Hapa kuna hadithi ya kihistoria ambayo huenda haujui. Kati ya miaka ya 1860 na 1940, wakati idadi ya mawaziri wa Methodist wanaoishi New England iliongezeka, ndivyo pia kiwango cha ramu ya Cuba iliyoingizwa Boston - na wote wawili waliongezeka kwa njia sawa. Kwa hivyo, mawaziri wa Methodist lazima walinunua ramu nyingi katika kipindi hicho cha wakati!
Kwa kweli hapana, hiyo ni hitimisho la kijinga kuteka. Kinachoendelea ni kwamba idadi zote - mawaziri wa Methodist na ramu ya Cuba - ziliendeshwa juu na sababu zingine, kama ukuaji wa idadi ya watu.
Katika kufikia hitimisho hilo sio sahihi, tumefanya kosa la kawaida sana la uhusiano unaochanganya na sababu.
Tofauti ni ipi?
Idadi mbili zinasemekana kuwa uhusiano ikiwa zote mbili zinaongezeka na kupungua pamoja ("zimeunganishwa vyema"), au ikiwa moja inaongezeka wakati nyingine inapungua na kinyume chake ("inahusiana vibaya").
Uwiano hugunduliwa kwa urahisi kupitia vipimo vya takwimu za Mgawo wa uwiano wa Pearson.
tylervigen.com
Lakini kwa sababu tu idadi mbili zina uhusiano haimaanishi kuwa moja ni moja kwa moja kusababisha nyingine ibadilike. Ushirikiano haimaanishi causation, kama hali ya hewa ya mawingu haimaanishi mvua, ingawa kinyume ni kweli.
Ikiwa idadi mbili zimeunganishwa basi kunaweza kuwa na uhusiano wa kweli wa sababu-na-athari (kama vile viwango vya mvua na mauzo ya mwavuli), lakini labda vigeuzi vingine vinaendesha zote mbili (kama vile idadi ya maharamia na ongezeko la joto duniani), au labda ni bahati mbaya tu (kama vile Matumizi ya jibini ya Amerika na strangulations-kwa-vitanda).
Hata pale ambapo sababu iko, lazima tuwe waangalifu tusichanganye sababu na athari, au sivyo tunaweza kuhitimisha, kwa mfano, kuwa kuongezeka kwa matumizi ya hita husababisha hali ya hewa baridi.
Ili kuanzisha sababu-na-athari, tunahitaji kwenda zaidi ya takwimu na kutafuta ushahidi tofauti (wa hali ya kisayansi au ya kihistoria) na hoja ya kimantiki. Uwiano unaweza kutusukuma tuende kutafuta ushahidi kama huo kwanza, lakini sio uthibitisho peke yake.
Maswala ya hila
Ingawa mifano hapo juu ilikuwa wazi kuwa ni ujinga, uwiano mara nyingi hukosewa kuwa sababu kwa njia ambazo hazionekani mara moja katika ulimwengu wa kweli. Wakati wa kusoma na kutafsiri takwimu, mtu lazima aangalie sana kuelewa haswa data na takwimu zake - na muhimu zaidi, ni nini isiyozidi akimaanisha.
Mfano mmoja wa hivi majuzi wa hitaji la tahadhari katika kutafsiri data ni msisimko mapema mwaka huu unaozunguka ukiukaji dhahiri wa ardhi kugundua mawimbi ya mvuto - tangazo ambalo linaonekana kufanywa mapema, kabla ya vigeuzi vyote vilivyoathiri data kuhesabiwa.
Kwa bahati mbaya, kuchambua takwimu, uwezekano na hatari sio ujuzi uliowekwa ndani yetu intuition ya binadamu, na hivyo ni rahisi sana kupotoshwa. Vitabu vyote yameandikwa kwa njia hila ambazo takwimu zinaweza kutafsiriwa vibaya (au kutumiwa kupotosha). Ili kusaidia kuweka macho yako, hapa kuna shida za kawaida za takwimu ambazo unapaswa kujua:
1) Athari ya Mfanyikazi mwenye Afya, ambapo wakati mwingine vikundi viwili haviwezi kulinganishwa moja kwa moja kwenye uwanja wa kucheza.
Fikiria utafiti wa nadharia ukilinganisha afya ya kikundi cha wafanyikazi wa ofisi na afya ya kikundi cha wanaanga. Ikiwa utafiti hauonyeshi tofauti kubwa kati ya hizi mbili - hakuna uhusiano kati ya afya na mazingira ya kufanya kazi - je! Tunapaswa kuhitimisha kuwa kuishi na kufanya kazi angani hakuna hatari za kiafya za muda mrefu kwa wanaanga?
