How statistics can be misleading - Mark Liddell

Translator: Kelwalin Dhanasarnsombut Reviewer: Rawee Ma

Statistics are persuasive.

สถิติสามารถโน้มน้าวคนได้

So much so that people, organizations, and whole countries

มากพอที่ทำให้คน องค์กร และประเทศทั้งหลาย

base some of their most important decisions on organized data.

ตัดสินใจในสิ่งสำคัญ ๆ บนพื้นฐาน ของข้อมูลที่ถูกจัดเป็นระบบแล้ว

But there's a problem with that.

แต่ตรงนั้นแหละที่เป็นปัญหา

Any set of statistics might have something lurking inside it,

สถิติชุดใด ๆ อาจมีสิ่งที่ซุ่มซ่อนอยู่ในนั้น

something that can turn the results completely upside down.

บางอย่างทีอาจทำให้ผลลัพธ์ กลับหัวกลับหางไปอย่างสิ้นเชิง

For example, imagine you need to choose between two hospitals

ยกตัวอย่างเช่น ลองนึกภาพว่า คุณต้องเลือกระหว่าง 2 โรงพยาบาล

for an elderly relative's surgery.

ให้กับญาติสูงอายุของคุณ เข้ารับการผ่าตัด

Out of each hospital's last 1000 patient's,

จากคนไข้ 1,000 คนล่าสุด ของแต่ละโรงพยาบาล

900 survived at Hospital A,

900 คน รอดชีวิตจากโรงพยาบาล A

while only 800 survived at Hospital B.

ในขณะที่มีเพียง 800 คน ที่รอดชีวิตจากโรงพยาบาล B

So it looks like Hospital A is the better choice.

ดังนั้น มันอาจดูเหมือนว่าโรงพยาบาล A น่าจะเป็นทางเลือกที่ดีกว่า

But before you make your decision,

แต่ก่อนที่คุณจะตัดสินใจ

remember that not all patients arrive at the hospital

พึงจำไว้ว่า คนไข้ทั้งหมด ที่เข้ามาที่โรงพยาบาล

with the same level of health.

ไม่ได้เข้ามา ด้วยสภาวะสุขภาพแบบเดียวกัน

And if we divide each hospital's last 1000 patients

และถ้าหากเราแบ่งคนไข้ 1,000 คนสุดท้าย ของแต่ละโรงพยาบาลออกเป็น

into those who arrived in good health and those who arrived in poor health,

ผู้ที่เข้ามายังโรงพยาบาลด้วยสภาพร่างกาย ที่แข็งแรงและไม่แข็งแรง

the picture starts to look very different.

ภาพรวมก็เริ่มที่จะดูต่างออกไป

Hospital A had only 100 patients who arrived in poor health,

โรงพยาบาล A มีคนไข้เพียง 100 คน ที่เข้ามาด้วยสภาพร่างกายที่ไม่แข็งแรง

of which 30 survived.

ซึ่งมีผู้รอดชีวิต 30 คน

But Hospital B had 400, and they were able to save 210.

แต่โรงพยาบาล B มี 400 คน และพวกเขาช่วยชีวิตไว้ได้ 210 คน

So Hospital B is the better choice

ฉะนั้น โรงพยาบาล B เป็นตัวเลือกที่ดีกว่า

for patients who arrive at hospital in poor health,

สำหรับผู้ป่วยที่เข้ามายังโรงพยบาล ด้วยสภาพร่างกายที่ไม่แข็งแรง

with a survival rate of 52.5%.

ซึ่งอัตราการรอดชีวิตคือ 52.5%

And what if your relative's health is good when she arrives at the hospital?

แล้วญาติของคุณมีสภาพร่างกายที่ดี ตอนเข้ามาที่โรงพยาบาลหรือเปล่า

Strangely enough, Hospital B is still the better choice,

น่าแปลกที่โรงพยาบาล B ยังเป็นตัวเลือกที่ดีกว่า

with a survival rate of over 98%.

ด้วยอัตราการรอดชีวิต 98%

So how can Hospital A have a better overall survival rate

แล้วโรงพยาบาล A มีอัตราการรอดชีวิตทั้งหมดดีกว่าได้อย่างไร

if Hospital B has better survival rates for patients in each of the two groups?

ถ้าโรงพยาบาล B มีอัตราการอดชีวิต สำหรับผู้ป่วยในแต่ละกลุ่มสูงกว่า

What we've stumbled upon is a case of Simpson's paradox,

สิ่งที่เราเจออยู่นี้ คือ ซิมสันพาราด๊อก (Simpson's paradox)

where the same set of data can appear to show opposite trends

ซึ่งข้อมูลกลุ่มเดียวกัน สามารถที่จะแสดงแนวโน้มที่ตรงข้ามกันได้

depending on how it's grouped.

ขึ้นอยู่กับว่าเราจะจัดกลุ่มมันอย่างไร

This often occurs when aggregated data hides a conditional variable,

มันเกิดขึ้นเป็นประจำเมื่อข้อมูลที่ถูกนำมารวมกัน ซ่อนตัวแปรที่มีเงื่อนไขเอาไว้

sometimes known as a lurking variable,

บางครั้งมันถูกเรียกว่า ตัวแปรซุกซ่อน

which is a hidden additional factor that significantly influences results.

