Hay algunos buenos comentarios ya realizados aquí, pero voy a tirar mis 2 centavos. Voy a escribir el prólogo de esta todos diciendo que estoy suponiendo que estamos hablando de una situación donde el uso de la tradicional "enlatados" técnicas de dañar el sustantivo de las conclusiones alcanzadas en el análisis. Si ese no es el caso, entonces yo creo que, en ocasiones, hacer excesivamente simplista análisis es excusable, tanto por razones de brevedad y facilidad de comprensión cuando el público objetivo son los laicos. Es realmente un crimen para asumir la independencia, cuando la correlación intraclase es de .02 o asumir la linealidad cuando la verdad es que $\log(x); \ x \in (1,2)? \ $ Yo diría que no.
En mi carrera tengo que hacer un montón de investigación interdisciplinaria y me ha llevado a trabajar estrechamente con el abuso de sustancias, investigadores, epidemiólogos, biólogos, los criminólogos y los médicos en varias ocasiones. Normalmente, esto implicó el análisis de los datos donde la habitual "enlatados" enfoques iba a fallar por diversas razón (por ejemplo, una combinación de muestreo sesgado y agrupado, longitudinalmente y/o espacialmente los datos indexados). También me pasó un par de años de consultoría a tiempo parcial en la escuela de posgrado, donde he trabajado con gente de una gran variedad de campos. Así que, he tenido que pensar mucho sobre esto.
Mi experiencia es que la cosa más importante es explicar por qué la costumbre de lata enfoques inadecuados, y la apelación a la voluntad de la persona para hacer la "buena ciencia". No respetable investigador quiere publicar algo que es claramente engañosa en sus conclusiones debido a inadecuado análisis estadístico. Nunca he encontrado a alguien que dice algo a lo largo de las líneas de "no me importa si el análisis es correcto o no, sólo quiero conseguir esta publicado" aunque estoy segura de que tales personas existen - mi respuesta no iba a ser el fin de la relación profesional, si es posible. Como el estadístico, es mi reputación que podrían ser dañados si alguien que realmente sabe lo que están hablando ocurre leer el papel.
Admito que puede ser un poco difícil convencer a alguien de que un análisis particular es inapropiado, pero creo que como los estadísticos nos debe (a) tener el conocimiento necesario para saber exactamente lo que puede ir mal con la "lata" y (b) tener la capacidad de explicar es razonablemente una manera comprensible. A menos que usted está trabajando como estadísticas o profesora de matemáticas, una parte de su trabajo va a ser para trabajar con los estadísticos (e incluso a veces, si usted es un stat/matemáticas prof).
Con respecto a (a), si el estadístico no tiene este conocimiento, ¿por qué habría de ser desalentador de la conserva de enfoque? Si el estadístico es decir "el uso de modelos de efectos aleatorios", pero no puede explicar por qué suponiendo que la independencia es un problema, entonces no son ellos los culpables de caer en el dogma de la misma manera que el cliente es? Cualquier revisor, estadístico o no, puede hacer pedante críticas de un modelado estadístico enfoque porque, seamos sinceros, todos los modelos están equivocados. Pero, se requiere experiencia para saber exactamente lo que podría ir mal.
Con respecto a (b), he encontrado que la gráfica de representaciones de lo que podría salir mal, normalmente "éxito" de la mayoría. Ejemplos:
En el ejemplo dado por Pedro acerca de la categorización de los datos continuos, la mejor manera de demostrar por qué es una mala idea es representar gráficamente los datos en su forma continua y compararlo con su forma categórica. Por ejemplo, si usted está haciendo su variable de respuesta binaria, a continuación, la trama de la variable continua versus $x$, y, si no se ve un montón de cosas como una función de paso, entonces usted sabe que la discretización perdido información valiosa. Si esta diferencia no es drástica, o que resulten en cambios en el sustantivo conclusiones, también se puede ver este de la parcela.
Cuando la propuesta de la "forma" de la modelo (por ejemplo, lineal) es inapropiado. Por ejemplo, si la función de regresión "mesetas" como $y = x$ para $x \in (0,1)$ pero $s = 1$ para $x > 1$, a continuación, un ajuste lineal de la pendiente será demasiado superficial y, dependiendo de los datos, esto podría empujar a los $p$-valor por debajo de importancia a pesar de que existe una relación evidente entre $x$ y $y$.
Otra situación común (también mencionado por Pedro) es la explicación de por qué suponiendo que la independencia es una mala idea. Por ejemplo, se puede mostrar con una trama que positivo de autocorrelación se suelen producir datos que es más "agrupado" y la varianza será subestimar por esa razón, dando cierta intuición de por qué los ingenuos errores estándar tienden a ser muy pequeños. O, usted podría también representar los datos con el conjunto de la curva que asume la independencia y uno puede ver visualmente cómo los clusters influir en el ajuste (reducción de la eficacia del tamaño de la muestra) de una manera que no está presente en datos independientes.
Hay un millón de otros ejemplos, pero estoy trabajando con el espacio/tiempo, las restricciones aquí :) Cuando las imágenes, simplemente no va a hacer por la razón que sea (por ejemplo, mostrando por qué un enfoque es de poca potencia), a continuación, la simulación de los ejemplos son también una opción que he empleado a partir de tiempo al tiempo.
