Narito ang isang makasaysayang tidbit na hindi mo maaaring malaman. Sa pagitan ng mga taon 1860 at 1940, habang ang bilang ng mga ministro ng Methodist na naninirahan sa New England ay nadagdagan, gayon din ang halaga ng Cuban rum na na-import sa Boston - at pareho silang nadagdagan sa isang katulad na paraan. Kaya, ang mga ministro ng Methodist ay dapat na bumili ng maraming rum sa panahong iyon!
Talagang hindi, iyan ay isang hangal na konklusyon upang gumuhit. Ang tunay na nangyayari ay ang parehong mga dami - mga Methodist ministro at Cuban rum - ay hinimok ng paitaas ng iba pang mga kadahilanan, tulad ng paglago ng populasyon.
Sa pag-abot sa hindi tamang konklusyon, ginawa namin ang napakalayo-karaniwang pagkakamali ng nakalilito ugnayan sa pagsasagawa.
Ano ang pinagkaiba?
Dalawang dami ang sinabi sang-ayon kung pareho ang pagtaas at pagbaba magkasama ("positibo sang-ayon"), o kung ang isa ay tataas kapag ang iba ay bumababa at vice-versa ("negatibong sang-ayon").
Ugnayan ay kaagad nakita sa pamamagitan ng statistical measurements ng Peyson correlation coefficient, na nagpapahiwatig kung gaano katawa ang naka-lock ang magkasama ang dalawang dami ay, mula sa -1 (perpektong magkakaugnay-ugnay) sa pamamagitan ng 0 (hindi nauugnay sa lahat) at hanggang sa 1 (perpektong positibo na may kaugnayan).
tylervigen.com
Ngunit dahil lamang na ang dalawang dami ay may kaugnayan ay hindi nangangahulugang ang isang direkta nagiging sanhi ang iba pang magbago. Ang ugnayan ay hindi nagpapahiwatig ng pagsasagawa, tulad ng maulap na panahon ay hindi nagpapahiwatig ng pag-ulan, kahit na ang kabaligtaran ay totoo.
Kung ang dalawang dami ay magkakaugnay pagkatapos ay maaaring magkakaroon ng tunay na sanhi-at-epekto na relasyon (tulad ng mga antas ng pag-ulan at mga benta ng payong), ngunit maaaring iba pang mga variable ang nagmamaneho pareho (tulad ng mga numero ng pirata at global warming), o marahil ito ay isang pagkakataon lamang (tulad ng US consumption ng keso at strangulations-by-bedsheet).
Kahit na kung saan causation ay naroroon, dapat tayong maging maingat na hindi upang makihalubilo up ang sanhi sa ang epekto, o sino pa ang paririto maaari naming tapusin, halimbawa, na ang isang nadagdagan ang paggamit ng heaters nagiging sanhi colder panahon.
Upang magtatag ng sanhi-at-epekto, kailangan namin upang pumunta sa ibayo ng mga istatistika at hanapin para sa mga hiwalay na katibayan (ng isang pang-agham o makasaysayang kalikasan) at lohikal na pangangatwiran. Ugnayan maaaring prompt sa amin upang pumunta naghahanap ng tulad ng katibayan sa unang lugar, ngunit ito ay tiyak na hindi isang patunay sa kanyang sariling paninindigan.
Mga Mahirap na Isyu
Kahit na ang mga halimbawa sa itaas ay malinaw naman uto, ugnayan ay masyadong madalas na nagkakamali para pagsasagawa sa mga paraan na hindi agad halata sa tunay na mundo. Kapag nagbabasa at pagbibigay-kahulugan statistics, dapat isa tumagal ng mahusay na pag-aalaga upang maunawaan kung ano mismo ang mga data at mga istatistika nito ay implying - at higit sa lahat, ano ang mga ito hindi implying.
Isa kamakailang halimbawa ng ang pangangailangan para sa pag-iingat sa pagbibigay-kahulugan ang data ay ang kaguluhan mas maaga sa taong nakapalibot sa maliwanag groundbreaking pagtuklas ng mga alon ng gravitational - isang patalastas na tila ginawa maaga, bago ang lahat ng mga variable na nakakaapekto sa data ay isinasaalang-alang.
Sa kasamaang palad, pag-aaral statistics, probabilities at mga panganib ay hindi isang kasanayan set wired sa aming intuwisyon ng tao, at sa gayon ay masyadong madaling madala. Buong mga libro ay nakasulat sa mahiwaga paraan kung saan ang mga istatistika ay maaaring maling interpretasyon (o ginagamit upang linlangin). Upang makatulong na mapanatili ang iyong pagbabantay, narito ang ilang karaniwang mga problema sa statistical na madulas na dapat mong malaman:
1) Ang Healthy Worker Effect, kung saan kung minsan ang dalawang mga grupo ay hindi maaaring direktang ikumpara sa antas ng paglalaro ng field.
