7 طرق مذهلة يخطئ بها عقلك في فهم الإحصائيات
مقدمة: لماذا قد يكون حدسك بشأن البيانات مضللاً لك
أدمغتنا آلاتٌ رائعةٌ لمطابقة الأنماط. على مرّ العصور، ساعدت هذه الغريزة، التي تُمكّننا من التعميم السريع من معلوماتٍ محدودة، أسلافنا على البقاء - من خلال تحديد الفاكهة الناضجة، وتجنّب الحيوانات المفترسة، والتكيّف مع البيئات الاجتماعية المعقدة. هذه القدرة على إيجاد الأنماط واستخلاص النتائج متأصلةٌ في تفكيرنا. مع ذلك، فإنّ الغرائز نفسها التي أفادتنا في السافانا غالبًا ما تُضلّلنا تمامًا في عالمنا الحديث المليء بالبيانات والاحتمالات والإحصاءات.
عند التعامل مع الأرقام، غالبًا ما تخوننا بديهتنا بطرقٍ مفاجئةٍ ومخالفةٍ للمنطق. فنرى اتجاهاتٍ ذات دلالةٍ في عشوائيةٍ بحتة، ونُسيء تقدير الاحتمالات في سيناريوهاتٍ بسيطة، ونسمح لمعتقداتنا المسبقة بالتأثير على الحقائق الواضحة في جداول البيانات. تستكشف هذه المقالة سبعة أمثلةٍ كلاسيكيةٍ لكيفية إخفاق بديهتنا الإحصائية باستمرار، كاشفةً عن التحيزات المعرفية التي قد تُوقع حتى أكثرنا درايةً بالبيانات في الخطأ. إن فهم هذه الفخاخ الذهنية هو الخطوة الأولى نحو التغلب عليها واتخاذ قراراتٍ أكثر رصانةً وقائمةٍ على البيانات.
قائمة الحقائق: 7 حقائق غير بديهية حول الاحتمالات
1. أنت على الأرجح واثق جداً من حكمك على الأمور.
يُعدّ التحيز المعرفي المتمثل في overconfidence من أكثر أنواع التحيزات انتشارًا. ولتوضيح ذلك عمليًا، لننظر إلى اختبارٍ وضعه الباحثان روسو وشومايكر. فقد طرحا على أكثر من ألف شخص سلسلة من الأسئلة العامة (مثل: "كم كان عمر مارتن لوثر كينغ جونيور عند وفاته؟")، وطلبا منهم تقديم نطاقٍ يثقون بنسبة 90% أنه يحتوي على الإجابة الصحيحة. لو كان المشاركون مُدرّبين جيدًا، لكانوا قد أجابوا على تسعة أسئلة من أصل عشرة إجابات صحيحة.
والنتيجة؟ 99% من المشاركين كانوا مفرطين في الثقة. فقد وضع معظمهم نطاقات ضيقة للغاية، ما أدى إلى الحصول على الإجابة الصحيحة بنسبة تتراوح بين 30% و60% فقط، وليس بنسبة 90% التي كانوا يطمحون إليها. يكشف هذا عن فجوة جوهرية بين مدى ثقتنا بأنفسنا ومدى دقة تقديراتنا في الواقع. ولهذا السبب تحديدًا، يقوم متخصصو البيانات بإنشاء فترات ثقة محسوبة حول تقديراتهم. فالتقدير النقطي يبدو مؤكدًا، بينما تُحدد فترة الثقة كميًا عدم اليقين الذي يميل عقلنا إلى تجاهله.
2. يرى دماغك أنماطًا ذات مغزى في العشوائية البحتة
في مثال كلاسيكي من كتاب "الإحصاء والاحتمالات ليسا بديهيين"، يعرض الجدول 1.1 محاكاة لتسديدات كرة السلة، ممثلة بعلامة "X" للتسديدة الناجحة وعلامة "–" للتسديدة الفاشلة. سيلحظ معظم الناس سريعًا فترات التألق والتراجع، مستنتجين أن النمط ليس عشوائيًا. مع ذلك، تم توليد البيانات بعملية عشوائية بحتة، حيث كانت لكل تسديدة فرصة نجاح بنسبة 50%، مستقلة تمامًا عن سابقتها. عقولنا متلهفة جدًا لإيجاد أنماط لدرجة أننا نفرضها على البيانات، حتى عندما لا تكون موجودة.
