Słownik metodologiczny · Programy statystyczne

JASP – darmowy program do analiz klasycznych i bayesowskich: możliwości, przykład i cytowanie

JASP to bezpłatny program z otwartym kodem, w którym większość analiz można wykonać klasycznie i bayesowsko. Opisujemy jego cechy według stron twórców, domyślny rozkład a priori w bayesowskim teście t, przykład, w którym istotne p idzie w parze ze słabym dowodem, oraz sposób cytowania.

W skrócie: JASP to darmowy program statystyczny z otwartym kodem, w którym obok testów klasycznych są ich odpowiedniki bayesowskie z czynnikiem Bayesa. W bayesowskim teście t domyślny rozkład a priori to rozkład Cauchy’ego o skali 0.707 – podaj go w pracy i sprawdź, czy wynik jest odporny na jego zmianę. Cytuj program z numerem wersji i dołącz plik .jasp, który przechowuje dane i ustawienia analiz.

Co to jest JASP?

JASP to darmowy program statystyczny z otwartym kodem, w którym większość analiz – test t, ANOVA, korelację, regresję, tabele kontyngencji – można przeprowadzić zarówno w wersji klasycznej (częstościowej), jak i bayesowskiej. Nazwa to skrót od Jeffreys’s Amazing Statistics Program, a znakiem rozpoznawczym programu jest czynnik Bayesa. Program rozwija zespół związany z Uniwersytetem Amsterdamskim. Część silnika obliczeniowego, która wykonuje analizy w R, jest udostępniana na licencji GNU GPLv2, a interfejs – na licencji GNU AGPL v3. Program jest bezpłatny (JASP Team, b.d.).

Według informacji o wydaniach najnowsza wersja w chwili pisania to JASP 0.98.8, wydana w październiku 2026 r. (JASP Team, 2026). Program działa w systemach Windows 10 i 11, macOS (od wersji 15), na Chromebookach i w dystrybucjach Linuksa z obsługą Flatpak. Nie działa na iPadach i iPhone’ach.

Najważniejsze cechy

  • Analizy klasyczne i bayesowskie obok siebie. Wagenmakers i in. (2018) pokazują w JASP bayesowskie odpowiedniki testu t, ANOVA, korelacji, regresji i analizy tabel kontyngencji.
  • Wyniki aktualizują się na bieżąco. Po zmianie opcji tabela przelicza się od razu, bez ponownego uruchamiania analizy.
  • Plik .jasp przechowuje razem dane, analizy z ustawieniami i wyniki z komentarzami. JASP otwiera też pliki .csv oraz dane z SPSS, SAS, Excela, Staty i R.
  • Moduły poszerzają zakres analiz, m.in. o SEM, metaanalizę, analizę sieci, uczenie maszynowe, analizę mocy, rzetelność, analizę przeżycia i testy równoważności.
  • Tabele w formacie zbliżonym do APA i integracja z OSF.
  • Obliczenia w R. JASP korzysta z R i pakietów z CRAN (m.in. BayesFactor i lavaan), więc wyniki można sprawdzić w R (przykład niżej).

Od wersji 0.98 JASP zawiera też asystenta AI, z którym rozmawia się w języku naturalnym (JASP Team, 2026). Traktuj go jak pomoc w obsłudze programu. Wybór analizy i interpretacja wyników pozostają po Twojej stronie.

Bayesowski test t w JASP – co trzeba wiedzieć

W wersji bayesowskiej JASP nie podaje wartości p, tylko czynnik Bayesa: BF10 (ile razy dane są bardziej prawdopodobne przy H1 niż przy H0) albo BF01 = 1/BF10. Wynik zależy od rozkładu a priori wielkości efektu przy H1. Domyślnie jest to rozkład Cauchy’ego wyśrodkowany na zerze, o skali 0.707, którą można zmienić w zakładce Prior (Ly, 2018).

Van Doorn i in. (2021) w wytycznych JASP dla analiz bayesowskich podają zalecenia dla czterech etapów: planowania, przeprowadzenia, interpretacji i raportowania analizy. W praktyce przy każdej analizie bayesowskiej w pracy dyplomowej:

  • przed analizą określ hipotezy i rozkład a priori (domyślny też jest wyborem, który trzeba uzasadnić);
  • sprawdź, jak wynik zmienia się przy innych szerokościach rozkładu a priori (analiza odporności);
  • raportuj BF z kierunkiem (BF10 lub BF01), rozkład a priori i oszacowanie efektu z przedziałem wiarygodności.

