Kila Mtu Hufanya Makosa ya Kitakwimu
Hata wataalamu wakubwa hufanya makosa ya kitakwimu. Tatizo si kufanya kosa - ni kutolitambua. Katika somo hili, tutaangalia makosa ya kawaida ambayo unapaswa kuepuka na kutambua unapoyaona kwa wengine.
Kosa #1: Kuchanganya Uhusiano na Sababu
Hili ndilo kosa maarufu zaidi. Data inaweza kuonyesha kwamba vigezo viwili vinabadilika pamoja, lakini hii haimaanishi kimoja kinasababisha kingine.
Data inaonyesha kwamba mikoa yenye maduka mengi ya M-Pesa ina kiwango cha chini cha umaskini. Je, M-Pesa inapunguza umaskini? Labda. Lakini labda mikoa tajiri zaidi ndiyo inayovutia maduka ya M-Pesa kwa sababu kuna wateja zaidi. Au labda mambo yote mawili yanasababishwa na miundombinu bora (barabara, umeme, mtandao). Kudai sababu kutoka uhusiano tu ni hatari.
Kosa #2: Kuchagua Data (Cherry-Picking)
Kuchagua data ni kuonyesha matokeo yanayounga mkono hoja yako na kuficha yanayopinga.
Waziri anasema: "Uchumi umekua kwa asilimia 7 mwaka huu!" na anaonyesha data ya miezi 6 ya hivi karibuni. Lakini haonyeshi kwamba miezi 6 ya kwanza ya mwaka uchumi ulipungua, na ukuaji wa mwaka mzima ni asilimia 2 tu. Amechagua kipindi kinachomfaa.
Kosa #3: Sampuli Ndogo Sana
Sampuli ndogo inaweza kutoa matokeo ya kushangaza ambayo si ya kweli.
Mwandishi wa habari anaripoti: "Utafiti unaonyesha chai ya kijani inapunguza hatari ya saratani kwa asilimia 50!" Ukiangalia utafiti, ni watu 20 tu walishiriki, na "kupunguza kwa 50%" inamaanisha watu 2 badala ya 4 walipata saratani. Tofauti ya watu 2 katika sampuli ndogo inaweza kuwa bahati tu.
Kosa #4: Kupuuza Msingi wa Asilimia (Base Rate Neglect)
Watu mara nyingi hupuuza jinsi tukio lilivyo kawaida au nadra wanapotafsiri matokeo ya vipimo.
Kipimo cha ugonjwa ni "sahihi kwa asilimia 99." Unapata matokeo chanya. Wengi wangedhani kuna asilimia 99 wana ugonjwa. Lakini kama ugonjwa unaathiri mtu 1 kati ya 10,000, kati ya watu 10,000 waliopimwa, takriban watu 100 watapata matokeo chanya ya uongo, na mtu 1 tu atakuwa na ugonjwa kweli. Uwezekano halisi ni takriban 1/101, au chini ya asilimia 1!
Kosa #5: Kuendelea Kuchunguza Hadi Upate Kitu (P-Hacking)
P-hacking ni kuchambua data kwa njia nyingi hadi upate matokeo yenye p-value ndogo - kisha kuripoti "ugunduzi" huo tu.
Mtafiti anachunguza uhusiano kati ya chakula na afya. Anaangalia vyakula 100 tofauti na magonjwa 20 tofauti - hiyo ni majaribio 2,000. Kwa bahati tu, unatarajia kupata takriban majaribio 100 (asilimia 5 ya 2,000) yenye p < 0.05. Anachagua moja na kuchapisha: "Kula viazi vitamu kunapunguza hatari ya ugonjwa X!" Lakini hii ni matokeo ya bahati, si ugunduzi wa kweli.
Kosa #6: Maana ya Kitakwimu si Maana ya Kiuhalisia
Matokeo yanaweza kuwa ya "maana ya kitakwimu" (p < 0.05) lakini ya maana ndogo sana kiuhalisia.
Utafiti wa wanafunzi 10,000 unaonyesha kwamba wanaoshiriki michezo wanapata wastani wa pointi 0.3 zaidi katika mtihani kuliko wasioshiriki. P-value = 0.01 (ya maana ya kitakwimu). Lakini tofauti ya pointi 0.3 kati ya 100 haibadilishi maisha ya mtu yeyote - ni ndogo sana kuwa na maana ya vitendo.
Kosa #7: Kupuuza Vigezo vya Kutatanisha
Kushindwa kuzingatia vigezo vingine vinavyoweza kueleza uhusiano unaoonekana.
Data inaonyesha kwamba watu wenye paka wana kiwango cha chini cha ugonjwa wa moyo kuliko watu wasio na paka. Habari zinasema: "Paka wanazuia ugonjwa wa moyo!" Lakini labda watu wenye paka wana mapato ya juu (wanaweza kumudu mnyama), na mapato ya juu yanamaanisha lishe bora na huduma bora za afya. Mapato ndio kigezo cha kutatanisha, si paka.
Kosa #8: Kuangalia Asilimia Bila Muktadha
"Visa vya wizi vilipanda kwa asilimia 200 katika wilaya ya Ilala!" Inaonekana ya kutisha. Lakini kama mwaka uliopita kulikuwa na visa 3 na mwaka huu kuna visa 9, asilimia 200 ni sahihi lakini nambari halisi bado ni ndogo. Muktadha wa nambari halisi ni muhimu.
Jinsi ya Kuepuka Makosa Haya
- Daima jiulize kama uhusiano unaweza kuwa si sababu
- Tafuta data kamili, si sehemu tu
- Angalia ukubwa wa sampuli
- Zingatia uwezekano wa awali wa tukio
- Angalia majaribio mangapi yamefanywa
- Tofautisha kati ya maana ya kitakwimu na kiuhalisia
- Fikiria vigezo vingine vinavyoweza kueleza
- Angalia nambari halisi, si asilimia tu
Makosa ya kawaida ya kitakwimu ni pamoja na kuchanganya uhusiano na sababu, kuchagua data, kutumia sampuli ndogo, kupuuza msingi wa asilimia, p-hacking, kuchanganya maana ya kitakwimu na kiuhalisia, kupuuza vigezo vya kutatanisha, na kuangalia asilimia bila muktadha. Kujua makosa haya kunakufanya msomaji na mtafiti bora - unaweza kuyatambua katika habari na kuyaepuka katika kazi yako mwenyewe.