Please sign in to see the alerts.

Summary

Project website lsj.readthedocs.io
Instructions for translators

Dear translators,

welcome and thank you for your willingness to contribute to the translation of the “learning statistics with jamovi”-text book!

There are a couple of things that I would like to ask you, in order to make your and my life a bit easier (manual corrections need time, so that what you translated won't appear until I fixed it):

[1] There are buttons underneath the “Translation” box. One of them is “Automatic suggestions” which provides you with a machine translation of the text to be translated. This can just be copied into the target field for the translation and adjusted.

[2] markdown-formattings for italics or bold - italics are enclosed with one star (*italics*), bold with two (**bold**): please ensure that the stars are placed around the same word / meaning in the translation as in the original

[3] There are a couple of text elements that should be treated different from the rest of the text (please check: the automatic suggestions might translate this “wrong”):

  • placeholders (marked by |) should not be translated: e.g., |placeholder| or |placeholder|_, among them is |continuous| which produces an icon denoting a continuous level of measurement

  • double backticks (``): they typically are used for variable or analysis names – the variable names shouldn't be changed, for the analysis names, it is up to your discretion whether to translate them or not (I decided to rather go with the English analysis since the feature to set the UI language in jamovi is fairly new, and it is relatively simple to figure out the translated name from the English one)

  • be careful that :doc:`` does not contain spaces at the beginning of the string, also ensure to leave the part enclosed by <> as it is (it points to a file; therefore, please double-check that the automatic translation did not translate it otherwise it will end up as a broken link)

  • figure references, e.g., fig12-1 in :numref:`` should not to be translated

  • (language-specific) quotation marks: there are buttons above the text field for the target translation that can be used to replace "'s by your language specific quotation marks

    [4] if there doesn't exist a good translation of a particular word or technical term, either try "translation (original word / phrase)" or "original word / phrase" (this shows the original English term in italics either with a translation that you may not be completely happy with or without a translation

    Finally, I would like to suggest that you install LanguageTool (browser add-on) as an additional check that your translations are correct (however, LanguageTool might not be available for every language).

    Don't hesitate to contact me (@sjentsch) if you have questions or suggestions.
Project maintainers1 User avatar sjentsch
Translation license Creative Commons Attribution Share Alike 4.0 International
Translation process
  • Translations can be made directly.
  • Translation suggestions can be made.
  • Any authenticated user can contribute.
  • The translation uses bilingual files.
Source code repository git@github.com:sjentsch/lsjDocs-i18n.git
Repository branch main
Last remote commit Translated using Weblate (Slovenian) 661aab73
User avatar DiCaver authored 12/07/2025
Last commit in Weblate Translated using Weblate (Slovenian) 661aab73
User avatar DiCaver authored 12/07/2025
Weblate repository https://hosted.weblate.org/git/lsjdocs/start/
File mask */LC_MESSAGES/Ch17.po
11/18/2025

String statistics

Strings percent Hosted strings Words percent Hosted words Characters percent Hosted characters
Total 1,188 160,920 945,999
Source 44 5,960 35,037
Translated 23% 284 18% 29,864 18% 175,697
Needs editing 0% 0 0% 0 0% 0
Read-only 3% 44 3% 5,960 3% 35,037
Failing checks 3% 38 4% 8,010 4% 46,716
Strings with suggestions 0% 0 0% 0 0% 0
Untranslated strings 76% 904 81% 131,056 81% 770,302
Last 12 months Previous

Activity in last 12 months

1 change 0 changes 46 changes 91 changes 0 changes 0 changes 0 changes 197 changes 0 changes 222 changes 0 changes 30 changes 0 changes 151 changes 0 changes 256 changes 90 changes 13 changes 0 changes 41 changes 0 changes 0 changes 0 changes 0 changes
DecJanFebMarAprMayJunJulAugSepOctNov

Quick numbers

160 k
Hosted words
1,188
Hosted strings
23%
Translated
5
Contributors
0
Components
27
Languages
27
Translations
0
Screenshots
and previous 30 days

Trends of last 30 days

—
Hosted words
+100%
—
Hosted strings
+100%
—
Translated
+23%
—
Contributors
—
User avatar weblate:commit

