WEBVTT

00:00:06.636 --> 00:00:09.077
Статистика переконлива.

00:00:09.077 --> 00:00:12.541
Настільки, що люди, організації
та цілі країни

00:00:12.541 --> 00:00:17.747
засновують одні з найважливіших рішень
на упорядкованих даних.

00:00:17.747 --> 00:00:19.484
Однак у цьому існує проблема.

00:00:19.484 --> 00:00:23.301
Будь-яка статистика може мати 
в собі приховану сторону,

00:00:23.301 --> 00:00:27.251
щось, що може перевернути результати
догори дриґом.

00:00:27.251 --> 00:00:30.920
Наприклад, уявіть, що Вам необхідно
вибрати між двома лікарнями,

00:00:30.920 --> 00:00:33.737
щоб прооперувати когось із 
родичів похилого віку.

00:00:33.737 --> 00:00:36.434
У кожній лікарні з 1000 пацієнтів

00:00:36.434 --> 00:00:39.612
900 виживає у Лікарні А,

00:00:39.612 --> 00:00:43.021
тоді як у Лікарні В - лише 800.

00:00:43.021 --> 00:00:45.860
Виглядає, ніби лікарня А - 
кращий варіант.

00:00:45.860 --> 00:00:47.843
Але перед тим, як Ви приймете
рішення,

00:00:47.843 --> 00:00:51.411
зверніть увагу, що не всі пацієнти
прибувають у лікарню

00:00:51.411 --> 00:00:53.811
з однаковим станом здоров'я.

00:00:53.811 --> 00:00:56.703
Якщо розділити 1000 пацієнтів 
з кожної лікарні

00:00:56.703 --> 00:01:01.132
на тих, хто прибуває в хорошому
здоров'ї, і тих, хто в поганому,

00:01:01.132 --> 00:01:03.772
ситуація стає зовсім іншою.

00:01:03.772 --> 00:01:07.849
У Лікарню А лише 100 пацієнтів, 
які поступили, мали погане здоров'я,

00:01:07.849 --> 00:01:10.325
з яких 30 вижило.

00:01:10.325 --> 00:01:14.852
Але Лікарня В мала 400 таких
пацієнтів, де врятували 210 з них.

00:01:14.852 --> 00:01:17.169
Отже, Лікарня 2 - кращий вибір

00:01:17.169 --> 00:01:20.741
для пацієнтів, які поступають
в лікарню з поганим здоров'ям,

00:01:20.741 --> 00:01:24.526
із 52,5% тих, що вижили.

00:01:24.526 --> 00:01:28.445
А що, коли ваш родич добре
почувався, поступаючи в лікарню?

00:01:28.445 --> 00:01:32.271
Як на диво, Лікарня В все ще 
залишається кращим вибором,

00:01:32.271 --> 00:01:35.676
із 98% тих, що вижили.

00:01:35.676 --> 00:01:38.733
Як же вийшло, що Лікарня А має вищий
загальний рівень виживання,

00:01:38.733 --> 00:01:44.830
якщо Лікарня В має вищий рівень
виживання у обох групах?

00:01:44.830 --> 00:01:48.589
У цьому випадку ми маємо справу з 
парадоксом Сімпсона,

00:01:48.589 --> 00:01:51.899
де однакові дані можуть 
демонструвати протилежні тенденції

00:01:51.899 --> 00:01:54.664
залежно від того, як їх згрупувати.

00:01:54.664 --> 00:01:58.744
Це часто трапляється, коли зведені 
дані приховують умовну змінну,

00:01:58.744 --> 00:02:01.377
іноді відому як прихована змінна,

00:02:01.377 --> 00:02:06.584
що є додатковим прихованим фактором, 
який суттєво впливає на результати.

00:02:06.584 --> 00:02:10.023
У цьому випадку прихований фактор - 
це відносна частка пацієнтів,

00:02:10.023 --> 00:02:13.264
які приїжджають з
хорошим чи поганим станом здоров'я.

00:02:13.264 --> 00:02:16.544
Парадокс Сімпсона - не лише
гіпотетичний сценарій.

00:02:16.544 --> 00:02:18.924
Він час від часу проявляється 
в реальному світі,

00:02:18.924 --> 00:02:22.132
іноді у важливому контексті.

00:02:22.132 --> 00:02:24.130
Дослідження
у Великобританії показало,

00:02:24.130 --> 00:02:27.600
що курці мають вищий рівень
виживання ніж некурці

00:02:27.600 --> 00:02:29.846
за 20-річний період.

00:02:29.846 --> 00:02:33.307
Це було правдою, поки не розділили
пацієнтів за віковими групами,

00:02:33.307 --> 00:02:37.823
що продемонструвало, що некурці були 
в середньому значно старші,

00:02:37.823 --> 00:02:40.930
а тому з більшою імовірністю могли 
померти у випробувальний період,

00:02:40.930 --> 00:02:44.438
точнісінько через те, що загалом 
вони жили довше.

00:02:44.438 --> 00:02:47.286
У цьому випадку вікові групи - 
це прихована змінна,

00:02:47.286 --> 00:02:50.176
яка важлива для правильної
інтерпретації даних.

00:02:50.176 --> 00:02:51.559
В іншому прикладі

00:02:51.559 --> 00:02:54.281
аналіз справ із смертними
вироками у Флориді

00:02:54.281 --> 00:02:58.265
показав, що, на перший погляд, 
при винесенні вироку не було расових відмінностей

00:02:58.265 --> 00:03:01.581
між афроамериканцями і білими,
звинуваченими у вбивстві.

00:03:01.581 --> 00:03:06.396
Однак якщо розділити справи за
расовою приналежністю - інша історія.

00:03:06.396 --> 00:03:07.969
В обох випадках

00:03:07.969 --> 00:03:11.091
афроамериканців частіше
засуджували до смертної кари.

00:03:11.091 --> 00:03:15.066
Дещо вищий загальний рівень
засудження білошкірих обвинувачених

00:03:15.066 --> 00:03:18.692
спричинений тим, що справи, жертвами 
в яких були білошкірі,

00:03:18.692 --> 00:03:21.359
частіше призводили до 
смертної кари,

00:03:21.359 --> 00:03:24.091
ніж справи, де жертвами
були афроамериканці,

00:03:24.091 --> 00:03:28.483
а більшість вбивств ставалися
між представниками однієї раси.

00:03:28.483 --> 00:03:31.319
Отже, як нам не
вестися на цей парадокс?

00:03:31.319 --> 00:03:34.686
На жаль, не існує 
універсальної відповіді.

00:03:34.686 --> 00:03:38.504
Дані можна згрупувати та розділити
будь-якими способами,

00:03:38.504 --> 00:03:42.106
а загальні числа іноді можуть
дати точніше уявлення,

00:03:42.106 --> 00:03:46.638
ніж дані, поділені на оманливі
чи випадкові категорії.

00:03:46.638 --> 00:03:52.089
Все, що ми можемо зробити - ретельно
дослідити ситуації, описані статистично

00:03:52.089 --> 00:03:55.977
і обміркувати, чи присутні
там приховані змінні.

00:03:55.977 --> 00:03:59.378
Інакше ми будемо вразливими перед 
тими, хто використовує дані,

00:03:59.378 --> 00:04:03.378
щоб маніпулювати іншими та 
популяризувати власні погляди.