R - en programpakke til statistisk databehandling og grafik

R er et software for statistisk databehandling og grafik. R er et internetbaseret redskab, som udvikler sig med bidrag fra statistikere over hele verden. Det er en software, som frit kan hentes på internettet [1] og bruges. R indeholder gængse, grundlæggende og avancerede statistiske metoder. Herudover findes der packages til epidemiologi, overlevelsesanalyse etc. Grafikken er fleksibel og kan anvendes til publikationer. R betegnes som et miljø, idet funktionerne fra datahåndtering, grafik og statistisk analyse fungerer sammenhængende. R er ikke helt nemt, og man må regne med at skulle investere noget tid for at lære de grundlæggende principper. I det følgende bringes en kort gennemgang af R, tip til at komme i gang samt visioner om at udbrede R i det sundhedsfaglige miljø som et værktøj til forskning og kvalitet. I Tabel 1 er der givet en oversigt over, hvilke fordele brugen af R rummer.

Formålet med denne artikel er dels at orientere om, at der til de kommercielle statistikpakker findes en seriøs, licensfri konkurrent, som specielt har nogle fremragende grafiske muligheder, og dels at inspirere den læser, som har behov for en statistikpakke med de grafiske muligheder og nogle af de mere specielle statistiske metoder, hvor R er førende.

Baggrund og udvikling

Programmeringssproget R [1, 2] er udviklet på basis af S, som oprindelig blev udviklet til professionelle statistikere ved AT&T's Bell Laboratorier. S blev senere kommercialiseret som S-plus. Men på grund af licensomkostninger, især for universitetskurser med mange studerende, udviklede to statistikere på New Zealand, Ross Ihaka & Robert Gentleman , en simpel version af S til undervisning. På grund af deres fornavne, og fordi R kommer før S i alfabetet, kom programmet til at hedde R. Programmet blev frigivet i 1995 under general public license . Siden er programmet vokset med bidrag fra statistikere over hele verdenen og bliver brugt på universiteter til både forskning og uddannelse. Der har været en frygt for, at R på grund af de mange forskellige bidragydere kunne være temmelig fejlbehæftet. Det har vist sig ikke at være tilfældet [3]. Alle nye programpakker godkendes og frigives af R Core Team inden de bliver lagt på R-projects egen hjemmeside, og R-interesserede statistikere følger udviklingen. Dermed afprøves nye programpakker, og i praksis bliver eventuelle fejl hurtigt rettet. Den åbne programkode fremmer både udvikling og fejlretning.

Statistik

På mange områder er R også førende med at implementere nye statistiske analyser. Eksempler er metoder til analyse af ikkelineære dosis-respons-modeller [4], multivariatanalyse [5] og analysemodeller inden for overlevelsesanalyse [6, 7] . R har stærke funktioner til simuleringsmetoder som f.eks. bootstrap , der kan bruges, når data ikke er normalfordelte, eller når forudsætningerne for de gængse regressionsmodeller ikke er opfyldt. Multipel regressionsanalyse med brug af såkaldte generalized additive models [8], hvor man i samme model kan kombinere kategoriske variable og nonlineær regression, er velegnet til lægevidenskabelige data, hvor man ofte har en blanding af kategoriske og kontinuerte data. Disse komplekse regressionsanalyser er praktisk tilgængelige at bruge, når man først har forstået de grundlæggende principper for opstilling af modellen i en »formel«. Man skal have hjælp af en kyndig person for at komme i gang, men herefter kan man selv arbejde videre med at finjustere modellerne.

Ved overlevelsesanalyse bruges frailty -modeller til korrelation mellem overlevelsestider, og de er derfor populære inden for familiestudier og ved andre design med klyngestruktur. Hvis man vil regne på sådanne meget beregningstunge modeller, er R i praksis den eneste mulighed [6], dette gælder også, hvis man ønsker at inkludere tidsafhængige effekter af sine risikofaktorer i f.eks. en Cox-regression [7]. Der synes ikke at mangle statistiske metoder. For eksempel er de nyere metoder vedrørende konfidensintervaller for binomiale proportioner [9] implementeret i R i pakker, som hedder Epi, Hmisc og binom. Receiver operating curves bruges til evaluering af diagnostiske test. Denne metode findes også som menuvalg i SPSS, men R er nemmere at gå til og indeholder et større udvalg af statistiske test til dette formål, foruden at grafikken fungerer bedre.