لهذا السبب تحديدًا يعتمد علماء البيانات على اختبار الفرضيات وقيم الاحتمالية. توفر هذه الأساليب الرسمية ضوابط إحصائية تحمينا من نزعتنا الفطرية للبحث عن الأنماط، وتمنعنا من الاحتفاء بتقلب عشوائي في اختبار A/B باعتباره انتصارًا حقيقيًا، أو من تصنيف تغير طبيعي في المبيعات خطأً على أنه أزمة.
3. المجموعات الصغيرة تُحقق نتائج متطرفة، سواء كانت جيدة أو سيئة.
إليكم حقيقة محيرة: وجدت دراسة أجريت على معدلات الإصابة بسرطان الكلى في مختلف مقاطعات الولايات المتحدة أن المقاطعات التي سجلت أدنى وأعلى معدلات الإصابة بالمرض تميل إلى أن تكون ذات كثافة سكانية منخفضة . يبدو هذا متناقضًا. هل تتمتع المقاطعات الريفية بعامل بيئي وقائي وضار في آن واحد؟ الإجابة لا علاقة لها بالبيئة، بل بحجم العينة.
في المجموعات الكبيرة، تميل الاختلافات العشوائية إلى التلاشي. أما في المجموعات الصغيرة، فيكون للصدفة تأثير أكبر بكثير على المتوسطات والنسب المئوية. لنأخذ مثالاً على ذلك مقاطعة صغيرة لا يتجاوز عدد سكانها 1,000 نسمة. إذا لم يُصب أي من سكانها بسرطان الكلى، فإن هذه المقاطعة تُسجل أدنى معدل إصابة ممكن. ولكن إذا أُصيب شخص واحد فقط، فإن هذه المقاطعة نفسها تُسجل فجأة أحد أعلى معدلات الإصابة في البلاد. بالنسبة للمختصين في مجال البيانات، يُعد هذا تحذيراً بالغ الأهمية من استخلاص استنتاجات قوية من دراسات ذات قوة إحصائية منخفضة أو برامج تجريبية صغيرة. لهذا السبب، يُعد تحليل القوة الإحصائية أمراً ضرورياً قبل إجراء أي تجربة، لضمان أن يكون حجم العينة كبيراً بما يكفي لتمييز التأثير الحقيقي عن التشويش الناتج عن الصدفة.
4. تُثبت "معضلة مونتي هول" أنه يجب عليك دائمًا تغيير رهانك
هذا اللغز الاحتمالي الكلاسيكي حيّر الكثيرين، بمن فيهم علماء الرياضيات. تخيّل أنك في برنامج مسابقات بثلاثة أبواب. خلف أحدها سيارة، وخلف البابين الآخرين ماعز. تختار بابًا (لنقل الباب رقم 1). ثم يفتح المذيع، الذي يعرف ما وراء كل باب، أحد الأبواب الأخرى (لنقل الباب رقم 3) ليكشف عن ماعز. ثم يسألك: "هل تريد البقاء على الباب رقم 1، أم الانتقال إلى الباب رقم 2؟"
الاعتقاد السائد -وغير الصحيح- هو أنه لا يهم. يبدو الأمر وكأنه فرصة متساوية. لكن الإجابة الصحيحة هي أنه يجب عليك التغيير دائما . إليك السبب:
- عندما اخترت الباب رقم 1 لأول مرة، كان لديك فرصة واحدة من ثلاث فرص لتكون على صواب.
- هذا يعني أن هناك احتمالاً بنسبة 2 من 3 أن تكون السيارة خلف إحدى السيارات الأخرى. البابان الآخران.
