JASP

第一步不是分析，是把数据摆对

JASP 是按「每行一个观测、每列一个变量」来设计的。教程里常见的「宽格式」（每个条件一列）在 JASP 里几乎所有分析都用不了，必须先转成长格式（tidy format）：一列是分组变量，一列是被测量的数值。

逆向重构在 JASP 里位于数据编辑器工具栏的「宽转长」图标，选中要堆叠的列、填入分组标签即可。转换后务必检查：分组变量的标签是否正确（group 列里是 1/2/3 还是 A/B/C，取决于填的标签文本），以及样本量是否与原始一致 —— 堆叠时少了几行不会有任何报错提示。

频数派与贝叶斯派是两条并行的路

JASP 的招牌是同一个分析同时给出两套结论。以独立样本 t 检验为例，菜单里是「Independent Samples T-Test」和「Bayesian Independent Samples T-Test」两个独立入口，选错不会报错，只会拿到你并不想要的那一套。

• 频数派：p 值、置信区间、Cohen's d
• 贝叶斯派：贝叶斯因子 BF、后验分布、区间估计

两者的结论方向可能相反。BF 的解读看量级：1/10 到 1/3 之间是「支持无效应」的弱证据，3 到 10 之间是弱支持，超过 100 才算强证据。别把 BF 当 p 值那样只看是否小于 0.05。

先验设定是最容易被忽略的一步

贝叶斯结论完全取决于先验。JASP 默认用弱信息先验（r = 0.707、df = 3 一类的形式），多数场景够用，但正式分析应显式打开「Prior scale」按研究设计设定：设计偏保守、样本量小时把 r 设小（如 0.3），先验更宽松，BF 不会虚高。回归与结构方程模块里的先验面板藏在折叠的高级选项里，容易漏。

不要在看完结果之后再调先验，那是 p-hacking 的贝叶斯版本。

用 R 语法模式换取可复现性

JASP 内置的 R 语法模式是它最有价值的功能，也是最被低估的。点击分析面板右上角的代码图标，就能看到该分析的等价 R 调用；反过来，手写 R 代码按 Ctrl + Enter 也能直接在 JASP 里出图。

r# 语法模式下 JASP 生成的真实调用形如
data <- read.csv("data.csv")
jaspResults <- jaspTools::runAnalysis(
  "IndependentSamplesTTest",
  list(data = data, variables = "score", group = "group")
)

这条路径的价值在批量分析：几十个因变量逐个点面板极易漏项，脚本则可以循环：

rfor (v in c("score", "mood", "sleep")) {
  print(jaspTools::runAnalysis(
    "IndependentSamplesTTest",
    list(data = data, variables = v, group = "group")
  ))
}

导出时勾选「包含语法」，文件末尾就带上完整代码，别人可以逐行复现。这是把「点出来的结果」变成「可审计的结果」最快的方式。

导出与交付的坑

• 导出 APA 表格：结果面板右上角有 APA 格式开关，表格和图注按 APA 第 7 版排版
• 图片导出：导出 PNG 时把缩放拉到 200% 以上，否则投稿时字会糊
• 数据与结果分离：.jasp 格式存的是分析状态而非原始数据，回调时仍要保留原始 CSV
• 版本记录：JASP 更新会改变默认先验与输出格式，投稿前注明所用的版本号