Faktai – Puslapis 3 – Statistikos portalas

Kaip skaityti statistinius duomenis ir nepasiduoti klaidinančioms interpretacijoms

19 rugpjūčio, 2025 www.statisticsjournal.lt

Statistika – draugas ar priešas?

Žinote tą jausmą, kai matote kokį nors antraštę tipo „80% žmonių sutinka su X” ir galvojate – oho, tai rimtas argumentas? O paskui pasirodo, kad tą tyrimą atliko pati kompanija, kuri parduoda X, ir apklausė 15 savo darbuotojų. Statistika yra nuostabi, kai ji naudojama sąžiningai, bet ji taip pat gali būti vienas iš galingiausių manipuliacijos įrankių, kokius žmonija išrado.

Gera žinia – suprasti, kada esi apgaudinėjamas, nėra taip sunku, kaip atrodo. Nereikia būti matematikos genijumi. Reikia tiesiog žinoti, į ką žiūrėti.

Imtis – viskas prasideda čia

Pirmasis klausimas, kurį turėtum užduoti matydamas bet kokį tyrimą: kiek žmonių buvo apklausta ir kas jie tokie? Tai skamba elementariai, bet dauguma žmonių šį žingsnį praleidžia.

Jei tyrimas sako, kad „trys iš keturių gydytojų rekomenduoja šį produktą” – tai reiškia, kad galbūt buvo apklausta tik keturi gydytojai. Ir gal tie keturi buvo parinkti neatsitiktinai. Imtis turi būti pakankamai didelė ir reprezentatyvi – tai yra, ji turi atspindėti visą populiaciją, apie kurią kalbama, o ne tik patogią jos dalį.

Kitas dalykas – kaip žmonės buvo atrinkti. Jei apklausa vykdoma internete ir žmonės patys renkasi dalyvauti, rezultatai bus iškreipti. Aktyviau dalyvauja tie, kuriems tema svarbi arba kurie turi stiprią nuomonę. Tai vadinama saviatrankos šališkumu, ir jis gali visiškai išversti tyrimą aukštyn kojomis.

Procentai be konteksto – klasikinė apgavystė

„Rizika išaugo 100%!” – skamba baisiai, tiesa? Bet jei pradinė rizika buvo 0,001%, tai dabar ji yra 0,002%. Vis dar labai maža. Šis triukas vadinamas santykiniu rizikos padidėjimu, ir jis naudojamas nuolat – ypač farmacijos reklamose ir sensacingose žiniasklaidos antraštėse.

Todėl visada ieškokite absoliučių skaičių. Jei kažkas sako „išaugo 50%”, klauskite – nuo ko iki ko? Kiek tai reiškia realiais žmonėmis ar atvejais? Kontekstas keičia viską.

Dar vienas mėgstamas triukas – vidurkis vietoj medianų. Tarkime, penkiems žmonėms uždirba 1000, 1000, 1000, 1000 ir 100 000 eurų. Vidurkis bus 20 800 eurų – skaičius, kuris neatspindi nė vieno realaus žmogaus situacijos. Mediana (vidurinė reikšmė) būtų 1000 eurų – daug tiksliau. Kai kalbama apie pajamas, turto pasiskirstymą ar kainas, visada klauskite: ar čia vidurkis, ar mediana?

Koreliacija – ne tas pats, kas priežastingumas

Tai tikriausiai labiausiai išnaudojamas statistinis nesusipratimas. Du dalykai gali vykti vienu metu ir neturėti nieko bendra tarpusavyje. Ledų pardavimai vasarą išauga. Nuskaндimų skaičius vasarą taip pat išauga. Ar ledai žudo? Žinoma, ne – abu reiškiniai tiesiog susiję su vasara ir karštu oru.

Kai matote teiginį „X žmonės, kurie daro Y, gyvena ilgiau” – tai dar nereiškia, kad Y yra priežastis. Galbūt žmonės, kurie daro Y, taip pat turi daugiau pinigų, geriau maitinasi, mažiau stresauja. Galbūt Y yra tik simptomas, o ne priežastis. Šie paslėpti veiksniai vadinami trikdančiais kintamaisiais, ir jie gali paversti bet kokį tyrimą beprasmiu, jei į juos neatsižvelgiama.

Grafikai, kurie meluoja tiesą sakydami

Vizualizacijos – tai atskiras menas klaidinti. Vienas klasikiausių triukų – Y ašies manipuliacija. Jei grafikas pradedamas ne nuo nulio, net mažas pokytis atrodo kaip dramatiškas šuolis. Kompanijos tai daro nuolat, rodydamos savo akcijų augimą ar produkto populiarumą.

Taip pat atkreipkite dėmesį į laiko ašį. Jei rodomas augimas per pastaruosius tris mėnesius, bet prieš tai buvo penkerių metų kritimas – tai labai selektyvi tiesa. Visada klauskite, koks yra platesnis kontekstas ir kodėl pasirinktas būtent toks laikotarpis.

Kai statistika tampa gyvenimo įgūdžiu

Skaityti statistinius duomenis kritiškai – tai ne paranoja ir ne cinizmas. Tai tiesiog pagarba sau ir savo sprendimams. Kiekvieną dieną esame bombarduojami skaičiais – apie sveikatą, politiką, ekonomiką, produktus – ir dažniausiai kažkas tų skaičių parinko labai apgalvotai, norėdamas, kad galvotume tam tikru būdu.

Geriausias ginklas prieš tai – keli paprasti klausimai: Kas atliko tyrimą ir kodėl? Kiek žmonių dalyvavo ir kaip jie buvo atrinkti? Ar tai absoliutūs, ar santykiniai skaičiai? Ar koreliacija painiojama su priežastingumu? Ar grafikas vizualiai neklaidina? Šie klausimai nepavers jūsų statistiku, bet tikrai pavers žmogumi, kurio daug sunkiau apgauti. O tai, draugai, šiais laikais yra tikrai vertinga supergalia.

Kaip dirbtinis intelektas keičia statistikos rinkimo ir analizės metodus Lietuvoje

9 rugpjūčio, 2025 www.statisticsjournal.lt

Faktai, IT

Valstybės duomenų agentūra (buvęs Statistikos departamentas) kasmet apklausia tūkstančius namų ūkių ir įmonių, kad sudėliotų vaizdą apie infliaciją, nedarbą, gyventojų pajamas. Tai brangus ir lėtas procesas – apklausėjas skambina, žmogus atsako, duomenys suvedami, tikrinami, tik tada patenka į ataskaitą. Dirbtinis intelektas šį modelį jau pradeda ardyti, ir įdomu ne tai, kad technologija egzistuoja, o tai, kiek greitai ji prasiskverbia į institucijas, kurios tradiciškai keičiasi labai atsargiai.

Nuo klausimynų prie registrų

Didžiausias poslinkis vyksta ne pačioje analizėje, o duomenų šaltiniuose. Lietuva turi palyginti gerai sutvarkytus administracinius registrus – Sodros, VMI, Gyventojų registro tarnybos duomenų bazes. Vietoj to, kad klaustų žmonių apie pajamas, vis dažniau paprasčiausiai imami mokesčių administravimo duomenys. Dirbtinis intelektas čia atlieka nuobodų, bet svarbų darbą: sujungia skirtingų formatų įrašus, aptinka dublikatus, taiso neatitikimus tarp registrų, kurie realybėje niekada nesutampa idealiai.

Tai skamba techniškai nuobodžiai, tačiau pasekmės rimtos. Kai statistika remiasi registrais, o ne apklausomis, sumažėja atsakymo klaida – žmonės apklausose linkę meluoti apie pajamas ar alkoholio vartojimą. Bet atsiranda kita problema: registrai fiksuoja tik tai, kas oficialiai deklaruota. Šešėlinė ekonomika, kurios Lietuvoje vis dar nemažai, tokiu būdu tampa dar mažiau matoma.

Teksto analizė ten, kur anksčiau dirbo žmonės rankomis

Įdomus pavyzdys – ekonominės veiklos klasifikavimas. Kai įmonė registruojasi, ji turi nurodyti NACE kodą, apibūdinantį veiklos pobūdį. Anksčiau tai buvo pusiau rankinis darbas – tarnautojas skaitė verslo planą ar aprašymą ir spėdavo, koks kodas tinkamiausias. Dabar natūralios kalbos apdorojimo modeliai gali skaityti tūkstančius tokių aprašymų per sekundes ir pasiūlyti klasifikaciją, kurią žmogus tik patvirtina arba pataiso.

Panašiai naudojama ir skundų, apklausų atvirų klausimų, net socialinių tinklų įrašų analizė – bandant suprasti nuotaikas, kurios sunkiai pagaunamos standartiniais klausimynais. Vartotojų pasitikėjimo indeksas, pavyzdžiui, tradiciškai skaičiuojamas iš uždarų klausimų. Jei prie to pridedama teksto analizė iš viešų šaltinių, gaunamas šiek tiek kitoks, greitesnis, bet ir mažiau patikimas signalas.

Prognozavimas realiu laiku

Vienas iš dalykų, kurį DI keičia pastebimiausiai – tai vadinamasis „nowcasting“, arba dabartinės situacijos įvertinimas dar prieš oficialius duomenis. BVP skaičiai paprastai vėluoja mėnesiais. Mašininio mokymosi modeliai, maitinami elektros suvartojimo, mokėjimo kortelių operacijų, krovinių vežimo duomenimis, gali pateikti apytikslį BVP augimo įvertį dar prieš pasibaigiant ketvirčiui. Lietuvos bankas ir kai kurios analitinės institucijos jau eksperimentuoja su panašiais modeliais, nors viešai apie tai kalbama mažiau, nei vertėtų.

Čia verta stabtelėti ir paklausti – ar toks greitis tikrai reikalingas smulkiai valstybei? Didelėms ekonomikoms kelių savaičių paklaida turi realią kainą, nes nuo jos priklauso centrinio banko sprendimai. Lietuvos atveju nowcasting dažniau tarnauja kaip prestižinis projektas nei praktinis įrankis, bent jau kol kas.

Kur algoritmas pralaimi žmogui

Yra ir aiškios ribos. Maži imčių dydžiai – tipiška Lietuvos statistikos problema – mašininio mokymosi modeliams yra tiesiog nepatogūs. Dideli modeliai geriausiai veikia ten, kur duomenų yra daug, o mūsų šalyje net didžiausios apklausos apima kelis tūkstančius respondentų. Modelis, treniruotas tokiais kiekiais, linkęs „perprasti“ triukšmą kaip dėsningumą.

Be to, metodologinis skaidrumas – dalykas, kuriuo oficiali statistika tradiciškai didžiuojasi – sunkiai dera su sudėtingais mašininio mokymosi modeliais. Jei Eurostat ar tarptautiniai partneriai paklaus, kodėl skaičius toks, o ne kitoks, atsakymas „taip apskaičiavo neuroninis tinklas“ nėra priimtinas. Todėl dažniausiai naudojami paprastesni, aiškiau interpretuojami modeliai, net jei jie mažiau tikslūs.

