WEBVTT

00:00:06.636 --> 00:00:09.077
สถิติสามารถโน้มน้าวคนได้

00:00:09.077 --> 00:00:12.541
มากพอที่ทำให้คน องค์กร 
และประเทศทั้งหลาย

00:00:12.541 --> 00:00:17.747
ตัดสินใจในสิ่งสำคัญ ๆ บนพื้นฐาน
ของข้อมูลที่ถูกจัดเป็นระบบแล้ว

00:00:17.747 --> 00:00:19.484
แต่ตรงนั้นแหละที่เป็นปัญหา

00:00:19.484 --> 00:00:23.301
สถิติชุดใด ๆ อาจมีสิ่งที่ซุ่มซ่อนอยู่ในนั้น

00:00:23.301 --> 00:00:27.251
บางอย่างทีอาจทำให้ผลลัพธ์
กลับหัวกลับหางไปอย่างสิ้นเชิง

00:00:27.251 --> 00:00:30.920
ยกตัวอย่างเช่น ลองนึกภาพว่า
คุณต้องเลือกระหว่าง 2 โรงพยาบาล

00:00:30.920 --> 00:00:33.737
ให้กับญาติสูงอายุของคุณ
เข้ารับการผ่าตัด

00:00:33.737 --> 00:00:36.434
จากคนไข้ 1,000 คนล่าสุด
ของแต่ละโรงพยาบาล

00:00:36.434 --> 00:00:39.612
900 คน รอดชีวิตจากโรงพยาบาล A

00:00:39.612 --> 00:00:43.021
ในขณะที่มีเพียง 800 คน
ที่รอดชีวิตจากโรงพยาบาล B

00:00:43.021 --> 00:00:46.170
ดังนั้น มันอาจดูเหมือนว่าโรงพยาบาล A 
น่าจะเป็นทางเลือกที่ดีกว่า

00:00:46.170 --> 00:00:47.843
แต่ก่อนที่คุณจะตัดสินใจ

00:00:47.843 --> 00:00:51.411
พึงจำไว้ว่า คนไข้ทั้งหมด
ที่เข้ามาที่โรงพยาบาล

00:00:51.411 --> 00:00:53.811
ไม่ได้เข้ามา
ด้วยสภาวะสุขภาพแบบเดียวกัน

00:00:53.811 --> 00:00:56.703
และถ้าหากเราแบ่งคนไข้ 1,000 คนสุดท้าย
ของแต่ละโรงพยาบาลออกเป็น

00:00:56.703 --> 00:01:01.132
ผู้ที่เข้ามายังโรงพยาบาลด้วยสภาพร่างกาย
ที่แข็งแรงและไม่แข็งแรง

00:01:01.132 --> 00:01:03.772
ภาพรวมก็เริ่มที่จะดูต่างออกไป

00:01:03.772 --> 00:01:07.849
โรงพยาบาล A มีคนไข้เพียง 100 คน
ที่เข้ามาด้วยสภาพร่างกายที่ไม่แข็งแรง

00:01:07.849 --> 00:01:10.325
ซึ่งมีผู้รอดชีวิต 30 คน

00:01:10.325 --> 00:01:14.852
แต่โรงพยาบาล B มี 400 คน
และพวกเขาช่วยชีวิตไว้ได้ 210 คน

00:01:14.852 --> 00:01:17.169
ฉะนั้น โรงพยาบาล B เป็นตัวเลือกที่ดีกว่า

00:01:17.169 --> 00:01:20.741
สำหรับผู้ป่วยที่เข้ามายังโรงพยบาล
ด้วยสภาพร่างกายที่ไม่แข็งแรง

00:01:20.741 --> 00:01:24.526
ซึ่งอัตราการรอดชีวิตคือ 52.5%

00:01:24.526 --> 00:01:28.445
แล้วญาติของคุณมีสภาพร่างกายที่ดี
ตอนเข้ามาที่โรงพยาบาลหรือเปล่า

00:01:28.445 --> 00:01:32.271
น่าแปลกที่โรงพยาบาล B
ยังเป็นตัวเลือกที่ดีกว่า

00:01:32.271 --> 00:01:35.676
ด้วยอัตราการรอดชีวิต 98%

00:01:35.676 --> 00:01:38.733
แล้วโรงพยาบาล A 
มีอัตราการรอดชีวิตทั้งหมดดีกว่าได้อย่างไร

00:01:38.733 --> 00:01:44.830
ถ้าโรงพยาบาล B มีอัตราการอดชีวิต
สำหรับผู้ป่วยในแต่ละกลุ่มสูงกว่า

00:01:44.830 --> 00:01:48.589
สิ่งที่เราเจออยู่นี้ คือ ซิมสันพาราด๊อก
(Simpson's paradox)

00:01:48.589 --> 00:01:51.899
ซึ่งข้อมูลกลุ่มเดียวกัน
สามารถที่จะแสดงแนวโน้มที่ตรงข้ามกันได้

00:01:51.899 --> 00:01:54.664
ขึ้นอยู่กับว่าเราจะจัดกลุ่มมันอย่างไร

00:01:54.664 --> 00:01:58.744
มันเกิดขึ้นเป็นประจำเมื่อข้อมูลที่ถูกนำมารวมกัน
ซ่อนตัวแปรที่มีเงื่อนไขเอาไว้

00:01:58.744 --> 00:02:01.377
บางครั้งมันถูกเรียกว่า ตัวแปรซุกซ่อน

00:02:01.377 --> 00:02:06.584
ซึ่งซ่อนปัจจัยอื่น ๆ 
ที่มีผลต่อผลลัพท์อย่างมีนัยสำคัญ

