중개 과학의 임상 연구원으로서 저는 JMP의 사용 용이성과 강력한 기능, 시각화 등을 좋아합니다. 그러나 다중 오 믹스 데이터에 더 유용하게 만드는 기능이 있습니다.
1) 많은 데이터가 포함 된 작은 표본 크기에 초점을 맞춘 지원 / 도움 /지도 / 플랫폼 (예 : 환자 수는 제한되어 있지만 환자 당 변수 수가 많은 일반적인 의학 기초 연구). 누락 된 일반적으로 사용되는 알고리즘은 OPLS-DA이며, 이는 JMP가 보유한 PLS-DA의 응용 프로그램입니다. 당신은 또한 인기있는 올가미를 가지고 있습니다. 다른 신경망 / 기계 학습 알고리즘을 구현하는 것이 좋습니다 (XGBoost!). 그러나 요점은 이러한 작업에 대한 추가 기능 또는 플랫폼과 관련된 지침 / 도움말에 다양한 옵션을 통합하는 것입니다.
2) 종단 샘플링 지원 : 여러 번 환자가 여러 번 샘플링됩니다. 이를 위에 추가하면 JMP가 눈에 띄고 이러한 유형의 분석 분야를 선도 할 수 있습니다.
3) 변수 선택이 중요하며, 순방향 덧셈 또는 역방향 제거, 부트 스트래핑 (변수 당 예측 변수 수 유지) 대 하위 샘플링 등의 수행 방식을 확인하려면 다양한 방법을 사용하는 것이 중요합니다. 분석의 수는 놀랍거나 사용 된 주어진 매개 변수에 대해 모델이 수행 될 것으로 예상되는 방식을 보여주는 학습 곡선 시뮬레이션이 있습니다.
4) 관련 시각화 및 모델 비교 및 선택.
5) 또 다른 매우 중요한 기능은 네트워크 분석입니다. 저는 신경 / ML 버전을 의미하는 것이 아니라 서로 다른 변수 간의 상관 관계를 사용하여 연관 맵을 만드는 버전을 의미합니다. SEM을 반대 방향으로 수행하는 것과 같습니다. 이는 개별 수준에서 수행되는 경우 특히 유용합니다. 즉 모든 환자의 산점도 매트릭스를 취하고 모든 환자에 걸쳐 동일한 쌍을보고 어떤 변수가 일관되게 상관되는지 확인합니다. 이것은 하나의 큰 샘플에 모든 환자의 모든 요점을 모으는 것과 다릅니다.
아마도 이러한 기능 중 일부는 JMP의 별도 부분에 존재하며 일부는 JSL을 사용하여 자동화 / 재 작성할 수 있습니다. 그러나 R이 아니기 때문에 JMP를 선호하는 사람들에게는 이러한 기능을 다른 JMP 플랫폼처럼 일관되게 구성하면 큰 차이가있을 것입니다. 또한 이것은 다른 모든 주요 상용 통계 패키지와 동일한 문제라고 말할 수 있으므로 JMP의 강력한 구현은 차별화 요소가 될 것입니다.
