JASP

JASP在相同的统计模型上提供了頻率學派推斷和贝叶斯推断。 頻率學派推斷使用p值和信賴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 [4]，基於已知資料與先前知識，估计可信参数值。

JASP提供下列分析：

分析	頻率	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[5] ： 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
後設分析	Y
摘要统计[6]		Y

• 描述性统计数据和图表繪製。
• 对所有分析进行假设检查，包括Levene检验 ， Shapiro-Wilk检验和Q-Q图 。
• 可匯入SPSS文件和逗号分隔的文件（CSV檔）。
• 整合开放式科学框架。
• 数据过滤：使用R程式碼，或使用圖形介面以拖放方式选择資料。
• 创建列：使用R程式碼，或使用圖形介面以拖放方式，從現有变量创建新变量。
• 以LaTeX格式复制表格。

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 ：對t检验，ANOVA，ANCOVA和线性回归進行贝叶斯信息假设评估[7]。
3. 网路 ：网路分析允许使用者分析变量的网路结构。
4. 後設分析 ：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 與 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[8] 。

• 官方网站
• GitHub上的jasp-desktop頁面