WEBVTT

00:00:06.636 --> 00:00:09.077
Статистиката е убедителна.

00:00:09.077 --> 00:00:12.541
Дотолкова, че хора, организации
и цели държави

00:00:12.541 --> 00:00:17.747
основават някои от най-важните си решения
на преработена информация.

00:00:17.747 --> 00:00:19.484
Но съществува проблем в това.

00:00:19.484 --> 00:00:23.301
Всяка статистика може да съдържа
нещо подвеждащо в себе си,

00:00:23.301 --> 00:00:27.251
нещо, което преобръща резултатите
с главата надолу.

00:00:27.251 --> 00:00:30.920
Например, представи си, че трябва
да избереш между две болници

00:00:30.920 --> 00:00:33.737
за операция на възрастен роднина.

00:00:33.737 --> 00:00:36.434
От последните 1000 пациенти
на всяка болница,

00:00:36.434 --> 00:00:39.612
900 оцелели в Болница А,

00:00:39.612 --> 00:00:43.021
докато само 800 оцелели в Болница Б.

00:00:43.021 --> 00:00:46.170
Изглежда, сякаш Болница А
е по-добрият избор.

00:00:46.170 --> 00:00:47.843
Но преди да вземеш решение,

00:00:47.843 --> 00:00:51.411
помни, че не всички пациенти
са приети в болницата

00:00:51.411 --> 00:00:53.811
с еднакво здравословно състояние.

00:00:53.811 --> 00:00:56.703
Ако разделим последните 1000 пациенти
на всяка болница

00:00:56.703 --> 00:01:01.132
на приети в добро състояние
и приети във влошено състояние,

00:01:01.132 --> 00:01:03.772
картинката придобива различен вид.

00:01:03.772 --> 00:01:07.849
Болница А е имала само 100 пациенти
във влошено състояние,

00:01:07.849 --> 00:01:10.325
от които 30 оцелели.

00:01:10.325 --> 00:01:14.852
Но Болница Б е имала 400,
от които успели да спасят 210.

00:01:14.852 --> 00:01:17.169
Така че Болница Б е по-добрият избор

00:01:17.169 --> 00:01:20.741
за пациенти, които пристигат
с лошо здравословно състояние,

00:01:20.741 --> 00:01:24.526
тъй като шансът за оцеляване е 52,5%.

00:01:24.526 --> 00:01:28.445
А какво става, ако здравето на роднината
е добро, когато е приет в болницата?

00:01:28.445 --> 00:01:32.271
Колкото и да е странно, Болница Б
отново е по-добрият избор,

00:01:32.271 --> 00:01:35.676
защото шансът за оцеляване 
в този случай е над 98%.

00:01:35.676 --> 00:01:38.733
Но как може Болница А да има цялостно
по-добър шанс за оцеляване,

00:01:38.733 --> 00:01:44.830
ако Болница Б има по-добра статистика
за пациенти и в двете групи?

00:01:44.830 --> 00:01:48.589
Натъкнали сме се на случай, засягащ
парадокса на Симпсън,

00:01:48.589 --> 00:01:51.899
където еднаква информация може
да показва противоположни тендеции

00:01:51.899 --> 00:01:54.664
в зависимост от това как се групира.

00:01:54.664 --> 00:01:58.744
Това често се случва, когато обобщена
информация крие условна променлива,

00:01:58.744 --> 00:02:01.377
понякога наричана подвеждаща променлива,

00:02:01.377 --> 00:02:06.584
която е скрит допълнителен фактор,
значително повлияващ резултатите.

00:02:06.584 --> 00:02:10.023
Тук скритият фактор е относителната
пропорция на пациенти,

00:02:10.023 --> 00:02:13.264
които са приети в добро или 
влошено състояние.

00:02:13.264 --> 00:02:16.544
Парадоксът на Симпсън не е просто
хипотетичен сценарий.

00:02:16.544 --> 00:02:18.924
Появява се от време на време
в реалния свят,

00:02:18.924 --> 00:02:22.132
понякога във важен контекст.

00:02:22.132 --> 00:02:24.130
Едно проучване във Великобритания показало

00:02:24.130 --> 00:02:27.600
по-висок шанс за оцеляване при пушачите, 
отколкото при непушачите

00:02:27.600 --> 00:02:29.846
за период от 20 години.

00:02:29.846 --> 00:02:33.307
Разделянето на участниците
във възрастови групи

00:02:33.307 --> 00:02:37.823
показало, че непушачите били 
значително по-възрастни

00:02:37.823 --> 00:02:40.930
и, следователно, с по-голяма вероятност
да починат по време на експеримента,

00:02:40.930 --> 00:02:44.438
именно защото живели по-дълго по принцип.

00:02:44.438 --> 00:02:47.286
Тук възрастовите групи са 
подвеждащата променлива

00:02:47.286 --> 00:02:50.176
и са ключови за правилното интерпретиране
на данните.

00:02:50.176 --> 00:02:51.559
В друг пример,

00:02:51.559 --> 00:02:54.281
анализ на случаите на 
смъртна присъда във Флорида

00:02:54.281 --> 00:02:58.265
показал липса на расово пристрастие
при осъждането

00:02:58.265 --> 00:03:01.581
между цветнокожи и бели обвиняеми,
осъдени за убийство.

00:03:01.581 --> 00:03:06.396
Но разделянето на случая по раса
на жертвата променило цялата история.

00:03:06.396 --> 00:03:07.969
И в двете ситуации,

00:03:07.969 --> 00:03:11.091
имало тенденция цветнокожите обвиняеми 
да бъдат осъдени на смърт.

00:03:11.091 --> 00:03:15.066
Малко по-високият процент на осъждане
на бели обвиняеми

00:03:15.066 --> 00:03:18.692
се дължал на факта, че 
при случаите с бели жертви

00:03:18.692 --> 00:03:21.359
било по-вероятно да се издаде
смъртна присъда,

00:03:21.359 --> 00:03:24.091
отколкото в случаите, където 
жертвата била цветнокожа

00:03:24.091 --> 00:03:28.483
и повечето убийства се случвали
между хора с еднаква раса.

00:03:28.483 --> 00:03:31.319
Тогава как да избегнем
попадането в този парадокс?

00:03:31.319 --> 00:03:34.686
За съжаление, няма универсален отговор.

00:03:34.686 --> 00:03:38.504
Информацията може да бъде групирана
поделена по многобройни начини

00:03:38.504 --> 00:03:42.106
и обобщените показатели понякога
предлагат по-точна картина,

00:03:42.106 --> 00:03:46.638
отколкото поделените в подвеждащи
или случайни категории.

00:03:46.638 --> 00:03:52.089
Само можем внимателно да проучим реалните 
ситуации, които статистиките описват

00:03:52.089 --> 00:03:55.977
и да преценим дали съществуват
подвеждащи променливи.

00:03:55.977 --> 00:03:59.378
В противния случай оставяме на тези,
които използват информацията

00:03:59.378 --> 00:04:02.649
да манипулират останалите
в полза на собствените си виждания.