Skaičiai, kurie dar mokosi vaikščioti

Sunku nuspėti, kaip greitai šie pokyčiai taps norma, o ne eksperimentu. Lietuvos institucijos, palyginti su didesnėmis valstybėmis, turi vieną pranašumą – mažesnę biurokratinę inerciją, todėl naujus įrankius kartais išbando greičiau nei kaimyninės šalys. Bet turi ir trūkumą – ribotus žmogiškuosius resursus tam, kad tuos įrankius prižiūrėtų kompetentingai, o ne tiesiog paleistų ir tikėtųsi, jog viskas susitvarkys savaime.

Realybė, matyt, bus nuobodesnė nei entuziastų pasakojimai ir mažiau dramatiška nei skeptikų baimės. Apklausėjas su telefonu dar ilgai neišnyks visai, bet vis daugiau darbo persikels į duomenų suderinimą, anomalijų paiešką ir modelių priežiūrą. Statistika Lietuvoje netaps automatiška savaime – ji taps kitokia, priklausančia nuo to, kiek žmonių supras, ką iš tikrųjų daro algoritmas, kurį jie naudoja.

Kaip skaityti statistinius duomenis ir nepasiduoti klaidinančioms interpretacijoms: praktinis vadovas

7 rugpjūčio, 2025 www.statisticsjournal.lt

Faktai, Patarimai

Kodėl statistika taip lengvai apgauna

Turbūt esate matę antraštę tipo „Mokslininkai įrodė, kad kavos gėrėjai gyvena ilgiau”. Ir tikriausiai bent akimirką pagalvojote – gal reikėtų išgerti dar vieną puodelį? Štai čia prasideda problema. Statistika nėra melavimo įrankis, bet ji yra neįtikėtinai patogi priemonė klaidinti – ypač tuos, kurie neskiria laiko paskaityti smulkų šriftą.

Geros naujienos: norint suprasti, ar jums rodomi duomenys yra patikimi, nereikia būti matematiku. Reikia tik žinoti kelis pagrindinius dalykus.

Koreliacija nėra priežastingumas – ir tai nėra tik frazė

Tai bene dažniausiai kartojama statistikos taisyklė, bet žmonės vis tiek ją pamiršta, kai duomenys atrodo įtikinami. Pavyzdys iš realaus gyvenimo: tyrimai rodo, kad šalyse, kur vartojama daugiau šokolado, yra daugiau Nobelio premijos laureatų. Ar šokoladas daro žmones protingesnius? Žinoma, ne – tiesiog turtingesnės šalys tiek daugiau valgo šokolado, tiek turi geresnes mokslo institucijas.

Kai matote teiginį „X susijęs su Y”, visada paklauskite savęs: ar gali būti trečias veiksnys, kuris lemia abu? Dažniausiai – gali.

Absoliutūs ir santykiniai skaičiai – skirtumas, kuris keičia viską

Įsivaizduokite, kad vaistas sumažina vėžio riziką 50%. Skamba įspūdingai, tiesa? Bet jei pradinė rizika buvo 2 iš 1000, tai po vaisto ji tampa 1 iš 1000. Santykinis sumažėjimas – 50%. Absoliutus sumažėjimas – 0,1 procento punkto.

Farmacijos kompanijos, politikai ir žiniasklaida mėgsta naudoti tą skaičių, kuris atrodo įspūdingiausiai. Todėl visada verta paklausti: o koks buvo pradinis dydis? Be šio konteksto santykiniai skaičiai beveik nieko nesako.

Imties dydis ir reprezentatyvumas – du klausimai, kuriuos reikia užduoti iš karto

„Tyrimas su 12 dalyvių parodė…” – tokia antraštė turėtų iš karto sukelti įtarimą. Kuo mažesnė imtis, tuo didesnė tikimybė, kad rezultatai yra atsitiktiniai. Bet imties dydis nėra vienintelis dalykas.

Svarbu ir tai, kas buvo tiriama. Jei apklausa apie politines pažiūras buvo atlikta tik universiteto miestelyje, jos rezultatai tikrai neatspindi visos visuomenės. Reprezentatyvumas reiškia, kad tiriamoji grupė turi atspindėti tą populiaciją, apie kurią daromos išvados. Dažnai to nebūna.

Grafikai gali meluoti net nemelodami

Vienas klasikinių triukų – Y ašies manipuliacija. Jei grafikas prasideda ne nuo nulio, net nedidelis pokytis atrodo dramatiškas. Pavyzdžiui, jei akcijų kaina pakilo nuo 98 iki 102 eurų, bet grafikas rodo ašį nuo 95 iki 105, linija atrodo kaip stačias šuolis į viršų.

Kitas dalykas – spalvos ir proporcijos skritulinėse diagramose, kurios kartais vizualiai iškreipiamos. Prieš darydami išvadas iš grafiko, pažiūrėkite į skaičius po juo. Jie pasakys daugiau nei bet kokia linija.

Kai skaičiai tampa įrankiu, o ne tiesa

Statistika pati savaime nėra nei gera, nei bloga – ji yra tiek pat patikima, kiek patikimi žmonės, kurie ją renka, interpretuoja ir pateikia. Todėl svarbiausia įprotis, kurį galite susiformuoti, yra paprastas: nesustokite ties antrašte. Paklauskite, kas atliko tyrimą ir kas jį finansavo. Paklauskite, kiek žmonių buvo tiriama ir kaip jie buvo parinkti. Paklauskite, ar kalbama apie absoliučius, ar santykinius skaičius.

Tai nėra cinizmas ar nepasitikėjimas mokslu – tai elementarus kritinis mąstymas, kurio statistika tiesiog reikalauja. Ir kuo dažniau užduosite šiuos klausimus, tuo sunkiau bus jus suklaidinti – nesvarbu, ar tai darytų žiniasklaida, politikai, ar net geranoriški mokslininkai, kurie tiesiog perdėtai optimistiškai interpretavo savo rezultatus.

Kaip statistikos duomenys atskleidžia tikrąją Lietuvos gyventojų sveikatos būklę: 10 skaičių, kurie verčia susimąstyti

25 liepos, 2025 www.statisticsjournal.lt

Faktai

Kartais užtenka pažvelgti į vieną lentelę su skaičiais, kad suprastum daugiau nei perskaitęs dešimt straipsnių apie sveikatą. Lietuvos statistikos departamento ir Higienos instituto duomenys kasmet piešia gan tikslų paveikslą – ir jis ne visada malonus. Bet būtent nepatogūs skaičiai dažniausiai ir yra tie, kurie verčia susimąstyti bei ką nors keisti. Pažiūrėkime į dešimt skaičių, kurie apie mūsų sveikatą pasako kur kas daugiau, nei norėtųsi tikėtis.

1. Vidutinė gyvenimo trukmė – vis dar atsiliekame

Lietuvoje vidutinė gyvenimo trukmė svyruoja apie 75–76 metus, kai Vakarų Europoje ši riba dažnai peržengia 80 metų. Skirtumas nėra mažas – tai beveik penkeri metai gyvenimo, kurių lietuviai vidutiniškai netenka. Ir čia svarbu ne tik pati skaitmena, bet ir tai, kad atotrūkis mažėja lėtai, nepaisant medicinos pažangos.

2. Vyrai gyvena beveik 10 metų trumpiau nei moterys

Tai vienas ryškiausių Lietuvos rodiklių Europos kontekste. Vyrų ir moterų gyvenimo trukmės skirtumas siekia apie 9–10 metų, kai daugelyje ES šalių jis neviršija 5–6 metų. Priežastys žinomos – alkoholis, rūkymas, traumos, vėlyvas kreipimasis į gydytojus. Bet žinojimas ir sprendimas, deja, ne tas pats.

3. Beveik trečdalis suaugusiųjų turi antsvorio problemų

Apie 60 proc. suaugusių gyventojų turi antsvorį arba nutukimą, o iš jų reikšminga dalis – jau su nutukimu, ne tik keliais papildomais kilogramais. Tai reiškia, kad didžioji dalis visuomenės gyvena su padidėjusia rizika susirgti diabetu, širdies ligomis ar sąnarių problemomis, dažnai to nė nesuvokdama.

4. Širdies ir kraujagyslių ligos – vis dar mirties priežastis numeris vienas

Daugiau nei pusė visų mirčių Lietuvoje susijusios su širdies ir kraujagyslių sistemos ligomis. Tai skaičius, kuris nesikeičia jau dešimtmečius, nors profilaktikos priemonių ir informacijos apie sveiką gyvenseną tikrai netrūksta. Klausimas – kodėl žinios neišsiverčia į veiksmus?

5. Alkoholio suvartojimas – vienas didžiausių ES

Nors per pastarąjį dešimtmetį alkoholio suvartojimas sumažėjo, Lietuva vis dar patenka tarp lyderių ES pagal suvartojamą kiekį vienam gyventojui per metus. Skaičius apie 10–11 litrų gryno alkoholio metams reiškia ne tik sveikatos, bet ir socialines pasekmes – nuo šeimos problemų iki nelaimingų atsitikimų keliuose.

6. Savižudybių rodiklis – skaudžiausia statistika

Lietuva ilgą laiką pirmavo Europoje pagal savižudybių skaičių. Nors pastaraisiais metais rodiklis mažėja, jis vis dar išlieka vienas aukščiausių žemyne. Tai skaičius, už kurio slypi ne abstrakti statistika, o konkretūs žmonės, šeimos, bendruomenės, kurios liko be atsakymų.

7. Tik apie pusė gyventojų reguliariai tikrinasi sveikatą

Prevencinių patikrų dalyvavimo rodikliai – tarkim, gimdos kaklelio ar krūties vėžio patikrose – dažnai nesiekia net pusės tikslinės grupės. O juk tai patikros, kurios gali išgelbėti gyvybę, aptikus ligą ankstyvoje stadijoje. Kodėl žmonės vengia? Dažniausiai – baimė, laiko stoka arba tiesiog įprotis atidėlioti.

8. Rūkymas mažėja, bet ne taip greitai, kaip norėtųsi

Rūkančiųjų dalis tarp suaugusiųjų sumažėjo iki maždaug 25 proc., tačiau tai vis dar reiškia, kad kas ketvirtas gyventojas reguliariai rūko. Įdomu tai, kad jaunimo tarpe elektroninių cigarečių populiarumas auga sparčiau, nei mažėja tradicinio rūkymo paplitimas – tad bendras vaizdas nebūtinai toks šviesus, koks atrodo iš pirmo žvilgsnio.

9. Psichikos sveikatos problemos – vis dažniau įvardijamos, bet retai gydomos laiku

Apie 20 proc. gyventojų per metus patiria bent vieną psichikos sveikatos sutrikimą, tačiau tik nedidelė dalis kreipiasi profesionalios pagalbos. Statistika rodo augantį sąmoningumą – žmonės pradeda kalbėti apie tai atviriau, tačiau paslaugų prieinamumas ir stigma vis dar stabdo daugelį.

