Ich wurde gebeten, einen Kurs in experimentellem Design für fortgeschrittene Doktoranden in Agronomie und Ökologie vorzuschlagen. Ich habe noch nie an einem solchen Kurs teilgenommen und war überrascht, dass der Kurs möglicherweise passender als "Beyond One-Way-ANOVA" bezeichnet wird und Material abdeckt, das ich in einem fortgeschrittenen Graduiertenkurs über Statistik für landwirtschaftliche Feldversuche gelernt habe (z RCBD, lateinische Quadrate, Kontraste, wiederholte Messungen und Kovariaten). Vielleicht verwirrt mich eher der Name "Experimentelles Design" als "Analyse der experimentellen Ergebnisse".
Ich habe einige Ideen darüber, was ein solcher Kurs enthalten sollte, und würde mich über Feedback freuen, wie dies in einen Statistiklehrplan integriert werden könnte, der den Bedürfnissen der Studenten entspricht und moderne Alternativen zu benannten Listen von Designs und den damit verbundenen Tests präsentiert.
Ich kann mir zum Beispiel nicht vorstellen, den Schülern beizubringen, lineare und quadratische Kontraste mit ANOVA zu verwenden, die die Kategorisierung kontinuierlicher Variablen erzwingen, wenn ich ihnen beibringen könnte, Regressionsmodelle mit linearen und quadratischen Funktionen zu vergleichen. Im zweiten Fall würden sie auch lernen, mit Faktoren umzugehen, die keine experimentell definierten diskreten Werte sind. Wenn überhaupt, könnte ich die beiden Ansätze vergleichen.
Wenn ich einen Kurs in "Experimental Design" unterrichten würde, möchte ich wirklich grundlegende Konzepte hervorheben, die unabhängig vom angewandten statistischen Modell sind und die sich breiter auf andere Probleme übertragen lassen. Dies würde den Studenten mehr Flexibilität bei der Verwendung moderner statistischer Ansätze ermöglichen.
Einige der relevanten Konzepte, die im bestehenden Kurs nicht behandelt zu werden scheinen, umfassen:
- hierarchische und gemischte Modelle (von denen ich ANOVA und Verwandte als ein Beispiel verstehe)
- Modellvergleich (zB um Kontraste zu ersetzen)
- Verwendung von räumlichen Modellen anstelle von Blöcken als "Faktoren"
- Replikation, Randomisierung und IID
- Unterschiede zwischen Hypothesentest, P-Hacking und Mustererkennung.
- Leistungsanalyse durch Simulation (z. B. Wiederherstellung von Parametern aus simulierten Datensätzen),
- Vorregistrierung,
- Nutzung von Vorkenntnissen aus veröffentlichten Studien und wissenschaftlichen Prinzipien.
Gibt es Kurse, die derzeit einen solchen Ansatz verfolgen? Gibt es Lehrbücher mit einem solchen Schwerpunkt?
Antworten:
Hier ist eine Liste einiger Bücher, die mir gefallen und die für einen solchen Kurs ein gutes Material wären:
David Cox: Planung von Experimenten , Wiley-Klassiker, 1992. Das ist nicht mathematisch, aber nicht einfach! Eine gründliche Diskussion der Grundkonzepte hinter Design.
DR Cox & Nancy Reid: Die Theorie der Versuchsplanung , Chapman & Hall, 2000. Mathematischer, aber immer noch mit Fokus auf grundlegende Konzepte
Rosemary A. Bailey: Design von Vergleichsexperimenten , Cambridge UP, 2008. Aus dem Vorwort: "Meine Philosophie ist, dass Sie kein experimentelles Design aus einer Liste benannter Designs auswählen sollten. Sie sollten vielmehr über alle Aspekte des aktuellen Experiments nachdenken und dann entscheiden, wie sie richtig zusammengesetzt werden sollen ... ".
George Casella: Statistical Design , Springer, 2008. Ein weiteres Buch, das alte Themen mit frischen Augen betrachtet!
Sie könnten es schlimmer machen, als sich George EP Box, J. Stuart Hunter und William G. Hunter: Statistiken für Experimentatoren: Design, Innovation und Entdeckung (zweite Ausgabe, Wiley, 2005) als Inspiration anzusehen .
Ich würde ältere Bücher vermeiden, die wie ein Katalog benannter Designs aussehen, und mich für eines der oben genannten entscheiden, das auf Grundprinzipien basiert. Ein solches Buch, das ich vermeiden würde, ist das beliebte (warum?) Douglas C. Montgomery: Design und Analyse von Experimenten .
Ein weiteres Thema, das aufgenommen werden könnte, ist das optimale experimentelle Design mit Konzepten wie D-optimalen Designs oder A-optimalen Designs. Es gibt jetzt eine Vielzahl von Büchern, die so schwer zu empfehlen sind, einige Möglichkeiten:
Optimales experimentelles Design mit R
Optimales Crossover-
Design Optimales experimentelles Design für nichtlineare Modelle: Theorie und Anwendungen
Optimales Design von Experimenten: Ein Fallstudienansatz
In diesem Bereich gibt es in R viele Entwicklungen. Schauen Sie sich also https://CRAN.R-project.org/view=ExperimentalDesign an
quelle