Chiến lược giới thiệu số liệu thống kê nâng cao cho nhiều đối tượng khác nhau

Tôi làm việc chủ yếu với những người không thống kê trong các lĩnh vực như y học, khoa học xã hội và giáo dục.

Cho dù tôi đang tư vấn với các nghiên cứu sinh, giúp các nhà nghiên cứu viết bài hoặc xem xét các bài báo cho các tạp chí, tôi thường gặp vấn đề là ai đó (khách hàng, tác giả, ủy ban luận án, biên tập viên tạp chí) muốn sử dụng một số kỹ thuật tương đối nổi tiếng khi nó hoàn toàn không phù hợp hoặc khi tốt hơn nhưng phương pháp ít được biết đến tồn tại. Thông thường, tôi sẽ giải thích kỹ thuật thay thế nhưng sau đó được nói "mọi người làm theo cách khác".

Tôi sẽ quan tâm đến cách người khác đối phó với loại khó khăn này.

Phụ lục

@MichaelCécick đề nghị tôi có thể chia sẻ một số câu chuyện, vì vậy tôi sẽ

Hiện tại tôi đang làm việc với một người đang sao chép một bài báo trước đó và thêm một biến độc lập để xem nó có giúp ích không. Bài báo trước đây, thẳng thắn, khủng khiếp. Nó xử lý dữ liệu phụ thuộc như thể chúng độc lập; nó rất phù hợp và cũng có những vấn đề khác Tuy nhiên, ông (khách hàng của tôi) đã gửi một phiên bản trước đó như một luận án và không chỉ có được bằng cấp của mình mà còn được ca ngợi rộng rãi cho nghiên cứu.

Nhiều lần tôi đã cố gắng thuyết phục mọi người không phân đôi biến. Điều này xuất hiện rất thường xuyên trong y học. Tôi kiên nhẫn chỉ ra rằng dicohotomizing (nói) cân nặng khi sinh thấp và bình thường (thường ở mức 2.500 g) có nghĩa là đối xử với một em bé 2.499 g giống như 1.400 g; nhưng đối xử với bé 2.501 gram thì khác. Bác sĩ lâm sàng đồng ý với tôi rằng điều này thật ngớ ngẩn. Sau đó nói để làm theo cách đó.

Tôi đã có một khách hàng sinh viên tốt nghiệp từ lâu mà ủy ban khăng khăng đòi phân tích cụm. Học sinh không hiểu phương pháp, phương pháp không trả lời các câu hỏi hữu ích, nhưng đó là những gì ủy ban muốn, vì vậy đó là những gì họ có.

Toàn bộ lĩnh vực đồ họa thống kê là một trong đó, đối với nhiều người, "đây là cách ông đã làm" là đủ.

Sau đó, có những người dường như chỉ nhấn nút. Tôi nhớ một bài thuyết trình (không phải bởi người mà tôi đã giúp!), Người đã lấy toàn bộ bảng câu hỏi và nhân tố đã phân tích nó. Một trong những biến cô ấy đưa vào là số ID!

Oy.

Đây là một câu hỏi mẹo!

Đầu tiên, một số suy nghĩ về lý do tại sao điều này xảy ra. Tôi làm việc trong một lĩnh vực mà (hoặc ít nhất nên ) sử dụng rộng rãi các số liệu thống kê, nhưng nơi mà hầu hết các học viên không phải là chuyên gia thống kê. Do đó, người ta thấy rất nhiều "Tôi đặt một vectơ vào chức năng kiểm tra t của excel và con số này rơi ra. Do đó, bài báo của tôi được hỗ trợ bởi các số liệu thống kê."

