สถิติที่ทำให้เข้าใจผิดอาจเป็นอันตรายได้ (ตัวอย่างบางส่วน)

ผู้คนอาศัยสถิติเพื่อรับข้อมูลที่สำคัญ ในโลกของธุรกิจ สถิติสามารถเป็นประโยชน์สำหรับการติดตามแนวโน้ม และเพิ่มผลผลิตสูงสุด แต่ บางครั้งสถิติสามารถนำเสนอในทางที่ผิด ได้ ตัวอย่างเช่น ในปี 2550 Advertising Standards Authority (ADA) ในสหราชอาณาจักรได้รับการร้องเรียนเกี่ยวกับโฆษณาคอลเกต

โฆษณาดังกล่าวอ้างว่า 80% ของทันตแพทย์แนะนำให้ใช้ยาสีฟันคอลเกต การร้องเรียนที่ ADA ได้รับโต้แย้งว่าเป็นการละเมิดกฎการโฆษณาในสหราชอาณาจักร หลังจากพิจารณาเรื่องนี้แล้ว ADA พบว่าโฆษณาดังกล่าวใช้สถิติที่ทำให้เข้าใจผิด

เป็นความจริงที่ทันตแพทย์หลายคนแนะนำให้ใช้ยาสีฟันคอลเกต แต่ไม่ใช่ทุกคนที่อ้างถึงคอลเกตเป็นคำแนะนำอันดับหนึ่ง ทันตแพทย์ส่วนใหญ่แนะนำยาสีฟันชนิดอื่นๆ ด้วย และคอลเกตมักจะพบในภายหลัง

นี่เป็นเพียงตัวอย่างหนึ่งของการใช้สถิติที่ทำให้เข้าใจผิด ผู้คนพบตัวอย่างสถิติที่ทำให้เข้าใจผิดในหลายด้านของชีวิต คุณสามารถหาตัวอย่างได้ในข่าว ในโฆษณา ในการเมือง และแม้แต่ในวิทยาศาสตร์

โพสต์นี้จะ ช่วยให้คุณรู้จักสถิติที่ทำให้เข้าใจผิดและข้อมูลที่ทำให้เข้าใจผิดอื่นๆ จะหารือว่าข้อมูลนี้ทำให้ผู้คนเข้าใจผิดได้อย่างไร คุณจะได้เรียนรู้ว่าจะใช้ข้อมูลเมื่อใดและอย่างไรในการตัดสินใจที่สำคัญ

สถิติที่ทำให้เข้าใจผิดคืออะไร?

สถิติเป็นผลมาจากการรวบรวมข้อมูลที่เป็นตัวเลข วิเคราะห์อย่างรอบคอบ แล้วตีความ การมีสถิติมีประโยชน์อย่างยิ่งหากคุณต้องจัดการกับข้อมูลจำนวนมาก แต่สิ่งใดที่สามารถวัดได้ก็สามารถกลายเป็นสถิติได้ สถิติมักจะเปิดเผยมากมายเกี่ยวกับโลกและวิธีการทำงาน

อย่างไรก็ตาม เมื่อข้อมูลนั้นถูกใช้ในทางที่ผิด แม้แต่โดยไม่ได้ตั้งใจ ข้อมูลนั้นจะกลายเป็นสถิติที่ทำให้เข้าใจผิด สถิติที่ทำให้เข้าใจผิดให้ข้อมูลเท็จที่หลอกลวงพวกเขาแทนที่จะแจ้งให้ทราบ

เมื่อผู้คนนำสถิติออกจากบริบท มันจะสูญเสียคุณค่าและอาจทำให้ผู้คนสรุปผลที่ไม่ถูกต้องได้ คำว่า “สถิติที่ทำให้เข้าใจผิด” อธิบายถึงวิธีการทางสถิติใด ๆ ที่แสดงข้อมูลอย่างไม่ถูกต้อง ไม่ว่าจะโดยตั้งใจหรือไม่ ก็ตาม ก็ยังคงนับเป็นสถิติที่ทำให้เข้าใจผิด

