Comment gérer efficacement un projet d'analyse statistique?

89

Nous entendons souvent parler de gestion de projet et de modèles de conception en informatique, mais moins fréquemment en analyse statistique. Cependant, il semble qu'une étape décisive dans la conception d'un projet statistique efficace et durable consiste à garder les choses organisées.

Je préconise souvent l'utilisation de R et une organisation cohérente des fichiers dans des dossiers distincts (fichier de données brutes, fichier de données transformé, scripts R, illustrations, notes, etc.). La principale raison de cette approche est qu’il peut être plus facile d’exécuter votre analyse ultérieurement (lorsque vous avez oublié comment vous avez produit un tracé donné, par exemple).

Quelles sont les meilleures pratiques en matière de gestion statistique de projets ou les recommandations que vous aimeriez formuler à partir de votre propre expérience? Bien entendu, cela s’applique à n’importe quel logiciel statistique. ( une réponse par poste, s'il vous plaît )

chl
la source
Je vote pour clore cette question hors sujet car elle concerne la gestion de projet
Aksakal
2
@Aksakal: Je pense que vous êtes un peu dur. :) Cela concerne "les personnes intéressées par les statistiques ". De plus, les 70 votes et + suggèrent fortement aux utilisateurs standard de trouver cette question intéressante et utile.
usεr11852 dit Réintégrer Monic
1
Je pense que cela devrait être considéré sur le sujet ici.
Gay - Rétablir Monica
@gung Voulez-vous peut-être ajouter une réponse à ce méta-fil afin que nous puissions en discuter?
amibe dit de réintégrer Monica

Réponses:

80

Je suis en train de compiler une série de directives que j'ai trouvées sur SO (comme suggéré par @Shane), Biostar (ci-après, BS) et cette SE. J'ai fait de mon mieux pour reconnaître la propriété de chaque élément et pour sélectionner la première réponse ou le vote le plus élevé. J'ai également ajouté des éléments personnels et marqué des éléments spécifiques à l'environnement [R].

Gestion de données

  • Créer une structure de projet pour garder tout au bon endroit (données, code, chiffres, etc., giovanni / BS)
  • Ne modifiez jamais les fichiers de données bruts (idéalement, ils doivent être en lecture seule), copiez / renommez-en de nouveaux lorsque vous effectuez des transformations, un nettoyage, etc.
  • Vérifier la cohérence des données ( whuber / SE)
  • Gérez les dépendances de script et le flux de données avec un outil d'automatisation de la construction, tel que GNU make ( Karl Broman / Zachary Jones ).

Codage

  • organiser le code source en unités logiques ou blocs de construction ( Josh Reich / hadley / ars / SO; giovanni / Khader Shameer / BS)
  • séparez le code source des éléments d'édition, en particulier pour les grands projets - chevauchant en partie les éléments précédents et les rapports
  • Tout documenter avec, par exemple, l'oxygène [R] ( Shane / SO) ou une annotation automatique cohérente dans le fichier source - bonne discussion sur Medstats, documentation des analyses et modification des données. Options
  • [R] Les fonctions personnalisées peuvent être placées dans un fichier dédié (pouvant être recherché si nécessaire), dans un nouvel environnement (afin d’éviter de remplir l’ espace de noms de niveau supérieur, Brendan OConnor / SO), ou dans un package ( Dirk Eddelbuettel / Shane / SO)

Une analyse

  • N'oubliez pas de définir / enregistrer le germe que vous avez utilisé lors de l'appel d'algorithmes RNG ou stochastiques (par exemple, k-means)
  • Pour les études de Monte Carlo, il peut être intéressant de stocker les spécifications / paramètres dans un fichier séparé ( sumatra peut être un bon candidat, giovanni / BS)
  • Ne vous limitez pas à un graphique par variable, utilisez des affichages multivariés (Trellis) et des outils de visualisation interactifs (par exemple, GGobi).

Gestion des versions

  • Utilisez une sorte de contrôle de révision pour faciliter le suivi / l'exportation, par exemple Git ( Sharpie / VonC / JD Long / SO) - cela découle de questions sympas posées par @Jeromy et @Tal
  • Sauvegardez tout, régulièrement ( Sharpie / JD Long / SO)
  • Conservez un journal de vos idées ou utilisez un outil de suivi des problèmes, tel que ditz ( giovanni / BS) - en partie redondant avec l'élément précédent puisqu'il est disponible dans Git.

Edition / Reporting

Hadley Wickham offre en outre un aperçu complet de la gestion de projet R , y compris une illustration reproductible et une philosophie unifiée des données .