Lý do chính tôi thấy cho điều này xảy ra là thiếu kiến ​​thức thống kê bắt đầu từ đầu. Nếu những người đánh giá và ủy ban luận án của bạn không cập nhật các kỹ thuật thống kê, thì bạn cần phải biện minh cho việc sử dụng bất cứ thứ gì "không thông thường". Ví dụ, trong một luận án, tôi đã chọn sử dụng các ô vĩ cầm thay vì các ô hình hộp để hiển thị hình dạng của bản phân phối. Việc sử dụng kỹ thuật này đòi hỏi tài liệu mở rộng trong luận án, cũng như một cuộc thảo luận kéo dài để bảo vệ tôi, nơi tất cả các thành viên ủy ban muốn biết âm mưu kỳ lạ này có ý nghĩa gì, mặc dù cả các mô tả trong văn bản và các tài liệu tham khảo đến tài liệu nguồn . Có phải tôi đã sử dụng một âm mưu hộp (mà hiển thị ít hơn thông tin trong trường hợp này và có thể dễ dàng đánh lừa người xem về hình dạng của bản phân phối nếu nó là đa phương thức) không ai có thể nói bất cứ điều gì, và việc phòng thủ của tôi sẽ dễ dàng hơn.

Vấn đề là, trong các lĩnh vực phi thống kê, các học viên phải đối mặt với một lựa chọn khó khăn: Chúng ta có thể đọc về và sau đó sử dụng các phương pháp chính xác , đòi hỏi một loạt các công việc mà không ai trong số những người cấp cao của chúng ta quan tâm; hoặc chúng ta chỉ có thể đi theo dòng chảy, lấy con dấu cao su trên giấy tờ và luận văn của mình, và tiếp tục sử dụng các phương pháp không chính xác nhưng thông thường .

Bây giờ để trả lời câu hỏi của bạn:

Tôi nghĩ rằng một cách tiếp cận tốt là nhấn mạnh hậu quả của việc không sử dụng các kỹ thuật chính xác. Điều này có thể đòi hỏi:

• Đưa ra một ví dụ thực tế về cách một người trong lĩnh vực của họ trải qua những hậu quả của suy luận kém. Điều này là dễ dàng hơn trong một số lĩnh vực hơn những lĩnh vực khác. Ví dụ nơi sự nghiệp bị thiệt hại đặc biệt tốt.

• Giải thích rằng việc phân tích không chính xác có thể khiến bạn rơi vào tình huống mà kết quả của bạn rất khó chuyển sang thế giới thực, điều này có thể gây hại (ví dụ: Trong lĩnh vực của tôi, nếu nguyên mẫu hệ thống AI của bạn xuất hiện tốt hơn so với đối thủ, nhưng thực tế là tương tự, sau đó dành 6 tháng tiếp theo để xây dựng một triển khai đầy đủ là một ý tưởng thực sự tồi tệ.

• Chọn các kỹ thuật sẽ tiết kiệm cho người dùng rất nhiều thời gian. Đủ thời gian để họ có thể dành những gì họ tiết kiệm để giải thích các kỹ thuật cho những người cao hơn.

Phát biểu từ quan điểm của một nhà tâm lý học chỉ với sự tinh tế thống kê nhẹ: Khi bạn giới thiệu phương pháp, cũng giới thiệu các công cụ. Nếu bạn kể cho hầu hết các nhà nghiên cứu trong lĩnh vực của tôi một câu chuyện dài về một phương pháp mới tuyệt vời, họ sẽ dành toàn bộ thời gian để lo lắng rằng cú đấm là "và tất cả những gì bạn phải làm là đánh lên phép tính vi phân của bạn và sau đó lấy hai khóa đào tạo tuần! " (hoặc "và mua gói thống kê $ 2000!" hoặc "và điều chỉnh 5000 dòng mã Python và R!"). Trong trường hợp nếu có triển khai phương pháp có sẵn trong gói thống kê mà họ đã sử dụng hoặc trong một phần mềm miễn phí có GUI dễ hiểu và họ có thể tăng tốc trong một hoặc hai ngày, họ có thể sẵn sàng cung cấp nó thử

Tôi biết rằng cách tiếp cận này có thể có vẻ tĩnh mạch và không khoa học, nhưng mọi người dễ rơi vào tình trạng lo lắng về các khoản tài trợ và ấn phẩm, và không thấy việc học một lượng lớn toán học có khả năng giúp họ giữ được việc làm.