ซึ่งซ่อนปัจจัยอื่น ๆ ที่มีผลต่อผลลัพท์อย่างมีนัยสำคัญ

Here, the hidden factor is the relative proportion of patients

ในที่นี้ ปัจจัยที่ถูกซ่อนอยู่ คืออัตราส่วนสัมพัทธ์ของคนไข้

who arrive in good or poor health.

ผู้ซึ่งมาที่โรงพยาบาลด้วยสภาพร่างกาย ที่แข็งแรงหรือไม่แข็งแรง

Simpson's paradox isn't just a hypothetical scenario.

ซิมสันพาราด๊อกไม่ได้เป็นเพียง เหตุการณ์ในทางทฤษฎี

It pops up from time to time in the real world,

มันเกิดขึ้นจริง ๆ เป็นครั้งคราว

sometimes in important contexts.

บางครั้งในบริบทที่สำคัญ

One study in the UK appeared to show

การศึกษาหนึ่งในสหราชอาณาจักร แสดงว่า

that smokers had a higher survival rate than nonsmokers

ผู้ที่สูบบุหรี่มีอัตราการรอดชีวิต สูงกว่าผู้ที่ไม่สูบบุหรี่

over a twenty-year time period.

ตลอดระยะเวลายี่สิบปี

That is, until dividing the participants by age group

จนกระทั่งเราแบ่งกลุ่มคนไข้ตามกลุ่มอายุ

showed that the nonsmokers were significantly older on average,

ซึ่งจะแสดงให้เห็นว่าผู้ที่ไม่สูบบุหรี่ มีอายุเฉลี่ยมากกว่าอย่างมีนัยสำคัญ

and thus, more likely to die during the trial period,

และดังนั้น จึงเป็นไปได้มากกว่า ที่พวกเขาจะเสียชีวิตในช่วงทดสอบ

precisely because they were living longer in general.

เนื่องจากพวกเขาโดยส่วนมากมีอายุมากกว่า

Here, the age groups are the lurking variable,

นี่คือกลุ่มอายุที่มีตัวแปรซุกซ่อน

and are vital to correctly interpret the data.

และมีความสำคัญต่อการตีความข้อมูล อย่างถูกต้อง

In another example,

ในอีกตัวอย่างหนึ่ง

an analysis of Florida's death penalty cases

การวิเคราะห์คดีของรัฐฟลอริด้า เกี่ยวกับการลงโทษประหารชีวิต

seemed to reveal no racial disparity in sentencing

เหมือนว่าจะเปิดเผยว่า ไม่มีความแตกต่างระหว่างเชื้อชาติ

between black and white defendants convicted of murder.

ระหว่างผู้ต้องหาผิวดำและขาว ที่โดนตั้งข้อหาฆาตกรรม

But dividing the cases by the race of the victim told a different story.

แต่การแบ่งคดีตามสีผิวของเหยื่อ บอกเรื่องราวที่ต่างกันออกไป

In either situation,

ไม่ว่าในสถานการณ์ไหน

black defendants were more likely to be sentenced to death.

ผู้ต้องหาผิวดำ มักจะถูกตัดสินประหารชีวิตมากกว่า

The slightly higher overall sentencing rate for white defendants

อัตราการตัดสินที่สูงกว่าเล็กน้อย สำหรับผู้ต้องหาผิวขาว

was due to the fact that cases with white victims

เป็นเพราะว่าคดีที่มีเหยื่อเป็นคนผิวขาว

were more likely to elicit a death sentence

มักจะถูกตัดสินให้ได้รับโทษประหาร

than cases where the victim was black,

มากกว่ากรณีที่เหยื่อเป็นคนผิวดำ

and most murders occurred between people of the same race.

และฆาตกรรมส่วนใหญ่จะเกิดขึ้น ในกลุ่มผู้มีสีผิวเดียวกัน

So how do we avoid falling for the paradox?

ฉะนั้น เราจะหลีกเลี่ยง การตกหลุมพาราด๊อกได้อย่างไร

Unfortunately, there's no one-size-fits-all answer.

น่าเสียดายที่มันไม่มีคำตอบตายตัว

Data can be grouped and divided in any number of ways,

ข้อมูลสามารถถูกจัดกลุ่ม และถูกแบ่งได้หลายรูปแบบ

and overall numbers may sometimes give a more accurate picture

และจำนวนทั้งหมด บางครั้งให้ภาพที่แม่นยำ

than data divided into misleading or arbitrary categories.

กว่าข้อมูลที่ถูกแบ่งเป็นหมวดหมู่ ที่ชวนสับสนและไร้กฎเกณฑ์

All we can do is carefully study the actual situations the statistics describe

ทั้งหมดที่เราทำได้คือศึกษาสถานการณ์ ที่สถิติอธิบายอย่างระมัดระวัง

and consider whether lurking variables may be present.

และพิจารณาว่ามันมีตัวแปรซุกซ่อนอยู่หรือเปล่า

Otherwise, we leave ourselves vulnerable to those who would use data

มิฉะนั้นแล้ว เราทำให้ตัวเราเสี่ยง กับผู้ที่อาจใช้ข้อมูล

to manipulate others and promote their own agendas.

ในการเหนี่ยวนำคนอื่น ๆ และส่งเสริมแผนการของพวกเขาเอง