикации Гилфорда. ISBN 9781462523351 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]