Kategorija: Faktai

Kiekvieną savaitę žiniasklaidoje pasirodo dešimtys pranešimų, paremtų statistika – nuo nedarbo lygio iki naujausių tyrimų apie kavos poveikį sveikatai. Skaičiai atrodo objektyvūs, patikimi, sunkiai ginčijami. Bet būtent čia slypi problema: kuo labiau kažkas atrodo objektyvu, tuo mažiau žmonės linkę tuo abejoti. O reikėtų.

Statistika pati savaime retai meluoja. Meluoja arba klysta interpretacijos. Ir šitos klaidos kartojasi tokiu reguliarumu, kad jas jau galima suskaičiuoti ir surašyti.

1. Koreliacija paverčiama priežastingumu

Tai bene populiariausia klaida, ir ji atsiranda ne dėl to, kad žurnalistai nesuprastų skirtumo tarp koreliacijos ir priežastingumo – dažniau dėl to, kad priežastinis ryšys skamba geriau antraštėje. „Tyrimas parodė, kad X sukelia Y“ patraukia dėmesį labiau nei „X ir Y stebimi kartu, bet ryšys neaiškus“. Realybėje du reiškiniai gali koreliuoti dėl trečio, nepaminėto veiksnio, arba tiesiog atsitiktinai.

2. Procentiniai punktai supainiojami su procentais

Jei nedarbas pakilo nuo 5 iki 7 procentų, tai yra 2 procentiniai punktai, bet 40 procentų padidėjimas. Abu teiginiai teisingi, tik vienas skamba dramatiškiau. Žurnalistai dažnai pasirenka tą formuluotę, kuri geriau tinka pasakojimui, net nesąmoningai iškraipydami suvokimą apie tikrą pokyčio mastą.

3. Maža imtis pristatoma kaip visuotinė tendencija

Tyrimas su 30 dalyvių gali būti metodologiškai korektiškas ir vis tiek nieko nesakyti apie visą populiaciją. Bet antraštė „Naujas tyrimas: X keičia sveikatą“ neminės, kad dalyvavo trisdešimt studentų iš vieno universiteto. Statistinis reikšmingumas ir praktinis pritaikomumas – ne tas pats.

4. Ignoruojamas bazinis dažnis

Jei retos ligos rizika padidėja dvigubai, bet bazinė rizika buvo 0,01 proc., naujoji rizika – 0,02 proc. Techniškai teisinga sakyti „rizika padvigubėjo“, bet praktiškai tai beveik nieko nereiškia. Šis atotrūkis tarp santykinio ir absoliutaus rizikos pokyčio yra viena dažniausiai nesuprantamų statistikos sąvokų apskritai.

5. Selektyvus duomenų pateikimas

Iš dešimties tyrimo kintamųjų vienas parodo statistiškai reikšmingą rezultatą – ir būtent apie jį rašoma. Tai vadinama p-hacking arba selektyviu ataskaitų teikimu, ir problema ne tik moksle, bet ir žurnalistikoje, kuri perima tik „įdomiausią“ dalį tyrimo, nepaminėdama likusių devynių, kurie nieko neparodė.

6. Vidurkis painiojamas su mediana

Kai kalbama apie atlyginimus, vidurkis gali būti gerokai iškreiptas kelių labai aukštų atlyginimų, o mediana rodo realesnį vaizdą, ką uždirba „vidutinis“ žmogus. Pasirinkimas, kurį rodiklį naudoti, dažnai nulemia, kokia žinia bus perduota – nesvarbu, ar tai daroma sąmoningai, ar ne.

7. Trendas ekstrapoliuojamas be konteksto

Jei kažkas augo tris mėnesius iš eilės, nereiškia, kad augs ir toliau. Ekonominiai, socialiniai ar sveikatos rodikliai retai juda tiesia linija, tačiau grafikai su vos keliais taškais dažnai naudojami kaip „įrodymas“ ateities tendencijai, kurios dar nėra.

Kai skaičiai tampa istorijomis

Įdomu tai, kad dauguma šių klaidų nėra sąmoningas melas – tai greičiau natūrali pasekmė to, kaip žmogaus smegenys mėgsta paprastas istorijas su aiškia priežastimi ir pasekme. Statistika gi retai būna paprasta. Ji dažnai sako „priklauso“, „tikriausiai“, „su tam tikra paklaida“ – o tokie žodžiai prastai parduoda antraštes.