Bayesowski test t w JASP krok po kroku

  1. Otwórz dane (.csv, .sav lub inny obsługiwany format) i sprawdź, czy zmienna grupująca ma poziom nominalny, a wynik – ilościowy.
  2. W module T-Tests wybierz analizę Bayesian Independent Samples T-Test.
  3. Zmienną zależną przenieś do pola Variables, a zmienną grupującą do pola Grouping Variable.
  4. Wybierz hipotezę (dwustronną lub jednostronną) i sposób zapisu czynnika Bayesa: BF10 albo BF01. Zaznacz Descriptives, aby otrzymać średnie i odchylenia standardowe w grupach.
  5. Sprawdź ustawienia rozkładu a priori i – jeśli je zmieniasz – zrób to przed obejrzeniem wyniku.
  6. Zapisz plik .jasp. Zawiera dane, ustawienia i wyniki, więc pozwala odtworzyć analizę.

Nazwy pól i opcji pochodzą z pomocy programu (JASP Team, b.d.). W kolejnych wersjach układ okien może się nieco różnić, ale logika analizy pozostaje ta sama.

Przykład: istotne p, a słaby dowód

Siedemdziesięciu studentów (dane symulowane, bez prawdziwej różnicy między grupami) uczyło się listy słów w ciszy albo przy muzyce, po 35 osób, a następnie rozwiązało test pamięci (0–40). Te same analizy, które JASP wykonuje w module T-Tests, policzono w R (kod niżej):

  • cisza: M = 25.31, SD = 5.11; muzyka: M = 22.69, SD = 5.32;
  • klasyczny test t: t(68) = 2.11, p = .039, d = 0.50, 95% CI [0.03, 0.98];
  • bayesowski test t (Cauchy, skala 0.707): BF10 = 1.60.

Klasycznie wynik jest istotny. Czynnik Bayesa pokazuje jednak, że dane są tylko 1.6 raza bardziej prawdopodobne przy H1 niż przy H0. To dowód bardzo słaby, a w tym przypadku – wiemy to, bo dane symulowano – fałszywy alarm. Analiza odporności daje BF01 od 0.56 (skala 0.5) do 0.96 (skala 1.414), czyli BF10 od ok. 1.8 do ok. 1.0. Przy żadnym rozsądnym rozkładzie a priori dowód nie staje się przekonujący. Ten przykład dobrze ilustruje, dlaczego p tuż poniżej .05 nie powinno samo przesądzać o wniosku (zob. NHST).

Jak opisać JASP w pracy i jak go cytować

JASP zaleca cytowanie w formie „JASP Team (rok). JASP (Version x.y)[Computer software]” z numerem używanej wersji (JASP Team, b.d.). W opisie metody podaj też rozkład a priori i wariant testu.

Analizy przeprowadzono w programie JASP (wersja 0.98.8; JASP Team, 2026). Osoby uczące się w ciszy (M = 25.31, SD = 5.11) uzyskały wyższy wynik testu pamięci niż osoby uczące się przy muzyce (M = 22.69, SD = 5.32), t(68) = 2.11, p = .039, d = 0.50, 95% CI [0.03, 0.98]. Bayesowski test t z domyślnym rozkładem a priori Cauchy’ego (skala 0.707) wskazał jednak jedynie słabe świadectwo na rzecz różnicy, BF10 = 1.60; przy skalach od 0.5 do 1.414 BF10 mieścił się w przedziale od 1.04 do 1.79.

Poza samym programem zacytuj metody, z których korzystasz, np. wytyczne analiz bayesowskich. Dołącz też plik .jasp do materiałów pracy – zawiera dane i wszystkie ustawienia, więc działa jak zapis analizy (zob. open science).

JASP a jamovi i SPSS

Porównanie JASP z jamovi i SPSS
CechaJASPjamoviSPSS
Kosztdarmowydarmowy (komputer)płatny
Analizy bayesowskiewbudowane w większość analizprzez moduływybrane procedury
Zapis analizyplik .jaspplik .omv, podgląd kodu Rskładnia .sps
Rozszerzeniamoduły JASPbiblioteka modułów jamoviExtension Hub

Wybór programu zwykle mniej zależy od możliwości niż od tego, czego używa promotor i czy potrzebujesz analiz bayesowskich. Szersze zestawienie zawiera wpis Bezpłatne programy do analizy statystycznej, a interpretację wyniku nieistotnego za pomocą czynnika Bayesa – Hipoteza się nie potwierdziła – co dalej.

Przykład reprodukowalny

Te same testy w R

Kod liczy klasyczny test t z d Cohena oraz bayesowski test t pakietem BayesFactor z rozkładem a priori Cauchy’ego o skali 0.707 i z innymi skalami. Liczby w tekście pochodzą z tego kodu. Samego programu JASP nie uruchamiano.