10. Sveikatos priežiūros išlaidos – auga, bet ne visada ten, kur reikia

Valstybės išlaidos sveikatai kasmet auga, tačiau didžioji dalis biudžeto keliauja į gydymą, o ne prevenciją. Tai skaičius, kuris netiesiogiai paaiškina, kodėl kiti devyni šio sąrašo skaičiai atrodo taip, kaip atrodo – sistema orientuota gesinti gaisrus, o ne jų neleisti kilti.

Kai skaičiai pradeda kalbėti

Statistika savaime nieko nepakeičia – ji tiesiog parodo veidrodį. Ir šis veidrodis sako gan aiškiai: Lietuvos gyventojų sveikata priklauso ne tik nuo medicinos sistemos, bet ir nuo kasdienių pasirinkimų, kuriuos darome patys – ką valgome, kiek judame, kaip elgiamės su stresu ir ar leidžiame sau laiku nueiti pas gydytoją. Dešimt skaičių, kuriuos aptarėme, nėra tik sausi faktai lentelėse. Tai realūs žmonės, jų sprendimai ir jų pasekmės, susumuotos vienoje ataskaitoje. Ir gal tikroji vertė šių skaičių ne ta, kad jie mus nuliūdina, o ta, kad jie duoda konkretų atspirties tašką – žinant, kur esame, lengviau suprasti, kur norime judėti toliau.

Vaikų sveikatos statistika Lietuvoje: kaip epidemiologiniai duomenys atskleidžia realią situaciją šalyje

6 liepos, 2025 www.statisticsjournal.lt

Faktai, Pranešimai

Kodėl vaikų sveikatos skaičiai kartais meluoja, o kartais – šaukia pagalbos

Kai prieš kelis metus Sveikatos apsaugos ministerija paskelbė, kad vaikų sergamumas Lietuvoje didėja, daugelis tėvų susiraukė – juk vaikų ligoninėse eilės trumpėja, o mokyklose ligonių vis mažiau. Paradoksas? Ne visai. Tiesiog epidemiologiniai duomenys – tai ne vien sausas skaičių rinkinys, o sudėtingas galvosūkis, kurį reikia mokėti perskaityti.

Lietuvoje vaikų sveikatos statistika renkami iš kelių šaltinių: pirminės asmens sveikatos priežiūros įstaigų, ligoninių, profilaktinių patikrinimų duomenų bazių ir įvairių registrų. Problema ta, kad šie duomenys ne visada atspindi tikrąją situaciją. Pavyzdžiui, jei šeimos gydytojai pradeda aktyviau diagnozuoti tam tikras ligas ar būkles, statistikoje tai atrodo kaip sergamumo augimas, nors iš tikrųjų tiesiog geriau atpažįstamos anksčiau nepastebėtos problemos.

Ką slepia diagnozių kodai ir registracijos knygos

Epidemiologinė statistika Lietuvoje remiasi Tarptautine ligų klasifikacija (TLK-10), kur kiekviena liga ar būklė turi savo kodą. Teoriškai tai turėtų užtikrinti tikslumą, bet praktikoje dažnai susidaro keistos situacijos. Vienas gydytojas alergijos simptomus užkoduoja kaip „J30.4 – alerginį rinitą”, kitas – kaip „R06.7 – čiaudulį”, o trečias išvis neregistruoja, jei simptomas nesunkus.

Dar įdomiau su psichikos sveikata. Lietuvoje oficialiai registruotų vaikų su depresija ar nerimo sutrikimais skaičius gerokai mažesnis nei Vakarų Europoje. Ar tai reiškia, kad mūsų vaikai psichiškai sveikesni? Deja, ne. Tiesiog daugelis tėvų vis dar bijo kreiptis į psichikos sveikatos specialistus, o kai kurie gydytojai vengia „klijuoti etiketes” vaikams. Rezultatas – statistika nerodo tikrosios situacijos.

Vakcinacijos duomenys: kur tiesa, o kur tik popierius

Vakcinacijos rodikliai – viena iš sričių, kur Lietuva atrodo gana gerai. Oficiali statistika rodo, kad apie 95 procentai vaikų yra paskiepyti pagal nacionalinį kalendorių. Tačiau kai kurie epidemiologai įspėja: šie skaičiai gali būti šiek tiek „pagražinti”.

Problema slypi sistemoje. Kartais vaikai paskiepijami, bet duomenys neįvedami į elektroninę sistemą laiku. Kartais, atvirkščiai – įvedami duomenys apie skiepus, kurie faktiškai atidėti dėl medicininių priežasčių. Dar sudėtingiau su vaikais, kurių šeimos dažnai keičia gyvenamąją vietą ar gydytojus – jų vakcinacijos istorija kartais „pasimeta” tarp įstaigų.

Realybė tokia: tikslus paskiepytų vaikų skaičius gali skirtis nuo oficialaus 2-3 procentiniais punktais. Gali atrodyti nedaug, bet kalbant apie bandinio imunitetą, tai gali būti kritinis skirtumas, ypač tokių užkrečiamų ligų kaip tymai ar kokliušas atveju.

Lėtinės ligos: kodėl astma „auga”, o cukrinis diabetas „stabilizuojasi”

Pažvelgus į pastarųjų dešimtmečių statistiką, matyti aiškus astma sergančių vaikų skaičiaus augimas. Prieš 20 metų Lietuvoje astma buvo diagnozuota maždaug 3 procentams vaikų, dabar – jau 7-8 procentams. Ar tai tikrai reiškia epidemiją?

Iš dalies – taip. Aplinkos tarša, gyvenimo būdo pokyčiai, mažesnis kontaktas su gamta ir mikroorganizmais tikrai prisideda prie alerginių ligų augimo. Bet ne mažiau svarbu tai, kad šiandien gydytojai tiesiog geriau atpažįsta astmą. Anksčiau vaikas, kuris dažnai kosėdavo ir švokšdavo, būdavo gydomas nuo „lėtinio bronchito” ar „dažnų peršalimų”. Dabar tas pats vaikas gauna tikslią astmos diagnozę ir tinkamą gydymą.

Su cukriniu diabetu situacija kitokia. I tipo cukrinio diabeto atvejų skaičius Lietuvoje išlieka gana stabilus – apie 20-25 nauji atvejai 100 tūkstančių vaikų per metus. Čia statistika greičiausiai atspindi realybę tiksliai, nes šios ligos neįmanoma nepastebi ar „neužregistruoti” – simptomai per daug ryškūs, o diagnozė paprastai nustatoma ligoninėje.

Nutukimas ir metabolinės problemos: statistika, kuri gąsdina

Viena iš labiausiai neramią keliančių tendencijų – vaikų nutukimo statistika. Pagal oficialius duomenis, Lietuvoje antsvoris ar nutukimas yra maždaug 15-18 procentų vaikų. Tačiau kai kurie nepriklausomi tyrimai rodo dar liūdnesnius skaičius – iki 25 procentų.

Kodėl toks neatitikimas? Pirma, ne visi vaikai reguliariai lankosi pas gydytojus, todėl jų svoris nefiksuojamas. Antra, skirtingose įstaigose naudojami skirtingi nutukimo vertinimo kriterijai. Trečia – ir tai gal svarbiausia – nutukimas dažnai neužkoduojamas kaip atskira diagnozė, jei vaikas kreipiasi dėl kitos problemos.

Dar sudėtingiau su metaboliniu sindromu ir insulino rezistencija. Šios būklės vaikams Lietuvoje diagnozuojamos retai, nors specialistai įspėja, kad problema gerokai platesnė nei rodo statistika. Daugelis šeimos gydytojų tiesiog neturi galimybių ar laiko atlikti reikiamus tyrimus – reikia ne tik pasverti vaiką, bet ir ištirti kraują, įvertinti kelis rodiklius.

Traumos ir nelaimingi atsitikimai: ką slepia skubiosios pagalbos duomenys

Vaikų traumų statistika Lietuvoje rodo mažėjančią tendenciją – per pastaruosius 10 metų sunkių traumų sumažėjo maždaug 30 procentų. Puiku, ar ne? Bet pasižiūrėjus giliau, vaizdas tampa sudėtingesnis.

Tiesa ta, kad sunkių traumų – kaukolės lūžių, vidaus organų sužalojimų – tikrai sumažėjo. Čia didelį vaidmenį suvaidino geresnė vaikų priežiūra, saugesnės žaidimų aikštelės, automobilių saugos diržai ir kėdutės. Bet lengvesnių traumų – įsipjovimų, išsinardinimų, sumušimų – statistika ne visada patikima.

Problema ta, kad ne visos lengvos traumos registruojamos. Jei mama su vaiku atvažiuoja į skubią pagalbą dėl įsipjovusio piršto, o gydytojas tik užklijuoja pleistrą ir paleidžia namo – šis atvejis gali būti užregistruotas, o gali ir ne, priklausomai nuo įstaigos tvarkos ir gydytojo kruopštumo. Todėl tikrasis lengvų traumų skaičius gali būti 20-30 procentų didesnis nei rodo oficiali statistika.

Psichikos sveikata: didžiausia statistikos „juodoji skylė”

Jei yra viena sritis, kur Lietuvos vaikų sveikatos statistika labiausiai nutolusi nuo realybės – tai psichikos sveikata. Oficialūs duomenys rodo, kad psichikos sutrikimų turi apie 5-7 procentai vaikų. Bet tarptautiniai tyrimai rodo, kad realus skaičius turėtų būti 15-20 procentų.

Kodėl toks milžiniškas atotrūkis? Priežasčių keletas. Pirma, stigma – daugelis tėvų vis dar mano, kad kreiptis į psichologą ar psichiatrą reiškia pripažinti, jog su jų vaiku „kažkas ne taip”. Antra, nepakankamas specialistų skaičius – net norint gauti konsultaciją, reikia laukti kelis mėnesius. Trečia, diagnozavimo sunkumai – daugelis psichikos sutrikimų vaikystėje pasireiškia neaiškiais simptomais, kurie gali būti palaikyti tiesiog „sunkiu charakteriu” ar „pereinamuoju amžiumi”.

Ypač blogai atsispindi statistikoje nerimo sutrikimai, lengvos ir vidutinės depresijos, elgesio problemos. Dažnai šie vaikai apskritai nepatenka į sveikatos priežiūros sistemą – jų problemos sprendžiamos (ar nesprendžiamos) šeimoje, mokykloje, socialinių tarnybų.

Kaip skaityti tarp statistikos eilučių ir ką daryti su šia informacija

Supratę, kad epidemiologinė statistika – tai tik vienas realybės atspindys, o ne pati realybė, galime išmokti ją naudoti protingai. Tėvams svarbu suprasti: jei jūsų vaikas turi kokią nors sveikatos problemą, tai, kad ji „reta pagal statistiką”, nereiškia, kad ji nereali ar nereikšminga. Atvirkščiai – galbūt ji tiesiog nepakankamai diagnozuojama.

Sveikatos politikos formuotojams svarbu žiūrėti ne tik į oficialius skaičius, bet ir į tai, kas už jų slypi. Jei sergamumo tam tikra liga statistika auga – gal tai ne epidemija, o gerėjantis diagnozavimas? Jei, atvirkščiai, skaičiai stabilūs, kai tarptautiniai tyrimai rodo augimą – gal mūsų sistema kažko „nemato”?