Skaitytojui verta įsivardinti vieną paprastą klausimą prieš tikint bet kokiu skaičiumi straipsnyje: ką šis skaičius NEsako? Dažnai atsakymas svarbesnis už patį skaičių. Ir kai tas klausimas taps įpročiu, statistikos pranešimai nustos atrodyti kaip neginčijami faktai ir taps tuo, kuo iš tikrųjų yra – interpretacijos, kurios reikalauja mąstymo, o ne aklo tikėjimo.

Kodėl statistika taip lengvai apgauna

Statistika – tai tarsi žemėlapis. Geras žemėlapis padeda orientuotis, blogas – nuveda į pelkę. Problema ta, kad dauguma žmonių žiūri į skaičius ir automatiškai jiems tiki, nes skaičiai atrodo objektyvūs, šalti, neginčijami. Tačiau iš tikrųjų statistiniai duomenys gali būti suformuluoti taip, kad pasakotų bet kokią istoriją, kurią nori papasakoti jų autorius.

Tai nereiškia, kad statistika yra melas. Ji tiesiog reikalauja, kad skaitytojas būtų budrus.

Pirmiausia klausk: lyginant su kuo?

Vienas dažniausių triukų – pateikti skaičių be konteksto. „Nusikalstamumas išaugo 50 procentų” skamba baisiai. Bet jei praėjusiais metais buvo užfiksuoti 2 atvejai, o šiemet – 3, tai tas pats 50 procentų auga virsta visiškai kitokiu vaizdu.

Todėl kiekvieną kartą, kai matai procentinį pokytį, absoliutų skaičių ar palyginimą, užduok sau klausimą: nuo kokios bazės tai skaičiuojama? Koks yra absoliutus dydis? Ar palyginimas apskritai prasmingas?

Vidurkis – ne visada tai, ką manai

Tarkime, skaitai, kad vidutinis atlyginimas įmonėje yra 3000 eurų. Skamba neblogai. Bet jei generalinis direktorius uždirba 20 000, o likę 9 darbuotojai – po 1000, vidurkis vis tiek bus apie 2900. Visi „vidutiniškai” uždirba gerai, tik realybėje devyni iš dešimties gauna trečdalį to skaičiaus.

Štai kodėl svarbu skirti tris dalykus:

• Vidurkis (mean) – visų reikšmių suma, padalinta iš jų skaičiaus. Jautrus kraštutinėms reikšmėms.
• Mediana – vidurinė reikšmė, kai duomenys išdėstyti eilės tvarka. Daug atsparesnė išskirtims.
• Moda – dažniausiai pasikartojanti reikšmė. Naudinga, kai kalbama apie kategorijas.

Kai kalbama apie pajamas, gyventojų amžių ar turto pasiskirstymą, mediana paprastai pasakoja tiesesnę tiesą nei vidurkis.

Koreliacija nėra priežastingumas – ir tai rimta

Tai bene labiausiai išnaudojama statistikos klaida viešajame diskurse. Du reiškiniai gali vykti vienu metu, bet tai dar nereiškia, kad vienas sukelia kitą.

Klasikinis pavyzdys: šalyse, kur žmonės valgo daugiau šokolado, yra daugiau Nobelio premijos laureatų. Ar šokoladas skatina genialumą? Ne. Abu rodikliai tiesiog koreliuoja su bendru gyvenimo lygiu ir išsilavinimo kokybe.

Kai matai teiginį „X susijęs su Y”, verta paklausti: ar buvo kontroliuojami kiti kintamieji? Ar tyrimas buvo stebimasis, ar eksperimentinis? Ar yra biologiškai ar logiškai pagrįstas mechanizmas, kuris paaiškintų ryšį?

Grafikai gali meluoti vizualiai

Duomenų vizualizacija yra galinga, bet ja lengva manipuliuoti. Dvi dažniausios gudrybės:

Sutrumpinta Y ašis. Jei grafikas pradedamas ne nuo nulio, o nuo, tarkime, 95, net nedidelis pokytis atrodo kaip dramatiška krizė. Linija šauna aukštyn stačiu kampu, nors iš tikrųjų skirtumas – keletas procentų.

Netinkamas mastelis. Du grafikai, rodantys tą patį reiškinį skirtingais laikotarpiais ar skirtingomis skalėmis, gali atrodyti visiškai priešingai. Visada žiūrėk į ašių reikšmes, ne tik į linijų kryptį.