Cảm ơn vì câu hỏi hay này Peter. Tôi làm việc tại một tổ chức nghiên cứu y khoa và làm việc với các bác sĩ nghiên cứu và xuất bản trên các tạp chí y khoa. Thường thì họ quan tâm đến việc xuất bản bài báo của họ hơn là "thực hiện thống kê hoàn toàn đúng". Vì vậy, khi tôi đề xuất một kỹ thuật không vui, họ sẽ chỉ vào một bài báo tương tự và nói "nhìn họ đã làm theo cách này và công bố kết quả của họ."

Có một vấn đề tôi nghĩ khi bài báo được xuất bản thực sự tồi tệ và có sai lầm. Thật khó để tranh luận mặc dù tôi có một danh tiếng tuyệt vời. Một số tài liệu có bản ngã lớn và nghĩ rằng họ có thể học hầu hết mọi thứ. Vì vậy, họ nghĩ rằng họ hiểu số liệu thống kê khi họ không và có thể khăng khăng. Nó có thể nhận được bực bội. Khi thử nghiệm và Wilcoxon thích hợp hơn, tôi sẽ nhờ họ làm xét nghiệm Wilk Shapiro và nếu tính quy phạm bị từ chối, chúng tôi bao gồm cả hai phương pháp và giải thích tại sao Wilcoxon tốt hơn. Đôi khi tôi có thể thuyết phục họ và họ thường phụ thuộc vào tôi để thống kê, vì vậy tôi có thêm một chút ảnh hưởng sau đó một nhà tư vấn chung có thể có.

Tôi cũng gặp phải tình huống tôi thực hiện các đường cong Kaplan-Meier cho chúng và chúng tôi đã sử dụng bài kiểm tra thứ hạng nhật ký nhưng Wilcoxon đã cho một kết quả khác. Thật khó cho tôi để quyết định và trong những tình huống như vậy tôi nghĩ tốt nhất là trình bày cả hai phương pháp và giải thích tại sao chúng khác nhau. Điều tương tự cũng xảy ra với việc sử dụng khoảng tin cậy Peto vs Greenwood cho đường cong sinh tồn. Giải thích giả định nguy cơ tỷ lệ Cox có thể khó khăn và họ thường hiểu sai tỷ lệ tỷ lệ cược và rủi ro tương đối.

Không có câu trả lời đơn giản. Tôi đã có một ông chủ ở đây là một nhà nghiên cứu y học hàng đầu về tim mạch và đôi khi ông là trọng tài cho các tạp chí. Ông đang xem một bài báo liên quan đến chẩn đoán và sử dụng AUC làm thước đo. Anh ấy chưa bao giờ nhìn thấy một đường cong AUC trước đây và đến gặp tôi để xem liệu tôi nghĩ nó có hợp lệ không. Anh nghi ngờ. Hóa ra là phù hợp và tôi đã giải thích nó với anh ấy tốt nhất có thể.

Tôi đã cố gắng giảng bài về thống kê sinh học cho các bác sĩ và đã dạy về thống kê sinh học trong các trường y tế công cộng. tôi cố gắng làm điều đó tốt hơn những người khác và đã tạo ra một cuốn sách cho khóa học giới thiệu chuyên ngành khoa học sức khỏe vào năm 2002 với một nhà dịch tễ học là đồng tác giả. Wiley muốn tôi làm một phiên bản thứ hai bây giờ. Vào năm 2011, tôi đã xuất bản một cuốn sách ngắn gọn hơn mà tôi đã cố gắng chỉ đề cập đến các yếu tố cần thiết để các MD bận rộn có thể dành thời gian để đọc lại và tham khảo nó. Đó là cách tôi đối phó với nó. Có lẽ bạn có thể chia sẻ câu chuyện của bạn với chúng tôi.

