Skaičiai meluoja. Na, ne patys skaičiai – bet tie, kurie juos rodo
Įsivaizduok: matai antraštę „Nauja dieta padeda numesti 10 kg per mėnesį – tai įrodyta moksliškai!” Ir kažkas tavyje sako – skamba gerai. Bet ar kada susimąstei, ką iš tikrųjų reiškia tas „moksliškai įrodyta”? Kokie buvo tiriamieji? Kiek jų buvo? Ar tyrimas truko savaitę ar metus?
Statistika yra vienas galingiausių įrankių, kuriuos turime. Bet ji taip pat yra vienas lengviausiai manipuliuojamų dalykų pasaulyje. Ir ne visada tyčia – kartais žmonės patys nesupranta, ką rodo jų duomenys.
Pirmas dalykas, kurį reikia išmokti: klausk „lyginant su kuo?”
„Mūsų produktas padidina produktyvumą 200%!” Skamba įspūdingai. Bet 200% nuo ko? Jei bazinė vertė buvo 1, tai dabar ji yra 3. Viskas. Absoliutūs skaičiai ir procentai – tai du skirtingi pasauliai, ir marketingo specialistai tai žino labai gerai.
Tas pats veikia medicinoje. Vaistas „sumažina širdies priepuolio riziką 50%” – skamba revoliucingai. Bet jei rizika buvo 2%, o tapo 1% – tai absoliutus sumažėjimas tėra 1 procentinis punktas. Ar verta dėl to gerti tabletes kasdien? Tai jau kitas klausimas.
Taisyklė paprasta: visada ieškok absoliučių skaičių šalia procentų. Jei jų nėra – klausk.
Imties dydis – ne smulkmena, o viskas
„Tyrimas parodė, kad žmonės, valgantys šokoladą, gyvena ilgiau.” Puiku! Bet kiek žmonių buvo tiriama – 12 ar 12 000? Skirtumas milžiniškas.
Maža imtis reiškia, kad rezultatai gali būti atsitiktiniai. Statistikoje tai vadinama „triukšmu” – kai duomenų per mažai, kad galėtum daryti patikimas išvadas. Ir vis dėlto tokie tyrimai reguliariai patenka į žiniasklaidą, nes antraštė parduoda, o metodologija – ne.
Dar vienas spąstas – atrankos šališkumas. Jei apklausai žmones sporto klube apie jų fizinį aktyvumą, gausi visiškai kitokius rezultatus nei apklausdamas atsitiktinius praeivius. Akivaizdu? Taip. Bet tokie tyrimai vis tiek cirkuliuoja kaip „reprezentatyvūs”.
Koreliacija – dar ne priežastis. Niekada
Šis principas žinomas, bet nuolat ignoruojamas. Šalyse, kur vartojama daugiau šokolado, daugiau Nobelio premijų laureatų. Ar šokoladas daro žmones protingesnius? Ne – tiesiog turtingesnės šalys ir šokolado valgo daugiau, ir mokslo finansavimui skiria daugiau.
Kai matai „X susijęs su Y” – tai nereiškia, kad X sukelia Y. Galbūt Y sukelia X. Galbūt abu sukelia kažkas trečias. Galbūt tai tiesiog sutapimas. Priežastingumo įrodymas reikalauja daug daugiau nei koreliacija – reikalauja kontroliuotų eksperimentų, laiko eilučių analizės ir dar daug visko.
Grafikai, kurie „meluoja” vizualiai
Matei grafiką, kur Y ašis prasideda ne nuo nulio? Tada net nedidelis pokytis atrodo kaip dramatiškas šuolis. Tai klasika. Kompanijos taip rodo augimą, politikai – ekonomikos rodiklius, žiniasklaida – bet ką, kas turi sukelti emocinę reakciją.
Kitas triukas – pakeisti laiko skalę. Jei akcijų kaina krito per metus, bet parodai tik paskutines dvi savaites, kai ji šiek tiek pakilo – viskas atrodo gerai. Kontekstas yra viskas, ir būtent jo dažniausiai trūksta.
Kaip apsisaugoti: ne paranoja, o sveikas skepticizmas
Nereikia tapti statistiku, kad nesusimautum. Užtenka kelių įpročių:
- Klausk, kas finansavo tyrimą. Tabako kompanija, finansuojanti tyrimus apie rūkymo žalą, – tai interesų konfliktas, ne mokslas.
- Ieškok originalaus šaltinio, ne žurnalistinio perspaudo. Antraštė ir tyrimo išvados dažnai skiriasi kaip diena ir naktis.
- Žiūrėk į pasikliautinumo intervalus ir p reikšmes – jei jų nėra, tyrimas gali būti mažai vertas.
- Klausk savęs: ar tai pakartota kituose tyrimuose? Vienas tyrimas – dar ne tiesa.
Tai ne apie nepasitikėjimą – tai apie laisvę
Gebėjimas skaityti statistiką kritiškai nėra cinizmas. Tai vienas svarbiausių įgūdžių šiandien, kai duomenų yra daugiau nei bet kada, o laiko juos suprasti – mažiau nei bet kada. Kas moka skaityti skaičius, tas mato pasaulį aiškiau – ir sunkiau jį apgauti, nesvarbu, ar tai reklama, ar politinė kampanija, ar „revoliucinis” tyrimas iš kažkokio universiteto.
Skaičiai neturi emocijų. Bet žmonės, kurie juos rodo – turi. Ir tai visada verta turėti galvoje.