Imties dydis ir reprezentatyvumas – du klausimai, kurių niekas neuždaro

„Tyrimas parodė, kad 80 procentų žmonių…” – o kiek tų žmonių buvo apklausta? Penki? Penkiasdešimt? Penki tūkstančiai? Ir kas jie buvo – studentai universitete, socialinių tinklų naudotojai, atsitiktinė imtis iš visos šalies?

Maža imtis reiškia didelę paklaidą. Nereprezentyvus tyrimas reiškia, kad rezultatai galioja tik tai konkrečiai grupei, bet ne visiems. Tai ypač svarbu, kai tyrimų išvados naudojamos politiniams sprendimams pagrįsti.

Kai skaičiai tampa įrankiu, o ne tiesa

Statistinis raštingumas – tai ne matematikos žinios. Tai gebėjimas sustoti ir paklausti paprastų klausimų: kas surinko šiuos duomenis ir kodėl? Kas finansavo tyrimą? Kaip buvo suformuluoti klausimai? Kokia buvo imtis? Ar pateikiamas visas vaizdas, ar tik ta jo dalis, kuri patvirtina norimą išvadą?

Skaičiai patys savaime nėra nei teisingi, nei klaidingi – jie tik tiek geri, kiek geras yra kontekstas, kuriame jie pateikiami. Išmokus užduoti tinkamus klausimus, statistika nustoja būti autoritetu ir tampa tuo, kuo turėtų būti: vienu iš įrankių suprasti pasaulį, o ne galutine tiesa apie jį.

Skaičiai meluoja rečiau nei žmonės, kurie juos interpretuoja

Statistika yra vienas iš tų dalykų, kuriuos visi mano suprantantys, kol nesusiduria su konkrečiu pavyzdžiu. Žiniasklaida tai žino ir aktyviai naudojasi. Antraštė skelbia: „Nauja studija įrodo, kad kavos gėrimas dvigubai padidina širdies ligų riziką” – ir žmogus, kuris kasdien geria tris puodelius, jau ima nerimauti. Tačiau retai kas klausia: dvigubai nuo ko? Jei pradinė rizika buvo 0,1 proc., tai dabar ji yra 0,2 proc. Tai vis dar labai maža rizika, tik dabar ji skamba dramatiškai.

Čia ir slypi pirmasis spąstas – absoliučių ir santykinių skaičių painiava. Žiniasklaida beveik visada renkasi santykinius rodiklius, nes jie atrodo įspūdingiau. Tačiau be konteksto, be pradinių reikšmių, toks skaičius nieko nereiškia. Kiekvieną kartą, kai matote procentinį padidėjimą ar sumažėjimą, verta paklausti: nuo kokios bazės skaičiuojama?

Imties dydis ir tyrimo kokybė – tai, apie ką niekas nekalba

Kitas dažnas manipuliacijos būdas – tyrimų, atliktų su labai mažomis imtimis, pateikimas kaip visuotinių tiesų. Tyrimas, atliktas su 40 žmonių, gali rodyti statistiškai reikšmingą ryšį, tačiau tai dar nereiškia, kad rezultatai atspindi platesnę populiaciją. Mokslinėje bendruomenėje tai vadinama statistiniu galia – kuo mažesnė imtis, tuo didesnis atsitiktinumo vaidmuo.

Be to, svarbu skirti koreliaciją nuo priežastingumo. Šalys, kuriose vartojama daugiau šokolado, turi daugiau Nobelio premijos laureatų – tai tikri duomenys, bet niekas rimtas netvirtins, kad šokoladas skatina mokslinę veiklą. Vis dėlto panašaus tipo ryšiai reguliariai patenka į naujienų srautą kaip reikšmingi atradimai.

Grafikai, kurie vizualiai apgauna

Vizualizacijos yra atskira manipuliacijos sritis. Stulpelinė diagrama, kurios Y ašis prasideda ne nuo nulio, o nuo 95, gali pavaizduoti nedidelį skirtumą kaip milžinišką šuolį. Tai nėra techninė klaida – tai sąmoningas pasirinkimas, kuris keičia žiūrovo suvokimą. Prieš darydami išvadas iš bet kokio grafiko, verta pažiūrėti į ašių skalę ir patikrinti, ar ji nėra dirbtinai sutrumpinta.

