0:00:06.636,0:00:09.077
สถิติสามารถโน้มน้าวคนได้

0:00:09.077,0:00:12.541
มากพอที่ทำให้คน องค์กร [br]และประเทศทั้งหลาย

0:00:12.541,0:00:17.747
ตัดสินใจในสิ่งสำคัญ ๆ บนพื้นฐาน[br]ของข้อมูลที่ถูกจัดเป็นระบบแล้ว

0:00:17.747,0:00:19.484
แต่ตรงนั้นแหละที่เป็นปัญหา

0:00:19.484,0:00:23.301
สถิติชุดใด ๆ อาจมีสิ่งที่ซุ่มซ่อนอยู่ในนั้น

0:00:23.301,0:00:27.251
บางอย่างทีอาจทำให้ผลลัพธ์[br]กลับหัวกลับหางไปอย่างสิ้นเชิง

0:00:27.251,0:00:30.920
ยกตัวอย่างเช่น ลองนึกภาพว่า[br]คุณต้องเลือกระหว่าง 2 โรงพยาบาล

0:00:30.920,0:00:33.737
ให้กับญาติสูงอายุของคุณ[br]เข้ารับการผ่าตัด

0:00:33.737,0:00:36.434
จากคนไข้ 1,000 คนล่าสุด[br]ของแต่ละโรงพยาบาล

0:00:36.434,0:00:39.612
900 คน รอดชีวิตจากโรงพยาบาล A

0:00:39.612,0:00:43.021
ในขณะที่มีเพียง 800 คน[br]ที่รอดชีวิตจากโรงพยาบาล B

0:00:43.021,0:00:46.170
ดังนั้น มันอาจดูเหมือนว่าโรงพยาบาล A [br]น่าจะเป็นทางเลือกที่ดีกว่า

0:00:46.170,0:00:47.843
แต่ก่อนที่คุณจะตัดสินใจ

0:00:47.843,0:00:51.411
พึงจำไว้ว่า คนไข้ทั้งหมด[br]ที่เข้ามาที่โรงพยาบาล

0:00:51.411,0:00:53.811
ไม่ได้เข้ามา[br]ด้วยสภาวะสุขภาพแบบเดียวกัน

0:00:53.811,0:00:56.703
และถ้าหากเราแบ่งคนไข้ 1,000 คนสุดท้าย[br]ของแต่ละโรงพยาบาลออกเป็น

0:00:56.703,0:01:01.132
ผู้ที่เข้ามายังโรงพยาบาลด้วยสภาพร่างกาย[br]ที่แข็งแรงและไม่แข็งแรง

0:01:01.132,0:01:03.772
ภาพรวมก็เริ่มที่จะดูต่างออกไป

0:01:03.772,0:01:07.849
โรงพยาบาล A มีคนไข้เพียง 100 คน[br]ที่เข้ามาด้วยสภาพร่างกายที่ไม่แข็งแรง

0:01:07.849,0:01:10.325
ซึ่งมีผู้รอดชีวิต 30 คน

0:01:10.325,0:01:14.852
แต่โรงพยาบาล B มี 400 คน[br]และพวกเขาช่วยชีวิตไว้ได้ 210 คน

0:01:14.852,0:01:17.169
ฉะนั้น โรงพยาบาล B เป็นตัวเลือกที่ดีกว่า

0:01:17.169,0:01:20.741
สำหรับผู้ป่วยที่เข้ามายังโรงพยบาล[br]ด้วยสภาพร่างกายที่ไม่แข็งแรง

0:01:20.741,0:01:24.526
ซึ่งอัตราการรอดชีวิตคือ 52.5%

0:01:24.526,0:01:28.445
แล้วญาติของคุณมีสภาพร่างกายที่ดี[br]ตอนเข้ามาที่โรงพยาบาลหรือเปล่า

0:01:28.445,0:01:32.271
น่าแปลกที่โรงพยาบาล B[br]ยังเป็นตัวเลือกที่ดีกว่า

0:01:32.271,0:01:35.676
ด้วยอัตราการรอดชีวิต 98%

0:01:35.676,0:01:38.733
แล้วโรงพยาบาล A [br]มีอัตราการรอดชีวิตทั้งหมดดีกว่าได้อย่างไร

0:01:38.733,0:01:44.830
ถ้าโรงพยาบาล B มีอัตราการอดชีวิต[br]สำหรับผู้ป่วยในแต่ละกลุ่มสูงกว่า

0:01:44.830,0:01:48.589
สิ่งที่เราเจออยู่นี้ คือ ซิมสันพาราด๊อก[br](Simpson's paradox)

0:01:48.589,0:01:51.899
ซึ่งข้อมูลกลุ่มเดียวกัน[br]สามารถที่จะแสดงแนวโน้มที่ตรงข้ามกันได้

0:01:51.899,0:01:54.664
ขึ้นอยู่กับว่าเราจะจัดกลุ่มมันอย่างไร

0:01:54.664,0:01:58.744
มันเกิดขึ้นเป็นประจำเมื่อข้อมูลที่ถูกนำมารวมกัน[br]ซ่อนตัวแปรที่มีเงื่อนไขเอาไว้

0:01:58.744,0:02:01.377
บางครั้งมันถูกเรียกว่า ตัวแปรซุกซ่อน

0:02:01.377,0:02:06.584
ซึ่งซ่อนปัจจัยอื่น ๆ [br]ที่มีผลต่อผลลัพท์อย่างมีนัยสำคัญ