Isaalang-alang ang isang hypothetical na pag-aaral ng paghahambing sa kalusugan ng isang pangkat ng mga manggagawa sa opisina na may kalusugan ng isang pangkat ng mga astronaut. Kung ang pag-aaral ay nagpapakita ng walang makabuluhang pagkakaiba sa pagitan ng dalawang - walang ugnayan sa pagitan ng kalinangan at kapaligiran sa pagtatrabaho - dapat nating tapusin na ang pamumuhay at pagtatrabaho sa espasyo ay walang mga pangmatagalang panganib sa kalusugan para sa mga astronaut?
Hindi! Ang mga grupo ay wala sa parehong pangkat: ang mga aplikante sa screen ng astronaut upang makahanap ng mga malusog na kandidato, na nagpapanatili ng isang komprehensibong rehimeng pang-fitness upang mapaglabanan ang mga epekto ng pamumuhay sa "microgravity".
Kung gayon, inaasahan namin na maging mas malusog ang mga ito kaysa sa mga manggagawa sa opisina, sa karaniwan, at dapat na may karapatang mag-aalala kung sila ay hindi.
2) Pagkategorya at ang Epekto sa Pag-migrate ng Stage - ang pag-shuffling ng mga tao sa pagitan ng mga grupo ay maaaring magkaroon ng mga dramatikong epekto sa mga resulta ng istatistika.
Ito ay kilala rin bilang ang Will Rogers epekto, pagkatapos ng komedyante ng US na iniulat na:
Nang umalis ang okies Oklahoma at inilipat sa California, itinaas nila ang average na antas ng katalinuhan sa parehong estado.
Upang ilarawan, isipin na hatiin ang isang malaking grupo ng mga kaibigan sa isang "maikling" grupo at isang "matangkad" na grupo (marahil upang ayusin ang mga ito para sa isang larawan). Ang pagkakaroon ng tapos na ito, ito ay nakakagulat na madaling upang taasan ang average na taas ng parehong mga grupo nang sabay-sabay.
Itanong lang sa pinakamaikling tao sa "matangkad" na grupo upang lumipat sa "maikling" grupo. Ang "matangkad" na grupo ay nawala ang kanilang pinakamaikling miyembro, kaya ang kanilang average na taas - ngunit ang "maikling" grupo ay nakakuha ng kanilang pinakamataas na miyembro, at sa gayon ay nakakakuha rin ng average na taas.
Ito ay may mga pangunahing implikasyon sa mga medikal na pag-aaral, kung saan ang mga pasyente ay madalas na pinagsunod-sunod sa mga "malusog" o "hindi malusog" na mga grupo sa pagsubok ng isang bagong paggamot. Kung ang mga diagnostic na paraan ay mapabuti, ang ilang mga napaka-bahagyang-hindi malusog na mga pasyente ay maaaring recategorised - na humahantong sa kalusugan resulta ng parehong mga grupo ng pagpapabuti, hindi alintana kung paano epektibo (o hindi) ang paggamot ay.
Ang pagpili at pagpili sa mga datos ay maaaring humantong sa maling konklusyon. Ang mga may pag-aalinlangang makita ang panahon ng paglamig (asul) kapag ang data ay talagang nagpapakita ng pangmatagalang pag-init (berde). skepticalscience.com
3) Data mining - kapag isang kasaganaan ng mga data ay naroroon, bits at piraso ay maaaring maging cherry piniling upang suportahan ang anumang nais na konklusyon.
Ito ay masamang statistical practice, ngunit kung tapos na sadya ay maaaring maging mahirap na lugar nang walang kaalaman ng orihinal, kumpletong hanay ng data.
Isaalang-alang ang graph sa itaas na nagpapakita ng dalawang interpretasyon ng data ng global warming, halimbawa. O plurayd - sa maliit na halaga ito ay isa sa mga pinaka-epektibong mga gamot sa pag-iwas sa kasaysayan, ngunit ang positibong epekto ay nawala nang lubos kung ang isa lamang ay itinuturing na nakakalason na dami ng plurayd.
Para sa mga katulad na kadahilanan, mahalaga na ang mga pamamaraan para sa isang eksaktong eksperimento sa statistical ay nakatakda sa lugar bago magsimula ang eksperimento at pagkatapos ay mananatiling hindi magbabago hanggang matapos ang eksperimento.
4) Clustering - na kung saan ay inaasahan kahit sa ganap na random na data.
Isaalang-alang ang isang medikal na pag-aaral na sinusuri kung paano ang isang partikular na sakit, tulad ng kanser o Maramihang esklerosis, ay ibinahagi sa heograpiya. Kung ang sakit ay naaakit nang random (at walang epekto ang kapaligiran) inaasahan naming makita ang maraming mga kumpol ng mga pasyente bilang isang bagay na siyempre. Kung ang mga pasyente ay kumalat nang ganap na pantay-pantay, ang pamamahagi ay magiging pinaka-di-random talaga!
