Enhancing understanding of experimental designs: treatment levels and choice of analytics to improve statistical performance for ecological experiments
Notice bibliographique
Résumé
Experimental design is a fundamental component of research in ecology and other disciplines. It is critical to understand the consequences of statistical inference, including power and effect size, when making decisions about designing experiments. However, issues such as file drawer effect, funding logistics, and reproducibility are a major concern that often are not considered when starting one’s scientific journey; a poor understanding of these problems may lead to overly conservative estimates or claims that can not be replicated. Here we argue that researchers can dramatically improve inferences from experiments by focusing on two key issues. First, properly manipulating treatment dispersion, which refers to the variation among levels of a quantitative factor, can improve inference without the need for increasing replicates and sample sizes. Secondly, choosing analytics judiciously, such as selecting between ANOVA and replicated regression for experimental data, can improve inference by contrasting inferential outcomes on the same data. We use language, simple fictional examples, and simulations to show that effect size and power increase with treatment dispersion. We also conducted a small meta-analysis on real data to assess whether the literature confirms in published data that treatment dispersion affects inference. We found that there is no association between treatment dispersion and effect size in published literature, suggesting that some form of bias may be prevalent in published literature. Overall, we found that by focusing on treatment dispersion and analytics, researchers can improve their ability to make sound inferences from their data without the need for increased sample sizes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,261 | 0,621 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».