Gydytojams ir kitiems specialistams svarbu kruopščiai registruoti duomenis. Taip, tai užima laiko, bet tik turėdami tikslią statistiką galime planuoti prevenciją, skirti išteklius, vertinti intervencijų efektyvumą.

Praktiškai kiekvienam iš mūsų tai reiškia: būkite savo vaikų sveikatos advokatai. Jei pastebite problemą – kreipkitės į specialistus, net jei aplinkui visi sako, kad „viskas gerai”. Jei gydytojas atmeta jūsų nuogąstavimus remdamasis tuo, kad „tai reta” – ieškokite kitos nuomonės. Statistika gali būti naudinga priemonė, bet ji neturi tapti kliūtimi individualiam požiūriui į kiekvieno vaiko sveikatą.

Galiausiai, verta prisiminti, kad už kiekvieno skaičiaus slypi konkretus vaikas su savo istorija. Epidemiologija padeda matyti bendrus vaizdus, tendencijas, rizikos veiksnius. Bet ji niekada nepakeis atidaus, rūpestingo požiūrio į kiekvieną atskirą mažąjį pacientą. Ir gal būt tai – svarbiausia pamoka, kurią galime išmokti iš vaikų sveikatos statistikos labirinto.

Kaip automatiniai internetiniai teksto vertėjai iškraipo statistinius duomenis ir kaip tai interpretuoti teisingai

23 birželio, 2025 www.statisticsjournal.lt

Faktai, IT, Kalbos, Patarimai

Vertimo problema, apie kurią retai kalbama

Statistiniai duomenys yra vienas jautriausių turinio tipų, kurį galima pateikti automatiniam vertėjui. Skaičiai atrodo neutralūs, bet kontekstas, kuriame jie pateikiami, yra viskas. Kai „Google Translate”, „DeepL” ar bet kuris kitas automatinis įrankis verčia tekstą su procentais, santykiniais rodikliais ar sudėtingomis statistinėmis sąvokomis, rezultatas dažnai būna ne tik netikslus – jis gali būti tiesiogiai klaidinantis. Ir tai nėra smulkmena, kurią galima ignoruoti.

Problema egzistuoja keliais lygmenimis. Pirma, yra grynai kalbinis lygmuo – kai terminai verčiami pažodžiui, bet jų reikšmė skirtingose kalbose skiriasi. Antra, yra kultūrinis lygmuo – kai statistiniai duomenys yra susiję su konkrečia šalies sistema, ir vertimas neperteikia tos sistemos specifikos. Trečia, yra struktūrinis lygmuo – kai sakinio konstrukcija verčiama taip, kad priežasties ir pasekmės ryšys apsiverčia arba išnyksta. Kiekvienas iš šių lygmenų gali pakenkti duomenų interpretacijai, o visi trys kartu – tai jau tikra katastrofa analitikui, kuris remiasi verstu tekstu.

Kaip automatiniai vertėjai „supranta” skaičius

Automatiniai vertimo įrankiai, pagrįsti neuroniniais tinklais, iš esmės mokosi iš didelių tekstų korpusų. Jie nėra suprogramuoti suprasti statistiką – jie atpažįsta kalbos modelius ir bando juos atkartoti kitoje kalboje. Tai reiškia, kad kai vertėjas susiduria su fraze „the unemployment rate fell by 3 percentage points”, jis gali ją išversti kaip „nedarbo lygis sumažėjo 3 procentais” – ir tai yra esminis skirtumas.

Procentiniai punktai ir procentai nėra tas pats. Jei nedarbo lygis buvo 10 proc. ir sumažėjo 3 procentiniais punktais, dabar jis yra 7 proc. Bet jei sumažėjo 3 proc., tai reiškia, kad jis sumažėjo nuo 10 proc. iki 9,7 proc. Skirtumas – 0,3 procentinio punkto – gali atrodyti nedidelis, bet ekonominėje analizėje tai gali reikšti skirtingą politikos vertinimą, skirtingus biudžeto sprendimus ir skirtingas prognozes.

„DeepL” šiuo atžvilgiu veikia geriau nei „Google Translate” daugeliu atvejų, bet nė vienas iš jų nėra patikimas, kai kalbama apie statistinius niuansus. Tyrimai, kuriuose buvo lyginami automatiniai vertimai su profesionaliais vertimais medicinos ir ekonomikos srityse, nuolat rodo, kad automatiniai įrankiai daro sistemingas klaidas būtent ten, kur tikslumas yra kritiškiausias.

Terminologijos spąstai statistiniuose tekstuose

Statistinė terminologija yra ypač problematiška dėl kelių priežasčių. Daugelis terminų turi labai specifines reikšmes, kurios skiriasi nuo kasdienės kalbos vartosenos. „Significant” anglų kalboje statistiniame kontekste reiškia „statistiškai reikšmingas” – tai yra konkretus techninis terminas, susijęs su p reikšme ir hipotezių tikrinimo procedūromis. Automatinis vertėjas dažnai išverčia šį žodį kaip „reikšmingas” arba „svarbus”, kas yra teisingas vertimas kasdienine prasme, bet praranda statistinę specifiką.

Panašiai yra su tokiais terminais kaip „confidence interval” (pasikliautinasis intervalas), „standard deviation” (standartinis nuokrypis), „regression to the mean” (regresija į vidurkį) ar „correlation” (koreliacija). Kai šie terminai verčiami pažodžiui arba netiksliai, skaitytojas gali susidaryti visiškai klaidingą supratimą apie tai, ką tyrimas iš tikrųjų teigia.

Konkrečiai – „regression to the mean” lietuviškai turėtų būti verčiama kaip „regresija į vidurkį”, bet automatinis vertėjas kartais pateikia „grįžimas prie vidutinio” arba net „regresija į vidurį”, kas skamba nenatūraliai ir gali suklaidinti skaitytoją, nesusipažinusį su statistika. Dar blogiau, kai vertimas pateikia „atsitraukimas į vidurkį” – tai jau perteikia klaidingą kryptingumo pojūtį.

Praktinis patarimas: jei dirbate su statistiniais tekstais ir naudojate automatinį vertėją, sudarykite terminų žodyną prieš pradėdami darbą. Identifikuokite kiekvieną techninį terminą originale ir patikrinkite, kaip jis turėtų būti išverstas pagal oficialius statistikos standartus jūsų šalyje. Lietuvos statistikos departamentas ir Europos statistikos biuras (Eurostat) turi oficialius terminų žodynus, kurie turėtų būti pirminiai šaltiniai.

Kultūrinis kontekstas, kurį vertėjas neperteikia

Statistiniai duomenys visada egzistuoja konkrečiame institucininiame ir kultūriniame kontekste. Kai JAV ataskaita kalba apie „poverty line” (skurdo ribą), ji remiasi JAV federaline skurdo apibrėžtimi, kuri skiriasi nuo Europos Sąjungos naudojamos metodologijos. Kai automatinis vertėjas išverčia šią frazę kaip „skurdo riba”, skaitytojas lietuviškai gali manyti, kad kalbama apie tą pačią sąvoką, kurią naudoja Lietuvos statistikos departamentas – bet taip nėra.

JAV skurdo riba yra absoliutus rodiklis, apskaičiuojamas pagal minimalius pragyvenimo poreikius. ES naudoja santykinį rodiklį – 60 proc. medianos pajamų. Tai reiškia, kad palyginimas tarp JAV ir ES skurdo statistikos yra metodologiškai problematiškas, ir automatinis vertimas šios problemos nesprendžia – jis ją slepia.

Tas pats galioja sveikatos statistikai. „Life expectancy at birth” (tikėtina gyvenimo trukmė gimus) ir „healthy life years” (sveiki gyvenimo metai) yra skirtingi rodikliai, bet automatinis vertimas ne visada aiškiai atskiria šias sąvokas. Kai Europos šalių sveikatos ataskaitos verčiamos automatiškai, šis skirtumas dažnai išnyksta, ir skaitytojas gauna sumaišytą vaizdą.

Rekomendacija: prieš interpretuodami bet kokius statistinius duomenis iš verstų šaltinių, visada patikrinkite, kokia metodologija buvo naudojama originaliame šaltinyje. Tai galima padaryti ieškant originalaus dokumento metodologinės dalies arba susisiekiant su duomenis paskelbusia institucija. Tai užtrunka papildomą laiką, bet apsaugo nuo fundamentalių interpretacijos klaidų.

Sakinio struktūra ir priežastingumo iškraipymas

Vienas subtiliausių, bet potencialiai pavojingiausių automatinio vertimo problemų yra sakinio struktūros iškraipymas, kuris keičia priežasties ir pasekmės ryšį. Statistiniuose tekstuose priežastingumas yra ypač svarbus – skirtumas tarp „A sukelia B” ir „A koreliuoja su B” yra esminis, bet automatinis vertėjas ne visada jį išlaiko.

Anglų kalbos konstrukcija „associated with” dažnai verčiama kaip „susijęs su”, kas yra teisingas vertimas, bet kartais vertėjas parenka aktyvesnę konstrukciją, kuri implikuoja priežastingumą. Pavyzdžiui, „smoking is associated with higher cancer rates” gali būti išversta kaip „rūkymas lemia didesnius vėžio rodiklius” – ir tai jau yra stipresnis teiginys nei originale.

Dar viena problema – sąlyginis sakinys. Anglų kalboje „if X, then Y” yra aiški sąlyginė konstrukcija. Bet kai vertėjas susiduria su sudėtingesnėmis statistinėmis sąlyginėmis frazėmis, pvz., „controlling for age and income, the effect of education on health outcomes was…” – vertimas dažnai tampa neaiškus arba netikslus. „Controlling for” yra statistinis terminas, reiškiantis „kontroliuojant kintamąjį”, bet automatinis vertėjas gali pateikti „kontroliuojant amžių ir pajamas” arba net „atsižvelgiant į amžių ir pajamas” – pastarasis vertimas yra silpnesnis ir ne visai tikslus.

Praktinis patarimas: kai skaitote verstą statistinį tekstą, atkreipkite ypatingą dėmesį į žodžius, kurie nurodo ryšio pobūdį – „sukelia”, „lemia”, „susijęs su”, „koreliuoja”. Jei kyla abejonių, patikrinkite originalų tekstą ir ieškokite, kokia buvo originali formuluotė. Šiuolaikiniai moksliniai straipsniai dažniausiai yra prieinami anglų kalba, todėl tai nėra sudėtinga.

Skaičių formatavimas ir regioniniai skirtumai

Tai gali atrodyti kaip smulkmena, bet skaičių formatavimas yra dar viena sritis, kurioje automatiniai vertėjai daro klaidas. Skirtingose šalyse naudojami skirtingi skaičių formatai – kai kuriose šalyse tūkstančių skiriamasis ženklas yra taškas, o dešimtainė dalis atskiriama kableliu (pvz., 1.000,50), kitose – atvirkščiai (1,000.50). Automatinis vertėjas ne visada koreguoja šiuos formatus pagal tikslinę kalbą.

