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.
