jamovi（下载链接：https://www.jamovi.org/） 对于所有平台都是免费开放的，较于其他软件而言，它具有直观易懂，操作便利的优势，加上其快速发展的步伐，相信在不久的将来，它极有可能替代并超越 SPSS 软件。这里，笔者将跟大家一起学习该软件的使用方法。
1.软件安装：
安装好软件后如下界面，该界面较为简单，不得不说的是右上角的组件按钮，通过这里我们可以安装一些常用的组件（如生存分析组件、描述统计组件以及Meta分析组件等）。1）导入提前准备好的数据（这里笔者提前准备了从TCGA官网下载的早期LUAD患者的临床病理资料，后续分析以此为例）。导入数据方式与常用软件类似，相信这一步不会难到大家。
以下为导入数据后，可以看到导入数据后软件会自动识别变量类型，对于绝大多数变量我们不需要再重新定义变量类型，与SPSS相比省去了很大的工作量。对于需要修改变量类型我们可以点击“Varibale”进入变量视图对其进行操作（变量类型不对会影响后续分析哦）。当然，很多情况下我们需要对部分变量进行转换或者计算变量来产生用于后续分析的新变量，这让我们想到了SPSS中的计算变量，在这里Compute与之对应。
例如，原始数据中的生存时间为天，这里我可以利用Compute将其转换为年，具体为：点击Compute→新变量命名为“Surv_year”→函数中选择原始变量futime→输入/365按回车即可。其实不管是使用SPSS、R、STATA还是说jamovi软件，统计分析的灵魂都是一样的。我们拿到数据后首先要做的肯定是做统计描述看其分布情况。首先，我们进入分析模块，点击探索按钮（这个与SPSS很像）。令我感到惊讶（更多的是惊喜）的是我安装的组件里面竟然有Table One这个神插件（Table One大家一看这个名字应该就能知道它的功能了，这个就是我们临床统计里面的表1—基线表，现在可以在R、STATA和Python中利用相关的包生成）。这里，笔者利用ClinicoPath Descriptive组件下的两个功能对连续性变量（图7b）和分类变量（图7c）分别进行统计描述，可以看到该组件可以统计除连续性变量的均数±标准差以及中位数和极值；而对于分类变量，该插件可以统计该变量的观测值和因子水平以及有无缺失值。
接着，笔者尝试了该组件中的Table One，可以看到制作的基线表（图7d）。这里有几种风格可以选择，大家可以尝试一下。另外，也可以选择要不要排除缺失值。总体来说，该功能还是挺良心的，但是如果可以按照某一个变量分组统计岂不更好？（Python Tableone 可实现）。后续的统计描述其实跟SPSS一样，相信大家聪明的小脑瓜随便可以应付啦。另外，这里面也可以做一些基础统计图形，如箱线图等，这真的是剑指SPSS的软肋啊。
接下来我们进入Survival模块，首先通过Death Watch功能分析整个队列患者的整体生存情况（如具体有多少人出现结局事件、中位生存时间等）。这里要注意，和其他统计软件一致，结局事件为“1”。此外，通过该功能我们还可以绘制整体的生存曲线（图8a）。不得不说，这个图还是有模有样（发表级），生存曲线可以设置可信区间、统计分析方法、是否显示删失事件、风险表和中位生存时间，这个基本就是无代码R绘图啊，很良心了。当然，如果你不喜欢生存曲线的颜色，可以通过右上角进一步设置（图8b）。图形和结果保存也很方便，直接在图片上右键就可以导出PDF矢量图方便后续修改。此外，我们也可以在Groups中选择我们关注的分组，分析不同不同亚组之间患者生存是否有统计差异（图8c）。这样，我们可以选择有统计学意义的临床变量进入多因素Cox回归分析以确定独立预后因素（不得不说一下：Log-rank检验是非参数检验，有些变量有可能Log-rank检验有统计学差异，但是单因素Cox回归分析没有统计学差异。这种情况下应该优先选择后者中的结果，因为Log-rank是非参数检验，而后者是半参数检验，结果较前者更为可信。）
单因素及多因素Cox回归分析也在Survival模块中，在分析之前我们需要将连续性变量年龄转换为分类变量（操作同前），在单因素分析中我们可以得到对应的HR值和95%CI，可以得到对应的1-，3-，5-年生存率（图9a）。最后将单因素分析中有意义的变量纳入多因素Cox回归分析即可。
多因素Cox回归分析也较为简单，将要分析的变量选择进入协变量框即可（图9b）。此外，在该模块中我们也可以选择绘制森林图，这里有两种风格，一种是自带的finalfit（图9c），而另外一种是基于R survminer的森林图（图9d），可以根据个人喜好选择。
今天的jamovi软件就介绍到这里了，其实该软件的功能远不止于此，大家可以在有时间的时候进一步探索一下。下期我们再见。