Kai vokiečių kalba parašytame tekste yra skaičius „1.234,56″ ir jis verčiamas į anglų kalbą, idealiu atveju jis turėtų tapti „1,234.56″. Bet automatinis vertėjas dažnai palieka originalų formatą arba jį iškraipo. Jei skaitytojas neatpažįsta šio skirtumo, jis gali interpretuoti „1.234″ kaip vieną ir du šimtus trisdešimt keturis, o ne kaip tūkstantį du šimtus trisdešimt keturis.

Dar sudėtingiau yra su valiutomis. Kai statistinis tekstas pateikia duomenis vienoje valiutoje ir automatinis vertėjas juos palieka nepakeistus, skaitytojas gali nesuvokti, kad reikia atlikti valiutos konvertavimą. O jei vertėjas bando konvertuoti valiutas – tai dar blogiau, nes jis naudoja tam tikrą kursą, kuris gali būti pasenęs arba neatitikti to laikotarpio, apie kurį kalbama tekste.

Konkreti rekomendacija: visada patikrinkite skaičių formatą originaliame tekste ir tikslinėje kalboje. Jei dirbate su finansiniais ar ekonominiais duomenimis, įsitikinkite, kad valiutos ir jų kursai yra aiškiai nurodyti ir atitinka analizuojamą laikotarpį. Niekada neremkitės automatiškai konvertuotomis valiutomis be papildomo patikrinimo.

Kaip patikrinti verstų statistinių duomenų tikslumą

Yra keletas praktinių metodų, kurie padeda sumažinti automatinio vertimo klaidų poveikį statistinių duomenų interpretacijai. Pirmiausia, visada ieškokite originalaus šaltinio. Jei tekstas buvo paskelbtas tarptautinės organizacijos – Pasaulio banko, TVF, PSO, Eurostato – originali versija dažniausiai yra anglų kalba ir laisvai prieinama internete. Tai turėtų būti pirmasis žingsnis prieš remiantis verstu tekstu.

Antra, naudokite kryžminį tikrinimą. Jei statistinis teiginys verste atrodo neįtikėtinas arba prieštarauja jūsų žinioms, patikrinkite jį kitame šaltinyje. Statistiniai duomenys retai egzistuoja vakuume – paprastai yra keletas šaltinių, kurie pateikia panašius rodiklius, ir jų palyginimas gali atskleisti vertimo klaidas.

Trečia, jei turite galimybę, naudokite profesionalų vertimą arba bent jau profesionalų redagavimą po automatinio vertimo. Tai ypač svarbu, kai statistiniai duomenys bus naudojami priimant svarbius sprendimus – verslo, politikos ar mokslo srityse. Automatinis vertimas yra geras kaip pirminis žingsnis, bet ne kaip galutinis produktas.

Ketvirta, išmokite atpažinti dažniausias klaidas. Jei žinote, kad automatiniai vertėjai dažnai painioja procentinius punktus su procentais, galite tikslingai ieškoti šios klaidos verste tekste. Tai reikalauja tam tikrų statistinių žinių, bet net bazinis supratimas apie dažniausias problemas gali labai padėti.

Penkta, kai dirbate su dideliais duomenų kiekiais ir automatinis vertimas yra neišvengiamas, apsvarstykite galimybę naudoti specializuotus vertimo įrankius, pritaikytus konkrečiai sričiai. Kai kurios platformos siūlo domenui pritaikytus vertimo modelius, kurie buvo apmokyti su statistiniais ar moksliniais tekstais ir veikia tiksliau nei bendrieji modeliai.

Kai vertimas tampa dezinformacijos šaltiniu

Yra dar vienas aspektas, apie kurį verta kalbėti atvirai – automatinio vertimo klaidų politinis ir socialinis poveikis. Statistiniai duomenys dažnai naudojami viešose diskusijose, žiniasklaidoje ir politiniuose debatuose. Kai šie duomenys yra klaidingai išversti ir klaidinga interpretacija paplinta viešojoje erdvėje, tai gali turėti realių pasekmių.

Pavyzdys iš praktikos: migracijos statistika yra viena jautriausių temų, ir automatiniai vertimai šioje srityje daro ypač daug klaidų. Sąvokos kaip „net migration” (grynoji migracija), „asylum seekers” (prieglobsčio prašytojai), „refugees” (pabėgėliai) ir „irregular migrants” (neteisėti migrantai) turi skirtingas teisines ir statistines reikšmes, bet automatiniai vertėjai dažnai jas sumaišo. Kai žiniasklaida perima tokius klaidingus vertimus, visuomenė gauna iškraipytą vaizdą apie migracijos mastą ir pobūdį.

Tas pats galioja ekonomikos statistikai. Kai BVP augimo rodikliai, nedarbo statistika ar infliacijos duomenys yra klaidingai išversti ir neteisingai interpretuoti, tai gali paveikti visuomenės nuomonę apie ekonomikos valdymą ir politinius sprendimus. Tai nėra abstrakti problema – tai realus informacinio lauko iškraipymas.

Žiniasklaidos atstovai, analitikai ir visi, kurie dirba su statistiniais duomenimis viešojoje erdvėje, turėtų laikyti automatinio vertimo tikrinimą profesiniu standartu, o ne papildoma užduotimi. Tai yra atsakomybės klausimas – tiek profesinės, tiek pilietinės.

Galiausiai, verta paminėti, kad automatiniai vertimo įrankiai nuolat tobulėja. GPT tipo modeliai, integruoti į vertimo sistemas, jau dabar veikia geriau nei ankstesnės kartos įrankiai. Bet tobulėjimas nevyksta tolygiai – ir statistiniai tekstai išlieka viena sunkiausių sričių. Tol, kol automatiniai vertėjai nesugebės patikimai perteikti statistinės terminologijos, metodologinio konteksto ir priežastingumo struktūros, kritinis požiūris į verstus statistinius duomenis išliks ne pasirinkimu, o būtinybe. Statistika yra per daug svarbi, kad ją paliktume mašinų malonei be žmogiškos priežiūros.

Kaip skaityti statistinius duomenis: praktinis vadovas, padėsiantis neapsigauti naujienų antraštėse

1 birželio, 2025 www.statisticsjournal.lt

Faktai, Patarimai

Skaičiai meluoja. Arba meluojame mes?

Kiekvieną dieną naujienų portalai bombarduoja mus statistika. „Nusikalstamumas išaugo 40%.” „Nauja dieta sumažina širdies ligų riziką perpus.” „Lietuviai – vieni laimingiausių Europoje.” Skamba įtikinamai, tiesa? Problema ta, kad dauguma žmonių perskaito antraštę, patiki ja ir eina toliau. O būtent toje antraštėje dažniausiai ir slypi manipuliacija.

Statistika nėra objektyvi tiesa. Ji yra įrankis, o įrankius galima naudoti tiek gerai, tiek blogai. Žurnalistai, politikai ir rinkodaros specialistai tai žino puikiai.

Absoliutūs ir santykiniai skaičiai – klasikinė apgaulė

Štai pavyzdys: „Vaistas sumažina vėžio riziką 50%.” Skamba revoliucingai. Bet ką tai reiškia iš tikrųjų? Jei jūsų pradinė rizika susirgti buvo 2%, tai po vaisto ji tapo 1%. Santykinis sumažėjimas – 50%. Absoliutus – vienas procentinis punktas. Tai du visiškai skirtingi pasakojimai apie tą patį faktą.

Žiniasklaida beveik visada renkasi santykinį skaičių, nes jis atrodo įspūdingiau. Farmacijos kompanijos reklamose – taip pat. Kai kitą kartą pamatysite tokį teiginį, iškart klauskite: o koks buvo pradinis dydis? Be to konteksto skaičius yra beveik beprasmis.

Imtis – ta nepatogi smulkmena, kurią visi ignoruoja

„Tyrimas parodė, kad žmonės, klausantys klasikinės muzikos, uždirba daugiau.” Įdomu. O kiek žmonių dalyvavo tyrime? Jei atsakymas yra „34 studentai iš vieno universiteto” – galite tą tyrimą drąsiai pamiršti. Maža, nereprezentаtyvi imtis gali parodyti bet ką. Statistinis atsitiktinumas egzistuoja, ir su mažomis grupėmis jis daro stebuklus.

Be to, reikia klausti, kas tie žmonės. Jei apklausėte tik miesto gyventojus, jūsų išvados apie „visus lietuvius” yra, švelniai tariant, drąsios. Reprezentatyvumas – ne techninė detalė, o pagrindinis klausimas.

Koreliacija ir priežastingumas – amžinas galvos skausmas

Šis principas žinomas, bet nuolat pamirštamas. Šalyse, kur žmonės valgo daugiau šokolado, yra daugiau Nobelio premijos laureatų. Ar šokoladas daro žmones protingus? Žinoma, ne – abi tendencijos susijusios su turtingumu, o ne viena su kita.

Tačiau žiniasklaida nuolat rašo „X susiję su Y riziką” ir skaitytojai supranta tai kaip „X sukelia Y”. Žodis „susiję” čia atlieka labai svarbų darbą – jis techniškai teisingas, bet klaidina. Kai skaitote apie kokį nors ryšį, klauskite: ar buvo kontroliuojami kiti veiksniai? Ar tai tik koreliacija, ar tikrai nustatyta priežastis?

Bazinis lygis ir kontekstas – ko niekas nepasako

„Nusikalstamumas išaugo 40%!” Skamba baisiai. Bet jei praėjusiais metais buvo užfiksuoti 10 įvykių, o šiais – 14, tai matematiškai tikrai yra 40% augimas. Praktiškai – keturi papildomi atvejai dideliame mieste. Tai tragedija ar statistinis triukšmas? Labai priklauso nuo konteksto, kurio antraštė neduoda.

Tas pats veikia ir atvirkščiai. „Beveik niekas neserga X liga” gali reikšti, kad sergamumas sumažėjo nuo 0,001% iki 0,0005% – o gal tiesiog liga reta ir visada tokia buvo. Be bazinio lygio ir istorinės perspektyvos skaičiai plaukioja ore.

Tai ne paranoja – tai elementari higiena

Nereikia tapti statistiku, kad nepakliūtumėte į paprasčiausias spąstas. Pakanka kelių įpročių: visada ieškoti originalaus tyrimo, o ne jo interpretacijos; klausti, kiek žmonių buvo tiriama ir kas jie; skirti santykinius ir absoliučius skaičius; nepriimti koreliacijos kaip priežasties. Tai nėra sudėtinga – tai tiesiog atidumas, kurio žiniasklaida dažnai neskatina, nes paprastos, dramatiškos antraštės parduodasi geriau nei niuansuoti paaiškinimai. Kitą kartą, kai skaičius jus nustebins ar išgąsdinys, sustokite sekundei. Paklauskite: o palyginti su kuo? Ir kas tai matuoja? Dažnai paaiškės, kad istorija yra visiškai kitokia.