$\log(x); \ x \in (1,2)? \ $

Trong sự nghiệp của mình, tôi làm rất nhiều nghiên cứu liên ngành và đã dẫn dắt tôi hợp tác chặt chẽ với các nhà nghiên cứu lạm dụng chất gây nghiện, nhà dịch tễ học, nhà sinh học, nhà tội phạm học và bác sĩ ở nhiều thời điểm khác nhau. Điều này thường liên quan đến phân tích dữ liệu trong đó các cách tiếp cận "đóng hộp" thông thường sẽ thất bại vì nhiều lý do (ví dụ: một số kết hợp lấy mẫu sai lệch và dữ liệu được lập chỉ mục theo chiều dọc và / hoặc không gian). Tôi cũng dành một vài năm tư vấn bán thời gian ở trường đại học, nơi tôi làm việc với những người từ nhiều lĩnh vực lớn. Vì vậy, tôi đã phải suy nghĩ về điều này rất nhiều.

Kinh nghiệm của tôi là điều quan trọng nhất là giải thích tại sao các cách tiếp cận đóng hộp thông thường lại không phù hợp và hấp dẫn đối với mong muốn làm "khoa học tốt" của người đó. Không có nhà nghiên cứu đáng kính nào muốn công bố một cái gì đó ngang nhiên gây hiểu lầm trong kết luận của mình vì phân tích thống kê không phù hợp. Tôi chưa bao giờ bắt gặp ai đó nói điều gì đó dọc theo dòng chữ "Tôi không quan tâm liệu phân tích đó có đúng hay không, tôi chỉ muốn công bố điều này" mặc dù tôi chắc chắn những người như vậy tồn tại - phản ứng của tôi sẽ có kết thúc mối quan hệ chuyên nghiệp nếu có thể Là nhà thống kê, danh tiếng của tôi có thể bị tổn hại nếu ai đó thực sự biết những gì họ đang nói về việc xảy ra để đọc bài báo.

Tôi thừa nhận rằng có thể khó thuyết phục ai đó rằng một phân tích cụ thể là không phù hợp, nhưng tôi nghĩ rằng với tư cách là nhà thống kê, chúng ta nên (a) có kiến ​​thức cần thiết để biết chính xác điều gì có thể sai với phương pháp "đóng hộp" và (b) có khả năng giải thích nó là một cách hợp lý dễ hiểu. Trừ khi bạn làm việc như một giáo sư thống kê hoặc toán học, một phần công việc của bạn sẽ là làm việc với những người không thống kê (và thậm chí đôi khi nếu bạn là một chuyên gia về toán học / toán học).

Về (a) , nếu nhà thống kê không có kiến ​​thức này, tại sao họ lại không khuyến khích phương pháp đóng hộp? Nếu nhà thống kê đang nói "sử dụng mô hình hiệu ứng ngẫu nhiên" nhưng không thể giải thích được tại sao giả định độc lập là vấn đề, vậy thì họ có phạm tội khi đưa ra giáo điều giống như khách hàng không? Bất kỳ nhà phê bình nào, nhà thống kê hay không, đều có thể đưa ra những lời phê bình mang tính mô phạm về phương pháp mô hình thống kê bởi vì, hãy đối mặt với nó - tất cả các mô hình đều sai. Nhưng, nó đòi hỏi chuyên môn để biết chính xác những gì có thể đi sai.

Về (b) , tôi đã thấy rằng các mô tả đồ họa về những gì có thể sai thường là "về nhà" nhiều nhất. Ví dụ:

• $x$

• $y = x$$x \in (0,1)$$y = 1$$x > 1$$p$$x$$y$

• Một tình huống phổ biến khác (cũng được Peter đề cập) là giải thích tại sao giả định độc lập là một ý tưởng tồi. Ví dụ, bạn có thể hiển thị với một âm mưu rằng tự tương quan tích cực thường sẽ tạo ra dữ liệu "cụm" hơn và phương sai sẽ được đánh giá thấp vì lý do đó, đưa ra một số trực giác về lý do tại sao các lỗi tiêu chuẩn ngây thơ có xu hướng quá nhỏ. Hoặc, bạn cũng có thể vẽ dữ liệu với đường cong được trang bị giả định tính độc lập và người ta có thể thấy trực quan cách các cụm ảnh hưởng đến sự phù hợp (giảm kích thước mẫu một cách hiệu quả) theo cách không có trong dữ liệu độc lập.

