Me pediram para propor um curso de desenho experimental para estudantes avançados de agronomia e ecologia. Eu nunca fiz esse curso e fiquei surpreso ao descobrir que o curso poderia ser mais apropriadamente chamado de "Além da ANOVA de mão única" e que abrange o material que aprendi em um curso avançado de pós-graduação em estatística para experimentos de campo agrícola (por exemplo, RCBD, quadrados latinos, contrastes, medições repetidas e covariáveis). Talvez eu esteja confuso com o nome "Design Experimental" em vez de "Análise de Resultados Experimentais".
Tenho algumas idéias sobre o que esse curso deve conter e gostaria de receber feedback sobre como isso pode ser integrado a um currículo estatístico que atenda às necessidades dos alunos, apresentando alternativas modernas às listas de projetos nomeadas e aos testes associados.
Por exemplo, não consigo imaginar ensinar os alunos a usar contrastes lineares e quadráticos com a ANOVA que impõe a categorização de variáveis contínuas quando eu poderia ensiná-los a comparar modelos de regressão com funções lineares e quadráticas. No segundo caso, eles também aprenderiam a lidar com fatores que não são valores discretos definidos experimentalmente. Se alguma coisa, eu poderia comparar as duas abordagens.
Se eu fosse ministrar um curso em "Design Experimental", gostaria realmente de enfatizar conceitos fundamentais que são independentes do modelo estatístico aplicado e que se traduziriam de maneira mais ampla em outros problemas. Isso daria aos alunos mais flexibilidade para usar abordagens estatísticas modernas.
Alguns dos conceitos relevantes que não parecem ser abordados no curso existente incluem:
- modelos hierárquicos e mistos (dos quais eu entendo ANOVA e parentes como um exemplo)
- comparação de modelos (por exemplo, para substituir contrastes)
- usando modelos espaciais em vez de blocos como 'fatores'
- replicação, randomização e IID
- diferenças entre testes de hipóteses, hackers-p e reconhecimento de padrões.
- análise de potência através de simulação (por exemplo, recuperação de parâmetros de conjuntos de dados simulados),
- pré-registro,
- uso de conhecimentos prévios de estudos publicados e princípios científicos.
Existem cursos que atualmente adotam essa abordagem? Algum livro de textos com esse foco?
Respostas:
Aqui está uma lista de alguns livros que eu gosto e que seriam um bom material para esse curso:
David Cox: Planejamento de Experimentos , clássicos de Wiley, 1992. Isso não é matemático, mas não é fácil! Uma discussão profunda dos conceitos básicos por trás do design.
DR Cox e Nancy Reid: A teoria do projeto de experimentos , Chapman & Hall, 2000. Mais matemático, mas ainda com foco em conceitos básicos
Rosemary A. Bailey: Projeto de Experimentos Comparativos , Cambridge UP, 2008. Do prefácio: "Minha filosofia é que você não deve escolher um projeto experimental de uma lista de projetos nomeados. Em vez disso, você deve pensar em todos os aspectos do experimento atual. e decida como reuni-los adequadamente ... ".
George Casella: Statistical Design , Springer, 2008. Outro livro analisando tópicos antigos com novos olhos!
Você poderia fazer pior do que olhar para George EP Box, J Stuart Hunter e William G. Hunter: Statistics for Experimenters: Design, Innovation and Discovery (segunda edição, Wiley, 2005) em busca de inspiração.
Eu evitaria os livros mais antigos que pareciam um catálogo de designs nomeados e segui um dos itens acima com base em princípios fundamentais. Um desses livros que eu evitaria é o popular (por quê?) Douglas C. Montgomery: Design e Análise de Experimentos .
Outro tópico que pode ser incluído é o design experimental ideal , com conceitos como projetos D-ótimos ou A-ótimos. Atualmente, há uma infinidade de livros, tão difíceis de aconselhar, algumas possibilidades:
Design Experimental Ótimo com R
Crossover
Ideal Design Experimental Ideal para Modelos Não Lineares: Teoria e Aplicações
Design Ideal de Experimentos: Uma Abordagem de Estudo de Caso
Há muito desenvolvimento nessa área em R, então dê uma olhada em https://CRAN.R-project.org/view=ExperimentalDesign
fonte