Kaip skaityti statistinius duomenis ir nepasiduoti klaidinančioms interpretacijoms: praktinis vadovas kiekvienam

1 gegužės, 2025 www.statisticsjournal.lt

Faktai, Patarimai

Skaičiai meluoja. Na, ne patys – bet žmonės, kurie juos rodo, kartais tikrai taip daro

Kiek kartų per savaitę matote antraštę tipo „Nauja studija įrodo, kad kavos gėrimas pailgina gyvenimą 20%”? Arba reklaminį skelbimą su užrašu „9 iš 10 odontologų rekomenduoja”? Statistika šiandien yra visur – politikų kalbose, produktų reklamose, socialinių tinklų įrašuose. Ir dažniausiai ji naudojama ne tam, kad jus informuotų, o tam, kad jus įtikintų.

Geroji žinia: jums nereikia būti matematiku, kad suprastumėte, kada kažkas bando jus apgauti skaičiais. Reikia tik kelių paprastų įrankių.

Absoliutūs ir santykiniai skaičiai – klasikinis triukas

Štai vienas mėgstamiausių manipuliacijų būdų. Įsivaizduokite, kad vaistas sumažina širdies priepuolio riziką 50 procentų. Skamba įspūdingai, tiesa? Bet ką tai reiškia realybėje?

Jei pradinė rizika buvo 2 iš 1000 žmonių, o dabar ji tapo 1 iš 1000 – tai santykinis sumažėjimas tikrai yra 50%. Tačiau absoliutus sumažėjimas yra vos 0,1%. Tas pats skaičius, visiškai skirtingas įspūdis.

Taisyklė paprasta: kai matote procentus, visada klauskite – procentai nuo ko? Koks buvo pradinis skaičius? Kiek žmonių tai realiai paveikė?

Imties dydis ir „reprezentatyvumas” – du žodžiai, kurie keičia viską

„Apklausta 1200 žmonių” skamba solidžiai. Bet kas tie žmonės? Jei visi jie buvo apklausti viename mieste, viename prekybos centre, vienu metu – tai ne Lietuvos nuomonė. Tai to prekybos centro lankytojų nuomonė tą dieną.

Imties dydis svarbus, bet imties kokybė svarbesnė. Maža, bet gerai atrinkta imtis gali būti daug patikimesnė nei didelė, bet šališka. Todėl ieškokite informacijos apie tai, kaip buvo renkami duomenys – ne tik kiek žmonių dalyvavo.

Koreliacija prieš priežastingumą – amžinas galvosūkis

Vasarą žmonės daugiau valgo ledų. Vasarą taip pat daugiau žmonių nuskęsta. Ar ledai kalta? Akivaizdžiai ne – abu reiškiniai tiesiog vyksta tuo pačiu metu, nes abu susiję su karštu oru.

Tai koreliacija be priežastingumo. Ir tokių pavyzdžių realiame gyvenime yra daugybė. Kai kažkas sako „tyrimai rodo, kad X sukelia Y” – klauskite: ar tai tikrai priežastinis ryšys, ar tiesiog du dalykai, kurie vyksta kartu? Ar buvo kontroliuojami kiti veiksniai?

Grafikai, kurie „šiek tiek” meluoja

Vizualizacijos – tai statistinių manipuliacijų aukso kasykla. Populiariausias triukas: Y ašis, kuri neprasideda nuo nulio. Jei rodomas augimas nuo 98 iki 100, bet grafikas prasideda nuo 97 – atrodo, kad kažkas padvigubėjo. Realybėje – pakilo 2%.

Kitas klasikas – 3D skritulinės diagramos, kuriose artimiausi segmentai vizualiai atrodo didesni nei tolimesni, nors skaičiai vienodi. Arba grafikai be jokių matavimo vienetų – tiesiog gražiai kylanti linija į viršų, be jokio konteksto.

Prieš „wow” efektą – pažiūrėkite į ašis. Visada.

Vidurkis, kuris nieko nesako

„Vidutinis atlyginimas Lietuvoje – X eurų.” Puiku. Bet koks vidurkis? Aritmetinis vidurkis yra labai jautrus ekstremaliam reikšmėms. Jei 9 žmonės uždirba 1000 eurų, o vienas – 100 000, vidutinis atlyginimas toje grupėje bus apie 10 900. Bet 9 iš 10 žmonių to pinigų kiekio niekada nematė.

Mediana – vidurinė reikšmė – dažnai yra daug sąžiningesnis rodiklis. Kai kalbama apie pajamas, kainas ar bet ką, kur yra didelė nelygybė, klauskite: ar tai vidurkis, ar mediana?

Tad ką daryti, kai sekantį kartą pamatysite statistiką?

Nesistenkite tapti skeptiku, kuris niekuo netiki. Statistika yra galingas ir svarbus įrankis – medicina, klimatologija, ekonomika be jos tiesiog neveiktų. Tikslas ne atmesti duomenis, o užduoti tinkamus klausimus.

Kas finansavo tyrimą? Kokia buvo imtis ir kaip ji atrinkta? Ar kalbama apie absoliučius ar santykinius skaičius? Ar grafikas neklaidina vizualiai? Ar koreliacija tikrai reiškia priežastingumą?

Penki klausimai. Jie nepadarys jūsų statistiku – bet padarys jus žmogumi, kurį sunkiau apgauti. O šiandieninėje informacijos pertekliaus eroje tai yra vienas vertingiausių įgūdžių, kurį galite turėti. Ir jis nieko nekainuoja – tik šiek tiek dėmesio.

# Kaip dirbtinis intelektas keičia statistinių duomenų analizę ir prognozavimą 2025 metais

15 balandžio, 2025 www.statisticsjournal.lt

Faktai, IT

Statistikos ir dirbtinio intelekto sankirta: kas iš tikrųjų vyksta

Kai pirmą kartą pradėjau domėtis dirbtinio intelekto taikymu statistikoje, man atrodė, kad tai tik dar vienas technologinis triukas, kuris greitai praeis. Tačiau 2025 metais matome visai kitokią realybę. Dirbtinis intelektas ne tik papildo tradicinius statistinius metodus, bet ir iš esmės keičia tai, kaip mes suprantame duomenis, jų analizę ir prognozavimą.

Tradicinė statistika visada rėmėsi aiškiomis prielaidomis – normaliu pasiskirstymu, tiesiniais ryšiais, hipotezių testavimu. Tai veikė puikiai, kai duomenų buvo nedaug ir jie buvo gana paprastai struktūruoti. Bet dabar turime milijardus duomenų taškų iš įvairiausių šaltinių: socialinių tinklų, IoT įrenginių, finansinių transakcijų, sveikatos stebėjimo sistemų. Ir štai čia prasideda tikroji revoliucija.

Dirbtinis intelektas, ypač gilieji neuronų tinklai ir mašininio mokymosi algoritmai, gali apdoroti tokius duomenų kiekius ir sudėtingumą, kuris anksčiau buvo neįsivaizduojamas. Bet svarbiausia – jie gali rasti ryšius ir modelius, kurių žmogus ar tradiciniai statistiniai metodai tiesiog nematytų.

Prognozavimo tikslumas: nuo teorijos prie praktikos

Vienas didžiausių pasikeitimų, kurį pastebiu dirbdamas su įmonėmis, yra prognozavimo tikslumas. Anksčiau finansų analitikai naudodavo ARIMA modelius ar eksponentinį glodinimą laiko eilutėms prognozuoti. Tai davė priimtinus rezultatus, bet turėjo akivaizdžių apribojimų – jie blogai tvarkėsi su netiesiniais ryšiais, staigiais pokyčiais ar daugybe kintamųjų.

Dabar matome, kaip transformerių architektūros ir LSTM (Long Short-Term Memory) tinklai iš esmės pakeičia žaidimo taisykles. Pavyzdžiui, didžiosios mažmeninės prekybos įmonės naudoja šiuos metodus atsargų valdymui ir paklausos prognozavimui. Jie gali įtraukti ne tik istorines pardavimų tendencijas, bet ir orų prognozes, socialinių tinklų nuotaikas, konkurentų kainų pokyčius, net vietos renginius – viską vienu metu.

Konkrečiai kalbant, viena Lietuvos e-prekybos platforma, su kuria konsultavausi, sumažino prognozavimo klaidą 34% pereiti nuo tradicinių statistinių metodų prie hibridinio modelio, kuris derina SARIMA su XGBoost algoritmu. Tai reiškia mažiau nepardavusių atsargų, geresnes pinigų srautų prognozes ir galiausiai didesnį pelningumą.

Anomalijų aptikimas: kai mašinos mato tai, ko nematome mes

Viena sritis, kur dirbtinis intelektas tikrai pranoksta žmogų, yra anomalijų aptikimas dideliuose duomenų rinkiniuose. Tradiciniai metodai, tokie kaip Z-balai ar Grubbs testas, veikia gerai, kai žinome, ko ieškome ir kai duomenys atitinka tam tikrus pasiskirstymus. Bet realybė retai būna tokia paprasta.

Pavyzdžiui, finansų sektoriuje sukčiavimo aptikimas tapo neįsivaizduojamas be dirbtinio intelekto. Autoenkoderai – tai neuronų tinklų tipas, kuris mokosi suspausti ir atkurti normalius duomenis. Kai jie susiduria su neįprastu elgesiu, rekonstrukcijos klaida staiga padidėja, ir tai signalizuoja apie galimą anomaliją.

Vienas Lietuvos bankas įdiegė tokią sistemą ir per pirmuosius tris mėnesius aptiko 47% daugiau įtartinų transakcijų nei ankstesnė taisyklėmis pagrįsta sistema. Dar svarbiau – sumažėjo klaidingų pozityvių rezultatų skaičius 28%, o tai reiškia, kad mažiau teisėtų klientų buvo neteisingai pažymėti kaip įtartini.

Sveikatos priežiūroje dirbtinis intelektas padeda aptikti ankstyvus ligos požymius, analizuojant pacientų duomenis. Algoritmai gali pastebėti subtilias tendencijas – pavyzdžiui, tam tikrų biomarkerių derinį, kuris gali signalizuoti apie diabeto riziką mėnesiais anksčiau nei tradiciniai diagnostikos metodai.

Kalbos modeliai ir nestruktūruotų duomenų analizė

Čia vyksta tikra revoliucija. Anksčiau statistinė analizė daugiausia rėmėsi struktūruotais duomenimis – skaičiais lentelėse. Bet didžioji dalis pasaulio informacijos yra nestruktūruota: tekstai, vaizdai, vaizdo įrašai, garso įrašai.

Didieji kalbos modeliai (LLM), tokie kaip GPT serijos ar BERT variantai, dabar gali analizuoti milžiniškus teksto kiekius ir išgauti iš jų statistiškai reikšmingą informaciją. Tai nėra tik paprastas žodžių skaičiavimas – tai giluminis konteksto, nuotaikų, ketinimų supratimas.

Praktinis pavyzdys: rinkos tyrimų įmonės dabar analizuoja milijonus klientų atsiliepimų, socialinių tinklų įrašų ir forumo diskusijų, kad suprastų vartotojų nuotaikas ir tendencijas. Anksčiau tokiai analizei prireikdavo šimtų žmonių ir mėnesių darbo. Dabar tai galima padaryti per kelias valandas su aukštesniu tikslumu.