เมื่อรวบรวมข้อมูลสำหรับสถิติ มีหลักการสามประการที่ควรคำนึงถึง ปัญหาเกี่ยวกับการวิเคราะห์ข้อมูลอาจเกิดขึ้นระหว่างจุดเหล่านี้

• การรวบรวม: ในขณะที่รวบรวมข้อมูล
• การประมวลผล: เมื่อวิเคราะห์ข้อมูลและความหมาย
• งานนำเสนอ: เมื่อแบ่งปันสิ่งที่คุณค้นพบกับผู้อื่น

ขนาดตัวอย่างขนาดเล็ก

การสำรวจขนาดตัวอย่างเป็นตัวอย่างหนึ่งของการสร้างสถิติที่ทำให้เข้าใจผิด การสำรวจหรือการศึกษาที่ดำเนินการกับผู้ชมขนาดกลุ่มตัวอย่างมักจะให้ผลลัพธ์ที่ทำให้เข้าใจผิดจนใช้งานไม่ได้

ยกตัวอย่าง แบบสำรวจถามคน 20 คนด้วยคำถามที่ใช่หรือไม่ใช่ 19 คนตอบใช่แบบสำรวจ ดังนั้น ผลปรากฏว่า 95% ของผู้คนจะตอบว่า ใช่ สำหรับคำถามนั้น แต่นี่ไม่ใช่แบบสำรวจที่ดีเนื่องจากข้อมูลมีจำกัด

สถิตินี้ไม่มีค่าที่แท้จริง ตอนนี้ ถ้าคุณถามคำถามเดียวกันนี้กับคน 1,000 คน และ 950 คนตอบว่าใช่ นั่นเป็นสถิติที่น่าเชื่อถือกว่ามากที่แสดงว่าคน 95% ตอบว่าใช่

ในการดำเนินการศึกษาขนาดตัวอย่างที่เชื่อถือได้ คุณต้องพิจารณาสามสิ่ง:

• หนึ่ง : คุณถามคำถามแบบไหน?
• สอง : อะไรคือนัยสำคัญของสถิติที่คุณกำลังพยายามค้นหา?
• และ สาม : คุณจะใช้เทคนิคทางสถิติอะไร

เพื่อให้ได้ผลที่เชื่อถือได้ การวิเคราะห์เชิงปริมาณขนาดตัวอย่างใด ๆ ควรมีผู้เข้าร่วมอย่างน้อย 200 คน

คำถามที่โหลด

สิ่งสำคัญคือต้อง ค้นหาข้อมูลจากแหล่งข้อมูลที่เป็นกลาง มิฉะนั้นข้อมูลจะเอียง คำถามที่โหลดใช้สมมติฐานที่ขัดแย้งหรือไม่ยุติธรรมเพื่อจัดการกับคำตอบ ตัวอย่างหนึ่งคือการถามคำถามที่ขึ้นต้นว่า “คุณชอบอะไร” คำถามนี้รวบรวมข้อเสนอแนะในเชิงบวกได้ดีเยี่ยม แต่ไม่สามารถสอนสิ่งที่เป็นประโยชน์แก่คุณได้ ไม่เปิดโอกาสให้บุคคลแสดงความคิดเห็นอย่างตรงไปตรงมา

พิจารณาความแตกต่างในสองคำถามต่อไปนี้:

• คุณสนับสนุนการปฏิรูปภาษีที่จะหมายถึงภาษีที่สูงขึ้นหรือไม่?
• คุณสนับสนุนการปฏิรูปภาษีที่จะเป็นประโยชน์ต่อการแจกจ่ายทางสังคมหรือไม่?

