0:00:06.636,0:00:09.077
סטטיסטיקות הן משכנעות.

0:00:09.077,0:00:12.541
כל כך שאנשים, ארגונים, ומדינות שלמות

0:00:12.541,0:00:17.747
מבססות את ההחלטות הכי חשובות שלהן[br]על מידע מאורגן.

0:00:17.747,0:00:19.484
אבל יש בעיה עם זה.

0:00:19.484,0:00:23.301
בכל סט של סטטיסטיקות[br]יכול להיות משהו שאורב בתוכו,

0:00:23.301,0:00:27.251
משהו שיכול להפוך את התוצאות לגמרי.

0:00:27.251,0:00:30.920
לדוגמה, דמיינו שאתם צריכים לבחור[br]בין שני בתי חולים

0:00:30.920,0:00:33.737
לניתוח של קרובה מבוגרת.

0:00:33.737,0:00:36.434
מתוך 1000 החולים האחרונים של כל בית חולים,

0:00:36.434,0:00:39.612
900 שרדו בבית חולים א',

0:00:39.612,0:00:43.021
בעוד רק 800 שרדו בבית חולים ב'.

0:00:43.021,0:00:46.170
אז נראה כאילו בית חולים א'[br]הוא הבחירה הטובה יותר.

0:00:46.170,0:00:47.843
אבל לפני שתעשו החלטה,

0:00:47.843,0:00:51.411
זכרו שלא כל החולים מגיעים לבית החולים

0:00:51.411,0:00:53.811
עם אותה רמה של בריאות.

0:00:53.811,0:00:56.703
ואם נחלק את כל 1000 החולים האחרונים[br]של בתי החולים

0:00:56.703,0:01:01.132
לאלה שהגיעו בבריאות טובה[br]ואלה שהגיעו בבריאות גרועה,

0:01:01.132,0:01:03.772
התמונה מתחילה להראות מאוד שונה.

0:01:03.772,0:01:07.849
לבית חולים א' היו רק 100 חולים[br]שהגיעו בבריאות ירודה,

0:01:07.849,0:01:10.325
מתוכם 30 שרדו.

0:01:10.325,0:01:14.852
אבל לבית חולים ב' הגיעו 400,[br]והם הצליחו להציל 210.

0:01:14.852,0:01:17.169
אז בית חולים ב' הוא הבחירה הטובה יותר

0:01:17.169,0:01:20.741
לחולים שמגיעים עם בריאות ירודה,

0:01:20.741,0:01:24.526
עם יחס השרדות של 52.5%.

0:01:24.526,0:01:28.445
ומה אם בריאות הקרובה שלכם[br]היא טובה כשהיא מגיעה לבית החולים?

0:01:28.445,0:01:32.271
למרבה הפלא, בית חולים ב'[br]הוא עדיין הבחירה הטובה,

0:01:32.271,0:01:35.676
עם יחס השרדות של יותר מ 98%.

0:01:35.676,0:01:38.733
אז איך בית חולים א' יכול להיות טוב יותר[br]בסך הכל באחוז ההשרדות

0:01:38.733,0:01:44.830
אם לבית חולים ב' יש אחוז השרדות[br]גבוה יותר לחולים משתי הקבוצות?

0:01:44.830,0:01:48.589
מה שנתקלנו בו הוא מקרה של פרדוקס סימפסון,

0:01:48.589,0:01:51.899
בו אותו סט של מידע יכול[br]להראות מגמות הפוכות

0:01:51.899,0:01:54.664
תלוי באיך מקבצים אותו.

0:01:54.664,0:01:58.744
זה הרבה פעמים קורה כשמידע מקובץ[br]מחביא משתנה תלוי,

0:01:58.744,0:02:01.377
ולפעמים ידוע כמשתנה אורב,

0:02:01.377,0:02:06.584
שהוא גורם חבוי נוסף שמשפיע[br]באופן משמעותי על התוצאות.

