Традиційні рецепти

Нові гібридні сорти кави можуть відкрити двері в промисловості

Нові гібридні сорти кави можуть відкрити двері в промисловості

Цього року новий сорт планують випробувати на фермерських полях

За даними організації, гібриди F1 мають здатність поєднувати сприятливі ознаки, включаючи вищу врожайність та стійкість до хвороб.

Якщо ви п’єте каву, то, швидше за все, ви чули, як розмовляють терміном «арабіка» кавові зерна. Арабіка, корінна до Ефіопія, є одним з найпоширеніших видів кавових зерен. Нещодавно неприбуткова організація Всесвітнє дослідження кави оголосила, що у місті є новий сорт кави, і це може змінити гру для виробників кави.

За даними організації, новий сорт кави «Стармая» - перший у своєму роді - гібрид F1, виведений насінням, а не біотехнологією. Оскільки він розмножується насінням, це потенційно може відкрити двері для «елітного класу сортів».

До «Стармаї» більшість фермерів мали можливість отримати доступ до гібридів Формули -1, була дуже мала, оскільки наразі їх можна виробляти лише у «технічно складних розплідниках».

Некомерційна організація каже, що планує включити гібрид у дві великі дослідницькі програми, які, сподіваємось, дозволять сорту стати більш доступним для фермерів в майбутньому.


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, формує це нову популяцію чи ні? Статистика, яку можна вважати наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, чи це формує нову популяцію чи ні? Статистика, яка може вважатися наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси на це швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані внаслідок відсутності ефекту від лікування або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Наша мета не знайти значення, а скоріше з'ясувати, що сталося і куди ми з цього рухаємось".

Незважаючи ні на що, отримання передбачувальних відповідей на питання прикладного дослідження потребує значної роботи, а отримання хороших відповідей - чесності та ще більшої роботи, сказав він.

"Насправді немає ярликів", - сказав він. "Статистика не замінює велику кількість даних і пильне спостереження, яке завжди вимагає хороших досліджень у господарстві".


Нафзігер розуміє статистику на конференції AGMasters

"Ми можемо розглядати культури, вирощені на полях, як" популяцію "рослин", - сказав він. "В основному, коли ми застосовуємо якесь лікування, ми повинні знати, формує це нову популяцію чи ні? Статистика, яку можна вважати наукою опису мінливості в популяції, може допомогти нам з'ясувати, що насправді відбувається".

Нафзігер запропонував учасникам конференції короткий курс статистики, використовуючи фактичні дані про випробування на стрижках із фермерських випробувань, щоб показати, як мінливість між смужками впливає на результати, а також дослідити, що означає бути "значним".

Використовуючи електронну таблицю Excel, Нафзігер аналізував дані у випробуваннях, щоб пояснити статистичні терміни та способи їх використання для інтерпретації результатів.

"" Правда "& mdash чи лікування викликало відповідь чи ні & mdash завжди існує, наше завдання - знайти його", - сказав він. "Ми не займаємося" приємними "випробуваннями, а прикладні дослідження - це спроба сказати щось, коли ми закінчимо".

Оскільки випробування на фермах часто мають велику мінливість, він сказав, що важливо виконувати випадкові призначення лікування.

"З введенням типу" так-ні ", наприклад, для використання фунгіциду чи ні, призначте обробку випадково одній смужці парних смужок",-сказав він. "Це слід робити перед посадкою або відразу після неї, щоб запобігти упередженості у збереженні або видаленні даних".

Розробляючи досліди на фермах, Нафзігер сказав, що це має бути простим.

Він рекомендує використовувати смугу досить широкого розміру, щоб дозволити кордони. Він також заохочує виробників до рандомізації в кожному повторі, використовувати від 4 до 8 пар повторень на місце, вести точний облік того, де посаджені речі, відповідно вимірювати врожайність і переходити на стандартну вологість стандартним способом.