Enfin, dans son flux d'analyse d'analyse de données statistiques orienté R, Oliver Kirchkamp donne un aperçu très détaillé des raisons pour lesquelles l'adoption et le respect d'un flux de travail spécifique aideront les statisticiens à collaborer les uns avec les autres, tout en garantissant l'intégrité et la reproductibilité des résultats. Il inclut en outre des discussions sur l’utilisation d’un système de contrôle de version et de tissage. Les utilisateurs de Stata trouveront peut-être que le flux de travail de l'analyse de données à l'aide de Stott est aussi utile.

chl
la source
Excellent travail chl! Cela vous conviendrait-il si je devais publier ceci sur mon blog? (Je veux dire, ce texte est cc, donc je pourrais, mais je voulais votre permission de toute façon :)) A la vôtre, Tal
Tal Galili
@Tal Pas de problème. C'est loin d'être une liste exhaustive, mais peut-être que vous pouvez regrouper d'autres liens utiles plus tard. Aussi, n'hésitez pas à vous adapter ou à vous réorganiser mieux.
chl
+1 Ceci est une belle liste. Vous pourriez envisager "d'accepter cela" pour qu'il soit toujours au top; étant donné que c'est CW, tout le monde peut le garder à jour.
Shane
@Shane Eh bien, je vous suis reconnaissant de fournir une première réponse avec des liens si utiles. N'hésitez pas à ajouter / modifier la façon dont vous le souhaitez.
chl
Je l'ai republié ici. Grande liste! r-statistics.com/2010/09/…
Tal Galili
21

Cela ne fournit pas de réponse spécifique, mais vous voudrez peut-être examiner ces questions connexes:

Vous pouvez également être intéressé par le projet récent de John Myles White visant à créer un modèle de projet statistique.

Shane
la source
Merci pour les liens! La question est ouverte à n’importe quel logiciel statistique - j’utilise de temps en temps Python et Stata. Je me demande donc si les utilisateurs confirmés peuvent y apporter des recommandations intéressantes.
chl
Absolument; J'ajouterais toutefois que les recommandations figurant dans les liens ci-dessus pourraient réellement s'appliquer à tout projet statistique (quelle que soit la langue).
Shane
Définitivement oui! J'ai mis à jour ma question en même temps.
chl
8

Cela se recoupe avec la réponse de Shane, mais à mon avis, il y a deux piliers principaux:

  • Reproductibilité ; non seulement parce que vous ne finirez pas avec des résultats obtenus "d'une manière ou d'une autre", mais vous pourrez également relancer l'analyse plus rapidement (sur d'autres données ou avec des paramètres légèrement modifiés) et disposer de plus de temps pour réfléchir aux résultats. Pour des données volumineuses, vous pouvez d’abord tester vos idées sur quelques "ensembles de jeu", puis les étendre facilement à l’ensemble des données.
  • Bonne documentation ; des scripts commentés sous contrôle de version, un journal de recherche, voire un système de ticket pour des projets plus complexes. Améliore la reproductibilité, facilite le suivi des erreurs et rédige des rapports finaux sans importance.
utilisateur88
la source
+1 j'aime le deuxième point (j'utilise roxygen + git). Le premier point me fait également penser à la possibilité de donner votre code à un autre statisticien qui sera en mesure de reproduire vos résultats à une étape ultérieure du projet, sans aucune aide.
chl
Reproductibilité? De toute façon, les données ont une erreur aléatoire, alors qui s'en soucie. Documentation? Deux réponses possibles: 1) nous sommes trop occupés, nous n'avons pas le temps de documenter ou 2) nous n'avions qu'un budget pour effectuer l'analyse ou la documenter, nous avons donc choisi d'effectuer l'analyse. Tu crois que je rigole? J'ai vu / entendu ces attitudes à plusieurs reprises - sur des projets sur lesquels des vies étaient en jeu.
Mark L. Stone
4

van Belle est la source des règles des projets statistiques réussis.

Carlos Accioly
la source
1

Juste mes 2 cents. J'ai trouvé Notepad ++ utile pour cela. Je peux gérer des scripts distincts (contrôle du programme, formatage des données, etc.) et un fichier .pad pour chaque projet. Le fichier .pad appelle tous les scripts associés à ce projet.

Wes McCardle
la source
3
Vous voulez dire, le bloc-notes ++ avec l'utilisation de npptor :)
Tal Galili
1

Bien que les autres réponses soient bonnes, j’ajouterais un autre sentiment: éviter d’utiliser SPSS. J'ai utilisé SPSS pour mon mémoire de maîtrise et maintenant pour mon travail habituel d'étude de marché.

Pendant le travail avec SPSS, il était incroyablement difficile de développer un code statistique organisé, car SPSS ne gère pas plusieurs fichiers (vous pouvez certes gérer plusieurs fichiers, mais ce n'est pas aussi simple que R), car vous ne pouvez pas stocker de jeux de données. à une variable - vous devez utiliser "dataset activate x" - code, qui peut être une douleur totale. En outre, la syntaxe est maladroite et encourage les raccourcis, ce qui rend le code encore plus illisible.

Christian Sauer
la source
0

Les ordinateurs portables Jupyter, qui fonctionnent avec R / Python / Matlab / etc, vous évitent de vous rappeler le script qui génère un certain chiffre. Cet article décrit une manière ordonnée de garder le code et la figure l'un à côté de l'autre. Le fait de conserver toutes les figures d’un chapitre de papier ou de thèse dans un seul cahier facilite la recherche du code associé.

Mieux encore, vous pouvez faire défiler une douzaine de chiffres pour trouver celui que vous voulez. Le code est gardé caché jusqu'à ce qu'il soit nécessaire.

hugke729
la source