Có một triệu ví dụ khác nhưng tôi đang làm việc với các hạn chế về không gian / thời gian ở đây :) Khi hình ảnh đơn giản là không làm vì lý do gì (ví dụ: cho thấy tại sao một cách tiếp cận bị thiếu năng lực) thì các ví dụ mô phỏng cũng là một lựa chọn mà tôi đã sử dụng theo thời gian.

Một số suy nghĩ ngẫu nhiên bởi vì đây là một vấn đề phức tạp ...

Tôi cảm thấy rằng một vấn đề lớn là thiếu giáo dục toán học trong một loạt các chuyên ngành và chương trình tốt nghiệp.

Không có sự hiểu biết toán học về thống kê, nó trở thành một loạt các công thức được áp dụng theo trường hợp.

Ngoài ra, để có được sự hiểu biết thực sự về vấn đề này, các giáo sư nên nói về những vấn đề ban đầu mà các tác giả ban đầu đang phải đối mặt tại thời điểm họ công bố phương pháp của họ. Người ta có thể học được nhiều hơn từ đó hơn là đọc hàng ngàn cuốn sách về chủ đề này.

Thống kê là một hộp công cụ để giải quyết vấn đề, nhưng nó cũng là một nghệ thuật và đối mặt với các vấn đề tương tự hơn bất kỳ nghệ thuật nào khác.

Người ta có thể học cách tạo ra âm thanh với một nhạc cụ. Nhưng bằng cách có thể"chơi" một nhạc cụ không trở thành nhạc sĩ.

Tuy nhiên, không có gì lạ khi tìm thấy những người coi mình là nhạc sĩ mà không cần nghiên cứu một khái niệm duy nhất về nhịp điệu, giai điệu và hòa âm.

Trong cùng một dòng, để có được các bài báo được xuất bản, hầu hết mọi người không cần biết cũng không hiểu các khái niệm đằng sau một công thức ... ngày nay các nhà khoa học chỉ cần biết họ phải nhấn phím nào và khi nào cần nhấn.

Vì vậy, điều này không liên quan gì đến "cái tôi" của MD. Đây là một vấn đề văn hóa, một vấn đề liên quan nhiều hơn đến giáo dục, phong tục và giá trị của cộng đồng khoa học.

Những gì người ta có thể mong đợi trong một thời đại trong đó có hàng ngàn và hàng ngàn và hàng ngàn giấy tờ và sách vô dụng được xuất bản để đáp ứng một số chính sách / yêu cầu học thuật? Trong thời đại mà số lượng bài báo mà một người xuất bản quan trọng hơn chất lượng của chúng?

Các nhà khoa học chính thống không còn lo lắng về khoa học tốt nữa. Họ là nô lệ của những con số. Họ bị ảnh hưởng (hoặc bị nhiễm) bởi lỗi hành chính trong thời đại của chúng ta ...

Vì vậy, theo quan điểm của tôi, một khóa học tốt về thống kê nên bao gồm cơ sở toán học, lịch sử và triết học của phương pháp đang được nghiên cứu, luôn nêu bật một số con đường mà người ta có thể đưa ra để giải quyết một vấn đề duy nhất.

Cuối cùng, nếu tôi là giáo sư về thống kê / xác suất, bài giảng đầu tiên của tôi sẽ dành riêng cho các vấn đề nhưxáo trộn thẻ hoặc tung đồng xu . Điều đó sẽ đặt khán giả vào đúng vị trí để nghe ... có lẽ.