Hapana! Vikundi haviko sawa: waombaji wa chombo cha waanga wachunguliaji ili kupata wagombea wenye afya, ambao wanadumisha serikali kamili ya mazoezi ya mwili ili kupambana na athari za kuishi katika "microgravity".
Kwa hivyo tungetarajia kuwa na afya njema kuliko wafanyikazi wa ofisi, kwa wastani, na wanapaswa kuwa na wasiwasi ikiwa hawakuwa.
2) Uainishaji na Athari za Uhamiaji wa Hatua - kuchanganya watu kati ya vikundi kunaweza kuwa na athari kubwa kwa matokeo ya takwimu.
Hii pia inajulikana kama Will Rogers athari, baada ya mcheshi wa Merika ambaye aliripotiwa kunyakua:
Wakati Okies aliondoka Oklahoma na kuhamia California, waliinua kiwango cha ujasusi wastani katika majimbo yote mawili.
Kwa kielelezo, fikiria kugawanya kikundi kikubwa cha marafiki katika kikundi "kifupi" na kikundi "kirefu" (labda ili kuwapanga kwa picha). Baada ya kufanya hivyo, ni rahisi kushangaza kuinua urefu wa wastani wa vikundi vyote mara moja.
Muulize tu mtu mfupi zaidi katika kikundi "kirefu" abadilike kwenye kikundi "kifupi". Kundi "refu" linapoteza mwanachama wao mfupi zaidi, na hivyo kuongeza urefu wao wa wastani - lakini kundi "fupi" hupata mshiriki wao mrefu zaidi, na kwa hivyo hupata urefu wa wastani.
Hii ina athari kubwa katika masomo ya matibabu, ambapo wagonjwa mara nyingi hupangwa katika vikundi vya "afya" au "visivyo vya afya" wakati wa kujaribu matibabu mapya. Ikiwa njia za uchunguzi zinaboresha, wagonjwa wengine wasio na afya wanaweza kupangiliwa - na kusababisha matokeo ya kiafya ya vikundi vyote viwili kuboresha, bila kujali matibabu ni bora (au la).
Kuchukua na kuchagua kati ya data kunaweza kusababisha hitimisho lisilo sahihi. Wakosoaji wanaona kipindi cha baridi (bluu) wakati data inaonyesha kweli joto la muda mrefu (kijani kibichi). sayansi ya wasiwasi
3) Uchimbaji wa data - wakati data nyingi zipo, vipande na vipande vinaweza kuchukuliwa kwa cherry ili kuunga mkono hitimisho lolote linalohitajika.
Hii ni mazoezi mabaya ya takwimu, lakini ikiwa imefanywa kwa makusudi inaweza kuwa ngumu kuona bila ujuzi wa seti ya asili, kamili ya data.
Fikiria grafu hapo juu inayoonyesha tafsiri mbili za data ya joto ulimwenguni, kwa mfano. Au fluoride - kwa kiwango kidogo ni moja wapo ya dawa bora za kuzuia katika historia, lakini athari nzuri hupotea kabisa ikiwa mtu atazingatia tu kiwango cha sumu ya fluoride.
Kwa sababu kama hizo, ni muhimu kwamba taratibu za jaribio lililopewa la takwimu zimewekwa mahali kabla ya jaribio kuanza na kisha zisibadilike hadi jaribio liishe.
4) Kuunganisha - ambayo inapaswa kutarajiwa hata katika data ya nasibu kabisa.
Fikiria utafiti wa kimatibabu unaochunguza jinsi ugonjwa fulani, kama saratani au Multiple sclerosis, ilivyo kusambazwa kijiografia. Ikiwa ugonjwa unagonga bila mpangilio (na mazingira hayana athari) tunatarajia kuona makundi kadhaa ya wagonjwa kama jambo la kweli. Ikiwa wagonjwa wameenea sawasawa sawasawa, usambazaji utakuwa bila mpangilio kabisa!
Kwa hivyo uwepo wa nguzo moja, au nguzo kadhaa ndogo za kesi, ni kawaida kabisa. Mbinu za kitakwimu za kisasa zinahitajika ili kujua ni nguzo ngapi inahitajika ili kubaini kuwa kitu katika eneo hilo kinaweza kusababisha ugonjwa.
