1
00:00:06,636 --> 00:00:09,077
สถิติสามารถโน้มน้าวคนได้

2
00:00:09,077 --> 00:00:12,541
มากพอที่ทำให้คน องค์กร 
และประเทศทั้งหลาย

3
00:00:12,541 --> 00:00:17,747
ตัดสินใจในสิ่งสำคัญ ๆ บนพื้นฐาน
ของข้อมูลที่ถูกจัดเป็นระบบแล้ว

4
00:00:17,747 --> 00:00:19,484
แต่ตรงนั้นแหละที่เป็นปัญหา

5
00:00:19,484 --> 00:00:23,301
สถิติชุดใด ๆ อาจมีสิ่งที่ซุ่มซ่อนอยู่ในนั้น

6
00:00:23,301 --> 00:00:27,251
บางอย่างทีอาจทำให้ผลลัพธ์
กลับหัวกลับหางไปอย่างสิ้นเชิง

7
00:00:27,251 --> 00:00:30,920
ยกตัวอย่างเช่น ลองนึกภาพว่า
คุณต้องเลือกระหว่าง 2 โรงพยาบาล

8
00:00:30,920 --> 00:00:33,737
ให้กับญาติสูงอายุของคุณ
เข้ารับการผ่าตัด

9
00:00:33,737 --> 00:00:36,434
จากคนไข้ 1,000 คนล่าสุด
ของแต่ละโรงพยาบาล

10
00:00:36,434 --> 00:00:39,612
900 คน รอดชีวิตจากโรงพยาบาล A

11
00:00:39,612 --> 00:00:43,021
ในขณะที่มีเพียง 800 คน
ที่รอดชีวิตจากโรงพยาบาล B

12
00:00:43,021 --> 00:00:46,170
ดังนั้น มันอาจดูเหมือนว่าโรงพยาบาล A 
น่าจะเป็นทางเลือกที่ดีกว่า

13
00:00:46,170 --> 00:00:47,843
แต่ก่อนที่คุณจะตัดสินใจ

14
00:00:47,843 --> 00:00:51,411
พึงจำไว้ว่า คนไข้ทั้งหมด
ที่เข้ามาที่โรงพยาบาล

15
00:00:51,411 --> 00:00:53,811
ไม่ได้เข้ามา
ด้วยสภาวะสุขภาพแบบเดียวกัน

16
00:00:53,811 --> 00:00:56,703
และถ้าหากเราแบ่งคนไข้ 1,000 คนสุดท้าย
ของแต่ละโรงพยาบาลออกเป็น

17
00:00:56,703 --> 00:01:01,132
ผู้ที่เข้ามายังโรงพยาบาลด้วยสภาพร่างกาย
ที่แข็งแรงและไม่แข็งแรง

18
00:01:01,132 --> 00:01:03,772
ภาพรวมก็เริ่มที่จะดูต่างออกไป

19
00:01:03,772 --> 00:01:07,849
โรงพยาบาล A มีคนไข้เพียง 100 คน
ที่เข้ามาด้วยสภาพร่างกายที่ไม่แข็งแรง

20
00:01:07,849 --> 00:01:10,325
ซึ่งมีผู้รอดชีวิต 30 คน

21
00:01:10,325 --> 00:01:14,852
แต่โรงพยาบาล B มี 400 คน
และพวกเขาช่วยชีวิตไว้ได้ 210 คน

22
00:01:14,852 --> 00:01:17,169
ฉะนั้น โรงพยาบาล B เป็นตัวเลือกที่ดีกว่า

23
00:01:17,169 --> 00:01:20,741
สำหรับผู้ป่วยที่เข้ามายังโรงพยบาล
ด้วยสภาพร่างกายที่ไม่แข็งแรง

24
00:01:20,741 --> 00:01:24,526
ซึ่งอัตราการรอดชีวิตคือ 52.5%

25
00:01:24,526 --> 00:01:28,445
แล้วญาติของคุณมีสภาพร่างกายที่ดี
ตอนเข้ามาที่โรงพยาบาลหรือเปล่า

26
00:01:28,445 --> 00:01:32,271
น่าแปลกที่โรงพยาบาล B
ยังเป็นตัวเลือกที่ดีกว่า

27
00:01:32,271 --> 00:01:35,676
ด้วยอัตราการรอดชีวิต 98%

28
00:01:35,676 --> 00:01:38,733
แล้วโรงพยาบาล A 
มีอัตราการรอดชีวิตทั้งหมดดีกว่าได้อย่างไร

29
00:01:38,733 --> 00:01:44,830
ถ้าโรงพยาบาล B มีอัตราการอดชีวิต
สำหรับผู้ป่วยในแต่ละกลุ่มสูงกว่า

30
00:01:44,830 --> 00:01:48,589
สิ่งที่เราเจออยู่นี้ คือ ซิมสันพาราด๊อก
(Simpson's paradox)

31
00:01:48,589 --> 00:01:51,899
ซึ่งข้อมูลกลุ่มเดียวกัน
สามารถที่จะแสดงแนวโน้มที่ตรงข้ามกันได้

32
00:01:51,899 --> 00:01:54,664
ขึ้นอยู่กับว่าเราจะจัดกลุ่มมันอย่างไร

33
00:01:54,664 --> 00:01:58,744
มันเกิดขึ้นเป็นประจำเมื่อข้อมูลที่ถูกนำมารวมกัน
ซ่อนตัวแปรที่มีเงื่อนไขเอาไว้

34
00:01:58,744 --> 00:02:01,377
บางครั้งมันถูกเรียกว่า ตัวแปรซุกซ่อน

35
00:02:01,377 --> 00:02:06,584
ซึ่งซ่อนปัจจัยอื่น ๆ 
ที่มีผลต่อผลลัพท์อย่างมีนัยสำคัญ

