jamovi是一款新興的專業(yè)數(shù)據(jù)統(tǒng)計分析軟件，免費(fèi)、開源、集SPSS分析模塊界面化特點(diǎn)和R軟件強(qiáng)大程序編輯功能為一體，由軟件工程師Jonathon Love、Damian Dropmann和 Ravi Selker領(lǐng)銜開發(fā)，其最初開發(fā)是面向心理學(xué)的，但是隨著發(fā)展也逐漸應(yīng)用到其他學(xué)科中。jamovi適用于多種操作系統(tǒng)及應(yīng)用平臺，具有友好的“一鍵式”界面操作菜單，涵蓋數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)管理、統(tǒng)計分析、報表制作、圖形繪制等多種功能。目前，jamovi在國外已被廣泛使用，但在國內(nèi)還應(yīng)用較少。

使用jamovi對數(shù)據(jù)進(jìn)行統(tǒng)計分析，只需要通過選擇菜單、填寫對話框和點(diǎn)擊按鈕等簡單操作即可完成，免去了復(fù)雜的程序編輯環(huán)節(jié)。分析過程，不僅可以同步得到標(biāo)準(zhǔn)數(shù)字圖表，還可產(chǎn)生美觀、高清的統(tǒng)計圖；這些結(jié)果均可被便捷地導(dǎo)出、復(fù)制或粘貼。jamovi可以實(shí)現(xiàn)數(shù)據(jù)的實(shí)時編輯與管理，相應(yīng)的統(tǒng)計分析結(jié)果也會在輸出窗口及時更新，極大地提高了工作效率。目前，常用的醫(yī)學(xué)統(tǒng)計分析方法在jamovi中都已被模塊化，用戶可靈活地選擇加載和啟用。jamovi另一個重要的功能就是可以有效地銜接R語言，通過Rj Editor實(shí)現(xiàn)所有R軟件的數(shù)據(jù)處理功能。

下圖就是jamovi的容貌，是不是長得很簡潔？

圖2 jamovi主頁面

(一) 免費(fèi)、開源

你的確沒有聽錯，免費(fèi)！重要的事情說三遍，免費(fèi)、不收錢、free！jamovi軟件免費(fèi)、開源，可以在多平臺下載使用，是一款不用付費(fèi)就能使用的正版統(tǒng)計軟件。使用過主流統(tǒng)計軟件的人，應(yīng)該都經(jīng)歷過在網(wǎng)上到處搜破解版的經(jīng)歷(富豪此處飄過)，時不時還給你報個錯、限制個功能啥的，我想單憑這個優(yōu)點(diǎn)就有足夠的理由讓大家對jamovi奔走相告。話說“為眾人抱薪者，不可使其凍斃于風(fēng)雪”！哦，不對，應(yīng)該是“酒好不怕巷子深”，相信越來越多的人都會來品嘗這款美酒。

(二) 友好的操作界面

這個或許是jamovi最為靚麗的優(yōu)點(diǎn)了。jamovi的整個頁面就只有三個視圖欄：“主菜單欄”、“操作視圖欄”和“結(jié)果視圖欄”。避免模塊之間的套疊和疊加是研發(fā)人員設(shè)計這款軟件的重要初衷。

圖3 jamovi操作頁面

所有分析操作只需要從“主菜單欄”選擇相應(yīng)的分析方法，然后在左邊“操作視圖欄”勾選相應(yīng)的選項(xiàng)，其結(jié)果就會實(shí)時更新顯示在右邊的“結(jié)果視圖欄”。千萬不要忽略“實(shí)時更新”四個字，這對眾多非統(tǒng)計學(xué)人員來說真的太重要了，在jamovi中只要點(diǎn)擊任何“操作視圖欄”的選項(xiàng)，其相應(yīng)的分析結(jié)果就會立刻呈現(xiàn)在右邊的“結(jié)果視圖欄”，取消選項(xiàng)，結(jié)果也會隨之消失！因此，使用jamovi進(jìn)行數(shù)據(jù)分析根本不存在復(fù)雜的操作和繁多的參數(shù)設(shè)置，初學(xué)者只要多點(diǎn)幾次選項(xiàng)就能明白這個參數(shù)的意義(結(jié)果就在右邊難道還不夠直接嗎？)

如果說的還不夠清楚，那再看看視頻吧！

01:13

(三) 靈活安裝模塊，避免“模塊災(zāi)難”

