ဂဏန်းအချက်အလက် (Statistics) တွေကို ယုံကြည်လို့ရသလား?

ကျွန်တော်တို့ Channel မှာ အထောက်အထားတွေကို ကြည့်ပါ၊ Research ဆိုတာ ဘယ်လိုဘယ်ပုံသတ်မှတ်ထားသလဲ စတာတွေကို တင်ဖူးပါတယ်။ ဒီတော့ ဒါတွေနဲ့ မဖြစ်မနေတွဲပါလာတာက Statistics တွေပါပဲ။ Statistics တွေ ဘယ်လောက် အင်အားကြီးမားလဲဆိုတာ ဥပမာနဲ့ ရေးပြချင်ပါတယ်။

၂၀၀၂ ခုနှစ်တုန်းက Target ဟာ သူ့ဖောက်သည်တွေထဲက ဘယ်သူတွေ ကိုယ်ဝန်ရှိနေမလဲဆိုတာကိုသိအောင် Statistics နည်းနဲ့ ကြံစည်ခဲ့ဖူးပါတယ်။ (Target ဆိုတာ မြန်မာပြည်က City Mart လိုပါပဲ) အမျိုးသမီးတွေရဲ့ စျေးဝယ်တဲ့ Data ကိုကြည့်ပြီး ဘယ်သူက ဗိုက်ကြီးနေမလဲ… ခန့်မှန်းတဲ့ Algorithm ဆွဲတာမျိုးပါ။ ဥပမာ Lotion တွေတိုးဝယ်တာမျိုး၊ Vitamin တွေပိုဝယ်တာမျိုးပေါ့။ ဒီလိုလုပ်တာဟာ ဥပဒေကို ချိုးဖောက်ရာမရောက်တဲ့အတွက် သူတို့ကို ဘာမှလုပ်လို့မရပါဘူး။

Data တွေရလာပြီး Algorithm ထဲထည့်လိုက်တဲ့အခါ ကိုယ်ဝန်ရှိနေနိုင်တဲ့ အမျိုးသမီးတွေရဲ့ List ရလာပါတယ်။ ဒါတင်မကသေးဘူး ဘယ်တော့မွေးနိုင်လဲဆိုတဲ့ Due Date ကိုပါတွက်ချက်ထားတာပါ။ ရည်ရွယ်ချက်က ဗိုက်ကြီးရင် လိုမယ့်ပစ္စည်းတွေပါတဲ့ ကြော်ငြာ (Coupon) ကိုသူတို့အိမ်တွေဆီပို့ချင်တာပါ။ ဒါပေမယ့် တခြားပစ္စည်းကြော်ငြာတွေနဲ့ ရောပြီးပို့တာမို့ Subtle တော့ဖြစ်တယ်။

တစ်နေ့မှာ ယောက်ျားတစ်ယောက်က စိတ်တိုပြီး Target ဆိုင်ခွဲတစ်ခုဆီကို ရောက်လာပါတယ်။ သူ့ရဲ့ဆယ်ကျော်သက်သမီးဆီကို ဒီ Coupon တွေပို့နေတာဟာ ဗိုက်ကြီးအောင်မြှောက်ပေးနေသလိုပဲ ဆိုပြီး လာဆဲတာပါ။ Manager ကလည်း Algorithm အကြောင်းမသိတော့ “Customer is always right” ဆိုတဲ့အတိုင်း တောင်းပန်ပါတယ် ပြောလိုက်ရတာပေါ့။ ဒါနဲ့ နောက်ရက်လည်းကျရော မန်နေဂျာက ထပ်ပြီးတောင်းပန်ချင်လို့ ဖုန်းဆက်တယ်။ အဲ့ဒီအခါမှာတော့ ဘိုးတော်က ပြန်တောင်းပန်လိုက်ရပါတယ်။ ဘာလို့လဲဆိုတော့ သူ့ရဲ့ဆယ်ကျော်သက်သမီးက တကယ်ဗိုက်ကြီးနေတာမို့လို့ပါ။
ဒီတော့ Algorithm က အဖေကိုယ်တိုင်မသိခင်တောင် သမီးဗိုက်ကြီးတာကို ကြိုသိနေတာပေါ့။

၁၉၆၄ တုန်းက အသက်ကြီးကြီး ဘွားတော်တစ်ယောက်က အိမ်ကိုလမ်းလျှောက်ပြန်နေတဲ့အချိန်မှာ သူ့လက်ကိုင်အိတ်အလုခံလိုက်ရပါတယ်။ လုသွားတဲ့မိန်းမက လူဖြူမ၊ ရွှေရောင်ဆံပင်ကိုစည်းထားတယ်၊ သူက အဝါရောင်ကားပေါ်ကို တက်သွားတယ်၊ မောင်းတာက လူမည်း၊ နှုတ်ခမ်းမွှေး၊ မုတ်ဆိတ်မွှေးရှိတယ် ဆိုပြီး ရဲတွေကိုပြောနိုင်လိုက်တယ်။