0:02:06.584,0:02:10.023
פה, הגורם החבוי הוא היחס של החולים

0:02:10.023,0:02:13.264
שמגיעים בבריאות טובה או ירודה.

0:02:13.264,0:02:16.544
פרדוקס סימפסון הוא לא רק מצב היפוטטי.

0:02:16.544,0:02:18.924
הוא מופיע מדי פעם בעולם האמיתי,

0:02:18.924,0:02:22.132
לפעמים בהקשרים חשובים.

0:02:22.132,0:02:24.130
מחקר אחד באנגליה הראה

0:02:24.130,0:02:27.600
שלמעשנים יש שיעור השרדות[br]גבוה יותר מלא מעשנים

0:02:27.600,0:02:29.846
במשך תקופת זמן של עשרים שנה.

0:02:29.846,0:02:33.307
זה אומר, עד שמחלקים[br]את המשתתפים לפי קבוצת גיל

0:02:33.307,0:02:37.823
שמראה שלא מעשנים[br]היו מבוגרים משמעותית בממוצע,

0:02:37.823,0:02:40.930
ולכן, יש סיכוי גבוה יותר[br]שימותו במהלך הניסוי,

0:02:40.930,0:02:44.438
בדיוק בגלל שהם חיים יותר באופן כללי.

0:02:44.438,0:02:47.286
פה, קבוצת הגיל הוא משתנה חבוי,

0:02:47.286,0:02:50.176
והוא חיוני לפרש במדויק את המידע.

0:02:50.176,0:02:51.559
בדוגמה אחרת,

0:02:51.559,0:02:54.281
אנליזה של מקרי עונש המוות של פלורידה

0:02:54.281,0:02:58.265
נראו שהם מגלים שאין אפליה גזענית בשפיטה

0:02:58.265,0:03:01.581
בין נאשמים שחורים ללבנים שהורשעו ברצח.

0:03:01.581,0:03:06.396
אבל חלוקת המקרים[br]לפי גזע הקורבן מספרת סיפור שונה.

0:03:06.396,0:03:07.969
בכל מצב,

0:03:07.969,0:03:11.091
נאשמים שחורים היו בסבירות גבוהה יותר[br]להשפט למוות.

0:03:11.091,0:03:15.066
רמות השפיטה הגבוהות מעט לנאשמים לבנים

0:03:15.066,0:03:18.692
היו בשל העובדה שמקרים עם קורבנות לבנים

0:03:18.692,0:03:21.359
היו בסיכוי גבוה יותר להסתיים בעונש מוות

0:03:21.359,0:03:24.091
מאשר מקרים בהם הקורבן היה שחור,

0:03:24.091,0:03:28.483
ורוב מקרי הרצח התרחשו בין אנשים מאותו גזע.

0:03:28.483,0:03:31.319
אז איך אנחנו נמנעים מליפול לפרדוקס?

0:03:31.319,0:03:34.686
למרבה הצער, אין תשובה אחת שמתאימה לכל דבר.

0:03:34.686,0:03:38.504
מידע יכול להיות מקובץ[br]ומחולק בכל מספר דרכים,

0:03:38.504,0:03:42.106
ומספרים כלליים יכולים לפעמים[br]לתת תמונה יותר מדוייקת

0:03:42.106,0:03:46.638
ממידע שמחולק לקטגוריות מטעות[br]או שרירותיות.

0:03:46.638,0:03:52.089
כל מה שאנחנו יכולים לעשות זה לחקור[br]בזהירות את המצבים שהסטטיסטיקות מתארות

0:03:52.089,0:03:55.977
ולשקול אם משתנים חבויים אולי נמצאים.

0:03:55.977,0:03:59.378
אחרת, אנחנו משאירים את עצמנו[br]פגיעים לאלה שהיו משתמשים במידע

0:03:59.378,0:04:02.649
כדי לתמרן אחרים ולקדם את האג'נדות שלהם.