โดยพื้นฐานแล้วคำถามเกี่ยวข้องกับเรื่องเดียวกัน แต่ผลลัพธ์จากคำถามแต่ละข้อจะแตกต่างกันมาก การสำรวจควรดำเนินการในลักษณะที่เป็นกลางและเป็นกลาง คุณต้องการได้รับความคิดเห็นที่ตรงไปตรงมาของผู้คนและภาพรวมของสิ่งที่ผู้คนคิด เพื่อให้บรรลุเป้าหมายนั้น คำถามของคุณไม่ควรบอกเป็นนัยถึงคำตอบหรือกระตุ้นการตอบสนองทางอารมณ์

การอ้างถึง "ค่าเฉลี่ย" ที่ทำให้เข้าใจผิด

บางคนใช้คำว่า "ปานกลาง" เพื่อปิดบังความจริงหรือโกหกเพื่อให้ข้อมูลดูดีขึ้น

เทคนิคนี้มีประโยชน์อย่างยิ่งหากมีคนต้องการให้ตัวเลขดูใหญ่ขึ้นหรือดีกว่าที่เป็นอยู่ ตัวอย่างเช่น มหาวิทยาลัยที่ต้องการดึงดูดนักศึกษาใหม่อาจให้เงินเดือนประจำปี "เฉลี่ย" สำหรับผู้สำเร็จการศึกษาจากโรงเรียนของตน แต่อาจมีนักเรียนไม่กี่คนที่เงินเดือนสูงจริงๆ แต่เงินเดือนของพวกเขาทำให้รายได้เฉลี่ยของนักเรียนทุกคนสูงขึ้น ที่ดูดีขึ้นสำหรับค่าเฉลี่ยทั้งหมด

ค่าเฉลี่ยยังมีประโยชน์ในการซ่อนความไม่เท่าเทียมกัน อีกตัวอย่างหนึ่ง สมมติว่าบริษัทหนึ่งจ่ายเงิน 20,000 ดอลลาร์ต่อปีให้กับพนักงาน 90 คน แต่เจ้านายของพวกเขาได้รับ $200,000 ต่อปี หากคุณรวมค่าจ้างของเจ้านายและค่าจ้างของพนักงาน รายได้เฉลี่ยของสมาชิกแต่ละคนในบริษัทจะเท่ากับ 21,978 ดอลลาร์

บนกระดาษนั่นดูดี แต่ตัวเลขนั้นไม่สามารถบอกเรื่องราวทั้งหมดได้ เพราะพนักงานคนหนึ่ง (เจ้านาย) ทำเงินได้มากกว่าคนงานคนอื่นๆ ผลลัพธ์ประเภทนี้จึงนับเป็นสถิติที่ทำให้เข้าใจผิด

ข้อมูลสะสมเทียบกับข้อมูลประจำปี

ข้อมูลสะสมจะติดตามข้อมูลบนกราฟเมื่อเวลาผ่านไป แต่ละครั้งที่คุณป้อนข้อมูลลงในแผนภูมิ กราฟจะเพิ่มขึ้น

ข้อมูลประจำปีแสดงข้อมูลทั้งหมดสำหรับปีที่ระบุ

ข้อมูลการติดตามในแต่ละปีให้ภาพที่แท้จริงของแนวโน้มทั่วไป

ตัวอย่างหนึ่งของกราฟสะสมคือกราฟ Worldometer COVID-19 ในช่วงการระบาดของ COVID-19 มีตัวอย่างกราฟสะสมจำนวนมากปรากฏขึ้น พวกเขามักจะสะท้อนถึงจำนวนผู้ป่วยโควิดสะสมในพื้นที่เฉพาะ

บางบริษัทใช้กราฟแบบนี้เพื่อทำให้ยอดขายปรากฏมากกว่าที่เป็นอยู่ ในปี 2013 Tim Cook CEO ของ Apple ได้รับคำวิจารณ์ว่าใช้การนำเสนอที่แสดงเฉพาะยอดขาย iPhone สะสมเท่านั้น หลายคนรู้สึกว่าเขาจงใจทำเช่นนี้เพื่อปกปิดข้อเท็จจริงที่ว่ายอดขาย iPhone กำลังลดน้อยลง

