در آمارهای گلوبالیزه همیشه یک خطا شما را تهدید می‌کند. متغیرهای مخدوش کننده پرت که با اثر غیرطبیعی از رفتار گروه متغیری موجب کاهش دقت آمار و محاسبات می‌شوند.
نگاه گلوبالیزه در وهله اول نمایش عدالت است اما در همین توهم مساوات به خطای تجمیع متغیرها با رفتار مختلف اما ظاهراً متشابه سقوط می‌کنیم.
کلاستر کردن، خوشه‌بندی تلاش می‌کند با دسته بندی متغیرهای متشابه‌تر که رفتار ریاضی شبیه‌تری دارند از بایاس آماری ناهمگونی شدید عبور کند.
اینجا ما یک شیوه در کنترل دامنه تغییرات ایجاد می‌کنیم و کانال‌هایی تعریف می‌شود که متغیرهای هم‌خانواده‌تر که رفتار همگون‌تری دارند با هم جور شوند.
این اتفاق را بین مد و میانه و میانگین می‌بینیم.
دو واقعه اجتماعی اخیر در آمار حیاتی سلامت نمونه این بایاس سیستماتیک است وقتی میانگین به غلط اثر انفرادی متغیرها را در مجموعه حل می‌کند.
آمار وخامت اوضاع کرونا که به تفکیک اعلام می‌شد اگرچه اثر القایی حس کاذب امنیت داشت، اما درجه هشدار مشخص را در برخی استانها بالا می‌برد یعنی امکان تصمیم را برای تصمیم گذاران فراهم می‌کرد.
از طرفی امکان آمادگی افکار عمومی را هم موجب می‌شد.
این جمع بندی ها و آمار گلوبالیزه با ترقیق و کاهش اثرات غلظت‌های موضعی یک خودفریفتار تعمدی هم ایجاد می‌کند که اثرات زیان‌بارش دیررس است.
در تعرفه خدمات درمانی ۹۹ هم این بایاس وجود دارد؛
ما با اعلام میانگین ۱۵٪ به سادگی شنیعی افزایش ۵٪ را در دستمزد کارگری درمان پنهان می‌کنیم.
این هم یعنی میانگین نوعی خیانت ترقیق به آمار است بدون توجه به اثر وزنی و ضریب ارزش متغیر.
به هر حال اگر میخواهیم تصمیم‌ساز فریفته نشود و راهبرد صحیح باشد، چاره‌ای جز کلاسترینگ و اعلام جزئیات نداریم.
یک سبک از آمار سازی استفاده از سنجه‌ها و آزمونهای غلط و نامناسب است.
فکر نکنید مهندسی آمار همیشه آمار دروغ است.
گاهی با داده درست می‌شود از محاسبات غلط استفاده کرد و در مهندسی آمار مشارکت کرد.
تنها راه گریز از این رفتار گلوبال غلط اعلام جزئیات خام است.
با محرمانه کردن ریاضیات در پزشکی وارد اعداد گنگی می‌شوید که همه ما را زیر رادیکالها مجذور خواهد کرد...
انتهای پیام/*