Klasyczny i bayesowski test t dla dwóch grup

Dane wejściowe: wynik testu pamięci (0–40) po nauce w ciszy i przy muzyce, po 35 osób, bez prawdziwej różnicy (dane symulowane, set.seed(217)).

Co odczytać: t, df, p-value, Cohen's d, BF10, BF01 oraz BF01 dla czterech skal rozkładu a priori.

R
# R217 – klasyczny i bayesowski test t dla prób niezależnych, jak w module T-Tests programu JASP
# (bayesowski test t liczony pakietem BayesFactor; domyślny rozkład a priori: Cauchy o skali 0.707)
suppressPackageStartupMessages(library(BayesFactor))
set.seed(217)
# Dane symulowane: wynik testu pamięci (0–40) po nauce w ciszy i przy muzyce, po 35 osób; brak prawdziwej różnicy
cisza  <- round(rnorm(35, 24, 6))
muzyka <- round(rnorm(35, 24, 6))
round(c(M_cisza = mean(cisza), SD_cisza = sd(cisza), M_muzyka = mean(muzyka), SD_muzyka = sd(muzyka)), 2)

# 1. Klasyczny test t Studenta i d Cohena
t.test(cisza, muzyka, var.equal = TRUE)
print(effectsize::cohens_d(cisza, muzyka)); cat("\n")

# 2. Bayesowski test t: BF10 (dane za H1) i BF01 = 1 / BF10 (dane za H0)
bf <- ttestBF(x = cisza, y = muzyka, rscale = "medium")      # "medium" = 0.707
round(c(BF10 = extractBF(bf)$bf, BF01 = 1 / extractBF(bf)$bf), 2)

# 3. Wrażliwość na szerokość rozkładu a priori
skale <- c(0.5, 0.707, 1, 1.414)
round(sapply(skale, function(r) 1 / extractBF(ttestBF(x = cisza, y = muzyka, rscale = r))$bf), 2) |> setNames(paste0("BF01_r=", skale))
Wynik w R
  M_cisza  SD_cisza  M_muzyka SD_muzyka 
    25.31      5.11     22.69      5.32 

	Two Sample t-test

data:  cisza and muzyka
t = 2.1076, df = 68, p-value = 0.03876
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 0.1398015 5.1173414
sample estimates:
mean of x mean of y 
 25.31429  22.68571 

Cohen's d |       95% CI
------------------------
0.50      | [0.03, 0.98]

- Estimated using pooled SD.
BF10 BF01 
1.60 0.63 
  BF01_r=0.5 BF01_r=0.707     BF01_r=1 BF01_r=1.414 
        0.56         0.63         0.75         0.96 

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3.

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. BayesFactor (wersja 0.9.12-4.8): Morey, R. D., & Rouder, J. N. (2026). BayesFactor: Computation of Bayes factors for common designs (R package version 0.9.12-4.8) [Computer software]. https://doi.org/10.32614/CRAN.package.BayesFactor
  3. effectsize (wersja 1.0.2): Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815

Najczęstsze błędy

  • Brak numeru wersji i rozkładu a priori w opisie analizy bayesowskiej.
  • Odczytywanie BF10 jako prawdopodobieństwa H1. Czynnik Bayesa to stosunek wiarygodności danych przy dwóch hipotezach, a nie szansa, że hipoteza jest prawdziwa.
  • Zmiana rozkładu a priori po zobaczeniu wyniku, aby uzyskać „lepszy” BF – to bayesowski odpowiednik p-hackingu.
  • Mylenie BF10 i BF01 w tekście i tabeli. Zawsze podaj indeks dolny.
  • Pomijanie założeń. Bayesowski test t w JASP zakłada, tak jak klasyczny, normalność reszt i jednorodność wariancji.

Najczęstsze pytania

Czy JASP jest darmowy?

Tak. JASP jest bezpłatny i ma otwarty kod: silnik obliczeniowy udostępniany jest na licencji GNU GPLv2, a interfejs na GNU AGPL v3. Można go używać bez opłat także w pracach dyplomowych i publikacjach.

Jak zacytować JASP w pracy?

Twórcy zalecają format: JASP Team (rok). JASP (Version numer)[Computer software], z numerem faktycznie używanej wersji, np. 0.98.8. Jeśli korzystasz z analiz bayesowskich, zacytuj też metody i podaj rozkład a priori.

Jaki rozkład a priori stosuje JASP w bayesowskim teście t?

Domyślnie rozkład Cauchy’ego wyśrodkowany na zerze o skali 0.707 dla wielkości efektu przy hipotezie alternatywnej. Skalę można zmienić w zakładce Prior; warto pokazać, jak zmienia się czynnik Bayesa przy innych skalach.

Czym JASP różni się od jamovi?

