4 trappole statistiche che corrompono silenziosamente l'analisi dei dati
Introduzione: Le regole nascoste dei numeri
Quando ci troviamo di fronte a una serie di numeri, il nostro primo istinto è quello di iniziare a calcolare. Partiamo dal presupposto che, avendo a disposizione dei dati, possiamo eseguire su di essi qualsiasi operazione standard: sommarli, sottrarli, calcolare medie o trovare rapporti. Questa sembra la regola più elementare della matematica. Tuttavia, nel mondo analisi dei dati, questa supposizione è pericolosa.
La verità è che non tutti i numeri sono uguali. La natura fondamentale di una variabile determina quali operazioni matematiche sono significative e quali, dal punto di vista statistico, risultano fuorvianti. Ignorare queste distinzioni è come cercare di giocare a un gioco senza conoscerne le regole più elementari: si potrebbe anche ottenere una risposta, ma difficilmente sarà quella giusta.
Questa è un'abilità fondamentale per chiunque lavori con i dati. Non comprenderla può portare a conclusioni errate e visualizzazioni ingannevoli. In questo articolo, scopriremo quattro trappole statistiche comuni ma sorprendenti in cui possono cadere anche i professionisti più esperti, e come comprendere la natura dei dati sia la chiave per evitarle.
1. L'illusione del rapporto: perché 100 °C non sono il doppio della temperatura di 50 °C
La prima trappola è una sottile illusione di significato che emerge quando confondiamo due diversi tipi di dati continui: intervallo e rapporto.
Le variabili di intervallo sono quelle in cui la differenza tra due valori è costante e significativa, ma il punto zero è arbitrario. L'esempio classico è la temperatura in gradi Celsius. La differenza tra 10 °C e 20 °C è la stessa della differenza tra 80 °C e 90 °C. Tuttavia, 0 °C (il punto di congelamento dell'acqua) non rappresenta una completa assenza di temperatura. Si confronti questo con la scala Kelvin, dove 0 K è lo zero assoluto, una vera assenza di energia termica. Poiché la scala Kelvin ha uno zero reale, è una scala di rapporto, e si può affermare che 200 K sono due volte più caldi di 100 K.
Variabili di rapporto, d'altra parte, hanno uno zero vero e non arbitrario. Un valore pari a zero significa una totale assenza di quella quantità. Peso, altezza e attività enzimatica sono tutte variabili di rapporto; un peso pari a zero significa "nessun peso".
Poiché il punto zero di una variabile di intervallo è arbitrario, non è possibile calcolare un rapporto significativo. È statisticamente errato affermare che una temperatura di 100 °C sia il doppio di una di 50 °C. Il rapporto non ha senso perché il punto di partenza della scala non è un vero zero.
È errato affermare che un canarino (40.5 °C) abbia una temperatura superiore del 33% a quella di un ornitorinco (30.5 °C). Se si facesse lo stesso calcolo in gradi Fahrenheit, si otterrebbe un risultato diverso, il che dimostra che il rapporto non ha senso.
2. L'inganno della visualizzazione: come i grafici a barre possono mentire
Questa seconda trappola deriva direttamente dalla prima: quando visualizziamo dati soggetti all'illusione del rapporto, creiamo grafici che mentono ai nostri occhi. Siamo condizionati visivamente a vedere una barra alta il doppio di un'altra e a pensare "è il doppio".
Questa scorciatoia visiva crea una trappola quando si rappresentano graficamente dati a intervalli come la temperatura. Un grafico a barre standard, il cui asse inizia a zero, invita intrinsecamente l'osservatore a confrontare le altezze relative delle barre, suggerendo un rapporto che, come abbiamo appena visto, è privo di significato. Ma anche un grafico a barre con una linea di base elevata è ingannevole; crea un rapporto diverso , ma altrettanto fuorviante. I grafici a barre sono problematici per i dati a intervalli indipendentemente dalla loro linea di base, perché il loro formato invita intrinsecamente a un confronto delle altezze delle barre, un confronto che è sempre invalido per questo tipo di dati.