初看jamovi的分析方法，感覺有點(diǎn)少啊(圖4)，貌似不夠用呢！其實(shí)這個“主菜單欄”上面的幾個方法只是人家的展覽架，放了幾個常用的展品而已，更多的寶貝在人家的百寶箱里，看到了右邊的“Modules(模塊加載)”了嗎？這個就是百寶箱的入口，進(jìn)入以后點(diǎn)擊“jamovi library(模塊圖書館)”，就進(jìn)入了百寶箱內(nèi)部(圖5)。那么里面到底有多少方法呢？目前是40多類方法，注意是類不是種。什么意思？如下面“ANOVA(方差分析)”模塊就是一個類，里面包括了“One-Way ANOVA(單因素方差分析)”、“ANOVA(多因素方差分析)”、“Repeated Measures ANOVA(重復(fù)測量的方差分析)”、“ANCOVA(單因素協(xié)方差分析)”、“MNCOVA(多因素協(xié)方差分析)”、“Kruskal-Wallis H檢驗(yàn)”、“Friedman檢驗(yàn)”等多種分析方法(圖6)。此外，jamovi模塊圖書館中的方法類別還在隨時不斷補(bǔ)充更新，今后會越來越多。你還會覺得方法不夠用嗎？

圖4 jamovi主菜單欄默認(rèn)列出的方法 

圖5 jamovi的模塊圖書館 

圖6 “ANOVA(方差分析)”模塊包括的分析方法

其實(shí)，這就是jamovi的另一個優(yōu)點(diǎn)：可擴(kuò)充性。在主菜單欄包含了常用的統(tǒng)計分析模塊，若想實(shí)現(xiàn)更多的統(tǒng)計分析如元分析、功效分析、中介與調(diào)節(jié)模型分析、貝葉斯方法等可通過加載模塊(Modules)的方式實(shí)現(xiàn)方法擴(kuò)充，這種方式很好地規(guī)避了過多的模塊使得主菜單或模塊列表過于擁擠，造成分析模塊的選擇和操作的不便。如果你是一個方法學(xué)的追逐者，還是覺得這些方法不夠用怎么辦呢？沒有關(guān)系，看jamovi的下一個優(yōu)點(diǎn)。

(四) 集成R的龐大功能

這個功能就要從jamovi的“無敵金身”說起。jamovi其實(shí)是基于R語言開發(fā)的一款開源、免費(fèi)統(tǒng)計分析軟件，只要R語言能實(shí)現(xiàn)的，通過jamovi就能實(shí)現(xiàn)。jamovi中許多模塊與R語言程序包的功能幾乎完全相同。換言之，在加載了相應(yīng)模塊后，可以通過菜單式的操作，得到R語言級的分析結(jié)果，間接體驗(yàn)R的功能。每個分析結(jié)果下面的“References(參考文獻(xiàn))”就是R源代碼的來源，要想深入剖析，點(diǎn)擊查看即可(圖7)。

圖7 jamovi中每種方法的源代碼文獻(xiàn)

此外，在jamovi中，還可以通過兩種方式直接體驗(yàn)R語言。即jamovi自帶的版本(jamovi R)和我們已經(jīng)安裝的R語言(System R)(圖8)。jamovi R可以滿足基本需求，System R可以調(diào)用在自己的R中已安裝過的程序包(需要先安裝R語言，并安裝程序包：jmvconnect)。Rj Editor帶有基礎(chǔ)函數(shù)提示功能，鍵入函數(shù)的前幾個字母后，便會關(guān)聯(lián)出多個函數(shù)供用戶選擇，這能幫助初學(xué)者快速找到想用的函數(shù)(圖9)。其分析結(jié)果就像RStudio一樣，動態(tài)顯示在右邊的“結(jié)果視圖欄”(圖10)。 

圖8 jamovi中R操作過程 

圖9 jamovi中Rj Editor函數(shù)關(guān)聯(lián)功能 

圖10 jamovi中Rj Editor分析結(jié)果頁面

(五) 分析操作最簡化

jamovi充分考慮了每種統(tǒng)計方法的分析思路和實(shí)現(xiàn)流程，將操作步驟進(jìn)行精簡，使用者只需要用最少的操作步驟就可實(shí)現(xiàn)分析目的。參數(shù)設(shè)置頁面都清晰地列在左側(cè)的“操作視圖欄”，不存在任何模塊重疊，操作流程非常簡單。下面就看兩個例子吧！