0:02:06.584,0:02:10.023
ในที่นี้ ปัจจัยที่ถูกซ่อนอยู่[br]คืออัตราส่วนสัมพัทธ์ของคนไข้

0:02:10.023,0:02:13.264
ผู้ซึ่งมาที่โรงพยาบาลด้วยสภาพร่างกาย[br]ที่แข็งแรงหรือไม่แข็งแรง

0:02:13.264,0:02:16.544
ซิมสันพาราด๊อกไม่ได้เป็นเพียง[br]เหตุการณ์ในทางทฤษฎี

0:02:16.544,0:02:18.924
มันเกิดขึ้นจริง ๆ เป็นครั้งคราว

0:02:18.924,0:02:22.132
บางครั้งในบริบทที่สำคัญ

0:02:22.132,0:02:24.130
การศึกษาหนึ่งในสหราชอาณาจักร[br]แสดงว่า

0:02:24.130,0:02:27.600
ผู้ที่สูบบุหรี่มีอัตราการรอดชีวิต[br]สูงกว่าผู้ที่ไม่สูบบุหรี่

0:02:27.600,0:02:29.846
ตลอดระยะเวลายี่สิบปี

0:02:29.846,0:02:33.307
จนกระทั่งเราแบ่งกลุ่มคนไข้ตามกลุ่มอายุ

0:02:33.307,0:02:37.823
ซึ่งจะแสดงให้เห็นว่าผู้ที่ไม่สูบบุหรี่[br]มีอายุเฉลี่ยมากกว่าอย่างมีนัยสำคัญ

0:02:37.823,0:02:40.930
และดังนั้น จึงเป็นไปได้มากกว่า[br]ที่พวกเขาจะเสียชีวิตในช่วงทดสอบ

0:02:40.930,0:02:44.438
เนื่องจากพวกเขาโดยส่วนมากมีอายุมากกว่า

0:02:44.438,0:02:47.286
นี่คือกลุ่มอายุที่มีตัวแปรซุกซ่อน

0:02:47.286,0:02:50.176
และมีความสำคัญต่อการตีความข้อมูล[br]อย่างถูกต้อง

0:02:50.176,0:02:51.559
ในอีกตัวอย่างหนึ่ง

0:02:51.559,0:02:54.281
การวิเคราะห์คดีของรัฐฟลอริด้า[br]เกี่ยวกับการลงโทษประหารชีวิต

0:02:54.281,0:02:58.265
เหมือนว่าจะเปิดเผยว่า[br]ไม่มีความแตกต่างระหว่างเชื้อชาติ

0:02:58.265,0:03:01.581
ระหว่างผู้ต้องหาผิวดำและขาว[br]ที่โดนตั้งข้อหาฆาตกรรม

0:03:01.581,0:03:06.396
แต่การแบ่งคดีตามสีผิวของเหยื่อ[br]บอกเรื่องราวที่ต่างกันออกไป

0:03:06.396,0:03:07.969
ไม่ว่าในสถานการณ์ไหน

0:03:07.969,0:03:11.091
ผู้ต้องหาผิวดำ[br]มักจะถูกตัดสินประหารชีวิตมากกว่า

0:03:11.091,0:03:15.066
อัตราการตัดสินที่สูงกว่าเล็กน้อย[br]สำหรับผู้ต้องหาผิวขาว

0:03:15.066,0:03:18.692
เป็นเพราะว่าคดีที่มีเหยื่อเป็นคนผิวขาว

0:03:18.692,0:03:21.359
มักจะถูกตัดสินให้ได้รับโทษประหาร

0:03:21.359,0:03:24.091
มากกว่ากรณีที่เหยื่อเป็นคนผิวดำ

0:03:24.091,0:03:28.483
และฆาตกรรมส่วนใหญ่จะเกิดขึ้น[br]ในกลุ่มผู้มีสีผิวเดียวกัน

0:03:28.483,0:03:31.319
ฉะนั้น เราจะหลีกเลี่ยง[br]การตกหลุมพาราด๊อกได้อย่างไร

0:03:31.319,0:03:34.686
น่าเสียดายที่มันไม่มีคำตอบตายตัว

0:03:34.686,0:03:38.504
ข้อมูลสามารถถูกจัดกลุ่ม[br]และถูกแบ่งได้หลายรูปแบบ

0:03:38.504,0:03:42.106
และจำนวนทั้งหมด [br]บางครั้งให้ภาพที่แม่นยำ

0:03:42.106,0:03:46.638
กว่าข้อมูลที่ถูกแบ่งเป็นหมวดหมู่[br]ที่ชวนสับสนและไร้กฎเกณฑ์

0:03:46.638,0:03:52.089
ทั้งหมดที่เราทำได้คือศึกษาสถานการณ์[br]ที่สถิติอธิบายอย่างระมัดระวัง

0:03:52.089,0:03:55.977
และพิจารณาว่ามันมีตัวแปรซุกซ่อนอยู่หรือเปล่า

0:03:55.977,0:03:59.378
มิฉะนั้นแล้ว เราทำให้ตัวเราเสี่ยง[br]กับผู้ที่อาจใช้ข้อมูล

0:03:59.378,0:04:02.649
ในการเหนี่ยวนำคนอื่น ๆ [br]และส่งเสริมแผนการของพวกเขาเอง