Per questo tipo di dati, un modo più informativo e meno fuorviante per presentare i valori è utilizzare punti anziché barre. Un grafico a punti mostra i singoli valori e le loro differenze senza suggerire un falso rapporto basato sulla loro distanza da un punto zero arbitrario. In alcuni casi, una semplice tabella potrebbe essere migliore di qualsiasi tipo di grafico per questi valori.
3. Il principio di ambiguità: quando le variabili si rifiutano di essere categorizzate
La terza trappola statistica non riguarda la violazione di una regola rigida, ma il non riconoscere che le regole stesse possono essere flessibili. In pratica, "le categorie di variabili non sono affatto così distinte come potrebbero sembrare". La corretta classificazione di una variabile spesso dipende interamente dal contesto dell'analisi.
Un perfetto esempio di questa ambiguità è il colore.
- In uno studio psicologico sulla percezione in cui ai partecipanti viene chiesto di scegliere tra "rosso", "blu" e "verde", il colore è un nominale variabile. I valori sono categorie distinte senza un ordine intrinseco.
- Tuttavia, se si misurano gli stessi colori in base alla loro lunghezza d'onda elettromagnetica, il colore diventa un rapporto variabile. Ha uno zero reale e si può affermare con ragionevolezza che una lunghezza d'onda è lunga il doppio di un'altra.
Questo principio dimostra che il contesto è tutto. Prima di poter analizzare una variabile, è necessario capire come è stata misurata e cosa rappresenta nell'ambito della domanda specifica.
4. Il comandamento del calcolo: la tua matematica deve corrispondere al tuo tipo di dati
L'ultima e più critica trappola è la mancanza di disciplina: eseguire calcoli che semplicemente non sono validi per il tipo di variabile. Variabili diverse garantiscono permessi matematici diversi.
Ad esempio, mentre è possibile calcolare una distribuzione di frequenza (ovvero, contare quante volte compare ciascun valore) per qualsiasi tipo di variabile, calcoli più complessi come la significare o deviazione standard hanno senso solo per le variabili di intervallo e di rapporto.
È particolarmente importante ricordarlo per le variabili ordinali, che esprimono rango o ordine, ma non una differenza costante tra i valori. Una scala del dolore da 1 a 10 è un esempio comune. Un punteggio di 7 è superiore a 5, e 5 è superiore a 3. Ma non si può presumere che la differenza di dolore tra 7 e 5 sia la stessa della differenza tra 5 e 3. Il salto percepito da "lieve fastidio" (3) a "dolore moderato" (5) potrebbe essere molto inferiore al salto da "dolore moderato" (5) a "dolore intenso" (7). Calcolare la media di questi numeri è come calcolare la media delle posizioni di arrivo in una gara (1°, 5°, 10°) senza conoscere i tempi di distacco tra i corridori: la media dei ranghi non dice nulla sulle effettive differenze di prestazione.
Analogamente, alcuni calcoli sono ancora più restrittivi. Il coefficiente di variazione (CV), che è la deviazione standard divisa per la significare, ha senso solo per le variabili di rapporto. Questo perché il calcolo dipende da un vero punto zero; se si cambiassero le unità di misura di una variabile di intervallo (come da Celsius a Fahrenheit), il CV cambierebbe, rendendolo privo di significato.
Conclusione: chiediti: "Che tipo di numero è questo?"
Prima di eseguire un singolo calcolo, ordinamento o visualizzazione, il primo passo per qualsiasi analisi dei dati valida è fermarsi e comprendere la natura fondamentale delle variabili con cui si sta lavorando. Le quattro trappole – l'illusione del rapporto, l'inganno della visualizzazione, il principio di ambiguità e i calcoli non validi – derivano tutte dallo stesso errore di fondo: trattare tutti i numeri come se seguissero le stesse regole. Questa abitudine all'interrogazione delle variabili è un segno distintivo di un esperto di dati e la prima linea di difesa contro il trarre conclusioni non valide.
La prossima volta che guardi un set di dati, non chiederti solo cosa dicono i numeri; chiediti che tipo di numeri sono e cosa possono realmente dirmi.
