Welche Vorteile hat R im Vergleich zu SPSS vs. Jamovi vs SAS

Pakete im Vergleich

Die am häufigsten genutzten Pakete, um sich mit Statistik zu beschäftigen (oder wahlweise, um sich damit herumzuärgern) sind meiner Erfahrung und persönlichen Meinung nach (gilt für diese gesamte Seite) das R, das SPSS, dann das Jamovi und letztlich auch das SAS. Hier sind Vor- und Nachteile:

Feature	R (mit RStudio)	SPSS (IBM)	Jamovi	SAS
Typ	Open-Source (was meistens heißt: Null Kosten)	kommerzielle mit GUI (graphical user interface)	Open-Source GUI (basiert letztlich auf R)	Kommerzielle Software (Enterprise)
Kosten	kostenlos (downloaden, loslegen)	sehr, sehr teuer (Sie müssen eine Lizenz kaufen)	kostenlos	sehr, sehr teuer (Sie müssen eine Lizenz kaufen, Preise nur auf direkte Nachfrage)
Lernkurve	steil, wenn man sich auf das Scripten von Ideen (und Statistiken) einlassen kann	flach (Point-and-Click aus den Menüs heraus), meist sehr schwer nachzuvollziehen, was passiert	sehr flach (einfach)	steil (eigene Syntax)
Vorteile	extrem flexibel, beste Plots/Charts (ggplot2), große Community, reproduzierbar	einfache Bedienung, Goldstandard in Sozialwissenschaften, ordentliche Berichte, diese sind aber haarig in der Nacharbeitung	intuitive Oberfläche, R-Code wird parallel generiert, ideal für Lehre	sehr zuverlässig bei großen Datensätzen (Big Data), sicher, starker Support, gilt als validiert (Validierungsdoku bis dato von mir noch nicht auffindbar)
Nachteile	zeitintensive Einarbeitung	teuer, weniger flexibel für komplexe/neue Analysen, Grafikerstellung schwierig bis undurchführbar	weniger Funktionen als R/SPSS, noch in der Entwicklung	hohe Kosten, veraltete Oberfläche, komplexe Syntax, sehr frustrierende Einarbeitung, Grafikerstellung schwierig und extrem zeitintensiv
Steuerung größerer Projekte	über Scripte und bei Einarbeitung ins Programmieren vergleichsweise gut steuerbar	machbar, schwierig durch teils 40-Jahre alte Syntax	hier gilt das gleiche wie bei R	gut machbar, schnelle Lauffähigkeit, Steuerung über Macros haarig, schwierig und extrem zeitintensiv
womit genau steuert man größere Projekte	Scripte, eigene funktionen	Syntax, Python	hier gilt das gleiche wie bei R	Scripte, Macros (haarig, schwierig, zeitintensiv)
Best-of	Data Science, Data Viz, Akademische Forschung	Marktforschung, Sozialwissenschaften, Einsteiger	Lehre, schnelle Analysen, SPSS-Alternative	Medizin, Finanzen, Enterprise-Level, Big Data

Fazit und Zusammenfassung

R ist aktuell der Standard an Universitäten, für moderne Data Science und demnächst auch für klinische Studien. Null Euro Kosten ist natürlich immer ein unschlagbares Argument. R bietet unbegrenzte Möglichkeiten, erfordert aber die Bereitschaft, sich auf das Scripten einzulassen. Dafür wird man aber auch belohnt. Hier z.B. ein einfaches Beispiel für einen Chi²-Test, es genügt ein Einzeiler. 4 Häufigkeiten eingeben (siehe rote Zeile weiter unten), Zeile abschicken, p-Wert ablesen, fertig. Schneller geht es kaum. Wenn Sie einen exakten Fisher-Test brauchen, weil Ihre Häufigkeiten klein sind, ersetzen Sie in dem Code einfach das 'chisq' durch ein 'fisher' und fertig ist (es reicht, lediglich den p-Wert abzulesen).
SPSS ist ideal, wenn man eine vertraute, menübasierte Oberfläche ohne Programmierung benötigt. Wird oft in der akademischen Forschung genutzt.
Jamovi: Eine moderne, kostenlose Alternative zu SPSS, die auf R basiert. Es ermöglicht den einfachen Einstieg über eine grafische Oberfläche und ist ideal, um R zu lernen, da es den R-Code anzeigt.
SAS: Der "Panzer" unter den Statistikprogrammen. Sehr etabliert, sehr stabil, sicher und ideal für sehr große Datenmengen in der Industrie (z. B. klinische Studien). Ich höre immer, es sei 'validiert', suche die Validierungsdokumentation allerdings bis heute (hatte bisher noch kein Finderglück).


Hier der R-Code für das obige R-Beispiel. Es geht um die Frage, ob sich 2 Gruppen (10 vs 30 Inzidenz-Fälle), in ihren Inzidenz-Raten unterscheiden. Und ja, in dem Beispiel tun sie dies (p < 0.05).

chisq.test(matrix(c(10,20,30,20), nrow = 2))