Asesoramiento sobre colaboraciones con científicos aplicados.

Soy un estudiante graduado en estadística y como tal participé en un par de colaboraciones con científicos aplicados (economistas, forestales, ...). Estas colaboraciones son divertidas (la mayoría de las veces) y aprendo mucho, pero también hay algunas complicaciones, por ejemplo:

• A veces, mi visión de lo que es un buen modelo estadístico difiere de los antecedentes de mis colaboradores y las prácticas comunes en su campo. Entonces es difícil convencerlos de probar algo nuevo, ya sea porque luchan por entender el modelo o porque son reacios a cambiar sus hábitos.
• Cuando propongo usar diferentes métodos estadísticos, a menudo tengo la impresión de que mis colaboradores consideran que esto es una crítica de sus métodos "estándar". Sin embargo, no es mi intención criticar a nadie por sus conocimientos o hábitos estadísticos.
• Y finalmente está el otro extremo: algunas personas esperan demasiado. Piensan que puedo extraer milagrosamente información interesante de sus datos sin su ayuda. Por supuesto, esto no es cierto, especialmente si echo de menos los antecedentes específicos del tema

Probablemente podría pensar en más puntos, pero estos son los primeros que me vinieron a la mente.

Las preguntas que te estoy haciendo son:

1. ¿Experimenta las mismas dificultades o similares en sus colaboraciones? ¿Cómo los enfrentas? En general, ¿qué haces para ser un buen colaborador estadístico?
2. ¿Existen recursos de terceros sobre este tema , es decir, las habilidades blandas necesarias en las colaboraciones entre estadísticos y científicos aplicados?

Nota: Esta pregunta es más o menos la inversa de esta .

Está recibiendo buenos consejos, pero a medida que su experiencia se amplíe, se diversificará.

Otras posibilidades incluyen:

1. Los científicos deberían tener una considerable experiencia en el tema, por ejemplo, en medición y qué tipo de relaciones tienen sentido físico (biológico, lo que sea). Demostrar que respeta su experiencia es una forma natural y agradable de establecer una buena relación.

2. Los científicos pueden saber cosas estadísticas que tú no. Por ejemplo, la mayoría de los astrónomos saben más sobre series de tiempo irregulares y problemas de no detección que muchos estadísticos. Muchos campos usan estadísticas circulares, que incluso una educación estadística completa rara vez incluye.

3. Los gráficos son a menudo una lengua franca . Curiosamente o no, los economistas a menudo desconfían de los gráficos, ya que están formados para tratar las estadísticas de una manera muy formal (su kilometraje puede variar) y para evitar la subjetividad (significado, juicio).

4. A veces necesitas retroceder. Si los científicos no saben lo que esperan, pero simplemente piden el análisis o algo que sea publicable, están desperdiciando su tiempo y tienen mejores cosas que hacer. Si los datos son un desastre al azar, entonces no pueden ser rescatados por ningún análisis inteligente.

Siempre establezca una ruta de escape. Sus condiciones podrían incluir (a) aceptar solo una discusión preliminar (b) un límite en su tiempo u otro compromiso (c) el derecho a retroceder si no siguen su consejo (d) algún tipo de idea sobre las condiciones para el co -paternidad literaria. Tenga cuidado con la situación en la que un científico sigue regresando por un poco más. Además, tenga cuidado con la situación en la que lo tratan como a una persona de la compañía de gas o un plomero: se le llama para aclarar un desastre, pero no sienten la obligación de mantener una relación una vez que se hace.

No soy estadístico, pero escribo por experiencia en la medida en que sé más estadísticas que la mayoría de mis colegas científicos. Si cada parte respeta a la otra, la relación puede ser muy fructífera.

Por supuesto, tu actitud lo es todo. Si sus clientes / colaboradores sienten que usted está allí para apoyar, en lugar de juzgar, eso será de gran ayuda. Pero, incluso entonces, hay problemas que aparecen. Las dos balas que mencionas son clave.

Primero, siempre haga hincapié en que desea que produzcan la mejor ciencia, y si bien reconoce que puede haber convenciones específicas de disciplina, eso no significa que no haya mejores formas de lograr la tarea. Con ese fin, sus dos mejores amigos serían: (1) la pregunta de investigación y (2) cualquiera y todos los supuestos del modelo. Si la respuesta a las RQ puede obtenerse (incluso de manera imperfecta) del enfoque "convencional", probablemente será razonable. Si las violaciones de los supuestos se vuelven demasiado atroces ... entonces puede hacer referencia a querer producir la mejor ciencia.

Espero que mis reflexiones te sean útiles.

Las habilidades duras son su pie en la puerta, y las habilidades blandas son la clave para implementar realmente una solución. Ser la persona más inteligente en la sala no te da puntos.

Dicho esto, no tienes que aprender por tu cuenta. Por cliché que sea, Dale Carnegie, Cómo ganar amigos e influir en las personas, puede hacerte una mejor persona. En la misma línea, los podcasts de tipo de economía del comportamiento son buenos en la investigación de superficie, lo que te hace pensar críticamente y mantenerlo vivo. Ver Freakonomics, por ejemplo.

Leer y escuchar son geniales, pero en realidad tienes que cambiar tu forma de actuar para afectar los buenos resultados.

Específicamente para su caso, he tenido éxito al probar todos los métodos y compararlos con una métrica de "bondad" acordada. No hay necesidad de discutir si puede probar objetivamente qué modelo es el mejor. Esto puede ser para minimizar el error, tener el mejor valor explicativo, producir la mejor "historia", etc.