How to spot a misleading graph - Lea Gaslowitz

איך לזהות גרף מטעה - ליה גסלוויץ'

תרגום: Ido Dekkers עריכה: Roni Ravia

A toothpaste brand claims their product will destroy more plaque

מותג משחת שיניים טוען שהמוצר שלהם ישמיד יותר פלאק

than any product ever made.

מכל מוצר אחר אי פעם.

A politician tells you their plan will create the most jobs.

פוליטיקאי אומר לכם שהתוכנית שלו תיצור הכי הרבה משרות.

We're so used to hearing these kinds of exaggerations

אנחנו כל כך רגילים לשמוע את ההגזמות האלו

in advertising and politics

בפרסום ובפוליטיקה

that we might not even bat an eye.

שאולי זה בכלל לא מזיז לנו.

But what about when the claim is accompanied by a graph?

אבל מה אם הטענה מלווה בגרף?

Afterall, a graph isn't an opinion.

אחרי הכל, גרף הוא לא דעה.

It represents cold, hard numbers, and who can argue with those?

הוא מייצג מספרים קרים וקשים, ומי יכול להתווכח עם אלו?

Yet, as it turns out, there are plenty of ways graphs can mislead

ועדיין, מסתבר, שיש הרבה דרכים בהן גרף יכול להטעות

and outright manipulate.

ואפילו להונות.

Here are some things to look out for.

הנה כמה דברים מהם כדאי להיזהר.

In this 1992 ad, Chevy claimed to make the most reliable trucks in America

בפרסומת הזו מ 1992, שברולט טענו שהם מייצרים את הטנדרים הכי אמינים באמריקה

using this graph.

כשהם מציגים את הגרף הזה.

Not only does it show that 98% of all Chevy trucks sold in the last ten years

לא רק שהוא מראה ש 98% מהטנדרים של שברולט שנמכרו בעשר שנים האחרונות

are still on the road,

נמצאים עדיין על הכביש,

but it looks like they're twice as dependable as Toyota trucks.

אלא שנראה כאילו הם פי שניים יותר אמינים מטנדרים של טויוטה.

That is, until you take a closer look at the numbers on the left

עד שאתם מביטים מקרוב במספרים משמאל

and see that the figure for Toyota is about 96.5%.

ורואים שהמספרים של טויוטה הם 96.5%.

The scale only goes between 95 and 100%.

קנה המידה נע רק בין 95% ל 100%.

If it went from 0 to 100, it would look like this.

אם הוא היה בין 0 ל 100%, זה היה נראה כך.

This is one of the most common ways graphs misrepresent data,

זו אחת הדרכים הכי נפוצות בה גרפים מציגים מידע בצורה מוטה,

by distorting the scale.

על ידי עיוות קנה המידה.

Zooming in on a small portion of the y-axis

התמקדות בחלק קטן של ציר ה Y

exaggerates a barely detectable difference between the things being compared.

מגזים הבדל כמעט בלתי מובחן בהשוואה בין דברים שונים.

And it's especially misleading with bar graphs

וזה בעיקר מטעה עם גרף עמודות

since we assume the difference in the size of the bars

מאחר ואנחנו מניחים שההבדל בגודל העמודות

is proportional to the values.

הוא יחסי לערכים.

But the scale can also be distorted along the x-axis,

אבל קנה המידה יכול גם להיות מעוות לאורך ציר ה X,

usually in line graphs showing something changing over time.

בדרך כלל בגרפי קווים שמראים משהו המשתנה לאורך זמן.

This chart showing the rise in American unemployment from 2008 to 2010

הגרף הזה שמראה את העליה באבטלה בארצות הברית מ 2008 ל 2010

manipulates the x-axis in two ways.

מעוות את ציר ה X בשתי דרכים.

First of all, the scale is inconsistent,

ראשית, קנה המידה אינו עקבי,

compressing the 15-month span after March 2009

משום שהוא דוחס תקופה של 15 חודשים אחרי מרץ 2009

to look shorter than the preceding six months.

על מנת שיראו קצרים יותר מששת החודשים שקדמו להם.