00:02:06.584 --> 00:02:10.023
ในที่นี้ ปัจจัยที่ถูกซ่อนอยู่
คืออัตราส่วนสัมพัทธ์ของคนไข้

00:02:10.023 --> 00:02:13.264
ผู้ซึ่งมาที่โรงพยาบาลด้วยสภาพร่างกาย
ที่แข็งแรงหรือไม่แข็งแรง

00:02:13.264 --> 00:02:16.544
ซิมสันพาราด๊อกไม่ได้เป็นเพียง
เหตุการณ์ในทางทฤษฎี

00:02:16.544 --> 00:02:18.924
มันเกิดขึ้นจริง ๆ เป็นครั้งคราว

00:02:18.924 --> 00:02:22.132
บางครั้งในบริบทที่สำคัญ

00:02:22.132 --> 00:02:24.130
การศึกษาหนึ่งในสหราชอาณาจักร
แสดงว่า

00:02:24.130 --> 00:02:27.600
ผู้ที่สูบบุหรี่มีอัตราการรอดชีวิต
สูงกว่าผู้ที่ไม่สูบบุหรี่

00:02:27.600 --> 00:02:29.846
ตลอดระยะเวลายี่สิบปี

00:02:29.846 --> 00:02:33.307
จนกระทั่งเราแบ่งกลุ่มคนไข้ตามกลุ่มอายุ

00:02:33.307 --> 00:02:37.823
ซึ่งจะแสดงให้เห็นว่าผู้ที่ไม่สูบบุหรี่
มีอายุเฉลี่ยมากกว่าอย่างมีนัยสำคัญ

00:02:37.823 --> 00:02:40.930
และดังนั้น จึงเป็นไปได้มากกว่า
ที่พวกเขาจะเสียชีวิตในช่วงทดสอบ

00:02:40.930 --> 00:02:44.438
เนื่องจากพวกเขาโดยส่วนมากมีอายุมากกว่า

00:02:44.438 --> 00:02:47.286
นี่คือกลุ่มอายุที่มีตัวแปรซุกซ่อน

00:02:47.286 --> 00:02:50.176
และมีความสำคัญต่อการตีความข้อมูล
อย่างถูกต้อง

00:02:50.176 --> 00:02:51.559
ในอีกตัวอย่างหนึ่ง

00:02:51.559 --> 00:02:54.281
การวิเคราะห์คดีของรัฐฟลอริด้า
เกี่ยวกับการลงโทษประหารชีวิต

00:02:54.281 --> 00:02:58.265
เหมือนว่าจะเปิดเผยว่า
ไม่มีความแตกต่างระหว่างเชื้อชาติ

00:02:58.265 --> 00:03:01.581
ระหว่างผู้ต้องหาผิวดำและขาว
ที่โดนตั้งข้อหาฆาตกรรม

00:03:01.581 --> 00:03:06.396
แต่การแบ่งคดีตามสีผิวของเหยื่อ
บอกเรื่องราวที่ต่างกันออกไป

00:03:06.396 --> 00:03:07.969
ไม่ว่าในสถานการณ์ไหน

00:03:07.969 --> 00:03:11.091
ผู้ต้องหาผิวดำ
มักจะถูกตัดสินประหารชีวิตมากกว่า

00:03:11.091 --> 00:03:15.066
อัตราการตัดสินที่สูงกว่าเล็กน้อย
สำหรับผู้ต้องหาผิวขาว

00:03:15.066 --> 00:03:18.692
เป็นเพราะว่าคดีที่มีเหยื่อเป็นคนผิวขาว

00:03:18.692 --> 00:03:21.359
มักจะถูกตัดสินให้ได้รับโทษประหาร

00:03:21.359 --> 00:03:24.091
มากกว่ากรณีที่เหยื่อเป็นคนผิวดำ

00:03:24.091 --> 00:03:28.483
และฆาตกรรมส่วนใหญ่จะเกิดขึ้น
ในกลุ่มผู้มีสีผิวเดียวกัน

00:03:28.483 --> 00:03:31.319
ฉะนั้น เราจะหลีกเลี่ยง
การตกหลุมพาราด๊อกได้อย่างไร

00:03:31.319 --> 00:03:34.686
น่าเสียดายที่มันไม่มีคำตอบตายตัว

00:03:34.686 --> 00:03:38.504
ข้อมูลสามารถถูกจัดกลุ่ม
และถูกแบ่งได้หลายรูปแบบ

00:03:38.504 --> 00:03:42.106
และจำนวนทั้งหมด 
บางครั้งให้ภาพที่แม่นยำ

00:03:42.106 --> 00:03:46.638
กว่าข้อมูลที่ถูกแบ่งเป็นหมวดหมู่
ที่ชวนสับสนและไร้กฎเกณฑ์

00:03:46.638 --> 00:03:52.089
ทั้งหมดที่เราทำได้คือศึกษาสถานการณ์
ที่สถิติอธิบายอย่างระมัดระวัง

00:03:52.089 --> 00:03:55.977
และพิจารณาว่ามันมีตัวแปรซุกซ่อนอยู่หรือเปล่า

00:03:55.977 --> 00:03:59.378
มิฉะนั้นแล้ว เราทำให้ตัวเราเสี่ยง
กับผู้ที่อาจใช้ข้อมูล

00:03:59.378 --> 00:04:02.649
ในการเหนี่ยวนำคนอื่น ๆ 
และส่งเสริมแผนการของพวกเขาเอง