样品不需要随机是有效的,它可以帮助,但这并不是最重要的尤其是详尽的,一致的,并且有一个大样本的大小,尤其是在处理观察性研究。比随机样本代表性是不同的。记住我们不是要达到全球气温最高的精确度在一个瞬间,我们正试图测量温度的变化在一个大跨度的时间。因此位置比随机化更重要位置的一致性。
的采样点不要移动是至关重要的,我们知道温度是影响区域条件如果样本re-randomized(移动),每个测量将使它更加准确而不是相反。还记得被测量,改变,因为采样点是不移动的变化将是准确的,因为它本质上是分层抽样。如果我测量发动机温度的变化例如我并不想测量每次在一个不同的点,只要点(位置)是一致的样本将保持高精度。随机抽样是不准确的,因为它会邀请混淆,因为我们知道温度的分布在整个引擎(或世界)并不是随机的。测量之间的任何位置的改变将邀请混淆数据。几乎没有科学使用一个真正的随机样本,它是不可能的。
考虑一个例子,假设您正在试图测量发动机的温度变化。在发动机我附加传感器并不重要,只要我不要移动他们,特别是如果我把许多传感器。我可以把三十传感器都在左边引擎,它会准确地测量温度的变化,而每个之间移动传感器测量。不要掉谬误的完美解决方案。还记得这是一个本质上观察/描述性研究。
每一个点在地图上更像一个重复,真正的独立是时间采样,即分层或集群这取决于你参考学习。注意,多组数据点也相比美国国家海洋和大气管理局,最好等是可以比较每个独立的数据集,并显示相同的模式。
高和低用于测量,因为都是记录在最古老的测量,所以改变格式需要扔掉所有的数据,大大缩短样本大小(失去一半以上的时间跨度)。在这种情况下,精度所获得的更大数量的样本比将获得一个随机或网格的位置。随机与历史数据很少可能这就是为什么数据集的大小和一致性是如此重要。的好处是这些是也相比其他时间尺度上其他抽样方法来测试是否显示相同的模式。历史性的科学家们意识到他们的数据的局限性,这就是为什么独立的验证是非常重要的。
现在考虑冰核心数据时,我很惊讶你说表面温度是最常用的,我经常看到冰芯数据更多,因为它记录了一个更长时间跨度的时间,并记录其他的事情(如二氧化碳控制)。每个核心是重复和核心可以在一个随机抽样或分层,分层是最常见的,因为它是更详尽的核心样本。冰核也冰核相比其他地点。
另一个考虑是cross-comparison,是使用多个独立的测量形式,冰芯与卫星相比,表面相比,等等许多不同形式的测量/实验比较,显示了同样的模式。
这可能是最好的科学我看过的概述。有点老(2013)如果有人看到最近的一个版本我愿意使用它。