နောက်တော့ ရဲတွေက Description နဲ့တူတဲ့ လူဖြူ၊ လူမဲအတွဲကို ဖမ်းမိတယ်။ တရားရုံးကိုပို့လိုက်ပေမယ့် အဘွားကြီးကလွဲရင် သက်သေတော့မရှိဘူးပေါ့…။
ဒီအခါမှာ သင်္ချာပညာရှင်တစ်ယောက်က အပေါ်က ပြောခဲ့တဲ့ Description နဲ့တူလောက်တဲ့ ဖြစ်တန်စွမ်းကို တွက်ချက်ပြလိုက်တယ်။ ဘယ်လောက်ရလဲဆိုတော့ သူတို့မှာ အပြစ်မရှိဘဲ ဒီလိုတူဖို့ Chance က 1 in 12 million ပဲရှိတယ်ဆိုတာပါ။ ဒါကြောင့် သက်သေမရှိပေမယ့် သူတို့လင်မယားထောင်ကြသွားတယ်။

နောက်တစ် Case ကတော့ အမေက ကိုယ့်ကလေး ၂ယောက်ကို ပြန်သတ်တဲ့အမှုပါ။ ပထမကလေးက ဘာကြောင့်မှန်းမသိဘဲသေသွားတယ်။ ဆေးပညာမှာတော့ ဒါကို Sudden Infant Death Syndrome (SIDS) လို့ခေါ်တယ်။ ပုခက်ထဲမှာ ဘာကြောင့်သေမှန်းမသိဘဲသေနေလို့ Crib Death လို့လည်း ခေါ်တယ်။ နောက်ကလေးတစ်ယောက်ကို ၁နှစ်အကြာမှာမွေးတယ်။ အဲ့ကလေးကလည်း မွေးပြီး ၈ပတ်ကြာတဲ့အခါမှာ SIDS နဲ့ပဲသေသွားပြန်တယ်။

ဒီတော့ ရဲတွေက သူ့ကိုဖမ်းလိုက်တာပေါ့။ ဒါပေမယ့် သက်သေမရှိဘူး။ ကလေးအထူးကုတစ်ယောက်က ဖြစ်တန်စွမ်းတွေနဲ့တွက်ချက်ပြီး တရားခွင်မှာထွက်ဆိုတယ်။ ဒီလို ၂ယောက်စလုံး SIDS နဲ့သေဖို့ 1 in 73 million chance ပဲရှိတယ်တဲ့။ ဒီတော့ အမေက တစ်သက်တစ်ကျွန်း ထောင်ကျသွားတယ်။

ဒီိလိုတွေပြောလို့ Statistics ကိုပစ်ယုံလိုက်မယ်လို့ မတွေးမိပါနဲ့ဦး။ ကျွန်တော်ရေးတဲ့ရည်ရွယ်ချက်က မျက်စိမှိတ်မယုံစေချင်တာပါ။

သွားဆရာဝန်တွေရဲ့ 80% ဟာ Colgate ညွှန်းကြတယ်လို့ Colgate ကကြော်ငြာတာပေါ့။ တကယ့် Study ကို အောက်မှာပြထားပါတယ်။

80% က Colgate ကိုညွှန်းတာမှန်ပေမယ့် 100% က Crest ကိုညွှန်းတာကိုတော့ ချန်ထားခဲ့သလို 80% က Oral-B ကိုညွှန်းတာကိုလည်း ထည့်မပြောပါဘူး။ ကျွန်တော့အနေနဲ့ ဒါကိုတော့ တစ်ကွက်ကောင်းရွေးပြတာလို့ ပြောချင်ပါတယ်။

နောက်တစ်ခုကို ထပ်ပြောပါဦးမယ်။ စဉ်းစားကြည့်ပါ။ ၁၉၉၅ တုန်းက UK မှာ ဆေးပညာ Paper တစ်စောင်ထွက်လာပါတယ်။ သန္ဓေတားဆေးအသစ်တစ်ခုဟာ သွေးခဲဖြစ်ပေါ်မှုကို 100% တိုးစေတယ်လို့ ဆိုပါတယ်။ ကိုယ်သာမိန်းကလေးဆိုရင် ဒီဆေးကို သောက်ဖို့စဉ်းစားပါဦးမလား?
ဒါဟာ လိမ်ထားတာမဟုတ်ပါဘူး။ Twist လုပ်လိုက်တာပါ။

