Πώς η στατιστική μπορεί να αποπροσανατολίσει - Μαρκ Λίντελ
-
0:07 - 0:09Η στατιστική είναι πειστική.
-
0:09 - 0:13Τόσο πολύ που άνθρωποι,
οργανώσεις και ολόκληρες χώρες -
0:13 - 0:18βασίζουν ορισμένες από τις πιο κρίσιμες
αποφάσεις τους σε οργανωμένα δεδομένα. -
0:18 - 0:19Ωστόσο, υπάρχει ένα πρόβλημα με αυτό.
-
0:19 - 0:23Κάθε στατιστικό δείγμα
ενδέχεται να ελλοχεύει -
0:23 - 0:27κάτι που ανατρέπει
εξ ολοκλήρου τα αποτελέσματα. -
0:27 - 0:31Για παράδειγμα, φαντάσου ότι χρειάζεται
να αποφασίσεις μεταξύ δύο νοσοκομείων -
0:31 - 0:34για τη χειρουργική επέμβαση
ενός ηλικιωμένου συγγενή. -
0:34 - 0:36Από τους τελευταίους 1.000 ασθενείς
κάθε νοσοκομείου, -
0:36 - 0:40στο πρώτο νοσοκομείο επέζησαν 900
-
0:40 - 0:43και μόνο 800 στο δεύτερο.
-
0:43 - 0:46Επομένως, το πρώτο νοσοκομείο
φαντάζει καλύτερη επιλογή. -
0:46 - 0:48Όμως πριν αποφασίσεις,
-
0:48 - 0:51θυμίσου ότι δεν έφτασαν
όλοι οι πάσχοντες στο νοσοκομείο -
0:51 - 0:54στην ίδια κατάσταση.
-
0:54 - 0:57Αν σε κάθε νοσοκομείο διαιρέσουμε
τους 1.000 τελευταίους ασθενείς -
0:57 - 1:01σε αυτούς που φτάνουν σε καλή και
σε αυτούς που φτάνουν σε άσχημη κατάσταση, -
1:01 - 1:04η εικόνα αρχίζει να αλλάζει σημαντικά.
-
1:04 - 1:08Το νοσοκομείο Α είχε μόλις 100 ασθενείς
που έφτασαν σε άσχημη κατάσταση υγείας, -
1:08 - 1:1030 από τους οποίους επέζησαν.
-
1:10 - 1:15Όμως, το νοσοκομείο Β είχε 400
και μπόρεσε να σώσει τους 210. -
1:15 - 1:17Οπότε το δεύτερο είναι καλύτερη επιλογή
-
1:17 - 1:21για ασθενείς που φτάνουν στο νοσοκομείο
σε κακή κατάσταση υγείας, -
1:21 - 1:25με ποσοστό επιβίωσης 52,5%.
-
1:25 - 1:28Αν η κατάσταση υγείας του συγγενή σας
είναι καλή όταν φτάνει στο νοσοκομείο; -
1:28 - 1:32Περιέργως, το νοσοκομείο Β
είναι πάλι καλύτερη επιλογή, -
1:32 - 1:36με ποσοστό επιβίωσης πάνω από 98%.
-
1:36 - 1:39Πώς είναι δυνατό να έχουμε
ένα μεγαλύτερο ποσοστό επιβίωσης στο Α -
1:39 - 1:45όταν το Β έχει καλύτερα ποσοστά επιβίωσης
και στις δύο ομάδες ασθενών; -
1:45 - 1:49Έχουμε πέσει πάνω στην περίπτωση
του παράδοξου του Σίμπσονς -
1:49 - 1:52όπου ίδιες ομάδες δεδομένων
μπορούν να δείξουν διαφορετικές τάσεις, -
1:52 - 1:54ανάλογα με την ομαδοποίηση.
-
1:55 - 1:59Αυτό συμβαίνει όταν ομαδοποιημένα δεδομένα
κρύβουν έναν μεταβλητό παράγοντα, -
1:59 - 2:01γνωστή και ως «κρυφή μεταβλητή»,
-
2:01 - 2:06που είναι ένας επιπρόσθετος παράγοντας
που επηρεάζει σημαντικά τα αποτελέσματα. -
2:06 - 2:10Εδώ, ο κρυφός παράγοντας
είναι η σχετική αναλογία των ασθενών -
2:10 - 2:13που φτάνουν σε καλή και κακή κατάσταση.
-
2:13 - 2:16Το παράδοξο του Σίμπσον
δεν είναι ένα υποθετικό σενάριο. -
2:16 - 2:19Εμφανίζεται σποραδικά
στον πραγματικό κόσμο, -
2:19 - 2:22μερικές φορές σε σημαντικές περιστάσεις.