Sentiment analizė tapo daug sudėtingesnė. Modeliai dabar supranta sarkazmą, kontekstą, kultūrinius niuansus. Jie gali atskirti, ar klientas sako „puiku” su tikra pagarba ar su ironija. Tai kardinaliai keičia tai, kaip įmonės supranta savo klientų pasitenkinimą ir lūkesčius.

Priežastingumo nustatymas: už koreliacijos ribų

Viena didžiausių statistikos problemų visada buvo atskirti koreliaciją nuo priežastingumo. Tradiciniai metodai, tokie kaip randomizuoti kontroliuojami bandymai, yra aukso standartas, bet jie brangūs, laikui imli ir ne visada įmanomi.

Dirbtinis intelektas, ypač priežastinės išvados (causal inference) metodai, dabar leidžia mums geriau suprasti priežastinius ryšius iš stebėjimo duomenų. Algoritmai, tokie kaip Causal Impact ar DoWhy bibliotekos, gali modeliuoti kontrafaktinius scenarijus – kas būtų nutikę, jei tam tikra intervencija nebūtų įvykusi.

Pavyzdžiui, marketingo komandos gali daug tiksliau įvertinti reklamos kampanijų poveikį. Vietoj to, kad tiesiog žiūrėtų į pardavimų padidėjimą po kampanijos, jie gali modeliuoti, kokie būtų buvę pardavimai be kampanijos, atsižvelgiant į sezoniškumą, konkurentų veiksmus ir kitus veiksnius.

Sveikatos politikoje tai ypač svarbu. Kai vyriausybės įveda naujas visuomenės sveikatos priemones, priežastinės išvados metodai padeda atskirti tikrąjį politikos poveikį nuo kitų veiksnių, tokių kaip demografiniai pokyčiai ar ekonominės sąlygos.

Tačiau čia reikia būti atsargiems. Dirbtinis intelektas nėra stebuklingas sprendimas priežastingumo problemai. Jis vis dar remiasi prielaidomis, ir jei tos prielaidos yra klaidingos, išvados bus klaidinančios. Todėl žmogiškasis ekspertinis vertinimas ir domenų žinios lieka kritiškai svarbūs.

Automatizuotas modelių kūrimas ir AutoML

Vienas įdomiausių pokyčių yra AutoML (Automated Machine Learning) platformų atsiradimas. Anksčiau norint sukurti gerą prognozavimo modelį reikėjo gilių statistikos ir programavimo žinių, daug laiko eksperimentams su skirtingais algoritmais, hiperparametrų derinimui.

Dabar platformos kaip H2O.ai, Google AutoML ar DataRobot gali automatizuoti didelę dalį šio proceso. Jos automatiškai išbando šimtus skirtingų modelių, optimizuoja jų parametrus, atlieka kryžminį patvirtinimą ir net paaiškina modelio sprendimus.

Tai demokratizuoja prieigą prie pažangios analitikos. Dabar verslo analitikai, kurie nėra duomenų mokslininkai, gali kurti sudėtingus prognozavimo modelius. Viena vidutinio dydžio gamybos įmonė Lietuvoje panaudojo AutoML platformą, kad sukurtų įrangos gedimų prognozavimo sistemą. Anksčiau tokiam projektui būtų reikėję samdyti specializuotą duomenų mokslininką ir investuoti mėnesius. Su AutoML jie turėjo veikiantį modelį per dvi savaites.

Tačiau yra ir pavojų. Automatizacija gali sukelti netikrą saugumo jausmą. Žmonės gali pradėti pasitikėti modeliais, nesuprasdami jų apribojimų ar prielaidų. Todėl, net naudojant AutoML, svarbu turėti bent bazinį statistikos ir mašininio mokymosi supratimą.

Realaus laiko analizė ir sprendimų priėmimas

2025 metais vis daugiau organizacijų pereina nuo paketinės analizės prie realaus laiko duomenų apdorojimo ir sprendimų priėmimo. Tai reiškia, kad modeliai ne tik analizuoja istorinius duomenis, bet ir nuolat mokosi iš naujų duomenų srautų, prisitaikydami prie besikeičiančių sąlygų.

Streaming analytics platformos, tokios kaip Apache Kafka su mašininio mokymosi modeliais, leidžia įmonėms reaguoti į įvykius milisekundžių ar sekundžių laikotarpyje. Tai ypač svarbu finansų prekyboje, kibernetinio saugumo sistemose, pramonės automatizavime.

Pavyzdžiui, išmaniosios gamyklos naudoja realaus laiko analizę, kad optimizuotų gamybos procesus. Jutikliai stebi mašinų būseną, produktų kokybę, energijos suvartojimą. Dirbtinio intelekto modeliai analizuoja šiuos duomenis realiuoju laiku ir automatiškai koreguoja parametrus, kad maksimizuotų efektyvumą ir minimizuotų broką.

Logistikos sektoriuje realaus laiko prognozavimas keičia maršrutų planavimą. Algoritmai atsižvelgia į dabartines eismo sąlygas, orų prognozes, pristatymo prioritetus ir nuolat perskaičiuoja optimalius maršrutus. Tai ne tik sutaupo kuro, bet ir pagerina klientų pasitenkinimą dėl tikslesnių pristatymo laikų.

Etiniai iššūkiai ir šališkumo problema

Negalime kalbėti apie dirbtinio intelekto vaidmenį statistikoje, neliesdami etinių klausimų. Dirbtinio intelekto modeliai mokosi iš duomenų, o duomenys atspindi mūsų visuomenės šališkumus, nelygybę ir istorines neteisybes.

Yra dokumentuotų atvejų, kai personalo atrankos algoritmai diskriminavo moteris, nes buvo apmokyti su istoriniais duomenimis, kur tam tikrose srityse dominavo vyrai. Kredito rizikos vertinimo modeliai kartais nepagrįstai baudžia tam tikras etnines ar socialines grupes.

Statistikai ir duomenų mokslininkai dabar turi būti ne tik techniniai ekspertai, bet ir etikos klausimų žinovai. Reikia aktyviai ieškoti šališkumo modeliuose, naudoti fairness metrics, atlikti disparate impact analizę.

Praktinis patarimas: visada analizuokite modelio sprendimus skirtingoms demografinėms grupėms atskirai. Jei modelis gerai veikia vidutiniškai, bet blogai tam tikrai grupei, tai problema. Naudokite technikas kaip reweighting, adversarial debiasing ar fairness constraints optimizavimo metu.

Be to, svarbu užtikrinti modelių interpretuojamumą. Sudėtingi gilieji neuronų tinklai gali būti „juodosios dėžės”, kur net jų kūrėjai nesupranta, kodėl modelis priėmė tam tikrą sprendimą. Tai nepriimtina daugelyje sričių, ypač sveikatos priežiūroje, teisėje, finansuose.

Todėl vis dažniau naudojami interpretuojamumo įrankiai, tokie kaip SHAP (SHapley Additive exPlanations) ar LIME (Local Interpretable Model-agnostic Explanations), kurie padeda paaiškinti, kokie veiksniai labiausiai prisidėjo prie konkretaus modelio sprendimo.

Kur link judame: hibridiniai metodai ir žmogiškasis elementas

Matydamas visus šiuos pokyčius, vis dažniau prieinu prie išvados, kad ateitis nėra apie dirbtinį intelektą prieš tradicinius statistinius metodus. Ateitis yra apie jų protingą derinimą.

Geriausi rezultatai dažnai pasiekiami naudojant hibridines sistemas, kur tradiciniai statistiniai metodai užtikrina teorinį pagrindą ir interpretuojamumą, o dirbtinio intelekto metodai prideda lankstumą ir gebėjimą tvarkytis su sudėtingumu. Pavyzdžiui, galite naudoti statistinius metodus pradiniam duomenų tyrimui ir hipotezių formulavimui, o tada taikyti mašininio mokymosi algoritmus sudėtingiems ryšiams modeliuoti.

Žmogiškasis elementas lieka kritiškai svarbus. Dirbtinis intelektas gali apdoroti duomenis ir rasti modelius, bet žmonės turi užduoti teisingus klausimus, interpretuoti rezultatus kontekste, priimti etinius sprendimus. Domenų ekspertų žinios yra neįkainojamos – jie žino, kurie kintamieji yra svarbūs, kokie ryšiai yra tikėtini, kokie rezultatai yra realistiški.

Praktiškai tai reiškia, kad organizacijoms reikia investuoti ne tik į technologijas, bet ir į žmonių mokymą. Statistikai turi mokytis apie mašininį mokymąsi, o duomenų mokslininkai – apie tradicinius statistinius metodus. Verslo vadovai turi suprasti bent pagrindus, kad galėtų kritiškai vertinti analitikos rezultatus.

Taip pat svarbu kurti tarpfunkcinę komandas, kur dirba kartu domenų ekspertai, statistikai, duomenų mokslininkai, IT specialistai ir verslo analitikai. Geriausi sprendimai gimsta iš tokio bendradarbiavimo, kur kiekvienas prisideda savo perspektyva.

Žvelgiant į ateitį, matome, kad dirbtinis intelektas toliau transformuos statistinių duomenų analizę ir prognozavimą. Kvantiniai kompiuteriai gali atnešti dar vieną revoliuciją, leidžiančią spręsti optimizavimo problemas, kurios dabar yra neįmanomos. Federuotas mokymasis leis mokytis iš paskirstytų duomenų, nesukeliant privatumo problemų. Neuromorfiniai procesoriai padarys dirbtinį intelektą efektyvesnį ir prieinamesnį.

Bet nepaisant visų technologinių pažangų, pagrindiniai statistikos principai – duomenų kokybė, tinkamas eksperimentų planavimas, atsargus išvadų formulavimas, etinis atsakingumas – lieka tokie pat svarbūs kaip ir anksčiau. Dirbtinis intelektas yra galingas įrankis, bet tik įrankis. Kaip jį naudosime, priklauso nuo mūsų.

Kaip efektyviai interpretuoti ir panaudoti oficialios statistikos duomenis verslo sprendimams priimti

7 kovo, 2025 www.statisticsjournal.lt

Faktai, Komercija, Patarimai

Kodėl statistika nėra tik skaičiai ant popieriaus

Žinot, kas labiausiai stebina? Kad daugelis verslų turi prieigą prie neįtikėtino kiekio oficialios statistikos duomenų, bet elgiasi su jais tarsi tai būtų kažkokia nuobodi mokyklinė medžiaga. O tai – tikras aukso rudis! Statistikos departamento, Eurostat ar kitų institucijų skelbiami duomenys gali tapti jūsų verslo supergebėjimu, jei tik mokate juos tinkamai perskaityti ir pritaikyti.

Problema ta, kad dauguma žmonių mato lentelę su skaičiais ir iš karto jaučia norą užsimerkti. Bet štai ko jie nesupranta: už tų skaičių slypi tikros istorijos, tendencijos ir galimybės, kurios gali pakeisti visą jūsų verslo strategiją. Aš pats esu matęs, kaip vienas nedidelis e-komercijos startuolis, išanalizavęs vartojimo tendencijų statistiką, padidino pardavimus 340% per pusmetį. Ir ne, tai nebuvo magiška – tai buvo tiesiog protingas duomenų panaudojimas.