Nafziger попереджає виробників не відкидати дані, якщо вони точно не знають, що сталося, що спричинило недовіру даних. Коли дослідження буде завершено, зупиніться і отримайте свою відповідь, - сказав він.

"Значний" ефект або різниця означає, що лікування, ймовірно, спричинило ефект, але це не означає, що лікування є корисним або що воно платить. Він сказав, що нас також можуть обдурити, і ми отримаємо "значні" відповіді через "удачу в жеребкуванні", коли ми призначаємо лікування смужкам. Шанси цього швидко зменшуються, оскільки ми використовуємо більше полів для таких порівнянь.

"Неістотні результати можуть бути отримані через відсутність ефекту від обробки або від такої мінливості між смужками, що ми не можемо відокремити ефект лікування від" фонового шуму "мінливості",-сказав він.

Незважаючи на те, що завжди є вибір не сприймати такий висновок як остаточний, Нафзігер застерігає від думки, що більша робота принесе результат, який нам більше сподобається.

"Не вибирайте свої дані, щоб дати потрібну відповідь, якщо вам потрібно отримати певну відповідь, навіщо займатися цією роботою?" він сказав. "Our point is not to find significance, but rather to figure out what happened and where we go from there."

No matter what, getting predictive answers to applied research questions takes a great deal of work, and getting good answers takes honesty and even more work, he said.

"There really aren't any shortcuts," he said. "Statistics do not substitute for the large amount of data and keen observation that good on-farm research always requires."


Nafziger makes sense of statistics at AGMasters Conference

"We can think of crops grown in fields as a 'population' of plants," he said. "Basically when we apply some sort of treatment, we need to know if this forms a new population or not? Statistics, which might be considered the science of describing variability in a population, can help us figure out what is really happening."

Nafziger provided conference participants with a short course in statistics using actual strip-trial data from on-farm trials to show how strip-to-strip variability affects results, and to explore what it means to be "significant."

Using an Excel spreadsheet, Nafziger analyzed data in trials to explain statistical terms and how to use them to interpret results.

"The 'truth' &mdash did a treatment cause a response or not &mdash always exists, it's just our job to find it," he said. "We aren't in the business of doing 'nice' trials rather, applied research is the business of trying to say something when we are done."

Because on-farm trials often have a great amount of variability, he said it's important to do random treatment assignments.

"With 'yes-no' type inputs, for example to use a fungicide or not, assign treatment randomly to one strip of paired strips," he said. "This should be done before planting or right after, in order to prevent bias in keeping or dropping data."

When designing on-farm research trials, Nafziger said to keep it simple.

He recommends using a strip size wide enough to allow borders. He also encourages growers to randomize within each repetition, use 4 to 8 pairs of repetitions per location, keep accurate records of where things are planted, measure yields accordingly, and convert to standard moisture in a standard way.

Nafziger warns growers not to discard data unless they know for sure what happened to cause the data to be untrusted. When the study's completed, stop and get your answer, he said.

A "significant" effect or difference means that the treatment was likely to have caused an effect, but it does not mean that the treatment is useful or that it will pay. He said we can also be fooled, and get "significant" responses due to the "luck of the draw" when we assign treatments to strips. The chances of this diminish quickly as we use more fields to do such comparisons.

"Non-significant results can be obtained from no effect of the treatment or from so much variability among strips that we can't separate a treatment effect from the 'background noise' of variability," he said.

While there is always the choice to not accept such a conclusion as final, Nafziger cautions against thinking that more work will produce an outcome that we like better.

"Don't cherry pick your data to give the answer you want if you need to get a certain answer, why bother to go to all this work?" he said. "Our point is not to find significance, but rather to figure out what happened and where we go from there."

No matter what, getting predictive answers to applied research questions takes a great deal of work, and getting good answers takes honesty and even more work, he said.

"There really aren't any shortcuts," he said. "Statistics do not substitute for the large amount of data and keen observation that good on-farm research always requires."