Assessoria em colaborações com cientistas aplicados

Eu sou um estudante de graduação em estatística e, como tal, envolvido em algumas colaborações com cientistas aplicados (economistas, silvicultores, ...). Essas colaborações são divertidas (na maioria das vezes) e eu aprendo muito, mas também há algumas complicações, por exemplo:

• Às vezes, minha visão do que é um bom modelo estatístico difere do histórico de meus colaboradores e das práticas comuns em seu campo. É então difícil convencê-los a experimentar algo novo, porque eles lutam para entender o modelo ou porque relutam em mudar seus hábitos.
• Ao propor o uso de diferentes métodos estatísticos, muitas vezes tenho a impressão de que meus colaboradores consideram isso uma crítica aos seus métodos "padrão". No entanto, não é minha intenção criticar ninguém por seus conhecimentos ou hábitos estatísticos
• E, finalmente, há o outro extremo: algumas pessoas esperam demais. Eles acham que eu posso milagrosamente extrair informações interessantes de seus dados sem a assistência deles. Claro, isso não é verdade, especialmente se eu perder o histórico específico do assunto

Eu provavelmente poderia pensar em mais pontos, mas estes são os primeiros que me vieram à mente.

As perguntas que estou fazendo são:

1. Você tem dificuldades iguais ou semelhantes em suas colaborações? Como você os confronta? Geralmente, o que você faz para ser um bom colaborador estatístico?
2. Existem recursos de terceiros nesse tópico , ou seja, as habilidades sociais necessárias nas colaborações entre estatísticos e cientistas aplicados?

Nota: Esta pergunta é mais ou menos o inverso desta .

Você está recebendo bons conselhos, mas à medida que sua experiência aumenta, ela se diversifica.

Outras possibilidades incluem:

1. Os cientistas devem ter considerável experiência no assunto, por exemplo, em medição e que tipo de relacionamento faz sentido físico (biológico, qualquer que seja). Mostrar que você respeita a experiência deles é uma maneira natural e agradável de estabelecer um bom relacionamento.

2. Os cientistas podem saber coisas estatísticas que você não conhece. Por exemplo, a maioria dos astrônomos sabe mais sobre séries temporais irregulares e problemas de não detecção do que muitos estatísticos. Muitos campos usam estatísticas circulares, que mesmo uma educação estatística completa raramente inclui.

3. Os gráficos são frequentemente uma lingua franca . Curiosamente ou não, os economistas geralmente desconfiam dos gráficos, pois são treinados para tratar as estatísticas de maneira altamente formal (sua milhagem pode variar) e para evitar a subjetividade (significado, julgamento).

4. Às vezes você precisa recuar. Se os cientistas não sabem o que esperam, mas apenas pedem a análise ou algo publicável, estão desperdiçando seu tempo e você tem coisas melhores a fazer. Se os dados estiverem uma bagunça aleatória, eles não poderão ser resgatados por nenhuma análise inteligente.

Sempre estabeleça uma rota de fuga. Suas condições podem incluir (a) concordar apenas com a discussão preliminar (b) um limite para o seu tempo ou outro compromisso (c) o direito de recuar se não seguirem o seu conselho (d) algum tipo de idéia sobre condições para -autoria. Cuidado com a situação quando um cientista apenas volta um pouco mais. Além disso, tome cuidado com a situação em que você é tratado como uma pessoa da empresa de gás ou encanador: você é chamado para esclarecer uma bagunça, mas eles não sentem a obrigação de manter um relacionamento assim que terminar.

Não sou estatístico, mas escrevo por experiência própria, na medida em que conheço mais estatísticas do que a maioria dos meus colegas cientistas. Se cada parte respeitar a outra, o relacionamento poderá ser altamente frutífero.

Claro, sua atitude é tudo. Se seus clientes / colaboradores sentirem que você está lá para apoiar - em vez de julgar -, isso ajudará bastante. Mas, mesmo assim, há problemas que surgem. As duas balas que você menciona são fundamentais.

Primeiro, sempre enfatize que você deseja que eles produzam a melhor ciência e, embora reconheça que pode haver convenções específicas da disciplina, isso não significa que talvez não haja maneiras melhores de realizar a tarefa. Para esse fim, seus dois melhores amigos seriam: (1) a questão da pesquisa e (2) toda e qualquer suposição do modelo. Se a resposta às RQs puder ser obtida (mesmo que imperfeitamente) com a abordagem "convencional", provavelmente será razoável. Se as violações das suposições se tornarem muito flagrantes ... você pode voltar a querer produzir a melhor ciência.

Espero que minhas reflexões sejam úteis para você.

As habilidades duras são o seu pé na porta, e as habilidades leves são a chave para realmente implementar uma solução. Ser a pessoa mais inteligente da sala não ganha pontos.

Dito isto, você não precisa aprender sozinho. Por mais clichê que seja, como ganhar amigos e influenciar pessoas de Dale Carnegie pode realmente fazer de você uma pessoa melhor. Na mesma linha, os podcasts comportamentais do tipo econômico são bons para surgir na pesquisa, fazendo você pensar criticamente e mantendo-a viva. Veja Freakonomics, por exemplo.

Ler e ouvir são ótimas, mas você realmente precisa mudar a maneira de agir para afetar bons resultados.

Específico para o seu caso, tive sucesso ao tentar todos os métodos e comparar com uma métrica acordada de "bondade". Não há necessidade de discutir se você pode testar objetivamente qual modelo é o melhor. Isso pode ser minimizar erros, ter o melhor valor explicativo, produzir a melhor "história" etc.