Panašiai veikia ir selektyvus laikotarpio pasirinkimas. Jei ekonomikos augimo grafikas prasideda nuo recesijos dugno, augimo dinamika atrodys daug įspūdingiau nei tada, jei būtų parodyta ilgesnė perspektyva. Kontekstas visada keičia vaizdą.

Ką daryti su tuo visa

Skaityti statistinius duomenis kritiškai – tai ne cinizmas ir ne paranoja. Tai tiesiog įprotis užduoti kelis paprastus klausimus: kas atliko tyrimą ir ar jis nebuvo finansuojamas suinteresuotų šalių? Kiek žmonių buvo tiriama? Ar kalbama apie absoliučius ar santykinius skaičius? Ar koreliacija pateikiama kaip priežastingumas?

Niekas nereikalauja tapti statistiku, kad galėtum atskirti manipuliaciją nuo informacijos. Pakanka lėčiau skaityti, neapsistoti ties antrašte ir kartkartėmis paieškoti originalaus tyrimo šaltinio. Žiniasklaida egzistuoja dėmesio ekonomikoje – kuo antraštė dramatiškesnė, tuo daugiau paspaudimų. Tai ne sąconspiracy, tai tiesiog versio modelis. Ir kuo daugiau skaitytojų tai supranta, tuo sunkiau tokiu modeliu naudotis.

Kai skaičiai tampa pasakomis

Kiekvieną dieną mūsų naršyklėse, socialiniuose tinkluose ir naujienų portaluose pasirodo dešimtys antraščių, skelbiančių apie naujausius mokslinius atradimus. „Mokslininkų tyrimas parodė…”, „Naujas tyrimas įrodė…”, „Specialistai nustatė…” – šie frazių fragmentai tapo mūsų kasdienybės dalimi. Tačiau už šių įspūdingų antraščių dažnai slypi sudėtinga statistinių duomenų interpretacija, kurią lengva suprasti klaidingai.

Problema ta, kad daugelis žmonių – net ir išsilavinusių, kritiškai mąstančių – niekada nesimokė skaityti mokslinių tyrimų. Mes mokėmės matematikos, galbūt net statistikos pagrindų, bet niekas nepaaiškino, kaip iš tiesų reikia interpretuoti tyrimo rezultatus, kokios spąstai tyko tarp eilučių, kur ieškoti silpnųjų vietų. Todėl dažnai priimame tyrimo išvadas kaip absoliučią tiesą arba, priešingai, atmesdami viską kaip „melagingą statistiką”.

Realybė yra daug įdomesnė ir sudėtingesnė. Statistiniai tyrimai – tai ne tiesos orakulai, o įrankiai, kurie, tinkamai naudojami, padeda mums geriau suprasti pasaulį. Tačiau šie įrankiai turi savo apribojimus, ir būtent jų nesupratimas veda prie daugelio klaidų.

Koreliacija nėra priežastis: seniausias ir patvariausias mitas

Tai klasika, apie kurią visi girdėjo, bet kurią vis tiek nuolat pamiršta. Kai du dalykai vyksta kartu arba vienas didėja, kai kitas mažėja, mūsų smegenys automatiškai nori sukurti priežastinį ryšį. Tai evoliucinis mechanizmas – mūsų protėviai, pastebėję, kad po tam tikrų debesų atsirado lietus, turėjo pranašumą prieš tuos, kurie tokių ryšių nepastebėjo.

Tačiau šiuolaikiniame pasaulyje šis mechanizmas mus nuolat klaidina. Pavyzdžiui, tyrimas gali parodyti, kad žmonės, kurie geria daugiau kavos, dažniau serga širdies ligomis. Ar tai reiškia, kad kava sukelia širdies ligas? Ne būtinai. Galbūt žmonės, kurie geria daug kavos, dirba stresines darbus, o būtent stresas yra tikroji problema. Arba galbūt jie mažiau miega, daugiau rūko, mažiau sportuoja. Kava gali būti tik rodiklis tam tikro gyvenimo būdo, o ne priežastis.

Yra net žinomas pavyzdys, kaip ledo gaminių pardavimas koreliuoja su nusikaltimų skaičiumi. Ar tai reiškia, kad ledai skatina nusikalstamumą? Žinoma, ne – tiesiog abu šie dalykai didėja vasarą, kai yra šilta. Tai vadinama trečiuoju kintamuoju arba paslėpta kintamojo problema.

