Ich hatte ein interessantes Gespräch mit einem langjährigen JMP Genomics Benutzer neulich über Open Source vs. kommerzielle Software nach (noch einer weiteren) Abfrage eines potenziellen Kunden, warum JMP Genomics sich von kostenlosen Genomics-Softwaretools unterscheidet. Dies kann ein kontroverses Thema sein, und es gibt viele, die nicht mit dem übereinstimmen, was ich schreibe. Die Meinung dieses Benutzers zu diesem Thema stimmte jedoch mit meinen eigenen und vielen Meinungen hier bei JMP und SAS die hart daran arbeiten, dass unsere kommerziellen Softwareprodukte das Geld wert sind, das die Kunden dafür zahlen. Dieser Benutzer ist ein langjähriger SAS-Programmierer, der unter erheblichem Druck steht, Open Source R für die Datenanalyse zu verwenden. Trotz eines begrenzten Budgets für den Kauf von Software gibt sie einen Großteil davon für SAS-Software aus.
Dieser Benutzer mag die einfache Visualisierung großer Datensätze, die JMP Genomics als Standardausgabe bietet. Ich mochte es, wie sie diesen Teil der Array-Analyse als Sesamstraßen-Analyse bezeichnete - wie in "Welches dieser Dinge ist dem anderen nicht ähnlich?" Die benutzerfreundlichen, miteinander verbundenen 2-D- und 3-D-PCA-Diagramme, Streudiagramme, Boxplots und Diagramme zur Schätzung der Kerndichte ermöglichen es Biologen, potenzielle Ausreißer direkt in einem Diagramm auszuwählen und zu sehen, wo diese Datengruppe im anderen Diagramm liegt Handlungen. Dies ermöglicht die direkte Visualisierung von Daten und informiert Entscheidungen über die Datenqualität, bevor eine umfassende nachgelagerte Datenanalyse durchgeführt wird. Diese besondere Stärke von JMP Genomics beruht auf den erstaunlichen Visualisierungsfunktionen von JMP, insbesondere der Verknüpfung verschiedener Visualisierungstypen mit einer gemeinsamen Datentabelle, und ergänzt die rohe Verarbeitungsleistung von SAS, die im Hintergrund läuft.
Bei der nachgelagerten Analyse können Benutzer durch diese gemeinsame Visualisierung und Auswahl direkt Untergruppen in der Wärmekarte des Clusters auswählen und diese Punkte dann in den Vulkanplots visualisieren oder bestimmte Gene in einer separaten Datentabelle betrachten. Die Farbgebung zwischen Clusterdiagrammen und Vulkanplots ist ebenfalls konsistent, sodass Benutzer visuelle Rückschlüsse auf mittlere Beziehungen ziehen können, wenn sie auf signifikante Unterschiede hinweisen. JMP und SAS bilden bereits eine großartige Kombination, und die Integration wird sich nur verbessern lassen, wenn man bedenkt, was ich bereits von den beeindruckenden neuen Feature-Sets von Pre-Release JMP 8 und dem kürzlich erschienenen SAS 9.2 gesehen habe.
Bei der Verwendung von R für ihre eigene Forschungsdatenanalyse erklärte diese Benutzerin, dass eine ihrer Hauptvorbehalte darin besteht, dass R-Module von jedem Programmierer geschrieben werden können. Sie lässt Zweifel an den Annahmen des Programmierers, der den Code schreibt, und der numerischen Genauigkeit der Berechnungen und wie gut der Code getestet wurde. In einigen Fällen ist der Code möglicherweise sehr gut und getestet, in anderen Fällen ist er jedoch instabil und enthält Fehler. Die Benutzerin war der Meinung, dass sie sich verpflichtet fühlen würde, den Code selbst zu überprüfen und zu testen, wenn sie zu R wechselt, um sicherzustellen, dass sie tatsächlich die genauen Ergebnisse liefert, von denen sie abhängt. Sie kommentiert, dass sie die Tatsache liebt, dass PROC MIXED unter den JMP Genomics ANOVA- und Mixed Model-Prozessen ausgeführt wird, da sie sich auf die Genauigkeit der numerischen Berechnungen verlassen kann, ohne die Ergebnisse überprüfen und erneut prüfen zu müssen.
