0:00:06.636,0:00:09.077
A statisztika meggyőző.

0:00:09.077,0:00:12.541
Olyannyira, hogy magánszemélyek, [br]szervezetek, sőt egész országok

0:00:12.541,0:00:17.747
legfontosabb döntéseik némelyikét meg-[br]felelően kiválasztott adatokra alapozzák.

0:00:17.747,0:00:19.484
De van itt egy bökkenő.

0:00:19.484,0:00:23.301
A statisztikában megbújhat [br]valami, ami teljesen

0:00:23.301,0:00:27.251
a feje tetejére állítja az eredményeket.

0:00:27.251,0:00:30.920
Képzeljük el pl., hogy választanunk [br]kell két kórház között,

0:00:30.920,0:00:33.737
hogy melyikben műtsék idős rokonunkat.

0:00:33.737,0:00:36.434
A legutolsó 1000 eset közül[br]a túlélések száma

0:00:36.434,0:00:39.612
az A kórházban 900,

0:00:39.612,0:00:43.021
míg a B kórházban 800 volt.

0:00:43.021,0:00:46.170
Úgy látszik, hogy jobb [br]az A kórházat választani.

0:00:46.170,0:00:47.843
De mielőtt döntenénk, ne feledjük,

0:00:47.843,0:00:51.411
hogy nem minden fölvett beteg

0:00:51.411,0:00:53.811
egészségi állapota azonos.

0:00:53.811,0:00:56.703
Ha mindkét kórház utolsó 1000 [br]betegét két csoportra osztjuk,

0:00:56.703,0:01:01.132
aszerint, hogy ki érkezett jó, [br]és ki rossz állapotban,

0:01:01.132,0:01:03.772
a kép teljesen megváltozik.

0:01:03.772,0:01:07.849
Az A kórház 100 rossz állapotú[br]betegei közül

0:01:07.849,0:01:10.325
30 túlélő volt,

0:01:10.325,0:01:14.852
míg a B kórházba bekerült[br]400 közül 210-et meg tudtak menteni.

0:01:14.852,0:01:17.169
Így hát a B kórház a jobb választás

0:01:17.169,0:01:20.741
a rossz állapotban bekerülők számára,

0:01:20.741,0:01:24.526
52,5%-os túlélési aránnyal.

0:01:24.526,0:01:28.445
De mi a helyzet, ha a néni [br]jó állapotban kerül kórházba?

0:01:28.445,0:01:32.271
Elég meglepő, hogy még mindig[br]a B kórház a jobb megoldás,

0:01:32.271,0:01:35.676
mert ott a túlélési arány 98%.

0:01:35.676,0:01:38.733
Hogyan lehet az általános túlélési[br]arány jobb az A kórházban,

0:01:38.733,0:01:44.830
ha a B kórházban a túlélési arány [br]mindkét csoport esetében jobb?

0:01:44.830,0:01:48.589
Belebotlottunk az ún. Simpson-paradoxonba,

0:01:48.589,0:01:51.899
ahol ugyanazokból az adatokból [br]a csoportosításuktól függően

0:01:51.899,0:01:54.664
ellentétes eredményre juthatunk.

0:01:54.664,0:01:58.744
Ilyen gyakran előadódhat, ha az aggregált[br]adatok feltételes változót rejtenek.

0:01:58.744,0:02:01.377
Ezt néha lappangó változónak nevezzük,

0:02:01.377,0:02:06.584
ami az eredményt szignifikánsan [br]befolyásoló rejtett kiegészítő tényező.

0:02:06.584,0:02:10.023
Itt a rejtett tényező[br]a jó és a rossz állapotban érkező

0:02:10.023,0:02:13.264
betegek relatív aránya.

0:02:13.264,0:02:16.544
A Simpson-paradoxon [br]nem mondvacsinált jelenség,

0:02:16.544,0:02:18.924
időről-időre előfordul a gyakorlatban,

0:02:18.924,0:02:22.132
néha fontos összefüggésben.

0:02:22.132,0:02:23.860
Egy kutatás az Egyesült Királyságban

0:02:23.860,0:02:27.750
kimutatta, hogy egy 20 éves időszakban[br]a dohányzók túlélési aránya nagyobb volt,

0:02:27.750,0:02:29.846
mint a nemdohányzóké.

0:02:29.846,0:02:33.307
Ez a helyzet, amíg a vizsgáltak [br]korcsoportokra bontása meg nem mutatta,

0:02:33.307,0:02:37.823
hogy a nemdohányzók átlagos kora [br]szignifikánsan magasabb volt,

0:02:37.823,0:02:40.930
és így valószínűbb, hogy a vizsgált [br]időszakban meghalnak,

0:02:40.930,0:02:44.438
pont azért, mert általában [br]már idősebbek voltak.

0:02:44.438,0:02:47.286
Itt a korcsoport a lappangó változó.

0:02:47.286,0:02:50.176
Rendkívül fontos, hogy helyesen [br]értelmezzük az adatokat.

0:02:50.176,0:02:51.559
Egy másik példában

0:02:51.559,0:02:54.281
a floridai halálbüntetéseket elemezve

0:02:54.281,0:02:58.265
úgy látszott, hogy az ítéletekben nem [br]mutatható ki rasszista megkülönböztetés

0:02:58.265,0:03:01.581
a gyilkossággal vádolt feketék [br]és fehérek között.

0:03:01.581,0:03:06.396
Ám az áldozatok bőrszíne szerint felosztva[br]az ügyeket, egészen más kép tárul elénk.

0:03:06.396,0:03:07.969
Bármely esetben

0:03:07.969,0:03:11.091
a feketéket nagyobb [br]valószínűséggel ítélték halálra.

0:03:11.091,0:03:15.066
A fehér vádlottak kissé nagyobb [br]elítélési arányát az magyarázza,

0:03:15.066,0:03:18.692
hogy fehér áldozat esetén

0:03:18.692,0:03:21.359
esélyesebb volt a halálos ítélet,

0:03:21.359,0:03:24.091
mint fekete áldozat esetében,

0:03:24.091,0:03:28.483
és a legtöbb gyilkosság azonos [br]bőrszínűek között történt.

0:03:28.483,0:03:31.319
Miként kerülhetjük el, [br]hogy bedőljünk a paradoxonnak?

0:03:31.319,0:03:34.686
Sajnos, nincs általános recept.

0:03:34.686,0:03:38.504
Az adatokat sokféleképpen [br]csoportosíthatjuk vagy oszthatjuk föl,

0:03:38.504,0:03:42.106
és néha, ha mindent számba veszünk. [br]pontosabb képet kapunk,

0:03:42.106,0:03:46.638
mint a félrevezető vagy önkényes [br]kategorizálás alapján.

0:03:46.638,0:03:52.089
Csak az segít, ha gondosan megvizsgáljuk[br]a statisztika által leírt helyzetet,

0:03:52.089,0:03:55.977
és figyelünk, hogy vannak-e[br]lappangó változók.

0:03:55.977,0:03:59.378
Különben azok hálójába kerülünk,

0:03:59.378,0:04:02.649
akik másokat adatokkal manipulálnak [br]önző céljaik érdekében.