นี่ไม่ได้หมายความว่าข้อมูลที่สะสมทั้งหมดนั้นไม่ดีหรือเป็นเท็จ ในความเป็นจริง มันสามารถเป็นประโยชน์ในการติดตามการเปลี่ยนแปลงหรือการเติบโตและผลรวมต่างๆ แต่สิ่งสำคัญคือต้องใส่ใจกับการเปลี่ยนแปลงของข้อมูล จากนั้นมองให้ลึกลงไปถึงสาเหตุที่ทำให้เกิดสิ่งเหล่านี้ แทนที่จะอาศัยแผนภูมิเพื่อบอกคุณทุกอย่าง

การทำให้เป็นข้อมูลทั่วไปและตัวอย่างที่มีอคติ

Overgeneralization เกิดขึ้นเมื่อมีคนคิดว่าสิ่งที่เป็นจริงสำหรับคนหนึ่งจะต้องเป็นจริงสำหรับคนอื่นๆ โดยปกติแล้ว ความเข้าใจผิดนี้เกิดขึ้นเมื่อมีคนทำการศึกษากับคนบางกลุ่ม จากนั้นพวกเขาจะสันนิษฐานว่าผลลัพธ์จะเป็นจริงจากกลุ่มคนอีกกลุ่มหนึ่งที่ไม่เกี่ยวข้องกัน

ตัวอย่างที่ไม่เป็นตัวแทน หรือตัวอย่างที่มีอคติ คือ แบบสำรวจที่ไม่ได้เป็นตัวแทนของประชากรทั่วไปอย่างถูกต้อง

ตัวอย่างหนึ่งของตัวอย่างที่มีอคติเกิดขึ้นระหว่างการเลือกตั้งประธานาธิบดีในสหรัฐอเมริกาในปี พ.ศ. 2479

The Literary Digest นิตยสารยอดนิยมในขณะนั้น จัดทำแบบสำรวจเพื่อทำนายว่าใครจะชนะการเลือกตั้ง ผลทำนายว่าอัลเฟรด แลนดอน จะชนะขาดลอย

นิตยสารนี้ขึ้นชื่อเรื่องการทำนายผลการเลือกตั้งอย่างแม่นยำ อย่างไรก็ตามในปีนี้พวกเขาคิดผิดอย่างสิ้นเชิง Franklin Roosevelt ชนะด้วยคะแนนเสียงเกือบสองเท่าของฝ่ายตรงข้าม

การวิจัยเพิ่มเติมบางชิ้นเปิดเผยว่ามีตัวแปรสองตัวเข้ามามีส่วนทำให้ผลลัพธ์ผิดเพี้ยน

ประการแรก ผู้เข้าร่วมการสำรวจส่วนใหญ่เป็นบุคคลที่พบในสมุดโทรศัพท์และในรายการลงทะเบียนอัตโนมัติ ดังนั้นการสำรวจจึงดำเนินการกับผู้ที่มีสถานะทางเศรษฐกิจและสังคมในระดับหนึ่งเท่านั้น

ปัจจัยที่สอง คือผู้ที่ลงคะแนนให้ Landon เต็มใจตอบแบบสำรวจมากกว่าผู้ที่เลือกลงคะแนนให้ Roosevelt ผลลัพธ์ที่ได้จึงสะท้อนอคตินั้น

การตัดทอนแกน

การตัดแกนบนกราฟเป็นอีกตัวอย่างหนึ่งของสถิติที่ทำให้เข้าใจผิด ในกราฟทางสถิติส่วนใหญ่ ทั้งแกน x และ y น่าจะเริ่มต้นจากศูนย์ แต่การตัดแกนหมายความว่ากราฟจะเริ่มต้นแกนด้วยค่าอื่น สิ่งนี้ส่งผลต่อรูปลักษณ์ของกราฟและส่งผลต่อข้อสรุปที่บุคคลจะวาด

นี่คือตัวอย่างหนึ่งที่แสดงให้เห็นสิ่งนี้:

