Me han pedido que proponga un curso de diseño experimental para estudiantes de posgrado avanzados en agronomía y ecología. Nunca he tomado tal curso, y me sorprendió descubrir que el curso podría llamarse más acertadamente "Más allá de ANOVA unidireccional", y que cubre el material que aprendí en un curso avanzado de postgrado sobre estadísticas para experimentos de campo agrícola (p. Ej. RCBD, cuadrados latinos, contrastes, mediciones repetidas y covariables). Quizás me confunde el nombre "Diseño experimental" en lugar de "Análisis de resultados experimentales".
Tengo algunas ideas sobre lo que debería contener un curso de este tipo y agradecería recibir comentarios sobre cómo esto podría integrarse en un plan de estudios de estadística que satisfaga las necesidades de los estudiantes al tiempo que presenta alternativas modernas a las listas de diseños con nombre y sus pruebas asociadas.
Por ejemplo, no puedo imaginar enseñar a los estudiantes a usar contrastes lineales y cuadráticos con ANOVA que imponga la categorización de variables continuas cuando podría enseñarles a comparar modelos de regresión con funciones lineales y cuadráticas. En el segundo caso, también aprenderían a lidiar con factores que no son valores discretos definidos experimentalmente. En todo caso, podría comparar los dos enfoques.
Si tuviera que enseñar un curso de "Diseño experimental", realmente me gustaría enfatizar conceptos fundamentales que son independientes del modelo estadístico que se aplica y que se traduciría más ampliamente en otros problemas. Esto permitiría a los estudiantes más flexibilidad para usar enfoques estadísticos modernos.
Algunos de los conceptos relevantes que no parecen estar cubiertos en el curso existente incluyen:
- modelos jerárquicos y mixtos (de los cuales entiendo ANOVA y familiares como un ejemplo)
- comparación de modelos (por ejemplo, para reemplazar contrastes)
- usando modelos espaciales en lugar de bloques como 'factores'
- replicación, aleatorización e IID
- diferencias entre pruebas de hipótesis, p-hacking y reconocimiento de patrones.
- análisis de potencia mediante simulación (por ejemplo, recuperación de parámetros de conjuntos de datos simulados),
- preinscripción,
- uso de conocimiento previo de estudios publicados y principios científicos.
¿Hay algún curso que actualmente tenga ese enfoque? ¿Algún libro de texto con tal enfoque?