طراحی آزمایش‌ها و تحلیل داده‌ها ۲۰۱۷
Designing Experiments and Analyzing Data 2017

طراحی آزمایش‌ها و تحلیل داده‌ها: دیدگاهی مبتنی بر مقایسه‌ی مدل‌ها (ویرایش سوم)، یک چارچوب مفهومی یکپارچه برای درک طراحی آزمایش‌ها و تحلیل داده‌ها ارائه می‌دهد. ماکسول، دلانی و کلی، ابتدا اصول اساسی را در طراحی‌های آزمایشی ساده به کار می‌برند و سپس همین اصول را در طراحی‌های پیچیده‌تر اعمال می‌کنند. چارچوب مفهومی یکپارچه‌‌ی آن‌ها، خوانندگان را بهتر آماده می‌کند تا منطقِ پشتِ یک استراتژی عمومی تحلیل داده‌ها را درک کنند؛ استراتژی‌ای که برای گستره‌ی وسیعی از طراحی‌ها مناسب است و امکان معرفی مباحث پیچیده‌تری را فراهم می‌کند که معمولاً در کتاب‌های دیگر حذف می‌شوند.

ویژگی‌های آموزشی متعددی، درک مطالب را بیشتر تسهیل می‌کنند: **مثال‌هایی از پژوهش‌های منتشرشده،** کاربردپذیری محتوای هر فصل را نشان می‌دهند؛ **فلوچارت‌ها،** به انتخاب مناسب‌ترین رویه کمک می‌کنند؛ **فهرست فرمول‌های مهم در انتهای هر فصل،** ایده‌های کلیدی را برجسته کرده و به خوانندگان در یافتن محل ارائه‌ی اولیه‌ی معادلات کمک می‌کند؛ **کدها و نکات کاربردی برنامه‌نویسی،** در سراسر کتاب و در منابع مرتبط موجود آنلاین ارائه شده‌اند؛ و **مجموعه‌های گسترده‌ای از تمرین‌ها،** به توسعه‌ی درک عمیق‌تر از موضوع کمک می‌کنند. **راه‌حل‌های تفصیلی** برای برخی از تمرین‌ها و **مجموعه‌ داده‌های واقعی،** در وب‌سایت (DesigningExperiments.com) گنجانده شده‌اند.

رویکرد آموزشی به کار رفته در سراسر کتاب، خوانندگان را قادر می‌سازد تا یک نمای کلی از طراحی آزمایش، از مفهوم‌سازی سوال تحقیق تا تحلیل داده‌ها، به دست آورند. این کتاب و **وب‌سایت همراه** آن با برنامه‌های وب، آموزش‌ها و کدهای تفصیلی، برای دانشجویان و پژوهشگرانی که به دنبال راهی بهینه برای طراحی مطالعات خود و تجزیه و تحلیل داده‌های حاصل هستند، ایده‌آل است.

Designing Experiments and Analyzing Data: A Model Comparison Perspective (3rd edition) offers an integrative conceptual framework for understanding experimental design and data analysis. Maxwell, Delaney, and Kelley first apply fundamental principles to simple experimental designs followed by an application of the same principles to more complicated designs. Their integrative conceptual framework better prepares readers to understand the logic behind a general strategy of data analysis that is appropriate for a wide variety of designs, which allows for the introduction of more complex topics that are generally omitted from other books. Numerous pedagogical features further facilitate understanding: examples of published research demonstrate the applicability of each chapter’s content; flowcharts assist in choosing the most appropriate procedure; end-of-chapter lists of important formulas highlight key ideas and assist readers in locating the initial presentation of equations; useful programming code and tips are provided throughout the book and in associated resources available online, and extensive sets of exercises help develop a deeper understanding of the subject. Detailed solutions for some of the exercises and realistic data sets are included on the website (DesigningExperiments.com). The pedagogical approach used throughout the book enables readers to gain an overview of experimental design, from conceptualization of the research question to analysis of the data. The book and its companion website with web apps, tutorials, and detailed code are ideal for students and researchers seeking the optimal way to design their studies and analyze the resulting data.