อีกตัวอย่างหนึ่งเกิดขึ้นเมื่อเร็วๆ นี้ในเดือนกันยายน 2021 ในการออกอากาศรายการหนึ่งของ Fox News ผู้ประกาศข่าวใช้แผนภูมิแสดงจำนวนชาวอเมริกันที่อ้างว่าเป็นคริสเตียน แผนภูมิแสดงให้เห็นว่าจำนวนชาวอเมริกันที่ระบุว่านับถือศาสนาคริสต์ลดลงอย่างมากในช่วง 10 ปีที่ผ่านมา

ในกราฟต่อไปนี้ เราจะเห็นว่าในปี 2009 77% ของชาวอเมริกันระบุว่านับถือศาสนาคริสต์

ภายในปี 2562 ตัวเลขดังกล่าวลดลงเหลือ 65% ในความเป็นจริงนั้นไม่ได้ลดลงมากนัก แต่แกนในแผนภูมินี้เริ่มต้นที่ 58% และหยุดที่ 78% ดังนั้น การลดลง 12% จากปี 2009 ถึง 2019 จึงดูรุนแรงกว่าที่เป็นจริงมาก

สาเหตุและความสัมพันธ์

อาจเป็นเรื่องง่ายที่จะถือว่าการเชื่อมต่อระหว่างจุดข้อมูลที่ดูเหมือนเชื่อมต่อกันสองจุด ว่ากันว่าความ สัมพันธ์ไม่ได้หมายความถึงสาเหตุ เหตุผลที่เป็นเช่นนั้น?

กราฟนี้แสดงให้เห็นว่าเหตุใดความสัมพันธ์จึงไม่เหมือนกับสาเหตุ

นักวิจัยมักอยู่ภายใต้ความกดดันอย่างมากในการค้นหาข้อมูลใหม่ที่เป็นประโยชน์ ดังนั้นสิ่งล่อใจที่จะกระโดดปืนและหาข้อสรุปก่อนเวลาอันควรจึงมีอยู่เสมอ นั่นเป็นเหตุผล ว่า ทำไมใน แต่ละ สถานการณ์จึงต้องมองหาเหตุและผลที่ แท้จริง

การใช้เปอร์เซ็นต์เพื่อซ่อนตัวเลขและการคำนวณ

เปอร์เซ็นต์สามารถซ่อนตัวเลขที่แน่นอนและทำให้ผลลัพธ์ดูน่าเชื่อถือและน่าเชื่อถือมากกว่าที่เป็นอยู่

ตัวอย่างเช่น ถ้าคนสองในสามคนชอบผลิตภัณฑ์ทำความสะอาดบางอย่าง คุณอาจพูดได้ว่าคน 66.667% ชอบผลิตภัณฑ์นั้น ทำให้ตัวเลขดูเป็นทางการมากขึ้น โดยเฉพาะตัวเลขหลังจุดทศนิยม

ต่อไปนี้เป็นวิธีอื่นๆ อีกสองสามวิธีที่ทศนิยมและเปอร์เซ็นต์สามารถบดบังความจริงได้:

• การ ซ่อนตัวเลขดิบและขนาดตัวอย่างขนาดเล็ก เปอร์เซ็นต์ปิดบังค่าสัมบูรณ์ของตัวเลขดิบ สิ่งนี้ทำให้มีประโยชน์สำหรับผู้ที่ต้องการซ่อนตัวเลขที่ไม่ประจบสอพลอหรือผลลัพธ์ที่มีขนาดตัวอย่างเล็ก
• โดยใช้ฐานต่างๆ เนื่องจากเปอร์เซ็นต์ไม่ได้ระบุตัวเลขดั้งเดิมที่ยึดตาม จึงสามารถบิดเบือนผลลัพธ์ได้ง่าย ถ้ามีคนต้องการให้เลขหนึ่งดูดีขึ้น พวกเขาสามารถคำนวณเลขนั้นจากฐานอื่นได้