Changes committed
Changes committed 09/02/2025
User avatar Maksim2005UKR

Translation changed
In short, I think that the big payoff for learning statistics this way is *extensibility*. For a book that only covers the very basics of data analysis, this book has a massive overhead in terms of learning probability theory and so on. There’s a whole lot of other things that it pushes you to learn besides the specific analyses that the book covers. So if your goal had been to learn how to run an ANOVA in the minimum possible time, well, this book wasn’t a good choice. But as I say, I don’t think that is your goal. *I* think you want to learn how to do data analysis. And if that really is your goal, you want to make sure that the skills you learn in your introductory stats class are naturally and cleanly extensible to the more complicated models that you need in real world data analysis. You want to make sure that you learn to use the same tools that real data analysts use, so that you can learn to do what they do. And so yeah, okay, you’re a beginner right now (or you were when you started this book), but that doesn’t mean you should be given a dumbed-down story, a story in which I don’t tell you about probability density, or a story where I don’t tell you about the nightmare that is factorial ANOVA with unbalanced designs. And it doesn’t mean that you should be given baby toys instead of proper data analysis tools. Beginners aren’t dumb, they just lack knowledge. What you need is *not* to have the complexities of real world data analysis hidden from from you. What you need are the skills and tools that will let you handle those complexities when they inevitably ambush you in the real world.
Коротко кажучи, я вважаю, що великою перевагою вивчення статистики таким чином є *розширюваність*. Для книги, яка охоплює лише основи аналізу даних, ця книга має величезний обсяг інформації з теорії ймовірностей тощо. Крім конкретних методів аналізу, які висвітлюються в книзі, вона спонукає вас вивчати ще багато інших речей. Тож якщо ваша мета полягала в тому, щоб навчитися проводити ANOVA за мінімально можливий час, то ця книга не була б хорошим вибором. Але, як я вже сказав, я не думаю, що це ваша мета. Я думаю, що ви хочете навчитися аналізувати дані. І*І* якщо це дійсно ваша мета, ви хочете бути впевнені, що навички, які ви здобуваєте на вступному курсі зі статистики, можна природно і чітко застосувати до більш складних моделей, які вам потрібні для аналізу даних у реальному світі. Ви хочете бути впевнені, що навчитеся користуватися тими самими інструментами, що й справжні аналітики даних, щоб навчитися робити те, що роблять вони. І так, добре, ви зараз новачок (або були ним, коли почали читати цю книгу), але це не означає, що вам слід подавати спрощену історію, в якій я не розповідаю вам про щільність ймовірності, або історію, в якій я не розповідаю вам про кошмар, яким є факторний ANOVA з незбалансованими дизайнами. І це не означає, що вам слід давати дитячі іграшки замість належних інструментів аналізу даних. Новачки не дурні, їм просто бракує знань. Вам *не* потрібно приховувати від вас складнощі аналізу даних у реальному світі. Вам потрібні навички та інструменти, які дозволять вам впоратися з цими складнощами, коли вони неминуче застануть вас зненацька в реальному світі.
09/02/2025
User avatar Maksim2005UKR

