0:00:06.636,0:00:09.077
Статистика убедительна.

0:00:09.077,0:00:12.543
Настолько, что люди,[br]организации и целые страны

0:00:12.543,0:00:17.747
принимают важнейшие решения,[br]опираясь на систематизированные данные.

0:00:17.747,0:00:19.484
Но существует проблема.

0:00:19.484,0:00:23.301
В любом наборе статистических данных[br]может таиться то,

0:00:23.301,0:00:27.251
что способно полностью перевернуть[br]результаты с ног на голову.

0:00:27.251,0:00:30.920
Представьте, что вам нужно выбрать[br]одну из двух больниц

0:00:30.920,0:00:33.737
для операции пожилого родственника.

0:00:33.737,0:00:36.434
Из последней тысячи пациентов этих больниц

0:00:36.434,0:00:39.612
в больнице А выжило 900 человек,

0:00:39.612,0:00:43.021
а в больнице Б — 800.

0:00:43.021,0:00:46.170
Похоже, что больница А — лучший выбор.

0:00:46.170,0:00:47.843
Но принимая решение, имейте в виду,

0:00:47.843,0:00:51.411
что состояние здоровья пациентов,[br]прибывших в больницу,

0:00:51.411,0:00:53.811
было неодинаковым.

0:00:53.811,0:00:56.703
Если разделить последнюю тысячу[br]пациентов обеих больниц

0:00:56.703,0:01:01.132
на тех, кто прибыл в хорошем[br]и в плохом состоянии здоровья,

0:01:01.132,0:01:03.772
получится совсем другая картина.

0:01:03.772,0:01:07.849
В больницу А прибыло лишь 100 пациентов[br]в плохом состоянии здоровья,

0:01:07.849,0:01:10.325
из которых 30 выжили.

0:01:10.325,0:01:14.852
В больницу Б поступило 400 тяжелобольных,[br]из которых удалось спасти 210.

0:01:14.852,0:01:17.169
Таким образом больница Б —[br]лучший выбор

0:01:17.169,0:01:20.741
для пациентов, прибывающих[br]в плохом состоянии здоровья,

0:01:20.741,0:01:24.526
с коэффициентом выживаемости — 52,5 %.

0:01:24.526,0:01:28.445
А если на момент поступления в больницу[br]здоровье вашего родственника в норме?

0:01:28.445,0:01:32.271
Удивительно, но и тут больница Б —[br]лучший выбор

0:01:32.271,0:01:35.676
с коэффициентом выживаемости — 98%.

0:01:35.676,0:01:38.733
Но почему у больницы А[br]суммарный показатель выживаемости выше,

0:01:38.733,0:01:44.830
если у больницы Б выше показатель[br]выживаемости пациентов обеих групп?

0:01:44.830,0:01:48.589
То, с чем мы столкнулись,[br]называется парадоксом Симпсона,

0:01:48.589,0:01:51.899
при котором набор данных[br]может показывать обратную тенденцию

0:01:51.899,0:01:54.664
в зависимости от того,[br]как он сгруппирован.

0:01:54.664,0:01:58.744
Такое случается, когда сводные данные[br]содержат условную переменную,

0:01:58.744,0:02:01.377
также известную, как скрытая переменная.

0:02:01.377,0:02:06.584
Это скрытый дополнительный фактор,[br]существенно влияющий на результаты.

0:02:06.584,0:02:10.023
В данном случае скрытый фактор —[br]это доля пациентов,

0:02:10.023,0:02:13.264
прибывших в хорошем[br]или плохом состоянии здоровья.

0:02:13.264,0:02:16.544
Парадокс Симпсона —[br]это не просто гипотетический сценарий.

0:02:16.544,0:02:18.924
Время от времени[br]он возникает в реальном мире,

0:02:18.924,0:02:22.132
иногда при важных обстоятельствах.

0:02:22.132,0:02:24.130
Исследование,[br]проведённое в Великобритании,

0:02:24.130,0:02:27.600
показало более высокую долю выживаемости[br]курящих людей, нежели некурящих,

0:02:27.600,0:02:29.846
более чем за 20-летний период времени.

0:02:29.846,0:02:33.307
Но разделение участников[br]на возрастные группы

0:02:33.307,0:02:37.823
показало, что некурящие, в среднем,[br]были существенно старше,

0:02:37.823,0:02:40.930
а значит имели больше шансов[br]умереть во время испытательного срока

0:02:40.930,0:02:44.438
именно потому,[br]что они в целом прожили больше.

0:02:44.438,0:02:47.286
Здесь скрытой переменной[br]являются возрастные группы,

0:02:47.286,0:02:50.176
крайне важные для корректной[br]интерпретации данных.

0:02:50.176,0:02:51.559
Другой пример:

0:02:51.559,0:02:54.281
анализ случаев смертной казни во Флориде

0:02:54.281,0:02:58.265
не выявил расового неравенства[br]при вынесении приговоров

0:02:58.265,0:03:01.581
чернокожим и белым людям,[br]обвиняемым в убийстве.

0:03:01.581,0:03:06.396
Но разделение дел по расам жертв[br]рассказало другую историю.

0:03:06.396,0:03:07.969
При прочих равных обстоятельствах

0:03:07.969,0:03:11.091
чернокожим обвиняемым[br]чаще выносили смертный приговор.

0:03:11.091,0:03:15.066
Немного большее количество приговоров[br]для белых ответчиков было связано с тем,

0:03:15.066,0:03:18.692
что делá об убийстве белых людей

0:03:18.692,0:03:21.359
чаще приводили преступника[br]к смертному приговору,

0:03:21.359,0:03:24.091
чем делá, где жертвы были чернокожими,

0:03:24.091,0:03:28.483
а большинство убийств совершалось[br]между представителями одной расы.

0:03:28.483,0:03:31.319
Так как же избежать выводов,[br]содержащих парадокс?

0:03:31.319,0:03:34.686
К несчастью,[br]универсального ответа не существует.

0:03:34.686,0:03:38.504
Данные могут быть сгруппированы[br]и разделены любым количеством способов,

0:03:38.504,0:03:42.106
и иногда суммарный показатель[br]даёт более точную картину,

0:03:42.106,0:03:46.638
чем данные, разделённые[br]на случайные категории.

0:03:46.638,0:03:52.089
Всё, что можно сделать — тщательно изучить[br]ситуации, описываемые статистикой,

0:03:52.089,0:03:55.977
и решить, возможно ли здесь[br]присутствие скрытой переменной.

0:03:55.977,0:03:59.378
В противном случае мы беззащитны[br]перед теми, кто использует данные

0:03:59.378,0:04:02.649
для манипуляции другими людьми[br]в собственных интересах.