เรื่องนี้เคยเกิดขึ้นครั้งหนึ่งในรายงานของ New York Times เกี่ยวกับพนักงานสหภาพแรงงาน คนงานถูกลดค่าจ้าง 20% ในหนึ่งปี และในปีถัดมา Times รายงานว่าสหภาพแรงงานได้รับการขึ้นเงินเดือน 5% ดังนั้นข้อเรียกร้องก็คือพวกเขาได้เงินคืนหนึ่งในสี่ของค่าจ้างที่ถูกตัดไป

อย่างไรก็ตาม คนงานได้รับการปรับขึ้น 5% จากค่าจ้างปัจจุบัน ไม่ใช่ค่าจ้างที่พวกเขาได้รับก่อนการตัดค่าจ้าง ดังนั้นแม้ว่าจะดูดีบนกระดาษ แต่การตัดค่าจ้าง 20% และการขึ้นเงินเดือน 5% นั้นคำนวณจากตัวเลขฐานที่แตกต่างกัน ตัวเลขสองตัวนี้เทียบกันไม่ได้เลยจริงๆ

เชอร์รี่หยิบ/ทิ้งข้อมูลที่เสียเปรียบ

คำว่า "การเก็บเชอร์รี่" มีพื้นฐานมาจากแนวคิดในการเก็บเฉพาะผลไม้ที่ดีที่สุดจากต้น ใครก็ตามที่เห็นว่าผลไม้จะต้องคิดว่าผลไม้ทั้งหมดบนต้นไม้นั้นมีประโยชน์เท่าเทียมกัน เห็นได้ชัดว่าไม่จำเป็นต้องเป็นเช่นนั้น

หลักการเดียวกันนี้มีผลในกรณีของการเปลี่ยนแปลงสภาพภูมิอากาศ แผนภูมิจำนวนมากจำกัดกรอบข้อมูลให้แสดงเฉพาะการเปลี่ยนแปลงสภาพภูมิอากาศตั้งแต่ปี 2000 ถึง 2013

เป็นผลให้ดูเหมือนว่าการเปลี่ยนแปลงของอุณหภูมิและความผิดปกติจะสอดคล้องกันและไม่เปลี่ยนแปลงมากนัก เมื่อคุณถอยออกมาหนึ่งก้าวและมองภาพรวม มันจะชัดเจนว่ามีการเปลี่ยนแปลงและความผิดปกติตรงไหน

นอกจากนี้ยังเกิดขึ้นในสาขาสัตวแพทยศาสตร์ เมื่อสัตวแพทย์ถูกขอให้นำเสนอผลลัพธ์จากยาทดลองตัวใหม่ พวกเขามักจะนำเสนอผลลัพธ์ที่ดีที่สุด โดยเฉพาะอย่างยิ่งหากบริษัทยาสนับสนุนการทดลอง พวกเขาต้องการเห็นผลลัพธ์ที่ดีที่สุดเท่านั้น

ข้อมูลที่สวยงามของคุณสมควรได้รับการออนไลน์

wpDataTables สามารถทำให้เป็นเช่นนั้นได้ มีเหตุผลที่ดีว่าทำไมปลั๊กอิน WordPress อันดับ 1 สำหรับการสร้างตารางและแผนภูมิที่ตอบสนอง

และมันง่ายมากที่จะทำสิ่งนี้:

1. คุณให้ข้อมูลตาราง
2. กำหนดค่าและปรับแต่ง
3. เผยแพร่ในโพสต์หรือเพจ

และไม่ใช่แค่สวยเท่านั้น แต่ยังใช้งานได้จริงอีกด้วย คุณสามารถสร้างตารางขนาดใหญ่ที่มีแถวได้ถึงล้านแถว หรือจะใช้ตัวกรองและการค้นหาขั้นสูง หรือจะใช้ให้สุดโต่งและทำให้สามารถแก้ไขได้

“ใช่ แต่ฉันแค่ชอบ Excel มากเกินไป และไม่มีอะไรแบบนั้นบนเว็บไซต์” ใช่มี คุณสามารถใช้การจัดรูปแบบตามเงื่อนไขเช่นใน Excel หรือ Google ชีต

