Aller au contenu

Easystats

Un article de Wikipédia, l'encyclopédie libre.
Si ce bandeau n'est plus pertinent, retirez-le. Cliquez ici pour en savoir plus.
Si ce bandeau n'est plus pertinent, retirez-le. Cliquez ici pour en savoir plus.

Cet article est orphelin. Moins de trois articles lui sont liés ().

Vous pouvez aider en ajoutant des liens vers [[Easystats]] dans les articles relatifs au sujet.

Représentation des packages Easystats.

La collection packages R easystats a été créée en 2019 et comprend principalement des outils dédiés au post-traitement de modèles statistiques[1],[2]. En mai 2022, les 10 packages composant l'écosystème easystats ont été téléchargés plus de 8 millions de fois et ont été utilisés dans plus de 1000 publications scientifiques[3],[4],[5]. Cet écosystème fait l'objet de plusieurs cours statistiques, de didacticiels vidéo et de livres[6],[7],[8],[9],[10],[11],[12].

L'objectif d'easystats est de fournir un cadre cohérent pour comprendre et communiquer les résultats statistiques. Il est également compatible avec d'autres collections de packages, tels que le tidyverse. Les caractéristiques d'easystats notables incluent son API, avec une attention particulière accordée aux noms des fonctions et des arguments (par exemple, en évitant les acronymes et les abréviations), et son faible nombre de dépendances[2].

Histoire[modifier | modifier le code]

En 2019, Dominique Makowski contacte le développeur Daniel Lüdecke avec l'idée de collaborer autour d'une collection de logiciels en R pour faciliter l'analyse de données pour les utilisateurs sans formation de statistiques ou de programmation. Le premier logiciel de easystats, insight, a été créé en 2019[1]. Le second logiciel, bayestestR, a été créé avec l'aide de Mattan S. Ben-Shachar. Indrajeet Patil and Brenton M. Wiernik sont d'autres membres également responsables de logiciels de la suite[2].

Logiciels[modifier | modifier le code]

L'écosystème easystats contient dix packages semi-indépendants.

  • insight : Ce package sert de base à l'écosystème et permet de manipuler les objets d'autres packages R[13].
  • datawizard : Ce package implémente certaines fonctionnalités de manipulation de données.
  • bayestestR : Ce package fournit des outils pour travailler avec les statistiques bayésiennes[14].
  • correlation : Ce package est dédié à l'exécution d'analyses de corrélation[15].
  • performance : Ce package permet l'extraction de métriques de performance de modèles statistiques[16].
  • effectsize : Ce package calcule des indices de taille d'effet et des paramètres standardisés[17].
  • parameters : Ce package est focalisé sur l'analyse des paramètres d'un modèle statistique[18].
  • modelbased : Ce package calcule des prédictions basées sur un modèle, ainsi que des moyennes de groupe et des contrastes.
  • see : Ce package permet de créer des graphiques avec l'aide de ggplot2[19].
  • report : Ce package permet de communiquer des modèles statistiques de manière automatisée.

Articles connexes[modifier | modifier le code]

Références[modifier | modifier le code]

  1. ↑ a et b « easystats: one year already. What's next? », r-bloggers, (consulté le )
  2. ↑ a b et c « easystats », GitHub, (consulté le )
  3. ↑ « easystats Downloads », GitHub, (consulté le )
  4. ↑ « Project "easystats" », ResearchGate (consulté le )
  5. ↑ « Dominique Makowski's Google Scholar Profile », scholar.google.fr
  6. ↑ (en) « easystats: Quickly investigate model performance », Business Science, (consulté le )
  7. ↑ (en) « Automate Textual Reports of Statistical Models in R! report / easystats », YouTube (consulté le )
  8. ↑ Andy P. Field, Discovering statistics using R, Thousand Oaks, California, (ISBN 978-1446200469)
  9. ↑ « Analyse des corrélations avec easystats », rzine.fr (consulté le )
  10. ↑ (en) Su, « A Comprehensive List of Handy R Packages », towardsdatascience.com, (consulté le )
  11. ↑ Ryan Kennedy, Introduction to R for social scientists a Tidy programming approach, Boca Raton, (ISBN 9781000353877)
  12. ↑ Monkman, « Data Science with R: A Resource Compendium » (consulté le )
  13. ↑ Lüdecke, Waggoner et Makowski, « insight: A Unified Interface to Access Information from Model Objects in R », Journal of Open Source Software, vol. 4, no 38,‎ , p. 1412 (DOI 10.21105/joss.01412, Bibcode 2019JOSS....4.1412L, S2CID 198640623)
  14. ↑ Makowski, Ben-Shachar et Lüdecke, « bayestestR: Describing Effects and their Uncertainty, Existence and Significance within the Bayesian Framework », Journal of Open Source Software, vol. 4, no 40,‎ , p. 1541 (DOI 10.21105/joss.01541, Bibcode 2019JOSS....4.1541M, S2CID 201882316)
  15. ↑ Makowski, Ben-Shachar, Patil et Lüdecke, « Methods and Algorithms for Correlation Analysis in R », Journal of Open Source Software, vol. 5, no 51,‎ , p. 2306 (DOI 10.21105/joss.02306, Bibcode 2020JOSS....5.2306M, S2CID 225530918)
  16. ↑ Lüdecke, Ben-Shachar, Patil et Waggoner, « performance: An R Package for Assessment, Comparison and Testing of Statistical Models », Journal of Open Source Software, vol. 6, no 60,‎ , p. 3139 (DOI 10.21105/joss.03139, Bibcode 2021JOSS....6.3139L, S2CID 233378359)
  17. ↑ Ben-Shachar, Lüdecke et Makowski, « effectsize: Estimation of Effect Size Indices and Standardized Parameters », Journal of Open Source Software, vol. 5, no 56,‎ , p. 2815 (DOI 10.21105/joss.02815, Bibcode 2020JOSS....5.2815B, S2CID 229576898)
  18. ↑ Lüdecke, Ben-Shachar, Patil et Makowski, « Extracting, Computing and Exploring the Parameters of Statistical Models using R », Journal of Open Source Software, vol. 5, no 53,‎ , p. 2445 (DOI 10.21105/joss.02445, Bibcode 2020JOSS....5.2445L, S2CID 225319884)
  19. ↑ Lüdecke, Patil, Ben-Shachar et Wiernik, « see: An R Package for Visualizing Statistical Models », Journal of Open Source Software, vol. 6, no 64,‎ , p. 3393 (DOI 10.21105/joss.03393, S2CID 238778250)
Ce document provient de « https://fr.wikipedia.org/w/index.php?title=Easystats&oldid=208703623 ».