Сбор данных:
- Про прогрессивный подход к сбору данных на примере популярной игры http://www.seaheroquest.com/en
- Калькулятор и туториал по расчету размера выборки для тех, кто придерживается традиций http://www.powerandsamplesize.com
- Очень много данных о работе мозга, скоро в британском биобанке https://www.ndcn.ox.ac.uk/news/uk-biobank-launches-world2019s-biggest-body-scanning-project
Программирование:
- Подборка для начинающих работать в R http://tukachev.flogiston.ru/blog/?p=1352
- Полезные байки про R (и не только) https://ironholds.org/projects/rbitrary/#having-read-this-i-dont-particularly-like-you.-or-r.
- Книга «Matlab for Neuroscientists» http://www.sciencedirect.com/science/book/9 780 123 745 514
- «Moving from Matlab to Python», советы для начинающих работать в Python :) http://www.justinkiggins.com/blog/moving-from-matlab-to-python/
- Онлайн-помощник для Python https://kite.com/
- Туториал по работе с PsychoPy https://www.youtube.com/playlist?list=PLuqBA9VDSXk7Z06RtJ6Gh6Y5YznVrFrK6
- Туториал по созданию эксперимента в OpenSesame https://www.youtube.com/watch?v=eiGXe-t-C28&feature=youtu.be
- Сравнительный анализ PsychoPy и OpenSesame для тех, кто еще не определился http://link.springer.com/article/10.1007/s10916−016−0511−8
- Интерактивный конструктор регулярных выражений, генерирующий, помимо прочего, словесное описание введённого выражения https://regex101.com/ и онлайн-тренажёр по написанию регулярных выражений https://alf.nu/RegexGolf#
Анализ данных и визуализация:
- «Selective maintenance mechanisms of seen and unseen sensory features in the human brain» и репозиторий с кодом анализа МЭГ-данных https://github.com/kingjr/decoding_unconscious_maintenance
- Пакет для подготовки данных ай-трекера для анализа и визуализации в R https://cran.r-project.org/web/packages/VWPre/index.html
- Туториал по matplotlib https://github.com/WeatherGod/AnatomyOfMatplotlib
- The pirate plot. Берём барплоты на абордаж, тысяча чертей! https://www.r-bloggers.com/the-pirate-plot-2−0-the-rdi-plotting-choice-of-r-pirates/ http://i1.wp.com/nathanieldphillips.com/wp-content/uploads/2016/04/ppmatrix.jpg
Моделирование:
- «Bayesian Cognitive Modeling: Practical Course» с отличной (доступной гуманитарным умам) книгой и кодом к ней в STAN
- Пакет для R по байесовским регрессионным моделям https://cran.r-project.org/web/packages/brms/brms.pdf
- «Optimization and all that» — глава по оптимизации (http://ms.mcmaster.ca/~bolker/emdbook/chap7A.pdf) из книги по моделированию https://ms.mcmaster.ca/~bolker/emdbook/
И альтернатива Bayes Factor-у: линейно смешиваем две модели (каждая из которых задаёт распределение) и смотрим на оценённые веса. Почему это хорошо — читайте в статье https://xianblog.wordpress.com/2014/12/08/the-demise-of-the-bayes-factor/
Дискуссия о правомерности использования p-value:
- Проблемы и возможный выход http://www.tandfonline.com/doi/pdf/10.1080/31 305.2015.1 069 760
- Обзор альтернатив http://stats.stackexchange.com/a/201 591/10688у
- Подробнее про использование Cohen’s d при внутригрупповом плане исследования http://jakewestfall.org/blog/index.php/2016/03/25/five-different-cohens-d-statistics-for-within-subject-designs/
- Очередная статья по статистике из серии «похоже, мы всё делали не так» — «Statistically Controlling for Confounding Constructs Is Harder than You Think» http://journals.plos.org/plosone/article?id=10.1371/journal.pone.152 719