Kaip to išvengti? Ieškokite tyrimuose žodžių „atsitiktinė kontroliuojama imtis” arba „randomizuotas kontroliuojamas tyrimas”. Tokie tyrimai specialiai sukuriami taip, kad būtų galima daryti priežastinius teiginius. Taip pat būkite atsargūs su stebėjimo tyrimais – jie gali parodyti įdomius ryšius, bet retai gali įrodyti priežastį.

Statistinis reikšmingumas nėra praktinis reikšmingumas

Štai kur slypi viena subtiliausių klaidų. Kai tyrimas skelbia, kad rezultatas yra „statistiškai reikšmingas”, daugelis žmonių mano, kad tai reiškia „svarbų” arba „didelį” efektą. Tačiau statistinis reikšmingumas iš tiesų reiškia tik tai, kad rezultatas greičiausiai nėra atsitiktinumas.

Įsivaizduokite tyrimą su 100 000 dalyvių, kuris rodo, kad naujas vaistas sumažina cholesterolio lygį vidutiniškai 0,5 procento. Su tokia didele imtimi šis rezultatas gali būti statistiškai reikšmingas – tai yra, mes galime būti tikri, kad tai ne atsitiktinumas. Bet ar 0,5 procento sumažėjimas iš tiesų ką nors reiškia jūsų sveikatai? Greičiausiai ne. Tai statistiškai reikšminga, bet praktiškai beveik nereikšminga.

Priešinga situacija taip pat gali būti klaidinanti. Mažas tyrimas gali nerasti statistiškai reikšmingo efekto, nors realus efektas egzistuoja – tiesiog tyrimas buvo per mažas jam aptikti. Tai vadinama statistine galia, ir tai dar vienas aspektas, į kurį dažnai nekreipiama dėmesio.

Skaitydami tyrimus, ieškokite ne tik p-reikšmės (paprastai p<0,05), bet ir efekto dydžio. Kiek iš tiesų pasikeitė? Kokia praktinė šio pokyčio reikšmė? Gydytojai čia naudoja naudingą sąvoką – „number needed to treat" (NNT), kuri parodo, kiek žmonių reikia gydyti, kad vienas pajustų naudą. Jei NNT yra 100, tai reiškia, kad 99 žmonės vartoja vaistą be jokios naudos, kad vienas pajustų pagerėjimą.

Imties problema: kada 1000 yra per mažai, o 30 – pakankamai

Daugelis žmonių mano, kad kuo didesnė tyrimo imtis, tuo geriau, ir paprastai tai tiesa. Tačiau ne visada. Svarbiau nei imties dydis yra tai, ar imtis reprezentatyvi – ar ji tikrai atspindi populiaciją, apie kurią norime daryti išvadas.

Galite apklausti 10 000 žmonių apie jų politines pažiūras, bet jei visi jie yra iš vieno miesto, vienos socialinės klasės, vienos amžiaus grupės – jūsų rezultatai bus iškraipyti, nepaisant įspūdingo dalyvių skaičiaus. Kita vertus, gerai sudaryta 500 žmonių imtis, kuri proporcingai atstovauja įvairioms demografinėms grupėms, gali duoti daug tikslesnį vaizdą.

Yra ir kitas aspektas – kai kuriems tyrimams iš tiesų nereikia didelių imčių. Jei tiriamas efektas yra labai stiprus ir aiškus, jo galima aptikti ir su nedidele imtimi. Pavyzdžiui, kai buvo atrastas penicilinas, nereikėjo tūkstančių pacientų, kad pamatytum dramatišką skirtumą tarp gydytų ir negydytų žmonių.

Bet štai kas svarbu: mažos imtys yra labai jautrios atsitiktinumams. Jei tyrime dalyvavo tik 20 žmonių ir rezultatas yra statistiškai reikšmingas, būkite atsargūs – toks tyrimas turėtų būti pakartojamas su didesne grupe. Idealiu atveju ieškokite meta-analizių, kurios sujungia kelių panašių tyrimų rezultatus ir taip padidina bendrą imtį.

Publikavimo šališkumas: kodėl matome tik ledkalnio viršūnę

Štai nemaloni tiesa: didžioji dalis atliktų tyrimų niekada nepasiekia publikacijos. Ir dar nemalonesnė tiesa – nepublikuojami dažniausiai tie tyrimai, kurie nerado jokio efekto, kurie parodė, kad „niekas neįvyko”.