Obwohl dieser Benutzer ein dedizierter SAS-Programmierer ist, verwendet sie JMP Genomics als Lehrmittel. Sie ist der Meinung, dass das Unterrichten von Biologen, die mit der Programmierung zum Schreiben von Code zur Analyse genomischer Daten mit Befehlszeilenwerkzeugen nicht vertraut sind, in einem semesterlangen Kurs zu viel Zeit in Anspruch nimmt. Bei der Übung zum Filtern einer Datentabelle nach fehlenden Werten benötigte der Schüler beispielsweise 25 Minuten, um mit R zu navigieren, erforderte jedoch nur wenige Minuten, wenn die Funktion "Wo auswählen" in JMP Genomics verwendet wurde. Dies ist nur eines von vielen Beispielen für die relative Leichtigkeit, solche Schüler mit der Bearbeitung von Daten mit JMP Genomics zu beauftragen. Wenn Schüler jedoch an dem offenen SAS-Makrocode interessiert sind, der einem bestimmten JMP-Genomics-Prozess zugrunde liegt, führt sie die Schüler gerne durch den Code und bietet eine zusätzliche Lernerfahrung.
Ich habe weitere Notizen aus diesem Gespräch. Jeder, der mich kennt, weiß, dass ich regelmäßig Notizbücher fülle - und seit über einem Jahr auf die Veröffentlichung eines neuen Texterfassungsstifts wartet, der die Handschrift auf normalem Papier erfasst. Ich bin froh zu berichten, dass es endlich verfügbar ist und ich einen bestellt habe! Es ist schön zu wissen, dass dies die Erfassung meiner umfangreichen handschriftlichen Notizen zu solchen Themen in blogfertigem Text beschleunigen sollte.
Jeffrey Lehman schrieb:
Ich bin in einer etwas anderen Situation. Ich bin ein SAS-Programmierer, der vor etwa einem Jahr einer Gruppe in einer Federal Agency beigetreten ist. Die Agentur hat traditionell SPSS verwendet, da die meisten statistischen Anwendungen im Bereich der menschlichen Faktoren liegen. Die Gruppe, der ich beigetreten bin, ist vor einigen Jahren zu JMP konvertiert worden, als ein Koop-Student Fed und dann Manager wurde. JMP ist hier verzeichnet, während ich ein eingefleischter SAS-Befürworter bin.
Ich habe hier an Teilen von Projekten gearbeitet, die den Import mehrerer Dateien oder Tabellen, die Datenmanipulation, die Verwendung statistischer Modelle und die Generierung von Grafiken und Berichten erfordern. Ich habe die Generierung und Verwaltung mehrerer Tabellen, Dialogfelder und die Spaltenstruktur in JMP als weniger flexibel empfunden als den Free-Format-Editor von SAS. Mit der SAS Macro Language konnte ich außerdem Makros erstellen, in die ich importieren und 20 Dateien (entweder Flat-Files mit Data Step oder Oracle-Tabellen mit Proc SQL - beide Fälle innerhalb eines Schleifenmakros) stapeln oder zusammenführen kann. Außerdem finde ich die Steuerung des Programmierers für die Ausgabe von Grafiken, Ergebnissen, Tabellen und Berichten viel besser als der Versuch, aus übermäßig formatierter JMP-Ausgabe zu schneiden und einzufügen.
Ich gab meine Erfahrungen an den Manager weiter, der der Meinung ist, dass JMP alles tun kann, was SAS tun kann. Ich habe den JSL-Leitfaden durchgesehen und obwohl JSL offensichtlich erweiterbar ist, scheint es sich um eine verklärte und komplizierte Makrorecordersprache zu handeln. Um einen fairen Vergleich zu ermöglichen, habe ich versucht, nach Beiträgen der Benutzer zu suchen, bei denen die beiden Tools mit wenig oder gar keinem Erfolg verglichen werden.
Ich denke, meine Frage wäre, wie man einen Skeptiker davon überzeugen kann, dass SAS über JMP und JSL hinaus nur geringfügige Vorteile hat. Ich habe auf die Seite des JMP JSL Manuals verwiesen, die einen Haftungsausschluss darüber enthält, was JMP verwendet werden sollte - selbst mit einem abweichenden Kommentar gegenüber SAS.
Irgendwelche Gedanken?
Jan Sutherland schrieb:
Hallo Jeffrey, hast du jemals eine Antwort auf diese Beobachtungen erhalten? Möchten Sie es weitergeben? Ich habe sowohl mit SAS als auch mit SPSS gearbeitet, aber vor JMP, und bin wirklich an Open Source interessiert. Deshalb lese ich viel und lese besonders, wobei ich den Einwänden besondere Aufmerksamkeit schenke, dass os weniger genau ist.
JMS
