具体描述
Sensory evaluation is the perception science of the food industry. Sensory data can be costly to obtain and so gleaning the most information possible from the data is key. Increasingly, value is added to sensory evaluation by the use of statistics, especially to improve the quality of product development and to make the most of market research. Nonparametrics for Sensory Science is written to complement existing parametric methodology. Nonparametric methods are appropriate when facts are only available in nominal or ordinal form, and when the model assumptions necessary for parametric procedures do not hold. Author Rayner and his colleagues consider problems including the most commonly occurring and important experimental designs: the one-sample, k-sample, blocked samples, samples with factorial structure and samples with correlation structure. Innovative new techniques are outlined and complemented with real examples. Techniques described may be applied to data where the traditional, most frequently applied nonparametric tests, such as the Kruskal-Wallis, the Friedman and the Spearman tests, are applied. Those familiar with traditional nonparametric testing will be able to update their knowledge, acquiring powerful new methods. Those without prior knowledge of nonparametric testing will be able to acquire that knowledge through this book. Aimed at sensory scientists and statisticians interested in nonparametrics, the techniques of Nonparametrics for Sensory Science are of broad general interest, but are of particular interest in sensory evaluation applications.
作者简介
目录信息
读后感
用户评价
这本书给我的整体感觉是厚重而又灵巧。它的“厚重”在于其理论基础的扎实和对每一个统计概念的审慎对待，它绝不轻易下结论，对每一个统计推断都进行了严格的论证。但它的“灵巧”又体现在它对复杂数学工具的“降维处理”上，能将那些原本令人生畏的数学概念，转化为研究人员触手可及的分析工具。我尤其欣赏作者对“数据可视化与解读”这一块的重视，书中关于如何避免误导性图表、如何恰当描述非参数检验结果的讨论，可以说是独到见解。它不只是一本关于“如何做计算”的书，更是一本关于“如何进行严谨的感官科学推理”的哲学指南。对于那些刚接触这个领域，或者那些厌倦了在参数检验的假设不满足时手足无措的研究者来说，这本书提供了一种清晰、可靠、且经过时间检验的分析框架。读完它，我感觉自己在面对任何“反常态”的感官数据时，都多了一份从容不迫的自信。
我发现这本书在可视化和结果呈现方面也提供了很多实用的指导，这对于我们这些需要撰写研究报告和进行同行交流的人来说太重要了。传统统计书籍往往只关注 p 值和检验统计量，但感官数据的呈现需要更直观的图表来传达信息的强度和方向。书中有一章专门讨论了如何用箱线图、小提琴图配合效应量（Effect Size）的非参数估计值来替代传统的均值±标准差的柱状图，这极大地增强了研究结果的说服力。我尝试按照书中的建议，用一些非参数效应量指标（比如 Kendall's W 或不同的秩相关系数）来重新分析我手头的一个队列数据，结果发现，原本模糊不清的结论变得清晰锐利起来。更重要的是，作者强调了在报告结果时，必须透明地交代所使用的检验方法及其背后的假设（或缺乏假设），这对于提升我们整个感官科学领域的规范性非常有帮助。这本书没有停留在“如何得到显著性”的低级趣味上，而是引导读者去思考“如何更准确、更负责任地描述感官现象”。
我之所以对这本书给出如此高的评价，很大程度上是因为它解决了我长期以来在数据分析环节的一个死结。过去我处理味觉阈值实验的数据，总是在模型选择上徘徊不前，每次做完分析后，总觉得少了点说服力，总担心有人会质疑我那些“假设”的合理性。这本书彻底打开了我的新思路。它对非参数方法的论述极其到位，不仅仅是停留在理论层面，而是深入挖掘了不同检验方法背后的统计学意义和应用边界。比如，书中对蒙特卡洛模拟在构建置信区间中的应用进行了详尽的阐述，这在很多同类书籍中是很少见的深度。我记得有一次，我们需要比较两组受试者对某种新材料口感的偏好排序，样本量小到连基本的正态性检验都无法进行，我当时几乎束手无策。翻阅这本书的特定章节后，我找到了使用排列检验（Permutation Test）的完整步骤和解读指南，那种豁然开朗的感觉，真的难以言喻。更值得称赞的是，作者在讲解完方法后，总会附带一个“局限性与注意事项”的小节，这体现了一种严谨的科学态度，避免读者盲目套用公式而忽略了数据本身的特性。它教会我的不仅仅是“如何计算”，更是“何时、为何要用这种方法”。
这本书的编排逻辑简直是教科书级别的典范。它似乎是按照一个感官科学家从入门到精通的认知路径来设计的。开篇部分迅速搭建了参数方法与非参数方法的对比框架，让你立刻明白非参数方法存在的必要性，避免了空泛的理论灌输。随后，内容从单样本检验逐步推进到多因素方差分析的非参数替代方案，衔接得非常自然。我个人非常喜欢它在处理多个比较（Multiple Comparisons）时的章节，这是一个极其容易出错的领域，但作者用非常清晰的图表和案例，详细对比了 Bonferroni 修正、 Holm 法以及更适合非参数数据的重新排序方法。这些细节的处理，显示出作者的专业性和对读者学习体验的关怀。阅读过程中，我发现自己几乎不需要频繁地去查阅其他参考资料来理解某个术语或步骤，因为作者的解释已经足够详尽和自洽。对于那些想把感官科学研究推向更高水平的硕士或博士研究生来说，这本书简直就是案头必备的“字典”和“工具箱”的结合体。
这本书，说实话，我得承认，我刚打开它的时候，心里是有点犯怵的。封面设计偏学术，字体排版也挺严谨，一看就知道不是那种轻松读物。我本来对手头的这个项目有点焦虑，急需一些扎实的理论支撑，尤其是在处理那些非正态分布的感官数据时，传统的参数检验方法简直就是束手无策。我翻开目录，看到“秩检验”、“置换检验”这些词汇时，心头一松，感觉像是找到了救星。作者在引言部分就非常直截了当地指出了当前感官科学研究中一个普遍的痛点：我们收集到的数据往往带着各种主观性和离散性，根本不能指望它们乖乖地服从正态分布。这本书没有像很多教科书那样，上来就堆砌一堆复杂的公式，而是非常巧妙地用一些日常的感官实验案例作为引子，比如咖啡的苦度比较、不同香精的气味强度排序，这些例子非常贴近实际操作者的经验。我特别欣赏它在解释核心概念时的那种循序渐进的节奏感，比如讲解 Wilcoxon 秩和检验时，它不仅给出了数学基础，还详细演示了在具体数据集中如何手动计算，以及如何在主流统计软件中调用，这一点对于需要快速上手的实践者来说，简直是福音。整体阅读下来，感觉作者对感官科学领域的实际需求有着深刻的理解，这本书与其说是一本枯燥的统计教材，不如说是一位经验丰富的导师，手把手地教你如何应对那些棘手的、不那么“听话”的感官数据。
