On m'a demandé de proposer un cours de conception expérimentale pour des étudiants diplômés avancés en agronomie et écologie. Je n'ai jamais suivi un tel cours, et j'ai été surpris de constater que le cours pourrait être mieux nommé "Au-delà de l'ANOVA unidirectionnelle", et qu'il couvre des matières que j'ai apprises dans un cours avancé de troisième cycle sur les statistiques pour les expériences agricoles sur le terrain (par exemple RCBD, carrés latins, contrastes, mesures répétées et covariables). Peut-être suis-je confus par le nom de "Conception expérimentale" plutôt que "Analyse des résultats expérimentaux".
J'ai quelques idées sur ce qu'un tel cours devrait contenir et j'aimerais avoir des commentaires sur la façon dont cela pourrait être intégré dans un programme de statistiques qui répond aux besoins des étudiants tout en présentant des alternatives modernes aux listes de conceptions nommées et à leurs tests associés.
Par exemple, je ne peux pas imaginer enseigner aux élèves à utiliser des contrastes linéaires et quadratiques avec l'ANOVA qui impose la catégorisation des variables continues quand je pourrais leur apprendre à comparer des modèles de régression avec des fonctions linéaires et quadratiques. Dans le second cas, ils apprendraient également à gérer les facteurs qui ne sont pas des valeurs discrètes définies expérimentalement. Si quoi que ce soit, je pourrais comparer les deux approches.
Si je devais enseigner un cours de "Conception expérimentale", je voudrais vraiment mettre l'accent sur des concepts fondamentaux qui sont indépendants du modèle statistique appliqué, et qui se traduiraient plus largement par d'autres problèmes. Cela permettrait aux étudiants d'avoir plus de flexibilité pour utiliser des approches statistiques modernes.
Certains des concepts pertinents qui ne semblent pas être couverts dans le cours existant comprennent:
- modèles hiérarchiques et mixtes (dont je comprends l'ANOVA et les parents comme un exemple)
- comparaison de modèles (par exemple pour remplacer les contrastes)
- utiliser des modèles spatiaux au lieu de blocs comme «facteurs»
- réplication, randomisation et IID
- différences entre les tests d'hypothèse, le p-hacking et la reconnaissance des formes.
- analyse de puissance par simulation (par exemple récupération de paramètres à partir de jeux de données simulés),
- pré-inscription,
- utilisation des connaissances antérieures issues d'études publiées et de principes scientifiques.
Y a-t-il actuellement des cours qui adoptent une telle approche? Des livres de textes avec un tel accent?