Nasıl "reproducible research" yaparım?

Diyelim ki bir arkadaşınız yaklaşık bir sene önce tamamlamış olduğunuz bir research calışmanızdan birşey sordu. Calısmanıza dönüp analizleri tekrar gözden geçirmek, tablo ve figürleri reproduce edebilmeniz ne kadar vaktinizi alacaktır? Veya arkadaşınızı boşverin, sadece kendiniz 2 sene önce hazırlamış olduğunuz sunumdaki resultlarin tekrar elde etmeye calışsanız? Bu süreyi ve olası zahmeti azaltmanın (ve daha fazlası) metodu reproducible research yapmanız!

Eğer günlük hayattaki calışmalarınızda bir sekilde data analysis yapıyorsaniz, eski yontemler yerine reproducible research kullanmaniz belki biraz daha zahmetli ama uzun vadede kesinlikle daha faydali.

Bir başka açıdan bakacak olursak, geleneksel rapor yazımında, sonuçları bir software de hesaplayip, sonra da hesaplamış oldugumuz sayılari elle sonuç bölümüne yazarız. Ama bu yöntem reproducible değil, data software e bağlı fakat sonuçlar yazdıgımız metne bağlı değil, dolayısıyla hata yapma ihtimali bir hayli yüksek.

Bu konu tabiiki bayağı geniş ve kapsamlı, ayrica niyetim bir manual yazmak değil. Bu yazıda amacım kendi tecrübelerimden faydalanarak tamamen pratik açıdan reproducible research’u kısaca anlatmaya calişmak (daha ayrıntılı bilgi için tıklayin). Turkce yazmamın amacı da bu konulardaki Türkçe materyallerin eksikliği.

Ilk olarak data analysis’i hangi software de yapacagim sorusu karsimiza geliyor. Bir istatistikci oldugum icin buna verecegim cevap tabiki R (since R is made by statisticians for statisticians!). Ikinci olarak typesetting programimizi belirlememiz gerekiyor, raporu/makaleyi/tezi yazacagimiz veya sunumu hazirlayacagimiz program. Buna cevabimiz ise LaTeX olabilir. Fakat diger guclu bir alternatif ise Markdown. Markdown ile hem pdf, word veya HTML output elde edebiliyoruz. Bu yazida Markdown kullanacagiz, cünkü bize Ve ucuncu olarak bize uygun bir text editor gerekli, bunun icin de Rstudio yu kullaniyoruz. Sonunda sihirli dokunusu yapacak yani reproducible research u mumkun kilacak olan program (aslinda bir R package): knitr. Tam burada knitr in babasi olan programi hatirlatmam gerekiyor, saygi geregi Sweave.

Dolayisiyla knitr ile birlikte bu uc program, R + Markdown + Rstudio, bize reproducible research yapabilmemiz icin yeterli ve bu arada hepsi de free software. Kisacasi bir tek document a hem LaTeX kodu hem de R kodunu yaziyorsunuz (.Rmd file) ve sonrasinda compile edip PDF inize kavusmus oluyorsunuz. Aslina bakarsaniz, knitr kullanarak reproducible research yapabilmemiz icin bu uc programin hicbiri farz degil, alternatif kombinasyonlara en sonda deginecegim. Rstudio nun sagladigi en onemli fayda ise compile to PDF adimini sadece tek bir tusa indirgiyor olusu.

Basit bir ornek

Base R dan cars adli dataset i kullanacagiz. Bu dataset farkli arabalarin hizlari (speed variable) ve her bir arabanin durmak icin gerekli mesafelerini (dist variable) iceriyor. Bu datayi analiz etmek icin linear regression kullaniyoruz ve gerekli R kodu asagidaki gibi gosterebiliriz.

fit <- lm(dist ~ speed, data = cars) # linear regression 

Tabii sonuclari -mesela bu ornekte coefficients- bir tabloda gostermek isteyebiliriz. Bunun icin de xtable (bir R package) bize yardimci olacak. Asagidaki R kodu bize gerekli HTML kodu veriyor, ve compile ettikten sonra da Tablo 1’i elde ediyoruz.

library(knitr)
coefs <- matrix(coef(fit))
rownames(coefs) <- c("Intercept", "speed")
kable(coefs, label = "tab:coefs",
      digits = 2,
      row.names = TRUE, 
      col.names = "Estimate")

Normal sartlarda tabloyu yaratan R kodu okuyucuya gostermeye gerek yok fakat ben ornek olmasi acisindan gosteriyorum.

Simdi ise data visualization. Asagidaki R kod ile Figure 1’i elde ediyoruz.

library(ggplot2)
ggplot(cars, aes(x = speed, y = dist)) + geom_point() + 
    geom_abline(intercept = coef(fit)[1], slope = coef(fit)[2])

Bu ornekte damaginiza knitr kullanimindan bir tat calmayi amacladim.

Benim ugrastigim problemlerde knitr in saglamis oldugu cok onemli diger bir fayda ise cache ozelligi. Simdi farz edin ki analiziniz yukaridaki gibi bir simple linear regression degil, mesela simulasyon yapiyorsunuz veya bootstrapping. Dolayisiyla islem saatler surebilir. Bu durumda knitr in cache ozelligini kullanabilirsiniz, ilk compilation da analiz yapilir (artik ne kadar suruyorsa) ve knitr sizin icin outputu kaydeder. Sonraki compilationlarda ise knitr kaydedilmis outputu kullanir!

Bu arada knitr‘i her turlu farkli LaTeX documentclass icin kullanabilirsiniz, mesela rapor yazarken veya sunumunuzu hazirlarken. Diyelim ki sunumunuzdaki bir analizde kucuk bir degisiklik yapmak istiyorsunuz, artik cok kolay ve pratik bir sekilde bunu yapabilirsiniz.

Kapanis

Daha once soyledigim gibi knitr bayagi flexible. Mesela LaTeX kullanmak istemiyorsaniz, R + Markdown + Rstudio da gayet guzel bir alternatif sizin icin. Boylece HTML ve ya Word output da elde edebilirsiniz, PDF in yaninda (ozellikle LaTeX bilmiyorsaniz). Veyahut R yerine Phyton, SAS, Ruby kullanabilirsiniz, Rstudio yerine LyX, Texmaker veya Emacs kullanabilirsiniz. Fakat bence Rstudio dan sasmamak en mantiklisi cunku Rstudio knitr icin build-in support a sahip. Muhtemelen bunun onemli bir nedeni knitr in yaraticisinin bir Rstudio calisani olmasi. Hepsi ve daha fazlasi icin knitr in websitesine bakabilirsiniz. Son olarak, bu yazinin kendisi de knitr kullanarak reproducible research’e bir ornek, source code’a buradan ulasabilirsiniz.