统计数据是了解我们周围世界的模式的有用工具。 但是当解释这些模式时,我们的直觉往往让我们失望。 在这个系列中,我们考察了一些我们所犯的常见错误,以及在考虑统计,概率和风险时如何避免这些错误。
1。 假设小差异是有意义的
股票市场中的许多日常波动代表了机会,而不是任何有意义的事情。 一方在前面一两点的民意调查差异往往只是统计噪音。
您可以通过要求查看与数字相关的“误差范围”来避免对这种波动的原因作出错误的结论。
如果差异小于误差幅度,则可能没有意义上的差异,并且差异可能只是随机波动。
2。 统计显着性与现实世界的重要性
我们经常听到关于两个群体如何在某些方面有所不同的概括,比如女人更体面,男人更强壮。
这些差异往往借鉴陈规和民间智慧,但往往忽视了两个群体之间的相似之处,以及群体内部人的差异。
如果随机挑选两名男子,他们的体力可能会有相当大的差异。 如果你挑一个男人和一个女人,他们可能最终在培育方面非常相似,或者这个男人可能比女人更加培育。
您可以通过要求组间差异的“效果大小”来避免此错误。 这是衡量一个小组的平均数与另一个小组的平均数有什么不同。
如果效应规模很小,那么这两组就非常相似。 即使效应规模较大,这两个群体内部也可能有很大的差异,因此,一个群体的所有成员都不同于另一个群体的所有成员。
3。 忽视看极端
效果大小的反面是相关的,当你正在关注的东西跟着一个“正态分布“(有时称为”钟形曲线“)。 这是大多数人接近平均分数的地方,只有一小部分人远高于平均分。
当这种情况发生时,组织的表现稍有变化就会产生一个差异,这对普通人来说意味着什么(见点2),但是更激进地改变了极端的特征。
通过反思你是否处理极端事件来避免这个错误。 当你和一般人打交道的时候,小团体的差异往往并不重要。 当你关心极端的事情时,小的群体差异可能会堆积如山。
4。 相信巧合
你知道吗? 相关 在美国每年淹没在游泳池里的人数和尼古拉斯·凯奇(Nicholas Cage)出现的电影数量之间呢?
如果你看起来足够硬,你可以找到有趣的模式和相关性,仅仅是巧合。
仅仅因为两件事情同时发生或者相似的变化,并不意味着它们是相关的。
通过询问观察到的关联有多可靠来避免这个错误。 这是一次性的,还是发生过多次? 未来的联想可以预测吗? 如果你只看过一次,那很可能是偶然的机会。
5。 后退因果关系
当两件事情相关时,比如说失业和心理健康问题,看到一个“明显的”因果关系路径可能是诱人的 - 比如心理健康问题导致失业。
但是,有时候因果关系的路径是另一个方向,比如导致精神健康问题的失业。
您可以通过记住在看到关联时考虑反向因果关系来避免此错误。 这个影响是否会在另一个方向发展呢? 还是可以双向进行,创建一个反馈循环?
6。 忘记考虑外部原因
人们往往不能评估可能的“第三因素”或外部原因,这可能会在两件事情之间产生联系,因为两者实际上都是第三因素的结果。
例如,在餐馆饮食和改善心血管健康之间可能存在关联。 这可能会导致你相信两者之间有因果关系。
然而,那些经常在餐馆吃饭的人,可能会处于社会经济的高度支配地位,而且能够负担得起更好的医疗保健,而健康护理则可以提供更好的心血管健康。
您可以通过记住在看到相关性时考虑第三个因素来避免这个错误。 如果你正在跟踪一件事情,那么问问你自己又是什么原因造成的? 第三个因素是否会导致观察结果?
7。 欺骗图
在图形上的垂直轴的缩放和标记中会出现很多恶作剧。 标签应显示您正在查看的全部有意义的范围。
但有时候图形制造者选择一个较窄的范围来使一个小的差异或联想看起来更有影响力。 在从0到100的范围内,两列可能看起来相同。 但是,如果您只绘制从52.5到56.5显示的相同数据,则可能显得截然不同。
注意沿轴注意图形的标签,可以避免这个错误。 尤其对未标记的图表持怀疑态度。
关于作者
Winnifred Louis,社会心理学副教授, 昆士兰大学 和Cassandra Chapman,社会心理学博士候选人, 昆士兰大学
相关书籍:
at InnerSelf 市场和亚马逊