比如兩獨(dú)立樣本t檢驗(yàn)，先判斷適用條件(正態(tài)性和方差齊性)，只需要點(diǎn)擊左側(cè)“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”下的“Normality test(正態(tài)性檢驗(yàn))”就可在右邊顯示正態(tài)性檢驗(yàn)的結(jié)果；點(diǎn)擊“Homogeneity test(方差齊性檢驗(yàn))”就可在右邊顯示方差齊性檢驗(yàn)的結(jié)果；點(diǎn)擊“Q-Q plot(繪制Q-Q圖)”就可在右邊顯示Q-Q圖(圖11—圖12)。然后進(jìn)行假設(shè)檢驗(yàn)，在“Tests(假設(shè)檢驗(yàn))”下提供了“Student’s (學(xué)生t檢驗(yàn)，即獨(dú)立樣本t檢驗(yàn))”以及方差不齊的校正t檢驗(yàn)(Welch’s t)和非參數(shù)檢驗(yàn)(Mann-Whitney U檢驗(yàn))結(jié)果。只需要點(diǎn)擊相應(yīng)選項(xiàng)，就可在右邊顯示對應(yīng)的分析結(jié)果(圖13)。此外，點(diǎn)擊“Additional Statistics(附加分析)”下的“Mean difference (均數(shù)差)”及“95% Confidence Interval (95%可信區(qū)間，95%CI)”就可在右邊顯示兩組數(shù)據(jù)的均數(shù)差及95%CI；點(diǎn)擊“Effect Size (效應(yīng)量)”及“95% Confidence Interval (95%可信區(qū)間)” 就可在右邊顯示效應(yīng)量Cohen’s d(科恩d值)及其95%CI(圖14)。

圖11 jamovi中兩獨(dú)立樣本t檢驗(yàn)時正態(tài)性和方差齊性檢驗(yàn) 

圖12 jamovi中兩獨(dú)立樣本t檢驗(yàn)時繪制Q-Q圖

圖13 jamovi中兩獨(dú)立樣本t檢驗(yàn)時進(jìn)行統(tǒng)計學(xué)推斷和替代分析方法選擇 

圖14 jamovi中兩獨(dú)立樣本t檢驗(yàn)時計算均數(shù)差、效應(yīng)量及其95%可信區(qū)間

以上這些分析在實(shí)際操作過程中只需要幾十秒鐘時間，來看看這個視頻。

00:54

如果說兩獨(dú)立樣本t檢驗(yàn)尚未體現(xiàn)出jamovi操作最簡化特點(diǎn)，那么回歸分析過程絕對會讓你對jamovi愛不釋手。

大家是否還記得在SPSS中進(jìn)行多重線性回歸分析時啞變量設(shè)置的步驟呢？首先需要通過“Transform(轉(zhuǎn)換)”—“Create Dummy Variables(創(chuàng)建虛擬變量)”過程產(chǎn)生n個啞變量(n為變量的水平數(shù))(圖15—圖16，以Income“收入水平”為例)，然后在多重線性回歸分析時啞變量需要同進(jìn)同出模型(即將“Income_2”和“Income_3”同時選入模型，此時“Income_1”是參照水平)(圖17)。而在jamovi中進(jìn)行多重線性回歸分析時啞變量可以直接選擇，非常簡單(圖18)。我們再想想在SPSS中進(jìn)行l(wèi)ogistic回歸分析時啞變量的設(shè)置，是不是只能選擇第一個水平和最后一個水平為參照？而在jamovi中可以想選哪個選哪個(圖18)，不一定要選擇第一個和最后一個。

