Tools & Software

Praktische Werkzeuge für bayesianische Analysen, nach Einstiegshürde sortiert. Alle empfohlene Software ist kostenlos und quelloffen.

Niederschwellig · GUI

Für Einsteigende

Klicken statt Programmieren: ideal für Lehre, erste eigene Analysen und alle, die nicht coden möchten.

★ Empfehlung Einstieg

JASP

Statistik-GUI mit erstklassiger Bayes-Implementierung. Klassische und bayesianische Tests stehen direkt nebeneinander. Wird an der Uni Amsterdam aktiv weiterentwickelt.

🪟 Win🍎 Mac🐧 Linux0 €

★ Empfehlung Einstieg

Jamovi

Modulare Plattform auf R-Basis. Mit dem Modul jsq kommen Bayes-Tests dazu. Skalen-Erstellung, Reproduzierbarkeit und Publikations-Output stark.

🪟 Win🍎 Mac🐧 Linux0 €

Programmierung

R + RStudio

Standard im Wissenschaftsbetrieb. Vollständig kostenlos. Brücke zu allen ernsthaften Bayes-Workflows.

🪟 Win🍎 Mac🐧 LinuxOpen Source

Fortgeschritten · R-Pakete

Für Anwendende mit R-Erfahrung

Hohe Modell-Flexibilität, ohne den Sprung in eine probabilistische Programmiersprache.

★ Empfehlung Fortgeschritten

brms

R-Wrapper für Stan. Formel-Syntax wie bei lme4, aber bayesianisch, von einfachen Regressionen bis zu hierarchischen, nicht-linearen Modellen.

R-PaketStan-basiert

Standard-Tests

BayesFactor

Klassische Tests (t, ANOVA, Korrelation, Regression) als Bayes-Faktor-Versionen. Kompakte Schnittstelle, sinnvolle Defaults.

R-PaketMorey & Rouder

Workflow

easystats

Paketfamilie für Postprocessing, Reporting und Visualisierung, inklusive bayestestR für HDIs, ROPE und mehr.

R-SuitebayestestR

Studienplanung

BFDA

Bayes-Faktor-Design-Analyse: Stichprobenplanung mit Simulation, sequenzielle Designs, Stoppregeln.

R-PaketSchönbrodt

Profi · Probabilistic Programming

Für maximale Flexibilität

Wenn dein Modell nicht in eine Standardformel passt oder Performance entscheidend ist.

★ Goldstandard

Stan

Probabilistische Programmiersprache mit Anbindungen für R, Python, Julia und mehr. State-of-the-art HMC/NUTS-Sampler. Sehr aktive Community.

C++ BackendMulti-Sprache

Python

PyMC

Bayes-Workflows in Python. Saubere API, gute Visualisierungen via ArviZ. Ideal, wenn dein Stack ohnehin auf Python läuft.

PythonPyTensor

Performance

NumPyro

JAX-basiertes Pyro. Wenn du große Modelle, GPU-Beschleunigung oder Auto-Differentiation brauchst.

JAXGPU-fähig

Julia

Turing.jl

Bayesian Inference in Julia. Schnell, eleganz und stark in numerischen Anwendungen.

Julia

Reproduzierbarkeit & Open Science

Drumherum-Tools

Plattform

OSF · Open Science Framework

Preregistration, Datenarchivierung, Projekt-Hosting. Standard für Open-Science-Workflows.

Cloudkostenlos

Plattform

ZPID · Leibniz-Institut für Psychologie

Datenarchiv PsychArchives, PsychOpen, Preregistration-Service und Methodenkurse, die zentrale Open-Science-Infrastruktur für Psychologie im DACH-Raum.

DACHkostenlos

Preregistration

AsPredicted

Schlanke Preregistration in unter 10 Minuten. Standard-Template, kein Konto nötig.

Lean

Reporting

Quarto

Reproduzierbares Publizieren: Markdown + R/Python/Julia. Nachfolger von R Markdown und Jupyter-Reports.

Multi-SpracheHTML · PDF · DOCX

Welches Tool wann? Cheatsheet

Situation	Empfehlung
Erste Bayes-Analyse, Lehre	JASP
Klassische Tests + Bayes nebeneinander	JASP oder Jamovi
Hierarchisches Modell ohne langen Code	brms
Bayes-Faktor für Standard-Tests in R	BayesFactor
Studienplanung (BF-Design, Sequenz)	BFDA
Postprocessing & Reporting in R	bayestestR
Eigenes komplexes Modell	Stan, PyMC
Python-Stack / GPU	PyMC oder NumPyro
Reproduzierbares Reporting	Quarto

In Arbeit

Vergleichende Tutorials

Wir bauen pro Tool eine kompakte 5-Minuten-Einführung mit identischem Beispieldatensatz, damit du Workflows direkt vergleichen kannst.