Įsivaizduokite, kad 20 skirtingų mokslininkų grupių tiria, ar tam tikras maisto papildas padeda numesti svorį. 19 iš jų neranda jokio efekto, bet viena grupė (galbūt tiesiog dėl atsitiktinumo) randa nedidelį teigiamą efektą. Kuri grupė greičiausiai publikuos savo rezultatus? Kuri grupė sulauks dėmesio? Kuri grupė bus cituojama žiniasklaidoje?

Taip susidaro iškraipytas vaizdas. Mes matome tik tuos tyrimus, kurie „kažką rado”, o visa kita informacija lieka stalčiuose. Tai vadinama publikavimo šališkumu, ir tai yra viena didžiausių problemų šiuolaikinėje mokslinėje literatūroje.

Kai kurios mokslo sritys bando su tuo kovoti reikalaudamos, kad tyrimai būtų registruojami prieš prasidedant – taip vėliau galima pamatyti, ar visi pradėti tyrimai buvo užbaigti ir publikuoti. Farmacijos srityje tai jau yra standartas, bet daugelyje kitų sričių – dar ne.

Kaip skaitytojas galite būti atsargesni ieškodami sisteminių apžvalgų ir meta-analizių, kurios bando surasti ir įtraukti nepublikuotus duomenis. Taip pat būkite skeptiški, kai matote vienintelį tyrimą, skelbiančią revoliucinį atradimą – jei tai būtų tiesa, greičiausiai būtų daugiau patvirtinančių tyrimų.

Klausimų formulavimas ir matavimo problemos

Kaip užduodate klausimą, lemia, kokį atsakymą gausite. Tai atrodo akivaizdu, bet šis principas nuolat ignoruojamas interpretuojant tyrimus. Apklausos, klausimynai, testai – visi jie yra subjektyvūs instrumentai, kurių kokybė labai skiriasi.

Pavyzdžiui, tyrimas apie laimę. Kaip išmatuojate laimę? Galite paklausti žmonių skalėje nuo 1 iki 10, kaip jie jaučiasi. Bet ar mano „7″ yra tas pats kaip jūsų „7″? Ar žmogus iš kultūros, kur priimta būti santūriam, naudos skalę taip pat kaip žmogus iš kultūros, kur priimta emocijas reikšti atvirai?

Arba paimkime medicininius tyrimus. Jei klausiate žmonių, ar jie reguliariai sportuoja, daugelis pervertins savo aktyvumą. Jei prašote jų atsiminti, ką valgė praėjusią savaitę, jų atminimas bus netikslus. Tai vadinama atsiminimo šališkumu ir socialinio pageidautinumo šališkumu.

Kai kurie tyrimai bando tai apeiti naudodami objektyvius matavimus – akselerometrus judėjimui matuoti, kraujo tyrimus mitybai įvertinti. Bet net ir tada kyla klausimų. Ar viena kraujo tyrimų diena atspindi jūsų įprastą būseną? Ar žmonės keičia savo elgesį, kai žino, kad yra stebimi?

Skaitydami tyrimus, atkreipkite dėmesį, kaip buvo matuojami pagrindiniai kintamieji. Ar tai buvo savivertinimas? Ar objektyvūs matavimai? Ar validuoti instrumentai? Geroje publikacijoje turėtų būti aiškiai aprašyta metodologija, ir jei jos nėra arba ji atrodo miglota – tai raudonas signalas.

Konteksto praradimas: kai medis užstoja mišką

Vienas tyrimas yra tik vienas duomenų taškas didžiuliame mokslo žinių tinkle. Tačiau kai skaitome apie jį žiniasklaidoje ar net mokslinėje publikacijoje, dažnai prarandame platesnį kontekstą. Mes nematome, kaip šis tyrimas dera su visa kita, kas žinoma apie temą.

Pavyzdžiui, pasirodo tyrimas, kuris rodo, kad tam tikras maisto produktas gali būti susijęs su vėžiu. Antraštės šaukia apie pavojų. Bet jei pažvelgtumėte į visą mokslinę literatūrą, pamatytumėte, kad yra 50 kitų tyrimų, kurie tokio ryšio nerado, ir tik šis vienas rado. Ar tai keičia jūsų požiūrį?

