JASP

JASP позволяет проводить как частотный, так и байесовский анализ на одних и тех же статистических моделях. Частотный анализ использует p-значения и доверительные интервалы для контроля ошибок при гипотетически бесконечных повторениях эксперимента. Байесовский анализ оперирует достоверностными интервалами и байесовскими факторами^[5][6] для оценки параметров модели и подтверждения (или опровержения) гипотез по данным и априорной информации.

Следующие виды анализа доступны в JASP (сравнение с SPSS):

• Редактирование и подсветка синтаксиса R.
• Редактирование графиков и формул (LaTeX).
• Экспорт результатов в PDF или HTML, таблиц — в формате LaTeX, графиков — в PNG, PPTX (PowerPoint) и др.
• Импорт файлов Excel, SPSS и других (включая .xls, .xlsx, .csv, .txt, .tsv, .ods, .dta, .sav, .zsav, .por, .sas7bdat, .sas7bcat, .xpt, .jasp).
• Подключение к базам данных SQL и Open Science Framework.
• Фильтрация данных: выбор случаев с помощью R-кода или drag-and-drop GUI.
• Полное редактирование данных с возможностью быстрого перекодирования, поддержка полного undo/redo.
• Вычисление новых столбцов через код R (например, rowMean, rowMeanNaRm, rowSum, rowSD и др.) или GUI.
• Настройка обработки пустых значений по переменной, набору данных или глобально.
• Проверка статистических предположений: экспорт и анализ остатков; проверка предположений с помощью тестов и графиков (Левена, Брауна-Форсайта, Шапиро — Уилка, Q-Q, Raincloud и др.)

По умолчанию в JASP активны семь основных модулей:

1. Descriptives: исследование данных с помощью таблиц и графиков.
2. T-Tests: оценка различий между двумя средними.
3. ANOVA: сравнение нескольких средних.
4. Mixed Models: сравнение средних с учётом случайных эффектов.
5. Regression: анализ связей между переменными.
6. Frequencies: анализ частотных данных.
7. Factor: исследование скрытых структур в данных.

Дополнительные модули, которые можно включать в меню модулей:

1. Acceptance Sampling: методы приёмочного контроля и контроля качества.
2. Audit: статистические методы для аудита. Модуль позволяет планировать, отбирать и оценивать статистические аудиторские выборки, аудит данных (например, закон Бенфорда) и аудит алгоритмов (например, справедливость моделей).
3. Bain: байесовская оценка информативных гипотез^[7] для t-тестов, ANOVA, ANCOVA, линейной регрессии и структурного моделирования.
4. BSTS: байесовский подход для временных рядов (линейные гауссовские state space models).
5. Circular Statistics: методы для направленных данных.
6. Cochrane meta-analyses: анализ медицинских данных Cochrane.
7. Distributions: визуализация распределений и их подгонка по данным.
8. Equivalence T-Tests: тестирование разницы между средними при интервальной нулевой гипотезе.
9. JAGS: построение байесовских моделей с помощью JAGS для Марковских цепей.
10. Learn Bayes: изучение байесовской статистики на простых примерах с пояснениями.
11. Learn Stats: изучение классической статистики на примерах.
12. Machine Learning: анализ взаимосвязей данных средствами обучения с учителем и без учителя. Модуль включает 19 видов анализа для регрессии, классификации и кластеризации:
    • Регрессия
      • Boosting Regression
      • Decision Tree Regression
      • K-ближайших соседей (KNN) для регрессии
      • Нейронные сети для регрессии
      • Случайный лес для регрессии
      • Регуляризованная линейная регрессия
      • Методы опорных векторов (SVM) для регрессии
    • Классификация
      • Boosting Classification
      • Decision Tree Classification
      • K-ближайших соседей (KNN) для классификации
      • Нейронные сети для классификации
      • Линейная дискриминантная классификация
      • Случайный лес для классификации
      • Методы опорных векторов (SVM) для классификации
    • Кластеризация
      • Кластеризация на основе плотности
      • Fuzzy C-Means
      • Иерархическая кластеризация
      • Модельная кластеризация
      • Кластеризация на основе соседства (например, K-средних, K-медиан, K-медоидов)
      • Случайный лес для кластеризации
13. Meta Analysis: объединение результатов различных исследований; включает методы фиксированного и смешанного эффекта, регрессию, графики леса и воронки, тесты асимметрии, корректировку на публикационное смещение.
14. Network: анализ связей между переменными в виде сети.
15. Power: проведение анализа мощности.
16. Predictive Analytics: предиктивная аналитика.
17. Process: реализация популярных моделей PROCESS Хейса для JASP.
18. Prophet: простое моделирование для прогнозирования временных рядов.
19. Quality Control: проверка соответствия продукции стандартам качества.
20. Reliability: оценка надёжности тестовых баллов.
21. Robust T-Tests: устойчивые t-тесты для сравнения средних.
22. SEM (структурное моделирование): анализ скрытых переменных с помощью библиотеки lavaan^[8].
23. Summary statistics: применение байесовских тестов на основе частотных сводных данных (t-тест, регрессия, биномиальный тест).
24. Survival Analyses: анализы выживаемости (не- и полупараметрические методы).
25. Time Series: анализ временных рядов.
26. Visual Modeling: графический анализ зависимостей между переменными.
27. R Console: выполнение кода R в консоли.