Kwa bahati mbaya, nguzo yoyote wakati wote - hata isiyo ya maana - hufanya kichwa cha habari rahisi (na kwa mtazamo wa kwanza, wa kulazimisha).
Uchanganuzi wa takwimu, kama chombo kingine chochote chenye nguvu, lazima itumike kwa uangalifu sana - na haswa, mtu lazima kila wakati awe mwangalifu wakati wa kufanya hitimisho kulingana na ukweli kwamba idadi mbili zinahusiana.
Badala yake, lazima kila mara tusisitize ushahidi tofauti ili kutoa hoja-na-athari - na ushahidi huo hautakuja kwa njia ya nambari moja ya takwimu.
Inaonekana uhusiano wa kulazimisha, sema kati ya jeni zilizopewa na schizophrenia au kati ya mafuta ya juu ya chakula na ugonjwa wa moyo, inaweza kugeuka kuwa msingi wa mbinu mbaya sana.
Labda sisi ni kama spishi waliojitambua walio tayari kushughulika na maswala haya. Kama mwalimu wa Canada Kieran Egan weka kwenye kitabu chake Kuipata vibaya tangu Mwanzo:
Habari mbaya ni kwamba mageuzi yetu yalituandaa kuishi katika jamii ndogo, thabiti, za wawindaji. Sisi ni watu wa Pleistocene, lakini akili zetu za lugha zimeunda jamii kubwa, tamaduni nyingi, teknolojia ya kisasa na inayobadilika haraka kwetu kuishi.
Kwa sababu hiyo, ni lazima mara kwa mara tupinge jaribu la kuona maana katika nafasi na kuchanganya uwiano na sababu.
Makala hii ilichapishwa awali Mazungumzo
Kusoma awali ya makala.
kuhusu Waandishi
Jonathan Borwein (Jon) ni Profesa anayesimamia Hisabati katika Chuo Kikuu cha Newcastle. Yeye ni Profesa anayeshinda wa hisabati katika Chuo Kikuu cha Newcastle na Mkurugenzi wa Kituo cha Hisabati ya Utafiti wa Kompyuta na Maombi yake (CARMA). Amefanya kazi katika Carnegie-Melon, Dalhousie, Simon Fraser, na Vyuo Vikuu vya Waterloo na ameshikilia Viti vya Utafiti vya Canada katika kompyuta.
Michael Rose ni Mgombea wa PhD, Shule ya Sayansi ya Hisabati na Kimwili katika Chuo Kikuu cha Newcastle.Mwanafunzi wa Shahada ya Uzamili chini ya usimamizi wa Profesa Laureate Prof.Jon Borwein katika Chuo Kikuu cha Newcastle, Australia. Hivi sasa kusaidia na utafiti wa kutumia hesabu ya fractal kwa mfano wa usambazaji wa sinepsi ya ubongo.
Disclosure Statement: Waandishi hawafanyi kazi, kushauriana, kumiliki hisa katika au kupokea ufadhili kutoka kwa kampuni yoyote au shirika ambalo litafaidika na kifungu hiki. Hawana ushirika wowote unaofaa.
Kitabu Ilipendekeza:
Pesa, Ngono, Vita, Karma: Vidokezo vya Mapinduzi ya Kibudha
na David R. Loy.
David Loy amekuwa mmoja wa watetezi wenye nguvu zaidi wa mtazamo wa ulimwengu wa Wabudhi, akielezea kama hakuna mtu mwingine uwezo wake wa kubadilisha mazingira ya kisiasa ya ulimwengu wa kisasa. Katika Pesa, Ngono, Vita, Karma, hutoa mawasilisho makali na hata ya kushangaza ya kawaida ya kawaida ya Wabudhi wasioeleweka - kufanya kazi kwa karma, hali ya ubinafsi, sababu za shida kwa kila mtu na viwango vya jamii - na sababu halisi za hisia zetu za pamoja za "haitoshi , "iwe ni wakati, pesa, ngono, usalama ... hata vita. "Mapinduzi ya Wabudhi ya Daudi" sio mabadiliko ya hali ya juu katika njia tunazoweza kukaribia maisha yetu, sayari yetu, udanganyifu wa pamoja ambao umeenea katika lugha yetu, tamaduni, na hata hali yetu ya kiroho.
Bonyeza hapa kwa maelezo zaidi na / au ili kitabu hiki juu ya Amazon.
