Co powinien obejmować kurs dla absolwentów eksperymentalnego projektowania?

9

Poproszono mnie o zaproponowanie kursu z zakresu projektowania eksperymentalnego dla zaawansowanych absolwentów agronomii i ekologii. Nigdy nie brałem takiego kursu i zdziwiłem się, że kurs ten może być bardziej trafnie nazwany „Poza jednokierunkową ANOVA” i że obejmuje on materiał, którego nauczyłem się na zaawansowanym kursie dla absolwentów statystyki eksperymentów w rolnictwie (np. RCBD, kwadraty łacińskie, kontrasty, powtarzane pomiary i zmienne towarzyszące). Być może myli mnie nazwa „Projekt eksperymentalny”, a nie „Analiza wyników eksperymentalnych”.

Mam kilka pomysłów na temat tego, co powinien zawierać taki kurs i doceniłbym informację zwrotną na temat tego, jak można to włączyć do programu statystycznego, który spełnia potrzeby studentów, prezentując nowoczesne alternatywy dla nazwanych list projektów i związanych z nimi testów.

Na przykład nie wyobrażam sobie, aby uczniowie używali kontrastów liniowych i kwadratowych z ANOVA, która wymusza kategoryzację zmiennych ciągłych, gdybym mógł nauczyć ich porównywania modeli regresji z funkcjami liniowymi i kwadratowymi. W drugim przypadku uczą się także, jak radzić sobie z czynnikami, które nie są eksperymentalnie zdefiniowanymi wartościami dyskretnymi. Jeśli już, mogę porównać te dwa podejścia.

Gdybym miał prowadzić kurs „Projektowanie eksperymentalne”, naprawdę chciałbym podkreślić podstawowe pojęcia, które są niezależne od stosowanego modelu statystycznego i które przełożyłyby się szerzej na inne problemy. Umożliwiłoby to uczniom większą elastyczność w stosowaniu nowoczesnych metod statystycznych.

Niektóre z istotnych pojęć, które nie wydają się być objęte istniejącym kursem, obejmują:

  • modele hierarchiczne i mieszane (z których rozumiem ANOVA i krewnych jako jeden przykład)
  • porównanie modeli (np. w celu zastąpienia kontrastów)
  • stosowanie modeli przestrzennych zamiast bloków jako „czynników”
  • replikacja, randomizacja i IID
  • różnice między testowaniem hipotez, hakowaniem p i rozpoznawaniem wzorców.
  • analiza mocy poprzez symulację (np. odzyskiwanie parametrów z symulowanych zestawów danych),
  • rejestracja wstępna,
  • wykorzystanie wcześniejszej wiedzy z opublikowanych badań i zasad naukowych.

Czy są jakieś kursy, które obecnie przyjmują takie podejście? Jakieś książki z takim zainteresowaniem?

Abe
źródło
Czy próbowałeś sylab Google na te tematy? Jest ich mnóstwo
Aksakal
2
Kurs eksperymentalnego projektowania, który wziąłem, obejmował RCBD, kwadraty łacińskie, kontrasty, projekty czynnikowe, regresję liniową, wielokrotne porównywanie, replikację, randomizację, IID i kilka innych tematów, których nie pamiętam z głowy. Twoja lista pojęć jest ładna, ale realistycznie wątpię, czy masz czas na kurs, aby wszystko. Modele mieszane były właściwie samodzielnym kursem, gdy brałem je w szkole podstawowej. Zależy to jednak od poziomu szczegółowości każdego tematu.
Owca,
1
Zgadzam się z @Sheep, że twoja lista jest ładna, ale prawdopodobnie za dużo. Chociaż uważam, że model mieszany (podstawa) jest niezbędny w dzisiejszym projekcie eksperymentalnym.
Emilie
@Jakie zamieszanie jest spowodowane tym, że regresja liniowa, wielokrotne porównanie i kontrasty są częścią eksperymentalnej klasy projektowej, a nie wykłady na kursie analizy statystycznej. Może jestem zdezorientowany co do zakresu takiego kursu.
Abe
2
Cóż, celem zaprojektowania eksperymentu jest przeanalizowanie danych zebranych w trakcie eksperymentu, aby te dwie były ze sobą powiązane. Projektując eksperyment, powinieneś mieć na uwadze plan analizy. Tego przynajmniej mnie nauczono. Regresja liniowa została dla nas sprawdzona, ale była modelem bazowym wielu projektów.
Owca,

Odpowiedzi:

4

Oto lista niektórych książek, które lubię i które byłyby dobrym materiałem na taki kurs:

  • David Cox: Planning of Experiments , Wiley classics, 1992. To nie matematyczne, ale nie łatwe! Dogłębna dyskusja na temat podstawowych koncepcji projektowania.

  • DR Cox i Nancy Reid: Teoria projektowania eksperymentów , Chapman i Hall, 2000. Więcej matematyki, ale nadal z naciskiem na podstawowe pojęcia

  • Rosemary A. Bailey: Projektowanie eksperymentów porównawczych , Cambridge UP, 2008. Z przedmowy: „Moją filozofią jest to, że nie powinieneś wybierać projektu eksperymentalnego z listy nazwanych projektów. Raczej powinieneś pomyśleć o wszystkich aspektach bieżącego eksperymentu , a następnie zdecyduj, jak odpowiednio je połączyć ... ”.

  • George Casella: Statistics Design , Springer, 2008. Kolejna książka, która patrzy na stare tematy świeżymi oczami!

  • Możesz zrobić coś gorszego niż inspirację dla George'a EP Boxa, J Stuarta Huntera i Williama G. Huntera: Statystyka dla eksperymentatorów: Projektowanie, innowacje i odkrycie (druga edycja, Wiley, 2005).

Unikałbym starszych książek, które wyglądałyby jak katalog nazwanych wzorów, i wybrałem jedną z powyższych opartych na podstawowych zasadach. Jedną z takich książek, których chciałbym uniknąć, jest popularny (dlaczego?) Douglas C. Montgomery: Projektowanie i analiza eksperymentów .

 EDIT 2017   

Innym tematem, który można uwzględnić, jest optymalny projekt eksperymentalny z koncepcjami, takimi jak projekty optymalne dla D lub projekty optymalne dla A. Istnieje teraz mnóstwo książek, tak trudnych do porady, kilka możliwości:
Optymalny eksperymentalny projekt z R
Optymalne projekty zwrotnic
Optymalny eksperymentalny projekt dla modeli nieliniowych: Teoria i zastosowania
Optymalny projekt eksperymentów: Podejście studium przypadku

W tej dziedzinie jest dużo rozwoju, więc spójrz na https://CRAN.R-project.org/view=ExperimentalDesign

kjetil b halvorsen
źródło
1
+1. Z ciekawości mogę zapytać, dlaczego miałbyś unikać podręcznika Montgomery'ego?
whuber
1
Raz próbowałem tego nauczyć - nie działało to zbyt dobrze. Ma pewne błędy i wygląda na staroświecką, zaczynając od katalogu nazwanych projektów.
kjetil b halvorsen