Kur rasti patikimiausius duomenis ir kaip neskęsti informacijos jūroje

Pirmas žingsnis – žinoti, kur ieškoti. Lietuvoje turime puikų Statistikos departamentą (osp.stat.gov.lt), kuris renka ir skelbia įvairiausią informaciją – nuo gyventojų pajamų iki verslo aktyvumo rodiklių. Eurostat duomenų bazė – tai jūsų langas į visą Europos rinką. O jei planuojate tarptautinius žingsnius, OECD ir Pasaulio banko statistika atvers duris į globalią perspektyvą.

Bet štai problema: šių duomenų tiek daug, kad galite praleisti savaites naršydami ir taip nieko ir nesupratę. Mano patarimas? Pradėkite nuo konkrečios problemos ar klausimo. Pavyzdžiui, jei planuojate atidaryti kavinę, jums reikia žinoti: kiek žmonių gyvena jūsų pasirinktame rajone, kokios jų pajamos, kokia amžiaus struktūra, kaip keičiasi vartojimo įpročiai. Tuomet ieškote būtent šių duomenų, o ne visų iš eilės.

Dar vienas praktiškas patarimas – susikurkite duomenų šaltinius pagal temas. Aš asmeniškai naudoju paprastą Excel lentelę, kur įsirašau nuorodas į dažniausiai naudojamus statistikos puslapius, kokius duomenis ten galiu rasti ir kaip dažnai jie atnaujinami. Taip sutaupau begalę laiko.

Kaip skaityti statistiką taip, kad ji pasakytų jums tikrąją istoriją

Dabar prie smagiausios dalies – kaip iš sausų skaičių išgauti prasmę. Pirmiausia, niekada nežiūrėkite tik į vieną skaičių ar vieną laikotarpį. Statistika – tai kaip filmas, ne nuotrauka. Jums reikia matyti tendencijas, pokyčius, sezoninį svyravimą.

Tarkime, matote, kad praėjusiais metais jūsų sektoriuje apyvarta išaugo 5%. Skamba gerai, tiesa? Bet palaukite! Pažiūrėkite, kaip augo praėjusiais penkiais metais. Gal tai lėčiausias augimas per visą laikotarpį? O gal tai atsigavimas po kritimo? Kontekstas – štai kas svarbiausia.

Vienas iš mano mėgstamiausių triukų – lyginimas su vidurkiais ir medianoromis. Jei vidutinės pajamos jūsų tikslinėje rinkoje yra 1500 eurų, bet mediana – 1100 eurų, tai reiškia, kad yra nedidelė grupė labai gerai uždirbančių žmonių, bet dauguma uždirba mažiau. Tai kardinaliai pakeičia jūsų kainų strategiją, ar ne?

Segmentavimas ir detalesnė analizė – čia prasideda tikroji magija

Oficiali statistika dažnai pateikiama segmentuota – pagal amžių, lytį, regionus, išsilavinimą. Ir čia prasideda tikrasis šou! Nebežiūrėkite į bendrą vaizdą – įsigilinskite į segmentus, kurie aktualūs jūsų verslui.

Pavyzdžiui, jei parduodate sporto prekes, jums neįdomu, kiek vidutiniškai lietuviai išleidžia laisvalaikiui. Jums įdomu, kiek išleidžia 25-40 metų amžiaus žmonės su vidurkį viršijančiomis pajamomis, gyvenantys miestuose. Matote skirtumą? Tai visiškai kitas žaidimas!

Aš visada rekomenduoju susikurti savo idealaus kliento profilį ir tada ieškoti statistikos, kuri atitinka šį profilį. Kiek tokių žmonių yra? Kaip keičiasi jų skaičius? Kokios jų vartojimo tendencijos? Ar jie linkę pirkti internetu ar fizinėse parduotuvėse? Visa ši informacija yra prieinama oficialios statistikos šaltiniuose, tik reikia mokėti ją surasti ir sujungti.

Ekonominiai ciklai ir sezoniniai svyravimai – jūsų slaptas ginklas

Štai ką daugelis praleidžia: ekonomika juda ciklais, o daugelis verslo sektorių turi aiškius sezonius svyravimus. Oficiali statistika puikiai tai atspindi, jei mokate skaityti tarp eilučių.

Žiūrėkite į kelis metus atgal ir ieškokite modelių. Gal pastebėsite, kad jūsų sektoriuje pardavimai visada krenta kovą, bet šauna į viršų rugsėjį? Arba kad ekonominių sunkumų laikotarpiais žmonės pereina prie pigesnių alternatyvų? Šie įžvalgos leidžia jums planuoti atsargas, rinkodaros kampanijas ir net personalo poreikius.

Vienas mano klientas, dirbantis statybų sektoriuje, išanalizavo kelių metų statybų leidimų statistiką ir pastebėjo, kad po kiekvieno staigaus kritimo visada seka spartus augimas maždaug po 18 mėnesių. Jis pasinaudojo šia žinia ir kritiniu momentu investavo į įrangą ir personalą, kai konkurentai mažino veiklą. Rezultatas? Kai rinka atsigavo, jis buvo vienintelis, galintis greitai priimti užsakymus, ir jo rinkos dalis pašoko dvigubai.

Kaip sujungti skirtingus duomenų šaltinius ir gauti holistinį vaizdą

Tikroji jėga atsiranda, kai pradedi jungti skirtingus statistikos duomenis. Demografinė statistika + vartojimo tendencijos + ekonominiai rodikliai + jūsų sektoriaus specifiniai duomenys = aukso kasykla įžvalgų.

Tarkime, analizuojate galimybes plėstis į naują regioną. Žiūrite: gyventojų skaičius auga (demografija), vidutinės pajamos kyla (ekonomika), jūsų produktų kategorijos pardavimai regione auga greičiau nei šalies vidurkis (sektorinė statistika), o konkurentų skaičius vis dar nedidelis (verslo registrų statistika). Boom! Turite stiprų argumentą investicijai.

Aš naudoju tokį metodą: susikuriu Excel’yje arba Google Sheets’e lentelę, kur horizontalioje ašyje įrašau skirtingus duomenų šaltinius, o vertikalioje – savo verslo klausimus ar hipotezes. Tada užpildau, kokie duomenys palaiko ar paneigia kiekvieną hipotezę. Tai padeda matyti bendrą vaizdą ir priimti pagrįstus sprendimus.

Dažniausios klaidos interpretuojant statistiką ir kaip jų išvengti

Gerai, dabar apie tai, ko nedaryti. Pirmiausia – niekada nepainiokite koreliacijos su priežastingumu. Tai, kad du rodikliai juda kartu, nereiškia, kad vienas sukelia kitą. Gali būti trečias veiksnys, arba tai gali būti tiesiog atsitiktinumas.

Antra klaida – ignoruoti statistinį reikšmingumą ir imties dydį. Jei statistika paremta labai maža imtimi ar trumpu laikotarpiu, ji gali būti klaidinanti. Visada žiūrėkite, kiek duomenų buvo panaudota analizei.

Trečia – patvirtinimo šališkumas. Tai kai ieškote tik tų duomenų, kurie patvirtina jūsų jau turimas nuomones. Būkite kritiškai nusiteikę ir sąžiningai žiūrėkite į duomenis, kurie prieštarauja jūsų lūkesčiams. Kartais būtent jie atskleidžia didžiausias galimybes.

Ketvirta – per didelis pasitikėjimas prognozėmis. Oficiali statistika dažnai pateikia prognozes, bet atminkite – tai tik modeliai, paremti prielaidomis. Realybė gali būti kitokia. Naudokite prognozes kaip gaires, bet visada turėkite planą B.

Praktiniai įrankiai ir būdai, kaip integruoti statistikos analizę į kasdienę verslo praktiką

Dabar prie konkrečių veiksmų. Pirma, susikurkite statistikos stebėjimo sistemą. Pasirinkite 5-10 svarbiausių rodiklių jūsų verslui ir stebėkite juos reguliariai – kas ketvirtį ar kas pusmetį. Tai gali būti vartotojų pasitikėjimo indeksas, nedarbo lygis jūsų regione, vidutinės pajamos, jūsų sektoriaus apyvarta, infliacijos rodikliai ir pan.

Antra, įtraukite statistikos analizę į savo strateginio planavimo procesą. Prieš priimdami bet kokį svarbų sprendimą – naują produktą, rinkos plėtrą, kainų keitimą – pažiūrėkite, ką sako statistika. Padarykite tai įpročiu, ne išimtimi.

Trečia, naudokite vizualizacijos įrankius. Sausus skaičius sunku suvokti, bet grafikai ir diagramos iš karto atskleidžia tendencijas. Excel, Google Sheets, Tableau, Power BI – pasirinkite tai, kas jums patogiausia. Aš asmeniškai mėgstu Google Data Studio, nes galiu lengvai dalintis interaktyviais ataskaitomis su komanda.

Ketvirta, mokykite savo komandą. Statistikos analizė neturėtų būti tik vieno žmogaus darbas. Kuo daugiau jūsų komandos narių supranta, kaip skaityti ir interpretuoti duomenis, tuo geresni bus sprendimai visuose lygiuose.

Kai skaičiai virsta veiksmais ir rezultatais

Žinote, kas labiausiai džiugina? Kai matai, kaip statistikos duomenys, kurie iš pradžių atrodė kaip nuobodūs skaičiai, virsta konkrečiais veiksmais ir tikrais rezultatais. Tai tarsi turėti žemėlapį su pažymėta X vieta, kur paslėptas lobis – tik šiuo atveju lobis yra verslo galimybės.

Oficiali statistika – tai ne kažkas, ką reikia naudoti tik dideliems korporacijoms ar akademikams. Tai praktiškas įrankis kiekvienam verslui, nesvarbu, ar jūs esate vieno žmogaus startuolis, ar vidutinė įmonė. Svarbiausia – pradėti ją naudoti sistemingai ir kūrybiškai.

Pradėkite nuo mažų žingsnių. Pasirinkite vieną verslo klausimą, kuris jus kankina. Suraskite statistikos duomenis, kurie galėtų padėti į jį atsakyti. Išanalizuokite juos pagal šiame straipsnyje aprašytus principus. Priimkite sprendimą. Įgyvendinkite. Stebėkite rezultatus. Ir tada kartokite procesą su kitu klausimu.

Su laiku pastebėsite, kad jūsų sprendimai tampa pagrįstesni, rizikos mažesnės, o galimybės aiškesnės. Jūs nebespėliosite, kas veiks rinkoje – žinosite, nes turėsite duomenis, kurie tai patvirtina. Ir kai jūsų konkurentai vis dar priima sprendimus remdamiesi nuojauta ar „taip visada darėme”, jūs jau būsite keliais žingsniais priekyje, vedami statistikos įžvalgų.

Taigi, nebelaukite. Atidarykite Statistikos departamento svetainę, pradėkite tyrinėti duomenis, susijusius su jūsų verslu, ir leiskite skaičiams papasakoti jums savo istoriją. Garantuoju – tai bus viena įdomiausių ir naudingiausių istorijų, kokias kada nors girdėjote!