Translation completed
Translation completed 09/02/2025
User avatar Maksim2005UKR

Translation added
In short, I think that the big payoff for learning statistics this way is *extensibility*. For a book that only covers the very basics of data analysis, this book has a massive overhead in terms of learning probability theory and so on. There’s a whole lot of other things that it pushes you to learn besides the specific analyses that the book covers. So if your goal had been to learn how to run an ANOVA in the minimum possible time, well, this book wasn’t a good choice. But as I say, I don’t think that is your goal. *I* think you want to learn how to do data analysis. And if that really is your goal, you want to make sure that the skills you learn in your introductory stats class are naturally and cleanly extensible to the more complicated models that you need in real world data analysis. You want to make sure that you learn to use the same tools that real data analysts use, so that you can learn to do what they do. And so yeah, okay, you’re a beginner right now (or you were when you started this book), but that doesn’t mean you should be given a dumbed-down story, a story in which I don’t tell you about probability density, or a story where I don’t tell you about the nightmare that is factorial ANOVA with unbalanced designs. And it doesn’t mean that you should be given baby toys instead of proper data analysis tools. Beginners aren’t dumb, they just lack knowledge. What you need is *not* to have the complexities of real world data analysis hidden from from you. What you need are the skills and tools that will let you handle those complexities when they inevitably ambush you in the real world.
Коротко кажучи, я вважаю, що великою перевагою вивчення статистики таким чином є *розширюваність*. Для книги, яка охоплює лише основи аналізу даних, ця книга має величезний обсяг інформації з теорії ймовірностей тощо. Крім конкретних методів аналізу, які висвітлюються в книзі, вона спонукає вас вивчати ще багато інших речей. Тож якщо ваша мета полягала в тому, щоб навчитися проводити ANOVA за мінімально можливий час, то ця книга не була б хорошим вибором. Але, як я вже сказав, я не думаю, що це ваша мета. Я думаю, що ви хочете навчитися аналізувати дані. І якщо це дійсно ваша мета, ви хочете бути впевнені, що навички, які ви здобуваєте на вступному курсі зі статистики, можна природно і чітко застосувати до більш складних моделей, які вам потрібні для аналізу даних у реальному світі. Ви хочете бути впевнені, що навчитеся користуватися тими самими інструментами, що й справжні аналітики даних, щоб навчитися робити те, що роблять вони. І так, добре, ви зараз новачок (або були ним, коли почали читати цю книгу), але це не означає, що вам слід подавати спрощену історію, в якій я не розповідаю вам про щільність ймовірності, або історію, в якій я не розповідаю вам про кошмар, яким є факторний ANOVA з незбалансованими дизайнами. І це не означає, що вам слід давати дитячі іграшки замість належних інструментів аналізу даних. Новачки не дурні, їм просто бракує знань. Вам *не* потрібно приховувати від вас складнощі аналізу даних у реальному світі. Вам потрібні навички та інструменти, які дозволять вам впоратися з цими складнощами, коли вони неминуче застануть вас зненацька в реальному світі.
09/02/2025
User avatar Maksim2005UKR

Translation added
The answer, I hope you’ll agree, is no. The goal of an introductory stats is *not* to teach ANOVA. It’s not to teach *t*-tests, or regressions, or histograms, or *p*-values. The goal is to start you on the path towards becoming a skilled data analyst. And in order for you to become a skilled data analyst, you need to be able to do more than ANOVA, more than *t*-tests, regressions and histograms. You need to be able to *think properly* about data. You need to be able to learn the more advanced statistical models that I talked about in the last section, and to understand the theory upon which they are based. And you need to have access to software that will let you use those advanced tools. And this is where, in my opinion at least, all that extra time I’ve spent on the fundamentals pays off. If you understand probability theory, you’ll find it much easier to switch from frequentist analyses to Bayesian ones.
Відповідь, сподіваюся, ви погодитеся, що ні. Мета вступного курсу статистики *не* полягає у викладанні ANOVA. Вона не полягає у викладанні *t*-тестів, регресій, гістограм або *p*-значень. Мета полягає у тому, щоб ви стали на шлях до того, щоб стати кваліфікованим аналітиком даних. А для того, щоб стати кваліфікованим аналітиком даних, ви повинні вміти робити більше, ніж ANOVA, більше, ніж *t*-тести, регресії та гістограми. Ви повинні вміти *правильно мислити* про дані. Ви повинні вміти вивчати більш просунуті статистичні моделі, про які я говорив у попередньому розділі, і розуміти теорію, на якій вони базуються. І ви повинні мати доступ до програмного забезпечення, яке дозволить вам використовувати ці просунуті інструменти. І саме тут, принаймні на мою думку, весь той додатковий час, який я витратив на основи, окупається. Якщо ви розумієте теорію ймовірностей, вам буде набагато легше перейти від частотного аналізу до байєсівського.
09/02/2025
User avatar Maksim2005UKR