အရင် Data က လူ ၇၀၀၀ သောက်ရင် ၁ယောက်မှာ ဖြစ်ပေမယ့် ခုဆေးဟာ လူ ၇၀၀၀ သောက်ရင် ၂ယောက်မှာဖြစ်တာမို့ 100% တက်သွားတယ်ဆိုတာ မမှားပါဘူး။ သေချာတွက်ကြည့်ရင် 0.014% ကနေ 0.028% တိုးသွားတာပါ။ ဒါဟာ မပြောပလောက်တဲ့ ပမာဏပါ။
ဒါပေမယ့် နောက်နှစ်မှာတော့ Unwanted Pregnancy အရေအတွက် ၁၃၀၀၀ တိုးလာပါတယ်။ တော်တော်များများက ဆယ်ကျော်သက်တွေမှာပါ။
ဘာသဘောနဲ့ Paper ကို Mislead ဖြစ်အောင်ထုတ်လိုက်လဲ မသိပေမယ့် ပေးဆပ်လိုက်ရတာက တော်တော်များပါတယ်။

နောက်တစ်ချက်က Correlation နဲ့ Causation ပါ။ ဒါကိုမြင်သာအောင် အောက်ကပုံကိုကြည့်ပါ။

လူတွေ ရေခဲမုန့်တွေပိုစားလာကြတာနဲ့ နေလောင်တာနဲ့က ဆက်နွယ်မှုရှိနေတယ် (Correlate) လို့ ပြောလို့ရတယ်။ ဒါပေမယ့် နေလောင်တာကြောင့် ရေခဲမုန့်ဝယ်စားနေကြတာလို့ ပြောမရသလို ရေခဲမုန့်တွေစားတာကြောင့် နေလောင်တာလို့လည်း ပြောမရပါဘူး။

လူတွေက ဒီ ၂ခုကို ရောထွေးတဲ့အခါ Correlation အဆင့်လောက်နဲ့ပဲ Causation လိုမျိုး ထင်တတ်ကြပါတယ်။ တကယ်တော့ ၂ခုလုံးကို ဖြစ်စေတာက နေကြောင့်ပါ။ ဒါမှ Causation အစစ်ပါ။ ဒါကို Third Cause Fallacy လို့ခေါ်ပါတယ်။
ဒီအကြောင်းကို မြွေကျော်သခွားသီးတွေ ဘာလို့ခါးရတာလဲ မှာရေးပြီးပါပြီ။

Science Nuts များ သခွားသီးပြဿနာအဖြေရှာကြခြင်း (မြွေကျော်သီးတွေ ဘာလို့ခါး)
https://ouo.io/16E6uS8

ဒီတော့ အပေါ်က ပြောခဲ့တဲ့ အဘွားကြီးဆီက လုတဲ့အမှုကိုပြန်ပြောချင်ပါတယ်။ တကယ်တော့ ပညာရှင်က အမှားတစ်ခုကျူးလွန်ခဲ့တာပါ။ Correlation & Causation သဘောကို နားလည်ရင် ဒါကိုပြောလို့ရပါတယ်။ နေပူလို့ ရေခဲမုန့်စားကြတယ်လို့ ပြောလို့ရပေမယ့် ရေခဲမုန့်စားလို့နေပူတယ်လို့ ပြောလို့မရပါဘူး။

ဥပမာ လိုက်ကာနောက်မှာ ခြေလေးချောင်းရှိတဲ့သတ္တဝါတစ်ကောင်ရှိတယ်။ အဲ့အကောင်က ကြောင်ဖြစ်နိုင်စွမ်းဘယ်လောက်ရှိမလဲဆိုရင် စာဖတ်သူအနေနဲ့ 1 in 100 တို့၊ 1 in 1000 တို့ခန့်မှန်းမိမှာပါ။
ဒါပေမယ့် လိုက်ကာနောက်မှာ ခွေးတစ်ကောင်ရှိနေတယ်။ သူ့မှာခြေလေးချောင်းရှိဖို့ ဖြစ်တန်စွမ်းဘယ်လောက်ရှိမလဲဆိုရင် 100% လို့ ဖြေချင်ဖြေကြမှာပါ။ ဖြစ်တန်စွမ်း ၂ခုက တော်တော်ကြီးကို ကွာသွားပါပြီ။