Grafik

En af de helt store fordele ved R er den overlegne grafik [10]. Det er relativt nemt at producere flotte, informative og fleksible plot (Figur 1 ) og gemme dem i standard Windows-billedformater. Der er grafiske funktioner til analyse af komplekse datasæt (Figur 2 ). Opsætningen af Figur 2 er defineret ud fra data ved hjælp af navnene på de relevante datavariable som er skrevet op i en kortfattet formelsyntaks. Farven på punkterne er defineret ved de fire mulige positive og negative udfald af immunglobulin (Ig)M- og IgG-analysen (»groups = resultat«).

Programmering i R

R betjenes ved at skrive kommandoer i ren tekst, og det giver en række fordele samt fleksibilitet i forhold til et menustyret program (Tabel 1). Har man først investeret noget tid i at lære at programmere i R, kan man strømligne og effektivisere sine statistiske analyser. Dertil kommer, at man i høj grad er selvhjulpen på grund af den gode hjælpefunktion og de velfungerende internetsider for R-brugere, hvor man kan få besvaret sine spørgsmål og finde relevante programkoder.

Det kræver noget tålmodighed i begyndelsen, hvor man ofte får fejlmeddelelser på grund af småfejl i syntaksen. Bemærk at stinavne i R skrives med »/« og ikke »\« som i Windows. Sådanne »småting« kan drille frygteligt i begyndelsen, før man får lidt erfaring. Det er efter forfatternes opfattelse en investering, der kan betale sig, og den objektorienterede syntaks er forholdsvis let at læse og forstå.

Datahåndtering

Håndtering af datasæt (data frames ) er ikke let, og her virker hjælpen i R ikke godt, men Crawleys bog [2] har et indledende kapitel om data frames . R er ikke velegnet som egentlig database eller til indtastning af rådata. Der er ikke faciliteter til håndtering af relationelle tabeller. Derimod er der funktioner til at opdele data i intervaller (f.eks. aldersklasser), omkode kategoriske data, krydstabellere etc.

Brug af R i sundhedsvæsenet og til undervisning

R kan være et værktøj til at udvikle og modernisere den statistiske kompetence i det lægefaglige miljø. Det foreslås at spare licenspengene til de kommercielle statistikpakker og i stedet investere i R-kurser for de ansatte som en faglig kompetenceudvikling. Man kunne tænke sig en model med nøglepersoner, ligesom det bruges på andre områder inden for kvalitetsudvikling, hygiejne, utilsigtede hændelser m.m. Disse nøglepersoner kan så hjælpe kolleger med konkrete problemstillinger. En anden grund til at bruge R på institutioner er, at man kan programmere grafik (f.eks. til benchmarking), som kan opdateres automatisk og dermed betjenes af f.eks. kontorpersonale. Grafikken kunne være i form af søjlediagrammer over ventetider, komplikationsrater m.m. til brug på sygehusets hjemmeside, som skal opdateres regelmæssigt. Hvis R bruges formelt i institutionens regi, kan det overvejes at give støtte til R-foundation. Listen over støttende organisationer omfatter universiteter, medicinalfirmaer og Folkhälsoinstituttet i Finland. R er velegnet til undervisning, idet man til undervisningsbrug kan udvikle programmer inklusive grafik, som kursisterne vil kunne benytte på deres egne computere bagefter.

Ram Dessau , Klinisk Mikrobiologisk Afdeling, Næstved Sygehus, DK-4700 Næstved.

E-mail: rde@cn.stam.dk

Antaget: 6. august 2007

Interessekonflikter: Ingen