Translation added
Actually, I want to push this point a bit further. One thing that I’ve done a lot of in this book is talk about fundamentals. I spent a lot of time on probability theory. I talked about the theory of estimation and hypothesis tests in more detail than I needed to. Why did I do all this? Looking back, you might ask whether I really *needed* to spend all that time talking about what a probability distribution is, or why there was even a section on probability density. If the goal of the book was to teach you how to run a *t*-test or an ANOVA, was all that really necessary? Was this all just a huge waste of everyone’s time???
Насправді, я хочу розвинути цю думку трохи далі. У цій книзі я багато говорив про основи. Я приділив багато часу теорії ймовірностей. Я розповідав про теорію оцінювання та перевірку гіпотез більш детально, ніж це було необхідно. Чому я це зробив? Озираючись назад, ви можете запитати, чи дійсно мені було *необхідно* витрачати стільки часу на обговорення того, що таке розподіл ймовірностей, або чому взагалі був розділ про щільність ймовірностей. Якщо метою книги було навчити вас, як проводити *t*-тест або ANOVA, чи було все це дійсно необхідним? Чи було це все лише величезною втратою часу для всіх???
09/02/2025
User avatar Maksim2005UKR

Translation added
As I see it, there are two key arguments. Firstly, there’s the pure pragmatism argument. Rightly or wrongly, ANOVA is widely used. If you want to understand the scientific literature, you need to understand ANOVA. And secondly, there’s the “incremental knowledge” argument. In the same way that it was handy to have seen one-way ANOVA before trying to learn factorial ANOVA, understanding ANOVA is helpful for understanding more advanced tools, because a lot of those tools extend on or modify the basic ANOVA setup in some way. For instance, although mixed models are way more useful than ANOVA and regression, I’ve never heard of anyone learning how mixed models work without first having worked through ANOVA and regression. You have to learn to crawl before you can climb a mountain.
На мій погляд, є два ключові аргументи. По-перше, це аргумент чистого прагматизму. Правильно чи неправильно, але ANOVA широко використовується. Якщо ви хочете розуміти наукову літературу, вам потрібно розуміти ANOVA. І по-друге, є аргумент «інкрементальних знань». Так само, як було корисно ознайомитися з однофакторним ANOVA перед тим, як вивчати факторний ANOVA, розуміння ANOVA допомагає зрозуміти більш просунуті інструменти, оскільки багато з цих інструментів певним чином розширюють або модифікують базову конфігурацію ANOVA. Наприклад, хоча змішані моделі набагато корисніші за ANOVA та регресію, я ніколи не чув, щоб хтось вивчав, як працюють змішані моделі, не пропрацювавши спочатку ANOVA та регресію. Перш ніж піднятися на гору, потрібно навчитися повзати.
09/02/2025
User avatar Maksim2005UKR

Translation added
Okay, that was a long list. And even that listing is massively incomplete. There really are a *lot* of big ideas in statistics that I haven’t covered in this book. It can seem pretty depressing to finish an almost 500-page textbook only to be told that this is only the beginning, especially when you start to suspect that half of the stuff you’ve been taught is wrong. For instance, there are a lot of people in the field who would strongly argue against the use of the classical ANOVA model, yet I’ve devoted two whole chapters to it! Standard ANOVA can be attacked from a Bayesian perspective, or from a robust statistics perspective, or even from a “it’s just plain wrong” perspective (people very frequently use ANOVA when they should actually be using mixed models). So why learn it at all?
Гаразд, це був довгий список. І навіть цей список є дуже неповним. У статистиці дійсно є *багато* великих ідей, які я не висвітлив у цій книзі. Може здатися досить пригнічуючим прочитати майже 500-сторінковий підручник, щоб потім почути, що це лише початок, особливо коли ви починаєте підозрювати, що половина того, чого вас навчили, є неправильною. Наприклад, у цій галузі є багато людей, які категорично виступають проти використання класичної моделі ANOVA, але я присвятив їй цілих два розділи! Стандартну ANOVA можна критикувати з байєсівської точки зору, з точки зору надійної статистики або навіть з точки зору «це просто неправильно» (люди дуже часто використовують ANOVA, коли насправді повинні використовувати змішані моделі). То навіщо її взагалі вивчати?
09/02/2025
User avatar Maksim2005UKR

