Tư vấn về sự hợp tác với các nhà khoa học ứng dụng


14

Tôi là một sinh viên tốt nghiệp ngành thống kê và như vậy có liên quan đến một vài sự hợp tác với các nhà khoa học ứng dụng (nhà kinh tế, người đi rừng, đánh). Những sự hợp tác này rất thú vị (hầu hết thời gian) và tôi học được rất nhiều, nhưng cũng có một số biến chứng, ví dụ:

  • Đôi khi quan điểm của tôi về những gì một mô hình thống kê tốt khác với nền tảng của các cộng tác viên của tôi và các thông lệ chung trong lĩnh vực của họ. Sau đó, thật khó để thuyết phục họ thử một cái gì đó mới, vì họ đấu tranh để hiểu mô hình hoặc vì họ không muốn thay đổi thói quen của họ
  • Khi đề xuất sử dụng các phương pháp thống kê khác nhau, tôi thường có ấn tượng rằng các cộng tác viên của tôi coi đây là một sự chỉ trích về các phương pháp tiêu chuẩn của họ. Tuy nhiên, đó không phải là ý định của tôi để chỉ trích bất cứ ai về kiến ​​thức hoặc thói quen thống kê của họ
  • Và cuối cùng là một thái cực khác: Một số người kỳ vọng quá nhiều. Họ nghĩ rằng tôi có thể trích xuất một cách kỳ diệu thông tin thú vị từ dữ liệu của họ mà không cần sự trợ giúp của họ. Tất nhiên, điều này không đúng, đặc biệt nếu tôi bỏ lỡ nền cụ thể của chủ đề

Tôi có thể nghĩ về nhiều điểm hơn nhưng đây là những điểm đầu tiên xuất hiện trong đầu tôi.

Các câu hỏi tôi đang hỏi bạn là:

  1. Bạn có gặp những khó khăn tương tự hoặc tương tự trong sự hợp tác của bạn? Làm thế nào để bạn đối đầu với họ? Nói chung, bạn làm gì để trở thành một cộng tác viên thống kê giỏi?
  2. Có tài nguyên của bên thứ ba nào về chủ đề này , tức là các kỹ năng mềm cần thiết trong sự hợp tác giữa các nhà thống kê và các nhà khoa học ứng dụng?

Lưu ý: Câu hỏi này là nhiều hơn hoặc ít ngược lại của một này .

Câu trả lời:


7

Bạn đang nhận được lời khuyên tốt, nhưng khi kinh nghiệm của bạn mở rộng, nó sẽ đa dạng hóa.

Các khả năng khác bao gồm:

  1. Các nhà khoa học nên có chuyên môn về vấn đề đáng kể, ví dụ về đo lường và loại mối quan hệ nào có ý nghĩa vật lý (sinh học, bất cứ điều gì). Cho thấy rằng bạn tôn trọng chuyên môn của họ là một cách tự nhiên và phù hợp để thiết lập một mối quan hệ tốt.

  2. Các nhà khoa học có thể biết những thứ thống kê mà bạn không biết. Ví dụ, hầu hết các nhà thiên văn học biết nhiều hơn về chuỗi thời gian bất thường và các vấn đề không phát hiện hơn so với nhiều nhà thống kê. Nhiều lĩnh vực sử dụng số liệu thống kê vòng tròn, mà ngay cả một nền giáo dục thống kê đầy đủ hiếm khi bao gồm.

  3. Đồ thị thường là một ngôn ngữ chung . Dù tò mò hay không, các nhà kinh tế thường không tin tưởng vào đồ thị khi chúng được học để xử lý số liệu thống kê theo kiểu chính thức cao (số dặm của bạn có thể thay đổi) và để tránh sự chủ quan (ý nghĩa, phán đoán).

  4. Đôi khi bạn cần lùi lại. Nếu các nhà khoa học không biết những gì họ mong đợi, nhưng chỉ yêu cầu phân tích hoặc một cái gì đó có thể xuất bản, họ sẽ lãng phí thời gian của bạn và bạn nên làm những điều tốt hơn. Nếu dữ liệu là một mớ hỗn độn, thì chúng không thể được giải cứu bằng bất kỳ phân tích thông minh nào.

Luôn luôn thiết lập một lối thoát. Các điều kiện của bạn có thể bao gồm (a) chỉ đồng ý thảo luận sơ bộ (b) giới hạn về thời gian của bạn hoặc cam kết khác (c) quyền lùi lại nếu họ không làm theo lời khuyên của bạn (d) một số ý tưởng về điều kiện cho đồng -Thực hành. Hãy coi chừng tình huống khi một nhà khoa học cứ tiếp tục quay lại thêm một chút nữa. Ngoài ra, hãy cẩn thận với tình huống bạn bị đối xử như một người từ công ty gas hoặc thợ sửa ống nước: bạn được gọi đến để dọn dẹp mớ hỗn độn nhưng họ cảm thấy không có nghĩa vụ phải duy trì mối quan hệ sau khi đã xong.

