Este consejo se aplica generalmente a los estudios estadísticos, pero lo enfocaré en su pregunta.
1) Decide qué métricas quieres usar.
¿Desea ver los rendimientos inmediatos de los cultivos, los rendimientos de los cultivos a largo plazo, el impacto del suelo (cuánta basura termina en el suelo que no desea, etc.) o algo más? Su experimento dependerá de lo que quiera medir exactamente, y puede terminar teniendo que evolucionar a medida que aprenda sobre lo que surge en el experimento.
No comienzas un experimento sin primero decidir qué estás tratando de medir. Si lo hace, está perdiendo el tiempo y cualquier resultado que encuentre puede terminar siendo un tiempo perdido, inválido por varias razones (es decir, falta de control de otros factores, sesgo de muestra, etc.)
- Científicamente hablando, ¿todas las personas son hombres o mujeres?
- Pregunta que contiene suposiciones: Considerando que la ciencia está perdiendo lentamente la fe en la teoría del Big Bang, ¿cuáles son algunas de las alternativas posibles? (Solo ciencia ... No Dios)
- ¿Los fotones solo llegan a existir cuando los miras?
- ¿Por qué cambia el clima?
- ¿Es malo cargar tu teléfono durante la noche?
Además, no elija la métrica en función de la que se vea mejor para su argumento. Elija uno que realmente signifique lo que quiere entender.
2) Diseña el experimento.
Una vez más, esto puede suceder con el tiempo, a medida que aprenda qué otros factores entran en juego que pueden afectar sus resultados y hacerlos inválidos. Mi ejemplo favorito de eso es en psicología, con ratas corriendo carreras. Hay un gran total de un artículo que es realmente válido en las carreras de ratas, y ese documento no se trata de psicología en absoluto, sino de todas las cosas que pueden arruinar los resultados. Casi todos los documentos posteriores de la carrera de ratas tienden a ignorar esas cosas y cometen el grave pecado del sesgo de confirmación.
De todos modos, para tener un experimento adecuado, todos los factores que puede controlar deben controlarse y debe hacer comparaciones con algún tipo de referencia. En su ejemplo, tendrá que asegurarse de que todos sus cultivos estén expuestos a la luz solar idéntica, sentados en condiciones de suelo idénticas, mantenidas a las mismas temperaturas y exposiciones al viento y al clima, regados de la misma manera, tengan una exposición idéntica a las plagas (una excelente una forma de meterse realmente con este sería tener un nido de avispas en una de las áreas pero no en las otras), espaciado idéntico y controles para cualquier otra cosa que pueda afectar los resultados.
Dado que ya existe una variabilidad inherente que no podrá controlar, debe elegir un tamaño de muestra que sea lo suficientemente grande como para detectar la diferencia que está buscando.
Asegúrese de que lo único que sea diferente entre sus grupos de muestra es lo que está tratando de medir.
Además, si lo que está midiendo tiene mucha variabilidad en sí mismo, es probable que desee considerar un diseño de experimento más avanzado, como un estudio emparejado (es decir, si está tratando de ver el desgaste de los zapatos para una suela versus otra, hay mucha variabilidad de corredor a corredor, por lo que puede reducir esa variabilidad colocando un material en un pie y otro material en el otro pie, aleatorizar entre izquierda y derecha y observar la diferencia de desgaste para cada corredor dado).
Su estudio específico probablemente querrá comparar el agua del océano con otros tipos de fertilizantes, en comparación con arrojar caca allí, en comparación con el uso de ningún fertilizante. Después de todo, la comparación no es solo comparación con nada, sino más bien comparación con algo que ya existe. Probablemente también desee comparar muestras con muchos fertilizantes con algunas con pequeñas cantidades.
3) Ejecute el experimento y mire los resultados.
Lo que estás buscando son dos cosas.
Primero, la significación estadística: ¿es la diferencia lo suficientemente grande como para que, si realizara el experimento, digamos, 20 veces, obtuviera el mismo resultado cada vez, dada la cantidad de números que varían aleatoriamente? Esto se puede calcular dado el número de muestras, la diferencia entre las medias y las desviaciones estándar. (Por cierto, el límite sensible se puede usar para determinar qué tan grande debe ser su muestra).
El segundo es el tamaño del efecto: ¿cuánto peor / mejor es el agua del océano en comparación con los demás? ¿El tamaño del efecto es lo suficientemente grande como para que te importe? – es decir, si su preocupación es la escorrentía agrícola que cultiva algas, ¿su cambio hará una diferencia notable en relación con el costo de su cambio?
El tamaño del efecto no tiene sentido si el resultado no es estadísticamente significativo. Pero la significación estadística no tiene sentido si el tamaño del efecto es menor de lo que es útil.