လုယက်မှုဟာလည်း ဒီသဘောပါပဲ။ သင်္ချာပညာရှင်တွက်ပြတာက 1 in 12 million chance ရှိပေမယ့် မိသွားတဲ့အခါမှာ လုသွားတဲ့အတွဲက ဒီအတွဲဖြစ်နိုင်တယ်ဆိုတဲ့ Chance က 100% ဖြစ်သွားတာပါ။
တကယ်ဆိုရင် အဲ့ဒီမြို့ထဲမှာ ဒီအတွဲနဲ့ ပုံစံတူအတွဲ ၁၀ တွဲရှိရင် သူတို့မှာ အပြစ်ရှိနိုင်စွမ်းက 1 in 10 chance ပဲရှိတာပါ။ ဒီတော့ အပြစ်ကင်းဖို့ Chance က 9 in 10 ရှိပါတယ်။ 1 in 12 million မဟုတ်ပါဘူး။ ဒါကို Prosecutor’s Fallacy လို့ခေါ်ပါတယ်။
A က B ကို ဖြစ်စေတယ်ဆိုတိုင်း B က A ကို ဖြစ်စေတယ်လို့ ယူမရတဲ့သဘောပါ။

P (A\B) ≠ P (B\A)

ကလေး ၂ယောက်ကို သတ်တဲ့အမှုလည်း ဒီ Fallacy နဲ့ငြိလို့ ၃နှစ်အကြာမှာ အမေကို ပြန်လွှတ်လိုက်ရပါတယ်။ သူ့နေရာက စဉ်းစားကြည့်ရင် ကလေး ၂ယောက်က မွေးပြီးသိပ်မကြာဘူး သေသွားပါတယ်ဆို ဒီအတွက်မှားယွင်းပြီး ထောင်ကျလိုက်သေးတယ်။ ဒါ့အပြင် Media မှာလည်း ပယ်ပယ်နယ်နယ် အပြောခံရတယ်။ သူပြန်လွတ်လာပြီး ၄နှစ်လောက်ကြာတော့ အရက်တွေသောက်ပြီး သေသွားတာပါပဲ။

ဒါကြောင့် Statistics တွေကိုကြည့်တဲ့အခါ ပြောတာလေးတင်ကွက်ပြီး ကြည့်လို့မရပါဘူး။ အကုန်လုံးကိုချုံပြီးကြည့်ရပါတယ်။ လူဘယ်နှယောက်နဲ့စမ်းထားတာလဲ၊ Side Effect က ဘယ်နှယောက်မှာတွေ့တာလဲ စတာတွေကို % နဲ့မဟုတ်ဘဲ တိတိကျကျသိဖို့လိုပါတယ်။ ဒါတွေကို ကိုင်ပြီး လိမ်တာမဟုတ်တောင် မလည်ရှုတ်လုပ်နေတဲ့ ကြော်ငြာတွေအများကြီးရှိပါတယ်။

ကျွန်တော်တို့ဆီမှာက ခုချိန်ထိ ဂွေးတောက်ရွက်ရှု၊ တမာရွက်ပြုတ်စားဆိုတဲ့ Personal Evidence ဘဝကနေမတက်ကြသေးပေမယ့် သူတို့ဆီမှာတော့ လူတွေက Research တွေရှာဖတ်တတ်ကြပါတယ်။ Research တစ်ခုလုံးမဖတ်တောင် Conclusion ကွက်ပြီးဖတ်တတ်ကြပါတယ်။ ဒီတော့ သူတို့တွေမှာ ဒီပြဿနာကြုံရတာပါ။

ကျွန်တော်တို့ဆီလည်း လူတွေပိုပြီး ပညာတတ်လာကြ၊ ခေတ်မီလာကြ၊ အင်္ဂလိပ်စာအခြေခံကောင်းလာကြရင် ဒီပြဿနာကို ကြုံလာရမှာပါ။ ကံကောင်းတာက ပြဿနာတွေကို ရှေ့ကသွားနှင့်တဲ့လူတွေက ဖြေရှင်းခဲ့ကြတော့ နည်းယူလို့ရတာပေါ့ဗျာ။

SAGAN

Next Post, Previous Post မနှိပ်ဘဲ OUO Link ကနေ ၁ပုဒ်ချင်းဝင်ဖတ်ပြီး ကူညီပါ။
အသိအမြင်၊ အတွေးအခေါ် အသစ်တစ်ခုခုရသွားလို့ လှူဒါန်းလိုပါက Science Nuts (Facebook Page) ကို ဆက်သွယ်လှူဒါန်းနိုင်ပါတယ်။
လှူသမျှငွေအကုန်လုံးကို လိုအပ်တဲ့နေရာတွေမှာ ပြန်လည်လှူဒါန်းပေးသွားမှာပါ။