36
00:02:06,584 --> 00:02:10,023
ในที่นี้ ปัจจัยที่ถูกซ่อนอยู่
คืออัตราส่วนสัมพัทธ์ของคนไข้

37
00:02:10,023 --> 00:02:13,264
ผู้ซึ่งมาที่โรงพยาบาลด้วยสภาพร่างกาย
ที่แข็งแรงหรือไม่แข็งแรง

38
00:02:13,264 --> 00:02:16,544
ซิมสันพาราด๊อกไม่ได้เป็นเพียง
เหตุการณ์ในทางทฤษฎี

39
00:02:16,544 --> 00:02:18,924
มันเกิดขึ้นจริง ๆ เป็นครั้งคราว

40
00:02:18,924 --> 00:02:22,132
บางครั้งในบริบทที่สำคัญ

41
00:02:22,132 --> 00:02:24,130
การศึกษาหนึ่งในสหราชอาณาจักร
แสดงว่า

42
00:02:24,130 --> 00:02:27,600
ผู้ที่สูบบุหรี่มีอัตราการรอดชีวิต
สูงกว่าผู้ที่ไม่สูบบุหรี่

43
00:02:27,600 --> 00:02:29,846
ตลอดระยะเวลายี่สิบปี

44
00:02:29,846 --> 00:02:33,307
จนกระทั่งเราแบ่งกลุ่มคนไข้ตามกลุ่มอายุ

45
00:02:33,307 --> 00:02:37,823
ซึ่งจะแสดงให้เห็นว่าผู้ที่ไม่สูบบุหรี่
มีอายุเฉลี่ยมากกว่าอย่างมีนัยสำคัญ

46
00:02:37,823 --> 00:02:40,930
และดังนั้น จึงเป็นไปได้มากกว่า
ที่พวกเขาจะเสียชีวิตในช่วงทดสอบ

47
00:02:40,930 --> 00:02:44,438
เนื่องจากพวกเขาโดยส่วนมากมีอายุมากกว่า

48
00:02:44,438 --> 00:02:47,286
นี่คือกลุ่มอายุที่มีตัวแปรซุกซ่อน

49
00:02:47,286 --> 00:02:50,176
และมีความสำคัญต่อการตีความข้อมูล
อย่างถูกต้อง

50
00:02:50,176 --> 00:02:51,559
ในอีกตัวอย่างหนึ่ง

51
00:02:51,559 --> 00:02:54,281
การวิเคราะห์คดีของรัฐฟลอริด้า
เกี่ยวกับการลงโทษประหารชีวิต

52
00:02:54,281 --> 00:02:58,265
เหมือนว่าจะเปิดเผยว่า
ไม่มีความแตกต่างระหว่างเชื้อชาติ

53
00:02:58,265 --> 00:03:01,581
ระหว่างผู้ต้องหาผิวดำและขาว
ที่โดนตั้งข้อหาฆาตกรรม

54
00:03:01,581 --> 00:03:06,396
แต่การแบ่งคดีตามสีผิวของเหยื่อ
บอกเรื่องราวที่ต่างกันออกไป

55
00:03:06,396 --> 00:03:07,969
ไม่ว่าในสถานการณ์ไหน

56
00:03:07,969 --> 00:03:11,091
ผู้ต้องหาผิวดำ
มักจะถูกตัดสินประหารชีวิตมากกว่า

57
00:03:11,091 --> 00:03:15,066
อัตราการตัดสินที่สูงกว่าเล็กน้อย
สำหรับผู้ต้องหาผิวขาว

58
00:03:15,066 --> 00:03:18,692
เป็นเพราะว่าคดีที่มีเหยื่อเป็นคนผิวขาว

59
00:03:18,692 --> 00:03:21,359
มักจะถูกตัดสินให้ได้รับโทษประหาร

60
00:03:21,359 --> 00:03:24,091
มากกว่ากรณีที่เหยื่อเป็นคนผิวดำ

61
00:03:24,091 --> 00:03:28,483
และฆาตกรรมส่วนใหญ่จะเกิดขึ้น
ในกลุ่มผู้มีสีผิวเดียวกัน

62
00:03:28,483 --> 00:03:31,319
ฉะนั้น เราจะหลีกเลี่ยง
การตกหลุมพาราด๊อกได้อย่างไร

63
00:03:31,319 --> 00:03:34,686
น่าเสียดายที่มันไม่มีคำตอบตายตัว

64
00:03:34,686 --> 00:03:38,504
ข้อมูลสามารถถูกจัดกลุ่ม
และถูกแบ่งได้หลายรูปแบบ

65
00:03:38,504 --> 00:03:42,106
และจำนวนทั้งหมด 
บางครั้งให้ภาพที่แม่นยำ

66
00:03:42,106 --> 00:03:46,638
กว่าข้อมูลที่ถูกแบ่งเป็นหมวดหมู่
ที่ชวนสับสนและไร้กฎเกณฑ์

67
00:03:46,638 --> 00:03:52,089
ทั้งหมดที่เราทำได้คือศึกษาสถานการณ์
ที่สถิติอธิบายอย่างระมัดระวัง

68
00:03:52,089 --> 00:03:55,977
และพิจารณาว่ามันมีตัวแปรซุกซ่อนอยู่หรือเปล่า

69
00:03:55,977 --> 00:03:59,378
มิฉะนั้นแล้ว เราทำให้ตัวเราเสี่ยง
กับผู้ที่อาจใช้ข้อมูล

70
00:03:59,378 --> 00:04:02,649
ในการเหนี่ยวนำคนอื่น ๆ 
และส่งเสริมแผนการของพวกเขาเอง