Kaya ang pagkakaroon ng isang kumpol, o isang bilang ng mga maliliit na kumpol ng mga kaso, ay ganap na normal. Kinakailangan ang mga sopistikadong istatistikong pamamaraan upang matukoy kung gaano kalaki ang kinakailangan upang makapagpasiya na ang isang bagay sa lugar na iyon ay maaaring magdulot ng sakit.
Sa kasamaang palad, ang anumang kumpol sa lahat - kahit isang di-makabuluhang isa - ay gumagawa para sa isang madaling (at sa unang sulyap, nakahihikayat) headline ng balita.
Ang pagtatasa ng istatistika, tulad ng anumang iba pang makapangyarihang kasangkapan, ay dapat gamitin nang maingat - at lalo na, dapat isaalang-alang ang isa kapag gumuhit ng mga konklusyon batay sa katunayan na ang dalawang dami ay may kaugnayan.
Sa halip, dapat na lagi nating igiit ang magkakahiwalay na katibayan upang magtaltalan para sa sanhi-at-epekto - at ang katibayan na iyon ay hindi dumating sa anyo ng isang solong statistical number.
Parang nakahihikayat na mga ugnayan, sabihin sa pagitan ng mga ibinigay na mga gene at skisoprenya o sa pagitan ng isang mataas na taba diyeta at sakit sa puso, maaaring maging batay sa napaka-kaduda-dudang pamamaraan.
Kami ay marahil bilang isang species cognitively hindi handa upang harapin ang mga isyu na ito. Bilang tagapagturo ng Canada Kieran Egan ilagay ito sa kanyang aklat Pagkuha nito Maling mula sa Simula:
Ang masamang balita ay ang aming ebolusyon ay nagtaguyod sa amin upang mabuhay sa mga maliliit, matatag, hunter-gatherer na mga lipunan. Kami ay mga Pleistocene, ngunit ang aming mga talino ay lumikha ng malalaking, maraming kultura, technologically sopistikadong at mabilis na pagbabago ng mga lipunan para sa amin upang manirahan.
Bilang resulta, kailangan nating patuloy na labanan ang tukso upang makita ang kahulugan ng pagkakataon at malito ang ugnayan at pagsasagawa.
Ang artikulong ito ay orihinal na na-publish sa Ang pag-uusap
Basahin ang ang orihinal na artikulo.
Tungkol sa May-akda
Si Jonathan Borwein (Jon) ay Laureate Propesor ng Matematika at Unibersidad ng Newcastle. Siya ang Laureate Propesor ng matematika sa Unibersidad ng Newcastle at Direktor ng Sentro para sa Matematika na Tinutulungan ng Pananaliksik ng Computer at ang mga Aplikasyon nito (CARMA). Nagtrabaho siya sa Carnegie-Melon, Dalhousie, Simon Fraser, at Waterloo Universities at nagdaos ng dalawang Canada Research Chairs sa computing.
Si Michael Rose ay isang PhD Candidate, School of Mathematical at Physical Sciences sa Unibersidad ng Newcastle. Ang mag-aaral ng matematika PhD sa ilalim ng pangangasiwa ni Prof. Jon Borwein sa Laureate sa Unibersidad ng Newcastle, Australia. Kasalukuyang tumutulong sa pananaliksik sa paglalapat ng fractal matematika sa pagmomolde ng mga distribusyon ng utak na synapse.
Disclosure Statement: Ang mga may-akda ay hindi gumagana para sa, kumunsulta sa, nagmamay-ari ng pagbabahagi o tumatanggap ng pagpopondo mula sa anumang kumpanya o organisasyon na makikinabang mula sa artikulong ito. Wala ring mga kaugnay na kaakibat ang mga ito.
Inirerekumendang Book:
Money, Sex, War, Karma: Notes para sa isang Buddhist Revolution
ni David R. Loy.
Si David Loy ay naging isa sa pinakamakapangyarihang tagapagtaguyod ng pananaw sa mundo ng Budismo, na nagpapaliwanag na walang iba pang kakayahang baguhin ang sociopolitical landscape ng modernong mundo. Sa Pera, Sex, War, Karma, siya ay nag-aalok ng matalim at kahit shockingly malinaw na mga pagtatanghal ng malimit-gusot Buddhist Staples - ang paggawa ng karma, ang likas na katangian ng sarili, ang mga sanhi ng problema sa parehong mga indibidwal at societal na antas-at ang tunay na mga dahilan sa likod ng aming kolektibong pakiramdam ng "hindi sapat , "kung ito ay oras, pera, kasarian, seguridad ... kahit na digmaan. Ang "Buddhist Revolution" ni David ay walang iba kundi ang isang radikal na pagbabago sa mga paraan na maaari nating lapitan ang ating buhay, ating planeta, mga kolektibong delusyon na lumaganap sa ating wika, kultura, at maging ang ating espirituwalidad.
I-click dito para sa karagdagang impormasyon at / o mag-order ng aklat na ito sa Amazon.
