Conseils sur les collaborations avec les scientifiques appliqués

Je suis un étudiant diplômé en statistique et à ce titre impliqué dans quelques collaborations avec des scientifiques appliqués (économistes, forestiers,…). Ces collaborations sont amusantes (la plupart du temps) et j'apprends beaucoup, mais il y a aussi des complications, par exemple:

• Parfois, ma vision de ce qu'est un bon modèle statistique diffère de celle de mes collaborateurs et des pratiques courantes dans leur domaine. Il est alors difficile de les convaincre d'essayer quelque chose de nouveau, soit parce qu'ils ont du mal à comprendre le modèle, soit parce qu'ils hésitent à changer leurs habitudes
• Lorsque je propose d'utiliser différentes méthodes statistiques, j'ai souvent l'impression que mes collaborateurs considèrent cela comme une critique de leurs méthodes «standard». Cependant, je n'ai nullement l'intention de critiquer quiconque pour ses connaissances ou ses habitudes statistiques
• Et enfin, il y a l'autre extrême: certaines personnes en attendent trop. Ils pensent que je peux miraculeusement extraire des informations intéressantes de leurs données sans leur aide. Bien sûr, ce n'est pas vrai, surtout si je manque l'arrière-plan spécifique au sujet

Je pourrais probablement penser à plus de points, mais ce sont les premiers qui me viennent à l'esprit.

Les questions que je vous pose sont:

1. Avez-vous rencontré des difficultés identiques ou similaires dans vos collaborations? Comment les affrontez-vous? En général, que faites-vous pour être un bon collaborateur statistique?
2. Existe-t-il des ressources tierces sur ce sujet , à savoir les compétences générales nécessaires dans les collaborations entre statisticiens et scientifiques appliqués?

Remarque: Cette question est plus ou moins l'inverse de celle-ci .

Vous obtenez de bons conseils, mais à mesure que votre expérience s'élargit, elle se diversifiera.

D'autres possibilités incluent:

1. Les scientifiques devraient avoir une expertise considérable en la matière, par exemple sur la mesure et le type de relations qui ont un sens physique (biologique, peu importe). Montrer que vous respectez leur expertise est un moyen naturel et convivial d'établir une bonne relation.

2. Les scientifiques savent peut-être des choses statistiques que vous ne connaissez pas. Par exemple, la plupart des astronomes en savent plus sur les séries chronologiques irrégulières et les problèmes de non-détection que de nombreux statisticiens. De nombreux domaines utilisent des statistiques circulaires, que même une formation statistique complète comprend rarement.

3. Les graphiques sont souvent une lingua franca . Curieusement ou non, les économistes se méfient souvent des graphiques car ils sont formés pour traiter les statistiques de manière très formelle (votre kilométrage peut varier) et pour éviter la subjectivité (sens, jugement).

4. Parfois, vous devez vous retirer. Si les scientifiques ne savent pas à quoi ils s'attendent, mais demandent simplement l'analyse ou quelque chose de publiable, ils perdent votre temps et vous avez de meilleures choses à faire. Si les données sont un désordre aléatoire, elles ne peuvent pas être sauvées par une analyse intelligente.

Établissez toujours une voie d'évacuation. Vos conditions pourraient inclure (a) n'accepter qu'une discussion préliminaire (b) une limite de temps ou un autre engagement (c) le droit de reculer s'ils ne suivent pas vos conseils (d) une sorte d'idée sur les conditions de co -paternité. Méfiez-vous de la situation où un scientifique revient sans cesse pour un peu plus. Méfiez-vous également de la situation dans laquelle vous êtes traité comme une personne de la compagnie de gaz ou un plombier: vous êtes appelé pour nettoyer un gâchis mais ils ne se sentent pas obligés de maintenir une relation une fois cela fait.

Je ne suis pas un statisticien, mais j'écris par expérience dans la mesure où je connais plus de statistiques que la plupart de mes collègues scientifiques. Si chaque partie respecte l'autre, la relation peut être très fructueuse.

Bien sûr, votre attitude est tout. Si vos clients / collaborateurs estiment que vous êtes là pour soutenir - au lieu de juger - cela ira loin. Mais, même alors, il y a des problèmes qui surgissent. Les deux balles que vous mentionnez sont essentielles.

Tout d'abord, insistez toujours sur le fait que vous voulez qu'ils produisent la meilleure science possible, et même si vous reconnaissez qu'il peut y avoir des conventions spécifiques à une discipline, cela ne signifie pas qu'il n'y a pas de meilleures façons d'accomplir la tâche. À cette fin, vos deux meilleurs amis seraient: (1) la question de recherche, et (2) toutes les hypothèses du modèle. Si la réponse aux QR peut être obtenue (même imparfaitement) à partir de l'approche "conventionnelle", elle sera probablement raisonnable. Si les violations des hypothèses deviennent trop flagrantes ... alors vous pouvez vous référer à vouloir produire la meilleure science.

J'espère que mes réflexions vous seront utiles.

Les compétences techniques sont votre pied dans la porte et les compétences générales sont la clé de la mise en œuvre effective d'une solution. Être la personne la plus intelligente de la salle ne vous rapporte pas de points.

Cela étant dit, vous n'avez pas à apprendre par vous-même. Aussi cliché soit-il, Comment gagner des amis et influencer les gens de Dale Carnegie peut réellement faire de vous une meilleure personne. Dans la même veine, les podcasts de type économie comportementale sont bons pour faire surface de la recherche, vous faire réfléchir de manière critique et la maintenir vivante. Voir Freakonomics, par exemple.

La lecture et l'écoute sont excellentes, mais vous devez en fait changer votre façon d'agir afin d'obtenir de bons résultats.

Spécifique à votre cas, j'ai réussi en essayant toutes les méthodes et en les comparant à une métrique convenue de «bonté». Il n'est pas nécessaire de se demander si vous pouvez tester objectivement quel modèle est le meilleur. Cela peut être de minimiser l'erreur, d'avoir la meilleure valeur explicative, de produire la meilleure "histoire", etc.