Hur man undviker de sju dödliga synderna av statistisk missuppfattning

Hur man undviker de sju dödliga synderna av statistisk missuppfattning

Statistik är ett användbart verktyg för att förstå mönstren i världen runt omkring oss. Men vår intuition ljuder oss ofta när det gäller att tolka dessa mönster. I denna serie tittar vi på några vanliga misstag vi gör och hur vi undviker dem när vi tänker på statistik, sannolikhet och risk.Avlyssningen

1. Antag att små skillnader är meningsfulla

Många av de dagliga fluktuationerna på börsen representerar chans snarare än någonting meningsfullt. Skillnader i omröstningar när en part är framåt med en punkt eller två är ofta bara statistiskt buller.

Du kan undvika att dra felaktiga slutsatser om orsakerna till sådana fluktuationer genom att kräva att du ser "felmarginalen" som hänför sig till siffrorna.

Om skillnaden är mindre än felmarginalen är det sannolikt ingen meningsfull skillnad, och variationen är förmodligen bara nere till slumpmässiga fluktuationer.

Hur man undviker de sju dödliga synderna av statistisk missuppfattningFelstänger illustrerar graden av osäkerhet i en poäng. När sådana felmarginaler överlappar, beror sannolikheten på statistisk buller.


2. Att jämföra statistisk signifikans med verklig betydelse

Vi hör ofta generaliseringar om hur två grupper skiljer på något sätt, som att kvinnor är mer vårdande medan män är fysiskt starkare.

Dessa skillnader dra ofta på stereotyper och folkvisdom men ignorerar ofta likheterna mellan människor mellan de två grupperna och variationen i människor inom grupperna.


Få det senaste från InnerSelf


Om du väljer slumpmässigt två män, är det troligt att det blir en hel del skillnad i deras fysiska styrka. Och om du väljer en man och en kvinna, kan de sluta bli mycket lika när det gäller att vårda, eller mannen kan vara mer vårdande än kvinnan.

Du kan undvika detta fel genom att fråga om "effektstorlek" av skillnaderna mellan grupper. Detta är ett mått på hur mycket genomsnittet av en grupp skiljer sig från medeltalet av en annan.

Om effektstorleken är liten är de två grupperna mycket lika. Även om effektstorleken är stor kommer de två grupperna sannolikt att ha stor variation inom dem, så inte alla medlemmar i en grupp kommer att skilja sig från alla medlemmar i en annan grupp.


3. Försummar att se på ytterligheter

Flipsidan av effektstorlek är relevant när den sak du fokuserar på följer en "normal distribution"(Kallas ibland en" klockkurva "). Det är här de flesta är nära medelvärdet och bara en liten grupp ligger långt över eller långt under genomsnittet.

När det händer, ger en liten förändring av prestanda för gruppen en skillnad som betyder ingenting för den genomsnittliga personen (se punkt 2) men det ändrar karaktären av ytterligheterna mer radikalt.

Undvik detta fel genom att reflektera om du har att göra med extremiteter eller inte. När du har att göra med genomsnittliga människor spelar inte mindre gruppskillnader roll någon roll. När du bryr dig mycket om extremiteterna, kan små gruppskillnader betyda mycket.

Hur man undviker de sju dödliga synderna av statistisk missuppfattningNär två populationer följer en normal fördelning kommer skillnaderna mellan dem att bli tydligare vid ytterligheterna än i medelvärdena.


4. Tillit till tillfällighet

Visste du att det finns en korrelation mellan antalet personer som drunknade varje år i USA genom att falla i en simbassäng och antalet filmer Nicholas Cage dykt upp i?

Hur man undviker de sju dödliga synderna av statistisk missuppfattningMen finns det ett orsakssamband? tylervigen.com

Om du ser tillräckligt ut kan du hitta intressanta mönster och korrelationer som bara beror på tillfällighet.

Bara för att två saker råkar förändras samtidigt, eller i liknande mönster, betyder inte att de är relaterade.

Undvik detta fel genom att fråga hur pålitlig den observerade föreningen är. Är det en engång, eller har det hänt flera gånger? Kan framtida föreningar förutses? Om du bara har sett det en gång, är det troligt att det beror på slumpmässig chans.


5. Få orsak bakåt

När två saker är korrelerade - säg arbetslösa och psykiska problem - det kan vara frestande att se en "uppenbar" kausalväg - säg att psykiska problem leder till arbetslöshet.

Men ibland går orsakssambandet i andra riktningen, till exempel arbetslöshet som orsakar psykiska problem.

Du kan undvika detta fel genom att komma ihåg att tänka på omvänd orsakssamband när du ser en förening. Kan påverkan gå i andra riktningen? Eller kan det gå på båda hållen, skapa en återkopplingsslinga?


6. Glömmer att överväga yttre orsaker

Människor misslyckas ofta med att utvärdera möjliga "tredje faktorer", eller utanför orsaker, som kan skapa en koppling mellan två saker eftersom båda faktiskt är resultatet av den tredje faktorn.

Till exempel kan det finnas en koppling mellan att äta på restauranger och bättre kardiovaskulär hälsa. Det kan leda till att du tror att det finns en orsakssamband mellan de två.

Det kan dock visa sig att de som har råd att äta på restauranger regelbundet är i en hög socioekonomisk konsol, och kan också ha råd med bättre vård och det är vården som ger bättre hjärt- och kärlsjukdom.

Du kan undvika detta fel genom att komma ihåg att tänka på tredje faktorer när du ser en korrelation. Om du följer upp en sak som en möjlig orsak, fråga dig själv vad som i sin tur orsakar den där saken? Kan den tredje faktorn orsaka både observerade resultat?


7. Bedrägliga grafer

Många skador uppstår i skalan och märkningen av den vertikala axeln på grafer. Etiketterna ska visa det fulla meningsfulla utbudet av vad du än tittar på.

Men ibland väljer grafproducenten ett smalare intervall för att göra en liten skillnad eller att associeringen ser mer effektfull ut. På en skala från 0 till 100 kan två kolumner se samma höjd. Men om du diagramar samma data som bara visar från 52.5 till 56.5, kan de se väldigt olika ut.

Du kan undvika detta fel genom att ta hand om att notera grafens etiketter längs axlarna. Var särskilt skeptisk till omärkta grafer.

Hur man undviker de sju dödliga synderna av statistisk missuppfattningGrafer kan berätta en historia - vilket gör skillnaderna större eller mindre beroende på skalan.

Om författaren

Winnifred Louis, docent, socialpsykologi, University of Queensland och Cassandra Chapman, doktorand i socialpsykologi, University of Queensland

Den här artikeln publicerades ursprungligen den Avlyssningen. Läs ursprungliga artikeln.

Relaterade böcker:

{amazonWS: searchindex = Böcker; nyckelord = förstå statistik; maxresultat = 3}

enafarzh-CNzh-TWnltlfifrdehiiditjakomsnofaptruessvtrvi

följ InnerSelf på

facebook-icontwitter-iconrss-icon

Få det senaste via e-post

{Emailcloak = off}