Experiment möjliggör att studera forskningsfrågor under kontrollerade förhållanden, på ett sådant sätt att effekterna av de undersökta variablerna kan isoleras. Syftet med ett experiment är att undersöka om det finns ett samband mellan en eller flera faktorer/behandlingsvariabler och en responsvariabel av intresse, samt att skatta storleken på eventuella behandlingseffekter. Med noggrann planering av experimentet kan giltiga slutsatser dras och mängden information maximeras givet de tillgängliga resurserna.
Forskningsområdet systematiserades av Ronald Fisher med start på 1920-talet i samband med lantbruksexperiment. Fisher använde statistiska metoder för att planera försöken och formaliserade principer som randomisering, replikering och blockindelning. Många tillämpningar har sedan dess utvecklats inom biologi, medicin och industri, särskilt inom kvalitetsförbättring och processoptimering. Idag är tillämpningar av experiment vanliga inom flertalet forskningsområden, inklusive samhällsvetenskap och ekonomi.
En försöksplan/experimentdesign anger vilka variabler som ska studeras, på vilka nivåer mätningar ska göras och i vilken proportion försöksenheter ska fördelas på de olika variabelkombinationerna. I en klinisk prövning för att hitta den bästa dosen av ett nytt läkemedel måste man till exempel besluta om antalet doser, om några kontrollvariabler ska inkluderas och hur individer ska fördelas till de olika doserna. Ett annat exempel är förutprövning av uppgifter till kunskapsprov, där försöksplanen bestämmer en fördelning av uppgifter till provdeltagare genom att matcha uppgifternas svårighetsgrad mot deltagarnas förmåga.
En optimal experimentdesign syftar till att uppnå så hög precision i skattningarna som möjligt, givet den statistiska modellen. Optimalitet definieras utifrån ett lämpligt kriterium, uttryckt som en funktion av modellparametrarnas estimatorer. Att härleda optimala design för icke-linjära och generaliserade linjära modeller är mer utmanande än för linjära modeller, eftersom dessa generellt beror på de okända sanna modellparametrarna. Olika metoder finns för att hantera detta problem, som att betrakta lokalt optimala design, design som är optimala sett till väntevärdet över en fördelning (Bayesianska design) samt minimax-design konstruerade för att vara robusta inom ett specificerat intervall av rimliga parametervärden.
Exempel på forskningteman vid institutionen
- Optimal design för generaliserade linjära modeller (GLM) med utvidgningar till generaliserade linjära mixed-modeller (GLMM) som inkluderar slumpmässiga effekter
- Utveckling av algoritmer för att konstruera minimax-design för att hantera problemet med parameterberoende
- Optimala design för dosrespons-experiment med Emax-modeller
- Modeller och design för en klass av experiment som studerar betalningsvilja för icke-marknadsmässiga varor
- Kalibrieringsdesign för skattning av provuppgifters egenskaper vid utprövning innan inkludering i operativa prov
- Metoder för urval av uppgifter för att skatta förmåga med hög precision i datoriserade adaptiva prov och adaptiva inlärningssystem
- Optimal design för skattning av behandlingseffekter i sociala nätverk, med korrekt hantering av nätverksberoenden och påverkan
Doktorand inom området
Wara Alfa Syukrilla