-
2:22 - 2:24Μια έρευνα στο Ηνωμένο Βασίλειο
-
2:24 - 2:27έδειξε πως οι καπνιστές έχουν
μεγαλύτερο ποσοστό επιβίωσης -
2:27 - 2:30από τους μη καπνιστές,
σε περίοδο είκοσι ετών. -
2:30 - 2:33Όταν έγινε ο διαχωρισμός
των συμμετέχοντων ανά ηλικιακή ομάδα -
2:33 - 2:38η έρευνα έδειξε πως οι μη καπνιστές
ήταν σαφώς μεγαλύτερης ηλικίας, -
2:38 - 2:41οπότε, πολύ πιθανότερο να πεθάνουν
κατά την ελεγχόμενη περίοδο, -
2:41 - 2:44ακριβώς επειδή είχαν ζήσει
ήδη περισσότερο. -
2:44 - 2:47Εδώ, οι ηλικιακές ομάδες
είναι ο κρυφός παράγοντας -
2:47 - 2:50και είναι ζωτικής σημασίας
να ληφθούν υπόψη στην ανάλυση. -
2:50 - 2:52Σε ένα άλλο παράδειγμα,
-
2:52 - 2:54μιας ανάλυσης περιπτώσεων
θανατικών ποινών στη Φλόριντα, -
2:54 - 2:58φαινόταν να μην υπάρχει φυλετική διάκριση
-
2:58 - 3:02μεταξύ μαύρων και λευκών
καταδικασμένων σε θάνατο. -
3:02 - 3:06Όμως, χωρίζοντας τις περιπτώσεις ανά φυλή
κάθε θύματος προέκυψε άλλη ερμηνεία. -
3:06 - 3:08Σε κάθε περίπτωση,
-
3:08 - 3:11ήταν πολύ πιθανότερη η καταδίκη
των μαύρων κατηγορούμενων. -
3:11 - 3:15Το ελαφρώς μεγαλύτερο ποσοστό
καταδίκης για τους λευκούς εναγόμενους -
3:15 - 3:19οφειλόταν στο ότι οι υποθέσεις
με θύματα λευκούς -
3:19 - 3:21ήταν πιο πιθανό να προβλέπουν
θανατική ποινή -
3:21 - 3:24σε σχέση με τις υποθέσεις
με θύματα μαύρους, -
3:24 - 3:28και οι περισσότεροι φόνοι συνέβησαν
μεταξύ ανθρώπων της ίδιας φυλής. -
3:28 - 3:31Πώς μπορούμε να αποφύγουμε
να πέσουμε σε παράδοξο; -
3:31 - 3:35Δυστυχώς, δεν υπάρχει μία απάντηση
για όλες τις περιπτώσεις. -
3:35 - 3:39Τα δεδομένα μπορούν να ομαδοποιηθούν
και να καταμεριστούν με διάφορους τρόπους -
3:39 - 3:42και τα σύνολα μερικές φορές
δίνουν μια πιο σαφή εικόνα -
3:42 - 3:47από δεδομένα διαιρεμένα σε παραπλανητικές
ή αυθαίρετες κατηγορίες. -
3:47 - 3:50Αυτό που μπορούμε είναι να μελετήσουμε
προσεκτικά τις πραγματικές καταστάσεις -
3:50 - 3:52που περιγράφονται με χρήση στατιστικής
-
3:52 - 3:56και να αναλογιστούμε τυχόν ύπαρξη
κρυφών μεταβλητών. -
3:56 - 3:59Διαφορετικά, γινόμαστε ευάλωτοι
σε αυτούς που χρησιμοποιούν τα δεδομένα -
3:59 - 4:04για να χειραγωγήσουν τους άλλους
και να προωθήσουν τα δικά τους σχέδια.
- Title:
- Πώς η στατιστική μπορεί να αποπροσανατολίσει - Μαρκ Λίντελ
- Speaker:
- Mark Liddell
- Description:
-
Δείτε το πλήρες μάθημα: http://ed.ted.com/lessons/how-statistics-can-be-misleading-mark-liddell
Οι στατιστικές μπορούν να μας πείσουν σε τέτοιο βαθμό ώστε άνθρωποι, οργανώσεις, και ολόκληρες χώρες βασίζουν μερικές από τις πιο σημαντικές αποφάσεις τους σε οργανωμένες βάσεις δεδομένων. Ωστόσο, σε κάθε στατιστικό δείγμα μπορεί να ελλοχεύει κάτι που να ανατρέπει πλήρως τα αποτελέσματα. Ο Μαρκ Λίντελ ερευνά το παράδοξο του Σίμπσον.
Μάθημα από τον Μαρκ Λίντελ, ψηφιακή απεικόνιση από το Tinmouse Animation Studio.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TED-Ed
- Duration:
- 04:19
Lucas Kaimaras approved Greek subtitles for How statistics can be misleading | ||
Lucas Kaimaras edited Greek subtitles for How statistics can be misleading | ||
Chryssa R. Takahashi accepted Greek subtitles for How statistics can be misleading | ||
Chryssa R. Takahashi edited Greek subtitles for How statistics can be misleading | ||
Christos Giannakis-Bompolis edited Greek subtitles for How statistics can be misleading | ||
Christos Giannakis-Bompolis edited Greek subtitles for How statistics can be misleading | ||
Christos Giannakis-Bompolis edited Greek subtitles for How statistics can be misleading | ||
Christos Giannakis-Bompolis edited Greek subtitles for How statistics can be misleading |