Doradztwo w zakresie współpracy z naukowcami stosowanymi

Jestem absolwentem statystyki i jako taki jestem zaangażowany w kilka współpracy z naukowcami stosowanymi (ekonomistami, leśnikami…). Współpraca ta jest fajna (przez większość czasu) i dużo się uczę, ale są też pewne komplikacje, na przykład:

• Czasami moje zdanie na temat tego, czym jest dobry model statystyczny, różni się od tła moich współpracowników i powszechnych praktyk w ich dziedzinie. Trudno jest więc przekonać ich do wypróbowania czegoś nowego, albo dlatego, że próbują zrozumieć model, albo dlatego, że niechętnie zmieniają swoje nawyki
• Proponując stosowanie różnych metod statystycznych, często mam wrażenie, że moi współpracownicy uważają to za krytykę ich „standardowych” metod. Jednak w żadnym wypadku nie zamierzam krytykować nikogo za jego wiedzę statystyczną lub zwyczaje
• I wreszcie jest druga skrajność: niektórzy ludzie oczekują zbyt wiele. Myślą, że mogę w cudowny sposób wyodrębnić interesujące informacje z ich danych bez ich pomocy. Oczywiście nie jest to prawdą, szczególnie jeśli tęsknię za kontekstem danego tematu

Prawdopodobnie mógłbym wymyślić więcej punktów, ale są to pierwsze, które przyszły mi do głowy.

Pytania, które zadaję, to:

1. Czy napotykasz te same lub podobne trudności we współpracy? Jak sobie z nimi radzisz? Co ogólnie robisz, aby być dobrym współpracownikiem statystycznym?
2. Czy są jakieś zasoby stron trzecich na ten temat , tj. Miękkie umiejętności potrzebne do współpracy między statystykami a naukowcami stosowanymi?

Uwaga: to pytanie jest bardziej lub mniej odwrotna od tej jednej .

Dostajesz dobre porady, ale wraz z poszerzaniem doświadczenia będzie ono się urozmaicać.

Inne możliwości obejmują:

1. Naukowcy powinni mieć znaczną wiedzę merytoryczną, na przykład w zakresie pomiaru i tego, jakie relacje mają sens fizyczny (biologiczny, cokolwiek). Okazanie szacunku dla ich wiedzy jest naturalnym i sympatycznym sposobem na nawiązanie dobrych relacji.

2. Naukowcy mogą znać dane statystyczne, których ty nie znasz. Na przykład większość astronomów wie więcej o nieregularnych szeregach czasowych i problemach z brakiem wykrycia niż wielu statystów. Wiele dziedzin wykorzystuje statystyki kołowe, które rzadko obejmują nawet pełne wykształcenie statystyczne.

3. Wykresy są często lingua franca . Co ciekawe, czy nie, ekonomiści często nie ufają wykresom, ponieważ są szkoleni, aby traktować statystyki w bardzo formalny sposób (przebieg może się różnić) i aby uniknąć podmiotowości (znaczenia, osądu).

4. Czasami musisz się wycofać. Jeśli naukowcy nie wiedzą, czego oczekują, a jedynie proszą o analizę lub coś, co można opublikować, marnują czas i masz lepsze rzeczy do zrobienia. Jeśli dane są przypadkowym bałaganem, nie można ich uratować za pomocą żadnej inteligentnej analizy.

Zawsze ustalaj drogę ucieczki. Twoje warunki mogą obejmować (a) zgodę tylko na wstępną dyskusję (b) ograniczenie twojego czasu lub inne zobowiązanie (c) prawo do wycofania się, jeśli nie będą postępować zgodnie z twoją radą (d) jakiś pomysł na warunki współpracy -autorstwo. Uważaj na sytuację, w której naukowiec po prostu wraca po trochę więcej. Uważaj też na sytuację, w której jesteś traktowany jak osoba z kompanii gazowej lub hydraulik: jesteś wezwany, aby uporządkować bałagan, ale nie czują się zobowiązani do utrzymywania relacji, gdy to się skończy.

Nie jestem statystykiem, ale piszę z doświadczenia, o ile znam więcej statystyk niż większość moich kolegów naukowców. Jeśli każda ze stron szanuje drugą stronę, związek może być bardzo owocny.

Oczywiście twoje podejście jest wszystkim. Jeśli Twoi klienci / współpracownicy uważają, że jesteś tam, aby wspierać - w przeciwieństwie do oceniania - będzie to długa droga. Ale nawet wtedy pojawiają się problemy. Dwie wymienione przez ciebie kule są kluczowe.

Po pierwsze, zawsze podkreślaj, że chcesz, aby tworzyły najlepszą naukę i chociaż zdajesz sobie sprawę, że mogą istnieć konwencje specyficzne dla dyscypliny, nie oznacza to, że mogą nie istnieć lepsze sposoby na wykonanie zadania. W tym celu twoimi dwoma najlepszymi przyjaciółmi będą: (1) pytanie badawcze i (2) dowolne i wszystkie założenia modelu. Jeśli odpowiedź na RQ można uzyskać (nawet niedoskonale) z „konwencjonalnego” podejścia, prawdopodobnie będzie to rozsądne. Jeśli naruszenia założeń staną się zbyt rażące ... możesz wrócić do chęci stworzenia najlepszej nauki.

Mam nadzieję, że moje refleksje są dla ciebie przydatne.

Twarde umiejętności są twoją stopą w drzwiach, a miękkie umiejętności są kluczem do rzeczywistego wdrożenia rozwiązania. Bycie najmądrzejszą osobą w pokoju nie daje ci punktów.

To powiedziawszy, nie musisz uczyć się na własną rękę. Jakkolwiek banalne, to jak zdobyć przyjaciół i wpływać na ludzi Dale Carnegie, może sprawić, że staniesz się lepszą osobą. Podobnie, podcasty typu ekonomia behawioralna są dobre do odkrywania badań, sprawiając, że myślisz krytycznie i utrzymujesz je przy życiu. Zobacz na przykład Freakonomics.

Czytanie i słuchanie są świetne, ale tak naprawdę musisz zmienić sposób działania, aby wpływać na dobre wyniki.

W konkretnym przypadku odniosłem sukces, wypróbowując wszystkie metody i porównując z uzgodnioną miarą „dobroci”. Nie trzeba się kłócić, czy można obiektywnie przetestować, który model jest najlepszy. Może to polegać na minimalizowaniu błędów, posiadaniu najlepszej wartości objaśniającej, dostarczaniu najlepszej „historii” itp.