Statistikk er et nyttig verktøy for å forstå mønstrene i verden rundt oss. Men vår intuisjon lar oss ofte ned når det gjelder å tolke disse mønstrene. I denne serien ser vi på noen av de vanlige feilene vi lager og hvordan vi kan unngå dem når vi tenker på statistikk, sannsynlighet og risiko.

1. Forutsatt at små forskjeller er meningsfulle

Mange av de daglige svingningene i aksjemarkedet representerer sjanse heller enn noe meningsfylt. Forskjeller i meningsmålinger når en part står foran et punkt eller to er ofte bare statistisk støy.

Du kan unngå å tegne feilaktige konklusjoner om årsakene til slike svingninger ved å kreve å se "feilmarginen" knyttet til tallene.

Hvis forskjellen er mindre enn feilmarginen, er det sannsynligvis ingen meningsfylt forskjell, og variasjonen er sannsynligvis bare ned til tilfeldige svingninger.

Feilbarger illustrerer graden av usikkerhet i en poengsum. Når slike feilmarginer overlapper, er forskjellen sannsynligvis på grunn av statistisk støy.

2. Tilsvarer statistisk betydning med virkelighetens betydning

Vi hører ofte generaliseringer om hvordan to grupper avviker på en eller annen måte, slik som at kvinner er mer nærende mens menn er fysisk sterkere.

Disse forskjellene trekker ofte på stereotyper og folkevisdom, men ignorerer ofte likhetene i mennesker mellom de to gruppene, og variasjonen i mennesker i gruppene.

Hvis du velger to menn tilfeldig, er det sannsynlig å være ganske mye forskjell i deres fysiske styrke. Og hvis du velger en mann og en kvinne, kan de ende opp med å være svært liknende når det gjelder pleie, eller mannen kan være mer pleie enn kvinnen.

Du kan unngå denne feilen ved å be om "effektstørrelse" av forskjellene mellom grupper. Dette er et mål på hvor mye gjennomsnittet av en gruppe er forskjellig fra gjennomsnittet til en annen.

Hvis effektstørrelsen er liten, så er de to gruppene veldig like. Selv om effektstørrelsen er stor, vil de to gruppene fortsatt ha stor variasjon innenfor dem, så ikke alle medlemmene i en gruppe vil være forskjellige fra alle medlemmer av en annen gruppe.

3. Unnlater å se på ekstremer

Flipsiden av effektstørrelse er relevant når tingen du fokuserer på følger en "normal distribusjon"(Noen ganger kalt en" bellkurve "). Det er her de fleste er nær gjennomsnittet, og bare en liten gruppe er godt over eller godt under gjennomsnittet.

Når det skjer, gir en liten endring i ytelsen til gruppen en forskjell som betyr ingenting for den gjennomsnittlige personen (se punkt 2), men det endrer karakteren av ekstrene mer radikalt.

Unngå denne feilen ved å reflektere over om du har å gjøre med ekstremer eller ikke. Når du arbeider med gjennomsnittlige mennesker, spiller små gruppevariasjoner ofte ingen rolle. Når du bryr deg mye om ekstremene, kan små gruppedifferanser avlede massehunder.

Når to populasjoner følger en normal fordeling, vil forskjellene mellom dem være mer tydelige i ekstremer enn i gjennomsnittene.

4. Stol på tilfeldighet

Visste du at det er en korrelasjon mellom antall personer som druknet hvert år i USA ved å falle inn i et svømmebasseng og antall filmer som Nicholas Cage dukket opp i?

Men er det årsakssammenheng? tylervigen.com

Hvis du ser hardt ut, kan du finne interessante mønstre og korrelasjoner som bare skyldes tilfeldighet.

Bare fordi to ting skje forandre samtidig, eller i lignende mønstre, betyr ikke at de er relaterte.

Unngå denne feilen ved å spørre hvor pålitelig den observerte foreningen er. Er det en engang, eller har det skjedd flere ganger? Kan fremtidige foreninger bli spådd? Hvis du bare har sett det en gang, er det sannsynlig at det skyldes tilfeldig tilfeldighet.

5. Få årsak bakover

Når to ting er korrelerte - si arbeidsledighet og psykiske problemer - det kan være fristende å se en "åpenbar" årsaksvei - si at psykiske problemer fører til ledighet.

Men noen ganger går årsaksstien i den andre retningen, som for eksempel arbeidsledighet som forårsaker psykiske problemer.

Du kan unngå denne feilen ved å huske å tenke på omvendt årsakssammenheng når du ser en tilknytning. Kan innflytelsen gå i den andre retningen? Eller kan det gå begge veier, skape en tilbakemelding loop?

6. Glemmer å vurdere eksterne årsaker

Mennesker mislykkes ofte i å evaluere mulige "tredje faktorer", eller utenfor årsaker, som kan skape forening mellom to ting fordi begge er faktisk resultater av den tredje faktoren.

For eksempel kan det være en sammenheng mellom å spise på restauranter og bedre kardiovaskulær helse. Det kan føre til at du tror det er årsakssammenheng mellom de to.

Det kan imidlertid vise seg at de som har råd til å spise på restauranter regelmessig, er i en høy sosioøkonomisk brakett, og kan også ha råd til bedre helsevesen, og det er helsevesenet som gir bedre kardiovaskulær helse.

Du kan unngå denne feilen ved å huske å tenke på tredje faktorer når du ser en korrelasjon. Hvis du følger opp på en ting som en mulig årsak, spør deg selv hva som igjen forårsaker den tingen? Kunne den tredje faktoren føre til både observerte resultater?

7. Deceptive grafer

Det skjer mye skade i skalering og merking av den vertikale akse på grafer. Etikettene skal vise det fulle meningsfulle spekteret av hva du ser på.

Men noen ganger velger grafmaskinen et smalere utvalg for å gjøre en liten forskjell, eller foreningen ser mer innslagskraftig ut. På en skala fra 0 til 100 kan to kolonner se på samme høyde. Men hvis du graver de samme dataene som bare viser fra 52.5 til 56.5, kan de se dramatisk annerledes ut.

Du kan unngå denne feilen ved å ta vare på grafens etiketter langs aksene. Vær spesielt skeptisk til umerkede grafer.

Grafer kan fortelle en historie - noe som gjør forskjellene større eller mindre, avhengig av skalaen.

Om forfatteren

Winnifred Louis, lektor, sosialpsykologi, Universitetet i Queensland og Cassandra Chapman, PhD kandidat i sosialpsykologi, Universitetet i Queensland

Denne artikkelen ble opprinnelig publisert på Den Conversation. Les opprinnelige artikkelen.

Relaterte bøker:

at InnerSelf Market og Amazon