圖15 SPSS中對“Inconme(收入水平)”生成啞變量 

圖16 SPSS中對“Inconme(收入水平)”生成了n個啞變量

圖17 SPSS中進(jìn)行多重線性回歸分析時啞變量需要同進(jìn)同出模型 

圖18 jamovi中進(jìn)行多重線性回歸分析時啞變量可以直接選擇 

那我們再來看看回歸分析過程中另一個重要的環(huán)節(jié)：自變量篩選，這個問題一直是大家討論的熱點(diǎn)。在SPSS中進(jìn)行多重線性回歸分析時，提供了“Enter(輸入法)”、“Stepwise(逐步法)”、“Remove(移除法)”、“Backward(后退法)”、“Forward(前進(jìn)法)”五種自變量篩選方法(圖19)；在logistic回歸分析時提供了“Enter(輸入法)”、“Forward: Conditional(向前條件法)”、“Forward: LR(向前LR法)”、“Forward: Wald(向前Wald法)”、“Backward: Conditional(向后條件法)”、“Backward: LR(后向后LR法)”、“Backward: Wald(向后Wald法)”七種自變量篩選方法(圖20)。這么多方法，到底應(yīng)該使用哪種自變量篩選方法并沒有定論，實(shí)際數(shù)據(jù)分析過程中，我們往往會碰到尷尬的情況就是不同的分析方法計算出來的結(jié)果卻不一致。在jamovi中完全沒有這些煩惱，“Omnibus ANOVA Test (整體方差分析)”功能會自動檢驗(yàn)每個自變量在模型中是否有統(tǒng)計學(xué)意義，即是否應(yīng)被納入模型(圖21)；“Model Comparisons (模型比較)”功能也會列出每個模型新增一個自變量后與上一個模型相比決定系數(shù)的差異 (ΔR2)是否有統(tǒng)計學(xué)意義，也即表示新加入的變量是否有統(tǒng)計學(xué)意義(圖22)。 

 圖19 SPSS中進(jìn)行多重線性回歸分析時自變量篩選方法 

圖20 SPSS中進(jìn)行l(wèi)ogistic回歸分析時自變量篩選方法 

圖21 jamovi中進(jìn)行回歸分析時“Omnibus ANOVA Test (整體方差分析)”功能會自動檢驗(yàn)每個自變量在模型中是否有統(tǒng)計學(xué)意義 

圖22 jamovi中進(jìn)行回歸分析時“Model Comparisons (模型比較)”功能會檢驗(yàn)新加入的變量是否有統(tǒng)計學(xué)意義

(六) 重視方法的適用條件

jamovi充分考慮了每種統(tǒng)計方法的適用條件，并且將適用條件判斷研發(fā)了一個單獨(dú)的模塊“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”嵌入每種方法的操作界面。哪怕你只是一個統(tǒng)計學(xué)的初學(xué)者，在jamovi中也不必?fù)?dān)心忘記判斷適用條件或者不知道判斷哪幾個條件的問題，比如：

兩獨(dú)立樣本t檢驗(yàn)時需要使用的“Normality test(正態(tài)性檢驗(yàn))”和“Homogeneity test (方差齊性檢驗(yàn))”(圖23)。 

圖23 jamovi中開展兩獨(dú)立樣本t檢驗(yàn)時的“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”

重復(fù)測量方差分析中需要使用的“Sphericity tests (球形度檢驗(yàn))”、 “Homogeneity test (方差齊性檢驗(yàn))”和“Q-Q plot(Q-Q圖判斷正態(tài)性)”(圖24)。 

圖24 jamovi中開展重復(fù)測量方差分析時的“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”

線性回歸分析時需要使用的“Autocorrelation test (自相關(guān)檢驗(yàn))”、“Collinearity statistics (共線性診斷)”、“Normality test (正態(tài)性檢驗(yàn))”和“Q-Q plot of residuals (殘差Q-Q圖)”、方差齊性檢驗(yàn)的“Residuals plots(殘差圖)”、異常值檢測的“Cook’s distance (庫克距離)”計算(圖25)。

 圖25 jamovi中開展線性回歸分析時的“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”

主成分分析時需要使用的“Bartlett’s test of sphericity (Bartlett球形度檢驗(yàn))”和“KMO measure of sampling adequacy (KMO抽樣適合性檢驗(yàn))”(圖26)。 

圖26 jamovi中開展主成分分析時的“Assumption Checks(假設(shè)檢驗(yàn)條件判斷)”

(七) 重視效應(yīng)量的計算

效應(yīng)量是個啥，是不是還沒聽說過?這并不能怪你，因?yàn)槠綍r大家都不太重視它，其實(shí)它是一個非常重要的指標(biāo)。效應(yīng)量是指由于因素引起的差別，是衡量處理效應(yīng)大小的指標(biāo)。與顯著性檢驗(yàn)不同，效應(yīng)量不受樣本量的影響。

你是否遇到過這種情況：當(dāng)樣本量較大時，很容易出現(xiàn)P<0.05的情況，哪怕此時組間的實(shí)際差別很小。是的，這種現(xiàn)象非常常見，這也說明P值并不那么可靠，當(dāng)樣本量較大時，很有必要報告效應(yīng)量的大小。二項(xiàng)logistic回歸分析時的OR值、Cox回歸分析時的HR值其實(shí)就是效應(yīng)量，但統(tǒng)計學(xué)分析過程中的效應(yīng)量遠(yuǎn)遠(yuǎn)不止這么幾個。

jamovi很重視效應(yīng)量的計算(其實(shí)大家也越來越重視了)，幾乎每種差異性分析或者關(guān)聯(lián)分析方法中均設(shè)置了計算“Effect size(效應(yīng)量)”及95%可信區(qū)間的選項(xiàng)(圖27)。比如：

