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?
Odpowiedzi:
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 .
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
źródło