Arba atvirkščiai – vienas tyrimas neranda efekto, ir žmonės skelbia, kad „mitas paneigtas”. Bet galbūt yra dešimtys kitų tyrimų, kurie efektą rado, ir šis vienas yra išimtis. Vienas tyrimas, net labai gerai atliktas, retai kada yra paskutinis žodis.

Čia ypač vertingos yra sisteminės apžvalgos ir meta-analizės – jos bando apžvelgti visą esamą literatūrą ir padaryti bendrą išvadą. Cochrane apžvalgos medicinos srityje yra aukso standartas. Bet net ir jos turi apribojimų – jos gali būti tik tokios geros, kokie geri yra tyrimai, kuriuos jos analizuoja.

Praktiškai tai reiškia, kad vietoj to, kad reaguotumėte į kiekvieną naują tyrimą kaip į revoliuciją, geriau ieškokite konsensuso. Ką sako didžioji dauguma tyrimų? Ką sako ekspertų organizacijos, kurios peržiūrėjo visą literatūrą? Vienas prieštaraujantis tyrimas gali būti įdomus, bet jis turėtų būti pradžia diskusijos, o ne jos pabaiga.

Kai skaičiai susitinka su gyvenimu

Galiausiai turime pripažinti, kad statistiniai tyrimai, kad ir kokie gerai atlikti, visada kalba apie vidurkius, tendencijas, tikimybes. Jie negali pasakyti, kas nutiks būtent jums. Jei tyrimas rodo, kad tam tikras gydymas veikia 70 procentų žmonių, tai vis tiek reiškia, kad 30 procentų jis neveikia. Į kurią grupę pateksite jūs?

Tai nereiškia, kad tyrimai nenaudingi – priešingai, jie yra geriausias įrankis, kurį turime priimant sprendimus. Bet jie turėtų būti derinami su individualia situacija, asmenine istorija, vertybėmis ir aplinkybėmis. Gydytojas, kuris mato tik statistiką ir nemato žmogaus priešais save, yra toks pat problematiškas kaip ir tas, kuris ignoruoja įrodymus ir remiasi tik intuicija.

Mokydamiesi skaityti tyrimus kritiškai, mes ne atmetame mokslą – mes jį gerbiame. Mes suprantame jo galimybes ir apribojimus. Mes žinome, kada pasitikėti rezultatais, o kada būti atsargiems. Tai ne cinizmas, o subrendęs, niuansuotas požiūris į žinias.

Galbūt svarbiausia pamoka yra ši: būkite smalsūs, bet atsargūs. Užduokite klausimus. Ieškokite konteksto. Nepasitikėkite vien antraštėmis. Ir prisiminkite, kad mokslas yra procesas, o ne produktas – jis nuolat tobulėja, klausia, tikrina, persvarsto. Geriausi tyrimai kelia daugiau klausimų, nei atsako, ir tai yra jų stiprybė, o ne silpnybė. Skaitydami mokslines publikacijas su šiuo supratimu, tampate ne tik informuotesni, bet ir protingesni sprendimų priėmėjai – o šiuolaikiniame pasaulyje, perpildytame informacijos, tai yra neįkainojama savybė.

Kodėl statistika taip lengvai apgauna

Statistika – tai tarsi peilis: galima ja supjaustyti duoną, o galima ir susižeisti. Problema ne pačioje statistikoje, o tame, kaip mes ją skaitome. Dauguma žmonių mato skaičių ir galvoja: „Na, tai faktas.” Bet skaičius be konteksto yra beveik beprasmis, o kartais net pavojingas.

Paimkime paprastą pavyzdį. Jei kažkas jums sako, kad „nauja dieta padeda numesti 10 kilogramų”, klausimas nėra „ar tai tiesa?”, o „palyginus su kuo?” Gal žmonės be jokios dietos per tą patį laikotarpį numeta 8 kilogramus. Tada ta „stebuklinga” dieta duoda vos 2 kilogramų skirtumą. Ar tai vis dar įspūdinga?

Absoliutūs ir santykiniai skaičiai – klasikinė pinklė

Vienas dažniausių manipuliavimo būdų – žaisti absoliučiais ir santykiniais dydžiais. Tarkime, vaistas sumažina širdies priepuolio riziką 50%. Skamba fantastiškai, tiesa? Bet jei ta rizika buvo 2%, o tapo 1% – tai absoliutus sumažėjimas tėra 1 procentinis punktas. Ar verta gerti vaistą dėl tokio skirtumo? Tai jau kitas klausimas.