Translation added
**Data analysis using theory-inspired models.** In a few places in this book I’ve mentioned response time (RT) data, where you record how long it takes someone to do something (e.g., make a simple decision). I’ve mentioned that RT data are almost invariably non-normal, and positively skewed. Additionally, there’s a thing known as the speed-accuracy trade-off: if you try to make decisions too quickly (low RT) then you’re likely to make poorer decisions (lower accuracy). So if you measure both the accuracy of a participant’s decisions and their RT, you’ll probably find that speed and accuracy are related. There’s more to the story than this, of course, because some people make better decisions than others regardless of how fast they’re going. Moreover, speed depends on both cognitive processes (i.e., time spent thinking) but also physiological ones (e.g., how fast can you move your muscles). It’s starting to sound like analysing this data will be a complicated process. And indeed it is, but one of the things that you find when you dig into the psychological literature is that there already exist mathematical models (called “sequential sampling models”) that describe how people make simple decisions, and these models take into account a lot of the factors I mentioned above. You won’t find any of these theoretically-inspired models in a standard statistics textbook. Standard stats textbooks describe standard tools, tools that could meaningfully be applied in lots of different disciplines, not just psychology. ANOVA is an example of a standard tool that is just as applicable to psychology as to pharmacology. Sequential sampling models are not, they are psychology-specific, more or less. This doesn’t make them less powerful tools. In fact, if you’re analysing data where people have to make choices quickly you should really be using sequential sampling models to analyse the data. Using ANOVA or regression or whatever won’t work as well, because the theoretical assumptions that underpin them are not well-matched to your data. In contrast, sequential sampling models were explicitly designed to analyse this specific type of data, and their theoretical assumptions are *extremely* well-matched to the data.
**Аналіз даних за допомогою моделей, заснованих на теорії.** У декількох місцях цієї книги я згадував дані про час реакції (RT), де ви фіксуєте, скільки часу потрібно людині, щоб зробити щось (наприклад, прийняти просте рішення). Я згадував, що дані RT майже завжди є ненормальними і мають позитивний скіс. Крім того, існує таке поняття, як компроміс між швидкістю і точністю: якщо ви намагаєтеся приймати рішення занадто швидко (низький RT), то, ймовірно, ви приймете гірші рішення (нижча точність). Отже, якщо ви вимірюєте як точність рішень учасника, так і його RT, ви, ймовірно, виявите, що швидкість і точність пов'язані між собою. Звичайно, це не все, тому що деякі люди приймають кращі рішення, ніж інші, незалежно від того, як швидко вони це роблять. Більше того, швидкість залежить як від когнітивних процесів (тобто часу, витраченого на обдумування), так і від фізіологічних (наприклад, від того, як швидко ви можете рухати м'язами). Здається, що аналіз цих даних буде складним процесом. І це дійсно так, але, вивчаючи психологічну літературу, ви виявите, що вже існують математичні моделі (так звані «моделі послідовного вибірки»), які описують, як люди приймають прості рішення, і ці моделі враховують багато з факторів, про які я згадував вище. Ви не знайдете жодної з цих теоретично обґрунтованих моделей у стандартному підручнику зі статистики. Стандартні підручники зі статистики описують стандартні інструменти, які можуть бути корисно застосовані в багатьох різних дисциплінах, а не тільки в психології. ANOVA є прикладом стандартного інструменту, який однаково застосовний як у психології, так і у фармакології. Послідовні моделі вибірки не є такими, вони більш-менш специфічні для психології. Це не робить їх менш потужними інструментами. Насправді, якщо ви аналізуєте дані, де люди мають швидко робити вибір, вам дійсно слід використовувати послідовні моделі вибірки для аналізу даних. Використання ANOVA, регресії чи чогось іншого не буде так само ефективним, оскільки теоретичні припущення, на яких вони базуються, не дуже добре відповідають вашим даним. На відміну від цього, послідовні моделі вибірки були спеціально розроблені для аналізу цього конкретного типу даних, і їхні теоретичні припущення *надзвичайно* добре відповідають даним.
09/02/2025
User avatar weblate:commit

Changes committed
Changes committed 09/02/2025
Browse all component changes