在t檢驗(yàn)中，報告的是Cohen's d (科恩d值)效應(yīng)量；判斷標(biāo)準(zhǔn)為：絕對值<0.2為極小效應(yīng)，0.2~0.5為中等效應(yīng)，0.5~0.8為較高效應(yīng)，≥0.8為高效應(yīng)。

在方差分析中，報告的是η2、η2p和ω2效應(yīng)量；η2與η2p效應(yīng)量<0.01為極小效應(yīng)，0.01~0.06為小效應(yīng)，0.06~0.14為中等效應(yīng)，>0.14為大效應(yīng)。與η2p相比，ω2還考慮了抽樣誤差，可以提供更加準(zhǔn)確的總體效應(yīng)量估計。

二分類變量之間的關(guān)聯(lián)程度報告的是φ系數(shù)(phi coefficient)、Cramer V系數(shù)(Cramer’s V coefficient)和Pearson列聯(lián)系數(shù)(Contingency coefficient)效應(yīng)量。多分類變量或者等級變量之間的關(guān)聯(lián)程度報告的是Cramer V系數(shù)和列聯(lián)系數(shù)。這三個系數(shù)越接近0，說明關(guān)聯(lián)性越弱；越接近1，說明關(guān)聯(lián)性越強(qiáng)。當(dāng)系數(shù)<0.1時為極弱相關(guān)，0.1~0.3時為弱相關(guān)，0.3~0.5時為中等相關(guān)，>0.5時為強(qiáng)相關(guān)。

單樣本W(wǎng)ilcoxon符號秩檢驗(yàn)、Mann-Whitney U檢驗(yàn)和配對樣本W(wǎng)ilcoxon符號秩檢驗(yàn)報告的是Rank biserial correlation (秩二列相關(guān)系數(shù))效應(yīng)量，Kruskal-Wallis H檢驗(yàn)報告的是ε2效應(yīng)量。

相關(guān)性分析報告的是Pearson相關(guān)系數(shù)、Spearman相關(guān)系數(shù)和Kendall’s Tau-b相關(guān)系數(shù)，當(dāng)0.9</r/<1，為高度相關(guān)；當(dāng)0.7</r/<0.9，為強(qiáng)相關(guān)；0.4</r/<0.7，為中度相關(guān)；0.2</r/<0.4，為弱相關(guān)性；0</r/<0.2，為極弱相關(guān)或無相關(guān)性。

線性回歸分析報告的是Estimate(非標(biāo)準(zhǔn)化回歸系數(shù))及Stand. Estimate (標(biāo)準(zhǔn)化回歸系數(shù))，logistic回歸分析報告的是Estimate(回歸系數(shù))及Odds ratio (OR值)，Cox回歸分析報告的是Hazard Ratio(HR值)。

圖27 jamovi中常用統(tǒng)計分析方法報告的效應(yīng)量

說了這么多，那么jamovi如何下載和安裝呢？

jamovi軟件可以從jamovi官網(wǎng)中免費(fèi)下載，官方網(wǎng)址為：https://www./ 。打開網(wǎng)址進(jìn)入官網(wǎng)首頁后，選擇右上角“download”(圖28)，進(jìn)入下載頁面。 

圖28 jamovi官網(wǎng)頁面

下載頁面中提供了不同系統(tǒng)、不同版本的jamovi軟件。Windows系統(tǒng)(只支持64位操作系統(tǒng))、MacOS系統(tǒng)、Linux系統(tǒng)、ChromeOS系統(tǒng)都支持jamovi的安裝。下載頁面中current、solid、legacy分別表示最新版、穩(wěn)定版、舊版本，使用者可以根據(jù)需要自行選擇。當(dāng)前比較穩(wěn)定的版本是1.6.23，建議安裝此本版本。如果希望嘗試新功能的，可以安裝更高版本，目前最新版本為2.0.0。

軟件安裝這個就不必再浪費(fèi)大家的時間了，直接點(diǎn)擊“Install (安裝)”一鍵式完成(圖29)，連“下一步”都不用點(diǎn)擊！就是這么簡單。 

圖29 jamovi安裝