Placeholder Image

字幕表 動画を再生する

  • Statistics are persuasive.

    統計には説得力があります

  • So much so that people, organizations, and whole countries

    それはそれは強力なので 人々や組織 そして国が

  • base some of their most important decisions on organized data.

    最も重要な決定を下すときには データを参考にします

  • But there's a problem with that.

    でもここに ある問題があります

  • Any set of statistics might have something lurking inside it,

    どんな統計でも その中に潜んでいるものが

  • something that can turn the results completely upside down.

    結果を全く逆に してしまうことがあるのです

  • For example, imagine you need to choose between two hospitals

    例えば 年をとった親戚の手術のため

  • for an elderly relative's surgery.

    2つの病院から1つを 選ばねばならないとしましょう

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

    各病院の直近1000人の患者のうち

  • 900 survived at Hospital A,

    A病院では900人が生存していましたが

  • while only 800 survived at Hospital B.

    B病院では800人だけでした

  • So it looks like Hospital A is the better choice.

    するとA病院を選ぶのが 良いように見えます

  • But before you make your decision,

    でも決断する前に

  • remember that not all patients arrive at the hospital

    思い出してください 来院する患者の健康度は

  • with the same level of health.

    全員が同一ではありません

  • And if we divide each hospital's last 1000 patients

    各病院の直近1000人の患者を

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

    健康状態が良い者と 悪い者とに分けてみると

  • the picture starts to look very different.

    見えてくる状況は 大きく変わってきます

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

    A病院では 健康状態が悪い患者は たった100人しか来ておらず

  • of which 30 survived.

    そのうち30人が生存していますが

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

    B病院には状態の悪い患者が400人来て 210人を救うことができました

  • So Hospital B is the better choice

    だから健康状態が悪い患者の場合は

  • for patients who arrive at hospital in poor health,

    B病院を選ぶ方が良いんです

  • with a survival rate of 52.5%.

    生存率は52.5%です

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

    ではその親戚の健康状態が 受診時に良好だったとしたら?

  • Strangely enough, Hospital B is still the better choice,

    不思議なことに B病院の方が やはり良い選択なんです

  • with a survival rate of over 98%.

    生存率は98%です

  • So how can Hospital A have a better overall survival rate

    ではどちらのグループの生存率も B病院が勝っているのに

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

    どうしてA病院の生存率の方が 総計では上になるのでしょう?

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

    私たちが陥っているのは 「シンプソンのパラドックス」です

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

    同一のデータでも グループの分け方によって

  • depending on how it's grouped.

    逆の傾向を示すことがあるんです

  • This often occurs when aggregated data hides a conditional variable,

    これがよく起きるのは 集められたデータが ある条件変数を隠し持っているときです

  • sometimes known as a lurking variable,

    それはときに 潜伏変数と言われるもので

  • which is a hidden additional factor that significantly influences results.

    結果に重要な影響を与えるような 隠れた別の要因のことです

  • Here, the hidden factor is the relative proportion of patients

    ここでの隠れた要因とは 訪れる患者の健康状態に関する

  • who arrive in good or poor health.

    相対的な比率です

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

    シンプトンのパラドックスは 単なる仮説ではありません

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

    現実の世界にときどき 現れているんです

  • sometimes in important contexts.

    重要な場面でも起こっています

  • One study in the UK appeared to show

    英国でのある研究では

  • that smokers had a higher survival rate than nonsmokers

    喫煙者が非喫煙者よりも

  • over a twenty-year time period.

    20年間にわたり 高い生存率を示しました

  • That is, until dividing the participants by age group

    しかし対象者を 年齢で区分してみると

  • showed that the nonsmokers were significantly older on average,

    非喫煙者の平均年齢が 明らかに高いことが分かりました

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

    したがって 研究期間中に 死亡する確率がより高いわけです

  • precisely because they were living longer in general.

    そもそも長く生きていますからね

  • Here, the age groups are the lurking variable,

    ここでは年齢が潜伏変数であり

  • and are vital to correctly interpret the data.

    それに基づくグループ分けは 正確なデータ解釈に不可欠です

  • In another example,

    別の例は

  • an analysis of Florida's death penalty cases

    フロリダの死刑に関する分析です

  • seemed to reveal no racial disparity in sentencing

    殺人で有罪となった被告が 黒人か白人かで

  • between black and white defendants convicted of murder.

    死刑宣告について人種の偏りは 全く見られませんでした

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

    しかし被害者の人種でグループ分けすると 別の結果が見えてきました

  • In either situation,

    被害者がどちらの場合でも

  • black defendants were more likely to be sentenced to death.

    黒人の被告の方が 死刑宣告の確率が高かったのです

  • The slightly higher overall sentencing rate for white defendants

    白人被告の死刑宣告率が 総計するとわずかに高かったのは

  • was due to the fact that cases with white victims

    被害者が白人の場合

  • were more likely to elicit a death sentence

    被害者が黒人の場合よりも

  • than cases where the victim was black,

    死刑判決が下されやすく

  • and most murders occurred between people of the same race.

    大半の殺人は同じ人種間で 起きていたからです

  • So how do we avoid falling for the paradox?

    ではこのパラドックスに陥るのを どうすれば避けられるでしょう?

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

    あいにく万能の答えはありません

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

    データはどのようにも グループ化 または分割できるうえ

  • and overall numbers may sometimes give a more accurate picture

    誤解を招く あるいは恣意的な形で カテゴリ化されたデータより

  • than data divided into misleading or arbitrary categories.

    総計の方が正確である場合もあります

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

    私たちにできることは その統計が示す現実の状況を慎重に調べ

  • and consider whether lurking variables may be present.

    潜伏変数が存在する可能性を 検討することです

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

    そうでないとデータで他人を操って

  • to manipulate others and promote their own agendas.

    自分の方針を通そうとする人たちに対し 私たちは無防備になってしまいます

Statistics are persuasive.

統計には説得力があります

字幕と単語

動画の操作 ここで「動画」の調整と「字幕」の表示を設定することができます

B1 中級 日本語 TED-Ed 生存 患者 死刑 変数 データ

TED-Ed】統計はいかにして誤解を招くか - Mark Liddell (【TED-Ed】How statistics can be misleading - Mark Liddell)

  • 2019 189
    黃于珍 に公開 2021 年 01 月 14 日
動画の中の単語