- عندما يكشف المضيف عن وجود ماعز خلف الباب رقم 3، فإنه لا يغير الاحتمالات الأولية، بل يقدم لك معلومات جديدة. فاحتمالية 2 من 3 التي كانت موزعة بين البابين 2 و3 أصبحت الآن محصورة في الباب المتبقي: الباب 2. بتغيير اختيارك، فأنت تراهن على احتمالية 2 من 3 أنك كنت مخطئًا في البداية. أما التمسك باختيارك الأصلي فلا يمنحك سوى احتمالية 1 من 3 للفوز. على الرغم من أن معضلة مونتي هول ليست من مهام علم البيانات اليومية، إلا أنها تُعدّ مثالًا بليغًا على الاحتمالية الشرطية. فهي تُعلّمنا أن المعلومات الجديدة، حتى وإن بدت بسيطة، يُمكنها أن تُغيّر المشهد الاحتمالي جذريًا، وهو مفهوم أساسي في النماذج البايزية التي تُحدّث "معتقداتها" مع ورود بيانات جديدة.
5. حتى الفحص الطبي "عالي الدقة" قد يكون خاطئاً بنسبة 91% من الوقت
من المعروف أن أدمغتنا تعاني من ضعف في دمج المعلومات الجديدة مع المعرفة السابقة، وهي عملية تُعرف بالاستدلال البايزي. لنفترض اختبارًا للكشف عن فيروس نقص المناعة البشرية بين متبرعي الدم، حيث يكون انتشار المرض منخفضًا جدًا، بنسبة 0.1%. يتميز الاختبار بدقة عالية: فهو يُحدد 99% من العينات المصابة بشكل صحيح، ونسبة النتائج الإيجابية الخاطئة للعينات غير المصابة لا تتجاوز 1%. إذا كانت نتيجة اختبار أحد المتبرعين إيجابية، فما احتمال إصابته بفيروس نقص المناعة البشرية فعلاً؟
لنقم بالحسابات لـ 100,000 متبرع:
- يوجد 100 شخص مصابون بفيروس نقص المناعة البشرية. سيحدد الاختبار 99 منهم بشكل صحيح (إيجابيات حقيقية).
- 99,900 شخصًا غير مصابين بفيروس نقص المناعة البشرية. سيحدد الاختبار 1% منهم بشكل خاطئ، مما ينتج عنه 999 نتيجة إيجابية خاطئة.
- إجمالاً، هناك 1,098 اختبارًا إيجابيًا (99 اختبارًا صحيحًا + 999 اختبارًا خاطئًا).
الخلاصة الصادمة هي أنه من بين 1,098 شخصًا جاءت نتائج اختباراتهم إيجابية، 99 شخصًا فقط مصابون فعليًا بفيروس نقص المناعة البشرية. هذا يعني أن احتمال كون النتيجة الإيجابية صحيحة لا يتجاوز 9% (99/1,098). نسبة مذهلة تبلغ 91% من الاختبارات الإيجابية خاطئة. هذا درس أساسي لكل من يعمل في مجالات مثل كشف الاحتيال أو التشخيص الطبي. نموذج "دقيق بنسبة 99%" قد يكون مضللًا بشكل كارثي إذا كان الحدث الذي تبحث عنه نادرًا، ولهذا السبب غالبًا ما تكون مقاييس مثل الدقة والاستدعاء أكثر أهمية من الدقة المطلقة.
6. أنت مخدوع بـ "العودة إلى المتوسط"
"العودة إلى المتوسط" هي ظاهرة إحصائية تُشير إلى أنه كلما زادت قيمة المتغير في قياسه الأول تطرفًا، زادت احتمالية اقترابه من المتوسط في قياسه الثاني. يُفسر هذا المفهوم وحده عددًا لا يُحصى من الاستنتاجات الخاطئة، بدءًا من " لعنة غلافمجلة سبورتس إليستريتد " الشهيرة (حيث يُرجح أن يُحقق الرياضيون الذين يُقدمون موسمًا استثنائيًا أداءً أقرب إلى متوسطهم في الموسم التالي) وصولًا إلى العلاجات الطبية غير الفعالة التي تبدو ناجحة ظاهريًا.
