Beratung bei der Zusammenarbeit mit angewandten Wissenschaftlern

Ich bin Diplom-Statistikerin und als solche an einigen Kooperationen mit angewandten Wissenschaftlern (Ökonomen, Förster,…) beteiligt. Diese Kollaborationen machen (meistens) Spaß und ich lerne viel, aber es gibt auch einige Komplikationen, zum Beispiel:

• Manchmal unterscheidet sich meine Ansicht darüber, was ein gutes statistisches Modell ist, vom Hintergrund meiner Mitarbeiter und den in ihrem Bereich üblichen Praktiken. Es ist dann schwierig, sie davon zu überzeugen, etwas Neues auszuprobieren, entweder weil sie Schwierigkeiten haben, das Modell zu verstehen, oder weil sie es ablehnen, ihre Gewohnheiten zu ändern
• Wenn ich vorschlage, verschiedene statistische Methoden anzuwenden, habe ich oft den Eindruck, dass meine Mitarbeiter dies als Kritik an ihren „Standard“ -Methoden ansehen. Es ist jedoch keineswegs meine Absicht, jemanden für seine statistischen Kenntnisse oder Gewohnheiten zu kritisieren
• Und schließlich gibt es noch das andere Extrem: Manche Leute erwarten zu viel. Sie glauben, dass ich ohne ihre Hilfe auf wundersame Weise interessante Informationen aus ihren Daten extrahieren kann. Das stimmt natürlich nicht, besonders wenn ich den fachspezifischen Hintergrund vermisse

Ich könnte wahrscheinlich an mehr Punkte denken, aber dies sind die ersten, die mir in den Sinn kamen.

Die Fragen, die ich Ihnen stelle, sind:

1. Haben Sie in Ihrer Zusammenarbeit die gleichen oder ähnliche Schwierigkeiten? Wie konfrontierst du sie? Was tun Sie im Allgemeinen, um ein guter statistischer Mitarbeiter zu sein?
2. Gibt es Ressourcen von Drittanbietern zu diesem Thema , dh die Soft Skills, die für die Zusammenarbeit zwischen Statistikern und angewandten Wissenschaftlern erforderlich sind?

Hinweis: Diese Frage ist mehr oder weniger das Gegenteil von dieser Frage .

Du bekommst gute Ratschläge, aber wenn sich deine Erfahrung erweitert, wird es abwechslungsreicher.

Andere Möglichkeiten umfassen:

1. Wissenschaftler sollten über umfangreiche Fachkenntnisse verfügen, zum Beispiel in Bezug auf Messungen und welche Art von Beziehungen physikalisch (biologisch, was auch immer) sinnvoll sind. Zu zeigen, dass Sie ihr Fachwissen respektieren, ist eine natürliche und kongeniale Art, eine gute Beziehung aufzubauen.

2. Wissenschaftler kennen möglicherweise statistische Daten, die Sie nicht kennen. Beispielsweise wissen die meisten Astronomen mehr über unregelmäßige Zeitreihen und Nichterkennungsprobleme als viele Statistiker. In vielen Bereichen werden Zirkelstatistiken verwendet, zu denen selbst eine vollständige statistische Ausbildung nur selten gehört.

3. Grafiken sind oft eine Verkehrssprache . Seltsamerweise misstrauen Ökonomen häufig Grafiken, da sie dazu ausgebildet sind, Statistiken auf eine sehr formale Weise zu behandeln (Ihre Laufleistung kann variieren) und Subjektivität (Bedeutung, Urteilsvermögen) zu vermeiden.

4. Manchmal muss man sich zurückziehen. Wenn Wissenschaftler nicht wissen, was sie erwarten, sondern nur nach der Analyse oder etwas, das veröffentlicht werden kann, fragen, verschwenden sie Ihre Zeit und Sie haben bessere Dinge zu tun. Handelt es sich bei den Daten um ein zufälliges Durcheinander, können sie durch keine intelligente Analyse gerettet werden.

Stellen Sie immer einen Fluchtweg her. Zu Ihren Bedingungen könnte gehören: (a) nur einer Vorbesprechung zuzustimmen (b) Ihre Zeit zu begrenzen oder eine andere Verpflichtung einzugehen (c) das Recht, zurückzutreten, wenn sie Ihrem Rat nicht folgen (d) eine Idee zu den Bedingungen für die Zusammenarbeit -Urheberschaft. Beachten Sie die Situation, in der ein Wissenschaftler immer wieder für ein bisschen mehr zurückkommt. Beachten Sie auch die Situation, in der Sie wie eine Person von der Gasgesellschaft oder ein Klempner behandelt werden: Sie werden gerufen, um ein Chaos zu beseitigen, aber sie fühlen sich nicht verpflichtet, eine Beziehung aufrechtzuerhalten, sobald dies erledigt ist.

Ich bin kein Statistiker, sondern schreibe aus Erfahrung, da ich mehr Statistiken kenne als die meisten meiner Kollegen. Wenn jede Partei die andere respektiert, kann die Beziehung sehr fruchtbar sein.

Natürlich ist Ihre Einstellung alles. Wenn Ihre Kunden / Mitarbeiter das Gefühl haben, dass Sie - im Gegensatz zur Beurteilung - zur Unterstützung da sind, ist dies ein langer Weg. Aber selbst dann tauchen Probleme auf. Die beiden von Ihnen genannten Aufzählungszeichen sind der Schlüssel.

Erstens, betonen Sie immer, dass Sie möchten, dass sie die allerbeste Wissenschaft hervorbringen, und obwohl Sie erkennen, dass es möglicherweise disziplinspezifische Konventionen gibt, heißt das nicht, dass es möglicherweise keine besseren Möglichkeiten gibt, die Aufgabe zu erfüllen. Zu diesem Zweck wären Ihre beiden besten Freunde: (1) die Forschungsfrage und (2) alle Modellannahmen. Wenn die Antwort auf die RQs aus dem "konventionellen" Ansatz erhalten werden kann (sogar unvollständig), wird es wahrscheinlich vernünftig sein. Wenn die Verstöße gegen die Annahmen zu ungeheuerlich werden ... können Sie auf den Wunsch zurückgreifen, die beste Wissenschaft hervorzubringen.

Hoffe, meine Überlegungen sind nützlich für Sie.

Harte Fähigkeiten sind Ihr Fuß in der Tür, und weiche Fähigkeiten sind der Schlüssel zur tatsächlichen Umsetzung einer Lösung. Die klügste Person im Raum zu sein, bringt Ihnen keine Punkte ein.

Davon abgesehen müssen Sie nicht alleine lernen. So klischeehaft es auch ist, Dale Carnegies How to Win Friends and Influence People können Sie tatsächlich zu einem besseren Menschen machen. Ebenso können Podcasts vom Typ Verhaltensökonomie gut auftauchen und Sie dazu bringen, kritisch zu denken und lebendig zu bleiben. Siehe zum Beispiel Freakonomics.

Lesen und Zuhören sind großartig, aber Sie müssen Ihr Verhalten ändern, um gute Ergebnisse zu erzielen.

Speziell für Ihren Fall hatte ich Erfolg, indem ich alle Methoden ausprobiert und mit einer vereinbarten Metrik der "Güte" verglichen habe. Sie müssen sich nicht streiten, wenn Sie objektiv testen können, welches Modell das beste ist. Dies kann darin bestehen, Fehler zu minimieren, den besten Erklärungswert zu haben, die beste "Geschichte" zu liefern usw.