ฉันบอกคุณแล้วหรือยังว่าคุณสามารถสร้างแผนภูมิด้วยข้อมูลของคุณได้ และนั่นเป็นเพียงส่วนน้อยเท่านั้น มีคุณสมบัติอื่น ๆ อีกมากมายสำหรับคุณ

การตกปลาข้อมูล

การตกปลาข้อมูลหรือที่เรียกว่าการขุดลอกข้อมูลคือการวิเคราะห์ข้อมูลจำนวนมากโดยมีเป้าหมายเพื่อค้นหาความสัมพันธ์ อย่างไรก็ตาม ตามที่กล่าวไว้ก่อนหน้านี้ในโพสต์นี้ ความสัมพันธ์ไม่ได้หมายความถึงสาเหตุ ยืนยันว่าเป็นเพียงการนำสถิติมาบิดเบือนเท่านั้น.

คุณสามารถดูตัวอย่างการตกปลาข้อมูลในสาขาอุตสาหกรรมได้ทุกวัน หนึ่งสัปดาห์มีเรื่องอื้อฉาวเกี่ยวกับการขุดข้อมูลและอีกหนึ่งสัปดาห์ต่อมาก็มีรายงานที่อุกอาจยิ่งกว่านี้หักล้าง

ปัญหาอีกประการหนึ่งของการวิเคราะห์ข้อมูลประเภทนี้คือผู้คนเลือกเฉพาะข้อมูลที่สนับสนุนมุมมองของตนและไม่สนใจข้อมูลที่เหลือ โดยการละเว้นข้อมูลที่ขัดแย้งกัน พวกเขาจะทำให้ผลลัพธ์ดูน่าเชื่อถือมากขึ้น

ป้ายกำกับกราฟและแผนภูมิที่สับสน

เมื่อการระบาดของ COVID-19 เริ่มขึ้น ผู้คนจำนวนมากหันมาใช้การแสดงภาพข้อมูลการแพร่กระจายของไวรัส คนที่ไม่เคยต้องทำงานกับการแสดงสถิติด้วยภาพก็ถูกโยนทิ้งจากข้อมูลสถิติส่วนลึก

นอกจากนี้ องค์กรต่างๆ มักจะพยายามที่จะรับข้อมูลของผู้คนอย่างรวดเร็ว บางครั้งนั่นหมายถึงการเสียสละสถิติที่ถูกต้อง สิ่งนี้ทำให้เกิดสถิติที่ทำให้เข้าใจผิดและการตีความข้อมูลผิด ๆ

ประมาณห้าเดือนหลังจาก COVID-19 เริ่มแพร่กระจาย กระทรวงสาธารณสุขของสหรัฐอเมริกาในจอร์เจียได้เผยแพร่แผนภูมินี้:

จุดประสงค์ของแผนภูมิคือเพื่อแสดง 5 ประเทศที่มีผู้ติดเชื้อ COVID สูงสุดในช่วง 15 วันที่ผ่านมา และจำนวนผู้ติดเชื้อในช่วงเวลาหนึ่ง

แผนภูมินี้มีข้อผิดพลาดเล็กน้อยที่ทำให้เข้าใจผิดได้ง่าย ตัวอย่างเช่น แกน x ไม่มีป้ายกำกับที่อธิบายว่ามันแสดงถึงความก้าวหน้าของกรณีและปัญหาเมื่อเวลาผ่านไป

ยิ่งไปกว่านั้น วันที่ในแผนภูมิไม่ได้จัดเรียงตามลำดับเวลา วันที่ในเดือนเมษายนและพฤษภาคมกระจายอยู่ทั่วแผนภูมิเพื่อให้ดูเหมือนว่าจำนวนคดีลดลงอย่างต่อเนื่อง แต่ละประเทศมีการระบุไว้ในลักษณะที่ทำให้ดูเหมือนว่าคดีต่างๆ ลดลง