Using more consistent data points gives a different picture

שימוש בנקודות נתונים יותר עקביות נותן תמונה אחרת

with job losses tapering off by the end of 2009.

עם פחות אבטלה לקראת סוף 2009.

And if you wonder why they were increasing in the first place,

ואם אתם תוהים למה מלכתחילה היה גידול באבטלה,

the timeline starts immediately after the U.S.'s biggest financial collapse

טווח הזמן החל מיד לאחר ההתמוטטות הכלכלית הגדולה ביותר של ארצות הברית

since the Great Depression.

מאז השפל הגדול.

These techniques are known as cherry picking.

השיטות האלו ידועות בשם קטיף דובדבנים.

A time range can be carefully chosen to exclude the impact of a major event

טווח זמן יכול להבחר בכוונה כך שלא יכלול את ההשפעה של ארועים עיקריים

right outside it.

ממש מחוצה לו.

And picking specific data points can hide important changes in between.

ובחירת נקודות נתונים מסויימות יכולה להסתיר שינויים חשובים שקרו בינהן.

Even when there's nothing wrong with the graph itself,

אפילו כשאין שום דבר שגוי בגרף עצמו,

leaving out relevant data can give a misleading impression.

השמטת נתונים רלוונטים יכול לתת רושם מוטעה.

This chart of how many people watch the Super Bowl each year

הגרף הזה של מספר האנשים הצופים בסופר בול כל שנה

makes it look like the event's popularity is exploding.

גורם לזה להראות כאילו הפופולריות של הארוע נמצאת בשיאה.

But it's not accounting for population growth.

אבל הוא לא מתחשב בגידול באוכלוסיה.

The ratings have actually held steady

הרייטינג למעשה נשאר יציב

because while the number of football fans has increased,

בגלל שבעוד מספר אוהדי הפוטבול עלה,

their share of overall viewership has not.

האחוז שלהם מהאוכלוסיה נותר זהה.

Finally, a graph can't tell you much

לבסוף, גרף לא יאמר לכם הרבה

if you don't know the full significance of what's being presented.

אם אינכם יודעים את מלוא המשמעות של מה שמוצג.

Both of the following graphs use the same ocean temperature data

שני הגרפים הבאים משתמשים באותם נתונים על טמפרטורת האוקיינוס

from the National Centers for Environmental Information.

מהמרכזים הלאומיים למידע סביבתי.

So why do they seem to give opposite impressions?

אז למה נראה שהם מגיעים למסקנות מנוגדות?

The first graph plots the average annual ocean temperature

הגרף הראשון משרטט את הממוצע השנתי של טמפרטורת האוקיינוס

from 1880 to 2016,

מ 1880 עד 2016,

making the change look insignificant.

וגורם לשינויים להראות לא משמעותיים.

But in fact, a rise of even half a degree Celsius

אבל למעשה, עליה של אפילו חצי מעלת צלזיוס

can cause massive ecological disruption.

יכולה לגרום להפרעה אקולוגית מסיבית.

This is why the second graph,

לכן הגרף השני,

which show the average temperature variation each year,

שמראה את שינוי הטמפרטורה הממוצע כל שנה,

is far more significant.

הוא הרבה יותר משמעותי.

When they're used well, graphs can help us intuitively grasp complex data.

כשמשתמשים בהם היטב, גרפים יכולים לעזור לנו להבין אינטואיטיבית מידע מורכב.

But as visual software has enabled more usage of graphs throughout all media,

אבל בעוד תוכנות גרפיות איפשרו שימוש רב יותר בגרפים בכל המדיות,

it's also made them easier to use in a careless or dishonest way.

הן גם איפשרו שימוש בהם בדרכים שקריות וחסרות אחריות.

So the next time you see a graph, don't be swayed by the lines and curves.

אז בפעם הבאה שאתם רואים גרף, אל תושפעו מהקוים והעקומות.

Look at the labels,

הביטו בתוויות,

the numbers,

במספרים,

the scale,

בקנה המידה,

and the context,

ובהקשר,

and ask what story the picture is trying to tell.

ושאלו מה התמונה מנסה לספר.