Oba programy są darmowe i oparte na R. JASP ma analizy bayesowskie wbudowane w większość procedur, a jamovi pokazuje kod R stojący za analizą i rozszerza możliwości przez bibliotekę modułów (analizy bayesowskie też przez moduły).

Czy wynik z JASP można odtworzyć w R?

Tak. JASP wykonuje obliczenia w R z użyciem pakietów z CRAN, np. BayesFactor dla bayesowskich testów t. Ten sam test z tą samą skalą rozkładu a priori możesz policzyć funkcją ttestBF().

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. JASP Team. (2026). Release notes. https://jasp-stats.org/release-notes/ ● Otwarty dostęp
  2. JASP Team. (b.d.). Frequently asked questions. Pobrano 26 października 2026 z https://jasp-stats.org/faq/ ● Otwarty dostęp
  3. Ly, A. (2018). Teaching Bayesian estimation with the Summary Stats module. JASP Blog. https://jasp-stats.org/2018/04/11/teaching-bayesian-estimation-with-the-summary-stats-module/ ● Otwarty dostęp
  4. van Doorn, J., van den Bergh, D., Böhm, U., Dablander, F., Derks, K., Draws, T., Etz, A., Evans, N. J., Gronau, Q. F., Haaf, J. M., Hinne, M., Kucharský, Š., Ly, A., Marsman, M., Matzke, D., Komarlu Narendra Gupta, A. R., Sarafoglou, A., Stefan, A., Voelkel, J. G., & Wagenmakers, E.-J. (2021). The JASP guidelines for conducting and reporting a Bayesian analysis. Psychonomic Bulletin & Review, 28(3), 813–826. https://doi.org/10.3758/s13423-020-01798-5 ● Otwarty dostęp
  5. Wagenmakers, E.-J., Love, J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Selker, R., Gronau, Q. F., Dropmann, D., Boutin, B., Meerhoff, F., Knight, P., Raj, A., van Kesteren, E.-J., van Doorn, J., Šmíra, M., Epskamp, S., Etz, A., Matzke, D., . . . Morey, R. D. (2018). Bayesian inference for psychology. Part II: Example applications with JASP. Psychonomic Bulletin & Review, 25(1), 58–76. https://doi.org/10.3758/s13423-017-1323-7 ● Otwarty dostęp

Cytowania BibTeX

@misc{jasp2026release, author={{JASP Team}}, title={{Release notes}}, howpublished={JASP}, year={2026}, url={https://jasp-stats.org/release-notes/}}
@misc{jaspndfaq, author={{JASP Team}}, title={{Frequently asked questions}}, howpublished={JASP}, url={https://jasp-stats.org/faq/}}
@misc{ly2018teaching, author={Ly, Alexander}, title={{Teaching Bayesian estimation with the Summary Stats module}}, howpublished={JASP Blog}, year={2018}, url={https://jasp-stats.org/2018/04/11/teaching-bayesian-estimation-with-the-summary-stats-module/}}
@article{vandoorn2021jasp, author={van Doorn, Johnny and van den Bergh, Don and Böhm, Udo and Dablander, Fabian and Derks, Koen and Draws, Tim and Etz, Alexander and Evans, Nathan J. and Gronau, Quentin F. and Haaf, Julia M. and Hinne, Max and Kucharský, Šimon and Ly, Alexander and Marsman, Maarten and Matzke, Dora and Komarlu Narendra Gupta, Akash R. and Sarafoglou, Alexandra and Stefan, Angelika and Voelkel, Jan G. and Wagenmakers, Eric-Jan}, title={{The JASP guidelines for conducting and reporting a Bayesian analysis}}, journal={Psychonomic Bulletin \& Review}, year={2021}, volume={28}, number={3}, pages={813--826}, doi={10.3758/s13423-020-01798-5}}
@article{wagenmakers2018bayesianii, author={Wagenmakers, Eric-Jan and Love, Jonathon and Marsman, Maarten and Jamil, Tahira and Ly, Alexander and Verhagen, Josine and Selker, Ravi and Gronau, Quentin F. and Dropmann, Damian and Boutin, Bruno and Meerhoff, Frans and Knight, Patrick and Raj, Akash and van Kesteren, Erik-Jan and van Doorn, Johnny and Šmíra, Martin and Epskamp, Sacha and Etz, Alexander and Matzke, Dora and de Jong, Tim and van den Bergh, Don and Sarafoglou, Alexandra and Steingroever, Helen and Derks, Koen and Rouder, Jeffrey N. and Morey, Richard D.}, title={{Bayesian inference for psychology. Part II: Example applications with JASP}}, journal={Psychonomic Bulletin \& Review}, year={2018}, volume={25}, number={1}, pages={58--76}, doi={10.3758/s13423-017-1323-7}}
R