ต่อมา พวกเขาเผยแพร่แผนภูมิซ้ำด้วยวันที่และมณฑลที่มีการจัดระเบียบดีขึ้น:

ตัวเลขที่ไม่ถูกต้อง

อีกตัวอย่างหนึ่งของสถิติที่ทำให้เข้าใจผิดมาในรูปแบบของตัวเลขที่ไม่ถูกต้อง สังเกตข้อความนี้จากแคมเปญ Reebok เก่า

โฆษณาอ้างว่ารองเท้าช่วยให้ เอ็นร้อยหวายและน่องของคนเราหนักขึ้น 11% และสามารถกระชับก้นของคน ได้มากกว่ารองเท้าผ้าใบแบบอื่นถึง 28% สิ่งที่คุณต้องทำคือเดินในรองเท้าผ้าใบ

ตัวเลขเหล่านี้ทำให้ดูเหมือนว่า Reebok ได้ทำการวิจัยอย่างละเอียดเกี่ยวกับประโยชน์ของรองเท้า

ความจริงก็คือตัวเลขเหล่านั้นถูกสร้างขึ้นมาอย่างสมบูรณ์ แบรนด์ดังกล่าวได้รับโทษสำหรับการใช้สถิติที่ทำให้เข้าใจผิดดังกล่าว พวกเขายังต้องเปลี่ยนข้อความและลบตัวเลขปลอม

วิธีหลีกเลี่ยงและระบุการใช้สถิติในทางที่ผิด

สถิติมีศักยภาพที่จะเป็นประโยชน์อย่างมาก แต่สถิติที่ทำให้เข้าใจผิดก็มีโอกาสสร้างความสับสนและหลอกลวงผู้คนได้เช่นกัน สถิติให้อำนาจในการแถลงและโน้มน้าวให้ผู้คนเชื่อถือในข้อโต้แย้งบางอย่าง

สถิติที่มั่นคงและเป็นความจริงช่วยให้ผู้คนเข้าใจและช่วยในการตัดสินใจ แต่ สถิติที่ทำให้เข้าใจผิดเป็นสิ่งที่อันตราย แทนที่จะช่วยเหลือผู้คนให้หลีกเลี่ยงหลุมพรางและหลุมบ่อ พวกเขานำผู้คนไปสู่สถานการณ์ที่พวกเขาต้องการหลีกเลี่ยง

แต่สามารถระบุสถิติและข้อมูลที่ทำให้เข้าใจผิดได้ เมื่อคุณเจอสถิติ ให้หยุดและถามคำถามต่อไปนี้:

• ข้อมูลนี้มาจากไหน?
• แหล่งที่มาถูกควบคุมหรือไม่ หรือเป็นการทดลองขนาดตัวอย่าง?
• มีปัจจัยอื่นใดอีกบ้างที่ส่งผลต่อผลลัพธ์นี้
• ข้อมูลนั้นพยายามบอกฉันหรือชี้นำฉันไปสู่ข้อสรุปที่กำหนดไว้ล่วงหน้า?

ไม่ว่าคุณกำลังรวบรวมข้อมูลหรือคุณกำลังดูผลการวิจัยของผู้อื่น ตรวจสอบให้แน่ใจว่าข้อมูลนั้นถูกต้อง ด้วยวิธีนี้คุณจะไม่เพิ่มการแพร่กระจายของสถิติที่ทำให้เข้าใจผิด

หากคุณชอบอ่านบทความนี้เกี่ยวกับสถิติที่ทำให้เข้าใจผิด คุณควรอ่านบทความนี้ด้วย:

• การแสดงข้อมูลเชิงโต้ตอบที่น่าประทับใจที่สุดที่คุณจะพบได้ทางออนไลน์
• เครื่องมือสร้างภาพข้อมูล WordPress ที่ดีที่สุดที่คุณสามารถหาได้
• เครื่องมือและแพลตฟอร์มการแสดงข้อมูลที่ดีที่สุดสำหรับคุณ