Statisztika egyszerűen

Mágikus jelek nélkül...

A füllentés, a hazugság, az ordas nagy csalás és a ...

2019. április 17. 09:00 - glantos70

Statisztikai elemzések

Eddigi tapasztalataim alapján nagy biztonsággal kijelenthetem, hogy az elemzésekhez szükséges adatok összegyűjtése és feldolgozható állapotba rendezése, illetve az adatok torzulásának minimálisra csökkentése sokkal nagyobb erőfeszítéseket igényel, mint maguknak a statisztikai elemzéseknek az elkészítése. Sajnos az elemzéseink minősége csak annyira lesz jó, amennyire jól fogalmazzuk meg a feladatot, illetve amennyire jó adatokból dolgozunk. És ha az összes házi feladatot mégis rendesen elvégeztük, akkor jön az, hogy az elemzések során született következtetéseknek semmi köze sincs az elemzések során ténylegesen kapott eredményekhez! 

Valljuk be, azért a fenti megállapítások első olvasásra egy kicsit túlzottnak tűnnek. Vajon ki és milyen adatok alapján bélyegezi meg az alacsony súllyal született gyerekeket? Miért kellene igaznak lennie, hogy aki az átlagosnál kisebb tömeggel születik, az nem olyan okos és nem kereshet annyit, mint a normális tömeggel született társaik? Ráadásul az idézett cikk csak megkérdőjelezhető következtetéseket tartalmaz, de azt nem, hogy a kutatók hogyan jutottak a fent említett következtetésekre. Forrásként sajnos csak közvetlen forrást jelölte meg, az nem derül ki, hogy konkrétan kik és milyen adatok alapján fogalmazták meg ezeket az állításokat.

Az említett Defacto blog cikkében már található legalább egy internetes hivatkozás, de az sajnos egy olyan linkre mutat, amely sajnos azóta megszűnt. Kisebb internetes kutakodással sikerült megtalálni az eredeti publikációt  (Schoeni, 2007) is amely szerencsére ennél konkrétabb információkat is tartalmaz. A két kutató az úgynevezett „Panel Study of Income Dynamics” vizsgálat adatait dolgozta fel. Ezt a vizsgálatot a Survey Research Center at the University of Michigan készítette. A vizsgálat 1968-ban kezdődött és több, mint 40 évig tartott több, mint 9.000 család és ezáltal több, mint 75.000 személy bevonásával. A vizsgálat során évenkénti rendszerességgel gyűjtöttek adatokat a vizsgálatba bevont családok és egyének személyes, egészségügyi és gazdasági viszonyairól.

A tanulmányban már az előzetes összefoglalóban (Abstract) említésre kerül, hogy az alacsony születési súly a későbbi kereset eltéréseinek csak 10%-át magyarázza, tehát a többi 90% más okokra vezethető vissza! A későbbiekben kiderül, hogy az alacsony születési súly és a tanulmányok sikeressége jórészt arra vezethető vissza, a gyerekek inkább a szegény családokban születnek alacsonyabb súllyal, tehát a rosszabb tanulmányi eredmények oka inkább a hátrányos környezet, mintsem a gyermek kisebb születéskori tömege. Tudom, hogy a cikk terjedelme nem engedte meg a mélyebb összefüggések bemutatását az olvasóknak, de azért a felvezetés nem igazán objektívre sikeredett, hiszen végső soron az alacsony születési súly nem oka a rosszabb esélyeknek a sikeres életre, inkább következménye egyéb negatív hatásoknak. A születéskori tömeg tulajdonképpen egyfajta indikátorként jelzi a gyermekkori hátrányosabb családi helyzet és a felnőttkorban elérhető jövedelem összefüggéseit. Véleményem szerint ennek az indikátornak az alkalmazása pont azért nem szerencsés, mert egymással csak többszörös áttételeken keresztül összefüggő dolgokat hasonlít össze, így a következtetések könnyen félreértelmezhetők.

 

Irodalom:

Óriási hátránnyal indulnak a kis súllyal születő csecsemők, HVG 2014. október. 14. 11:35 2014. október. 14. 17:41

Akiknél születés előtt bukhat a siker esélye, Defacto blog, 2014.10.14. 10:19

Rucker C. Johnson - Robert F. Schoeni: The influence of Early-Life Events on Human Capital, Health Status and Labor Market Outcomes Over the Life Course, Population Studies Center, University of Michigan, Institute of Social Research, January 2007

3 komment

A bejegyzés trackback címe:

https://statisztikaegyszeruen.blog.hu/api/trackback/id/tr9814739303

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

kenyérdobáló 2019.04.17. 22:50:09

Na akkor hadd ajánljak neked két bejegyzésnek valót:
1. Arról, hogyan lehet adatokat félrevezetően tálalni: www.thelancet.com/journals/lancet/article/PIIS0140-6736(13)60626-1/fulltext (itt belekötnek egy cikkbe, amely egy orvosi eljárás hasznát és kárát félrevezetően mutatta be).
2. Nem csak számolni kell tudni, hanem okokat is elemezni: www.ted.com/talks/terri_conley_we_need_to_rethink_casual_sex/up-next

kenyérdobáló 2019.04.17. 22:53:05

Mondjuk, ez is szépen mutatja, miért kell a köznépnek statisztikához értenie: www.bcmj.org/articles/information-physicians-discussing-breast-cancer-screening-patients

glantos70 2019.04.24. 11:32:02

@kenyérdobáló: Bocs a késői válaszért, egy kicsit elcsúsztam az idővel. Kösz a linkeket, mindenképpen megnézem őket, hátha jó nyersanyagok lesznek egy későbbi szösszenethez. :-)
süti beállítások módosítása