Žiniasklaida dažnai renkasi tą versiją, kuri skamba dramatiškiau. Ir tai suprantama – 50% sumažėjimas skamba daug geriau nei „vienas iš šimto žmonių papildomai išvengs priepuolio”. Todėl kai matote procentus, visada klauskite: o koks buvo pradinis skaičius?

Koreliacija nėra priežastingumas – bet tai ne tik frazė

Šią frazę visi girdėjo, bet retai kas ją tikrai taiko. Koreliacija reiškia, kad du dalykai kinta kartu. Priežastingumas reiškia, kad vienas sukelia kitą. Skirtumas milžiniškas.

Klasikinis pavyzdys: šalyse, kur žmonės valgo daugiau šokolado, daugiau Nobelio premijų laureatų. Ar šokoladas daro žmones protingesnius? Žinoma, ne. Tiesiog turtingesnės šalys gali sau leisti ir daugiau šokolado, ir geresnį mokslą. Trečias veiksnys – turtingumas – paaiškina abu.

Kai matote tyrimą, kuris sako „X susijęs su Y”, pagalvokite: ar gali būti koks nors Z, kuris lemia abu? Dažnai taip ir yra.

Imties dydis ir reprezentatyvumas

Tyrimas su 30 žmonių ir tyrimas su 30 000 žmonių – tai du visiškai skirtingi dalykai, net jei rezultatai panašūs. Mažos imties tyrimai yra labai jautrūs atsitiktinumui. Gali tiesiog „pasisekti” gauti tokius rezultatus, kurie kitą kartą nepasikartos.

Bet imties dydis – tik pusė istorijos. Svarbu ir tai, kas į tą imtį patenka. Jei apklausiate žmones universiteto koridoriuje apie politines pažiūras, jūsų imtis tikrai neatspindės visos visuomenės. Tai vadinama atrankos šališkumu, ir jis gali visiškai iškreipti rezultatus, net jei apklausėte tūkstančius žmonių.

Kaip apsisaugoti – ne taisyklės, o mąstymo įprotis

Nereikia tapti statistiku, kad nesusipainioti duomenyse. Pakanka kelių klausimų, kuriuos užduodate sau kiekvieną kartą, kai matote statistiką.

Pirma – kas tai matuoja ir kaip? Pavyzdžiui, „laimė” skirtinguose tyrimuose matuojama visiškai skirtingai. Vienas klausia „ar esate laimingas?”, kitas – „kiek kartų per savaitę jaučiate teigiamas emocijas?” Tai nėra tas pats dalykas.

Antra – kas finansavo tyrimą? Tai ne sąmokslo teorija, o sveika nuovoka. Tyrimai, finansuojami pramonės, kuri turi interesą gauti tam tikrus rezultatus, statistiškai dažniau tuos rezultatus ir gauna. Tai nereiškia, kad tokie tyrimai meluoja – bet verta žinoti.

Trečia – ar yra alternatyvus paaiškinimas? Prieš priimdami vieną interpretaciją, pagalvokite, ar galima paaiškinti tą patį kitaip. Jei galima – reikia daugiau įrodymų.

Statistika kaip pokalbis, o ne nuosprendis

Geriausias būdas žiūrėti į statistinius duomenis – ne kaip į galutinį atsakymą, o kaip į pradžią pokalbio. Kiekvienas tyrimas yra vienas žingsnis, ne visa tiesa. Mokslininkai tai žino ir todėl nuolat kartoja tyrimus, tikrina vienas kito darbus, keičia išvadas.

Problema kyla tada, kai žiniasklaida ar socialiniai tinklai paima vieną tyrimą ir pateikia jį kaip „mokslas įrodė”. Mokslas retai ką nors „įrodo” vienu tyrimu – jis kaupia įrodymus lėtai, nuosekliai, dažnai su klaidomis pakeliui.

Taigi kai kitą kartą matysite antraštę su procentais, stebuklais ar „mokslininkų atradimais” – sustokite sekundei. Paklauskite paprastų klausimų. Ne tam, kad viskuo abejotumėte, o tam, kad suprastumėte tiek, kiek iš tikrųjų galima suprasti. Tai ir yra statistinis raštingumas – ne skaičių žinojimas, o gebėjimas su jais gyventi neprarandant kritinio mąstymo.