Консультации по сотрудничеству с прикладными учеными

Я аспирант в области статистики и, таким образом, участвую в нескольких совместных исследованиях с прикладными учеными (экономистами, лесниками,…). Это совместная работа (в большинстве случаев), и я многому учусь, но есть и некоторые сложности, например:

• Иногда мое мнение о том, что такое хорошая статистическая модель, отличается от опыта моих сотрудников и общих практик в их области. Тогда трудно убедить их попробовать что-то новое, потому что они изо всех сил пытаются понять модель или потому, что они не хотят менять свои привычки.
• Предлагая использовать разные статистические методы, у меня часто складывается впечатление, что мои сотрудники считают это критикой их «стандартных» методов. Однако я ни в коем случае не намерен критиковать кого-либо за его статистические знания или привычки.
• И, наконец, есть другая крайность: некоторые люди ожидают слишком многого. Они думают, что я могу чудесным образом извлечь интересную информацию из их данных без их помощи. Конечно, это не так, особенно если я скучаю по предметно-ориентированному фону

Я мог бы придумать больше моментов, но это первое, что пришло мне в голову.

Я задаю вам следующие вопросы:

1. Испытываете ли вы те же или похожие трудности в вашем сотрудничестве? Как вы противостоите им? Вообще, что вы делаете, чтобы быть хорошим статистическим сотрудником?
2. Существуют ли какие-либо сторонние ресурсы по этой теме , например, навыки работы с ПО, необходимые для сотрудничества статистиков и прикладных ученых?

Примечание: этот вопрос более или менее противоположен этому .

Вы получаете хороший совет, но по мере расширения вашего опыта он будет разнообразен.

Другие возможности включают в себя:

1. Ученые должны обладать значительным опытом в предметной области, например, в области измерения и того, какие отношения имеют физический (биологический, какой угодно) смысл. Показ того, что вы уважаете их опыт, является естественным и подходящим способом установить хорошие отношения.

2. Ученые могут знать статистические данные, которые вы не знаете. Например, большинство астрономов знают больше о нерегулярных временных рядах и проблемах необнаружения, чем многие статистики. Во многих областях используется круговая статистика, которая редко включает даже полное статистическое образование.

3. Графики часто являются языком общения . Любопытно или нет, но экономисты часто не доверяют графикам, поскольку их учат обращаться со статистикой весьма формально (ваш пробег может варьироваться) и избегать субъективности (значение, суждение).

4. Иногда вам нужно отступить. Если ученые не знают, чего они ожидают, а просто запрашивают анализ или что-то, что можно опубликовать, они напрасно тратят ваше время и у вас есть более важные дела. Если данные являются случайным беспорядком, то они не могут быть спасены никаким умным анализом.

Всегда устанавливайте маршрут эвакуации. Ваши условия могут включать (а) согласие только на предварительное обсуждение (б) ограничение вашего времени или другое обязательство (в) право отступить, если они не последуют вашему совету (г) какое-то представление об условиях сотрудничества -авторство. Остерегайтесь ситуации, когда ученый просто возвращается еще немного. Кроме того, остерегайтесь ситуации, в которой с вами обращаются как с сотрудником газовой компании или водопроводчика: вас вызывают, чтобы навести порядок, но они не чувствуют себя обязанными поддерживать отношения, как только это будет сделано.

Я не статистика, но пишу по своему опыту, поскольку знаю больше статистики, чем большинство моих коллег-ученых. Если каждая сторона уважает другую, отношения могут быть очень плодотворными.

Конечно, ваше отношение это все. Если ваши клиенты / сотрудники считают, что вы готовы поддержать, а не судить, это будет иметь большое значение. Но даже тогда возникают проблемы, которые всплывают. Две пули, которые вы упоминаете, являются ключевыми.

Во-первых, всегда подчеркивайте, что вы хотите, чтобы они создавали самые лучшие научные разработки, и хотя вы признаете, что могут существовать дисциплинарные соглашения, это не значит, что не может быть лучших способов выполнить задачу. Для этого вашими двумя лучшими друзьями будут: (1) вопрос исследования и (2) любые и все модельные предположения. Если ответ на RQ можно получить (даже несовершенно) из «традиционного» подхода, он, вероятно, будет разумным. Если нарушения допущений становятся слишком вопиющими ... тогда вы можете вернуться к желанию создать лучшую науку.

Надеюсь, мои размышления полезны для вас.

Тяжелые навыки - ваша ступенька в двери, а мягкие навыки - ключ к реальной реализации решения. Будучи самым умным человеком в комнате, вы не зарабатываете очки.

При этом, вам не нужно учиться самостоятельно. Каким бы клише он ни был, Дейл Карнеги « Как завоевывать друзей и оказывать влияние на людей» самом деле может сделать вас лучше. В том же духе, подкасты по типу поведенческой экономики хорошо подходят для исследований, заставляют вас мыслить критически и поддерживать их жизнеспособность. См. Freakonomics, например.

Чтение и слушание - это здорово, но на самом деле вы должны изменить свое поведение, чтобы повлиять на хорошие результаты.

В каждом конкретном случае я добился успеха, попробовав все методы и сравнив их с согласованной метрикой «доброты». Нет необходимости спорить, можете ли вы объективно проверить, какая модель лучше. Это может быть в минимизации ошибки, лучшем объяснительном значении, получении лучшей «истории» и т. Д.