لننظر إلى دراسة ضغط الدم المحاكاة الموضحة في الشكل 1.1 من النص الأصلي. يقيس الباحثون ضغط الدم في مجموعة كبيرة، ثم يختارون الأفراد ذوي أعلى قراءات أولية فقط لتطبيق "العلاج". بعد ذلك، يُجرى قياس ثانٍ. لا محالة، سينخفض متوسط ضغط الدم لهذه المجموعة المختارة. لهذا السبب تحديدًا تُعتبر التجارب المعشاة ذات الشواهد المعيار الذهبي في البحث العلمي. فبدون مجموعة ضابطة للمقارنة، سيؤدي الانحدار نحو المتوسط إلى جعل أي تدخل على مجموعة متطرفة يبدو فعالًا، مما يدفع المحللين إلى عزو السببية إلى مجرد تأثير إحصائي يُعيد القيم الشاذة إلى المتوسط.
7. يمكن لتوجهاتك السياسية أن تغير ما تراه في جدول البيانات
يمكن أن تؤثر تحيزاتنا بشكل جذري على كيفية تفسيرنا للبيانات الأولية. في دراسة مهمة أجراها كاهان وزملاؤه، عُرض على المشاركين جدول أرقام وسُئلوا عما إذا كان التدخل فعالاً. كانت الأرقام متطابقة دائمًا، لكن المسميات كانت مختلفة.
عندما صُنِّف الجدول على أنه اختبار لكريم جديد للبشرة، فسّر كلٌّ من الديمقراطيين الليبراليين والجمهوريين المحافظين البيانات تفسيرًا صحيحًا. لكن عندما صُنِّفت البيانات نفسها على أنها اختبار لقانون يحظر حمل الأسلحة النارية المخفية، تأثرت تفسيرات الناس بتوجهاتهم السياسية. وخلص كل طرف إلى أن البيانات تدعم فكرته المسبقة، رغم أن الحسابات الرياضية أظهرت بوضوح أن التدخل كان أقل فعالية من عدم القيام بأي شيء (نسبة تحسن بلغت 74.8% لمجموعة التدخل مقابل 83.6% لمجموعة الضبط). هذا درسٌ قيّم لأي محلل، إذ يُبيّن أهمية ممارسات مثل تسجيل الفرضيات مسبقًا قبل التحليل أو إجراء تحليل البيانات مُحايد . فهذه الضوابط الإجرائية تُساعد على فصل الرؤى الحقيقية عن الاستنتاجات التي تتوق إليها تحيزاتنا بشدة.
الخلاصة: لا تثق بحدسك، بل ثق بالعملية
كما رأينا، فإن حدسنا دليل غير موثوق به في عالم الإحصاء والاحتمالات. فنحن مُهيّأون للثقة المفرطة، ولرؤية أنماط غير موجودة، وللسماح لمعتقداتنا المسبقة بتحديد استنتاجاتنا. هذه ليست علامات ضعف فكري، بل هي سمات عامة للإدراك البشري.
لهذا السبب تحديدًا تُعدّ الدقة العلمية والإحصائية ضرورية للغاية. فالأساليب الرسمية ليست مجرد تمارين أكاديمية، بل هي الأدوات التي طورناها لمواجهة حدسنا الخاطئ. إنها تُجبرنا على مراجعة افتراضاتنا، وقياس عدم يقيننا، واتباع عملية منطقية تحمينا من التسرع في استخلاص استنتاجات خاطئة. بفهم هذه المزالق المعرفية، نستطيع أن نتعلم الاعتماد بشكل أقل على حدسنا المُعرّض للخطأ، وبشكل أكبر على عملية سليمة وقابلة للتكرار.
الآن وقد أصبح بإمكانك اكتشاف هذه الفخاخ الذهنية، فأي منها ستكون أكثر حذراً في عملك وتفكيرك؟
