로그( x ) ; x ∈ ( 1 , 2 ) ?  

저는 경력에 따라 여러 학제 간 연구를 수행하고 있으며, 약물 남용 연구자, 역학자, 생물 학자, 범죄 학자 및 의사와 긴밀히 협력하여 여러 차례 일했습니다. 여기에는 일반적으로 일반적인 “통조림”접근 방식이 다양한 이유로 실패 할 수있는 데이터 분석이 포함됩니다 (예 : 편향 샘플링 및 군집, 세로 및 / 또는 공간 인덱스 데이터의 일부 조합). 또한 2 년 동안 대학원에서 아르바이트를하면서 다양한 분야의 사람들과 함께 일했습니다. 그래서 저는 이것에 대해 많이 생각해야했습니다.

내 경험은 가장 중요한 것은 일반적인 통조림 접근 방식이 왜 부적절하고 왜 “좋은 과학”을하려는 사람의 호소에 호소 하는지 설명하는 것입니다 . 부적절한 통계 분석으로 인해 결론에 오해의 소지가있는 내용을 게시하려는 존경받는 연구원은 없습니다. 나는 그런 사람들이 존재한다고 확신하지만 “분석이 정확한지 아닌지 신경 쓰지 않고 이것을 게시하고 싶다” 는 문구를 쓴 사람을 본 적이 없다. 가능하면 전문적인 관계를 끝내십시오. 통계 학자로서 자신이 말하는 것을 실제로 아는 사람이 신문을 읽으면 손상 될 수있는 것은 저의 명성입니다.

나는 특정 분석이 부적절 것을 사람을 설득 도전 할 수 있다는 것을 인정하지만 통계로 우리가해야한다고 생각 (A) 은 “통조림”접근과 함께 잘못 될 수 있는지 정확히 알고 필요한 지식이 (B)를 가지고 그것을 설명하는 능력은 합리적으로 이해 가능한 방법입니다. 통계 또는 수학 교수로 일하지 않는 한, 직업의 일부는 비 통계 학자와 함께 일하는 경우가 있습니다 (때로는 통계 / 수학 교수 인 경우에도 해당).

(a) 와 관련 하여 통계학자가이 지식을 가지고 있지 않다면 왜 통조림 접근을 방해하고 있습니까? 통계학자가 “임의 효과 모델 사용”이라고 말했지만 독립성을 가정하는 것이 왜 문제가되는지 설명 할 수없는 경우, 고객과 같은 방식으로 교리에 유죄를 인정하지 않습니까? 통계 전문가이든 아니든 모든 검토자는 통계 모델 접근 방식에 대한 비판을 할 수 있습니다. 모든 모델이 잘못 되었기 때문입니다. 그러나 무엇이 잘못 될 수 있는지 정확히 알기 위해서는 전문 지식이 필요합니다.

(b) 와 관련하여 , 나는 잘못 될 수있는 것에 대한 그래픽 묘사가 일반적으로 “집에 닿는”것을 발견했다. 예 :

• 엑스

  엑스

• 와이= x

  와이=엑스

  엑스 ∈ ( 0 , 1 )

  엑스∈(0,1)

  와이= 1

  와이=1

  x > 1

  엑스>1

  피

  피

  엑스

  엑스

  와이

  와이

• 또 다른 일반적인 상황 (피터도 언급)은 왜 독립을 가정하는 것이 나쁜 생각인지 설명하고 있습니다. 예를 들어 양의 자기 상관이 일반적으로 더 “클러스터 된”데이터를 생성하고 그 이유 때문에 분산이 과소 평가됨을 플롯으로 표시하여 순진한 표준 오류가 너무 작은 경향이있는 이유를 이해할 수 있습니다. 또는 독립성을 가정 한 적합 곡선을 사용하여 데이터를 플로팅하고 독립 데이터에 존재하지 않는 방식으로 군집이 적합에 영향을 미치는 방식 (시료 크기를 효과적으로 낮추는 방법)을 시각적으로 확인할 수 있습니다.

백만 가지의 다른 예제가 있지만 여기서 공간 / 시간 제약 조건으로 작업하고 있습니다. 때때로.

답변