Tôi không phải là một nhà thống kê nhưng viết từ kinh nghiệm cho đến nay tôi biết nhiều số liệu thống kê hơn hầu hết các đồng nghiệp khoa học của tôi. Nếu mỗi bên tôn trọng nhau, mối quan hệ có thể mang lại kết quả cao.


Lời khuyên tuyệt vời. Tôi sẽ lặp lại # 4 ... khoảnh khắc tôi cảm thấy rằng mình đang được đối xử như một con khỉ nhảy p-value (hay còn gọi là khách hàng chỉ muốn hack p) ... Tôi kết thúc sự hợp tác. Điều quan trọng là làm như vậy một cách tôn trọng, và không đốt bất kỳ cây cầu nào (vì họ có thể giới thiệu bạn với người khác, và đó có thể là những sự hợp tác hiệu quả). Cuối cùng, các ý kiến ​​trong áp chót ¶ ở trên sẽ là chìa khóa.
Gregg H

Kỳ vọng chung là (a) có một bài kiểm tra [sic] hoặc một phương pháp đó là các giải pháp (b) giải thích những gì đang muốn gì và câu trả lời sẽ là sẽ chỉ mất một vài phút. Ví dụ ngược lại: một đồng nghiệp của nhà khoa học đã hỏi về sự suy yếu của phân phối đồng đều và 1.8 xuất hiện từ bộ nhớ của tôi như là câu trả lời. Tổng thời gian trò chuyện: khoảng 10 giây (mặc dù sau đó tôi đã tìm kiếm nó để kiểm tra).
Nick Cox

3

Tất nhiên, thái độ của bạn là tất cả. Nếu khách hàng / cộng tác viên của bạn cảm thấy rằng bạn đang ở đó để hỗ trợ cho Thay vì đánh giá thì sẽ đi một chặng đường dài. Nhưng, ngay cả sau đó, có những vấn đề bật lên. Hai viên đạn bạn đề cập là chìa khóa.

Đầu tiên, luôn nhấn mạnh rằng bạn muốn họ tạo ra khoa học tốt nhất và trong khi bạn nhận ra rằng có thể có các quy ước cụ thể về kỷ luật, điều đó không có nghĩa là có thể không có cách nào tốt hơn để hoàn thành nhiệm vụ. Cuối cùng, hai người bạn thân nhất của bạn sẽ là: (1) câu hỏi nghiên cứu và (2) bất kỳ và tất cả các giả định mô hình. Nếu câu trả lời cho các RQ có thể thu được (thậm chí không hoàn hảo) từ phương pháp "thông thường", có lẽ sẽ hợp lý. Nếu việc vi phạm các giả định trở nên quá nghiêm trọng ... thì bạn có thể tham khảo lại muốn tạo ra khoa học tốt nhất.

Hy vọng những phản ánh của tôi là hữu ích cho bạn.


1

Kỹ năng cứng là chân của bạn trong cửa, và kỹ năng mềm là chìa khóa để thực sự thực hiện một giải pháp. Trở thành người thông minh nhất trong phòng không giúp bạn kiếm được điểm.

Điều đó đang được nói, bạn không cần phải tự học. Như sáo rỗng, Dale Carnegie Làm thế nào để chiến thắng bạn bè và ảnh hưởng Mọi người thực sự có thể làm cho bạn trở thành một người tốt hơn. Trong cùng một hướng, các podcast kiểu kinh tế học hành vi rất giỏi trong việc nghiên cứu bề mặt, khiến bạn suy nghĩ chín chắn và giữ cho nó sống động. Xem Freakonomics, ví dụ.

Đọc và nghe là tuyệt vời, nhưng bạn thực sự phải thay đổi cách bạn hành động để ảnh hưởng đến kết quả tốt.

Cụ thể với trường hợp của bạn, tôi đã thành công bằng cách thử tất cả các phương pháp và so sánh với số liệu "lòng tốt" đã được thống nhất. Không cần phải tranh luận nếu bạn có thể kiểm tra khách quan mô hình nào là tốt nhất. Điều này có thể là trong việc giảm thiểu lỗi, có giá trị giải thích tốt nhất, mang lại "câu chuyện" tốt nhất, v.v.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.