Vurder kritisk hvordan statistikk brukes og misbrukes i medier.
Statistikk i hverdagen
Vi møter statistikk overalt - i nyhetene, i reklame, i sosiale medier og i politiske debatter. Tall og diagrammer kan virke svært overbevisende, men de kan også villede oss hvis vi ikke er kritiske.
I dette kapittelet lærer du å gjenkjenne vanlige triks og feil i statistiske fremstillinger:
- Villedende diagrammer - hvordan grafikk kan overdrive eller skjule forskjeller
- Cherry-picking - når man bare viser de dataene som passer
- Korrelasjon vs. kausalitet - å forveksle sammenheng med årsaksforhold
- Skjulte variabler - faktorer som kan forklare en tilsynelatende sammenheng
Målet er at du skal bli en kritisk leser av statistikk - ikke at du skal slutte å stole på tall, men at du skal stille de rette spørsmålene.
Et diagram kan gi et misvisende inntrykk på flere måter:
1. Avkortet y-akse: Hvis y-aksen ikke starter på 0, kan små forskjeller se dramatiske ut. En økning fra 100 til 105 (5 %) kan se ut som en dobling hvis aksen starter på 98.
2. Manipulert skala: Bruk av ulike skalaer på aksene, eller logaritmisk skala uten å markere det, kan forvrenge bildet.
3. 3D-effekter: Tredimensjonale søylediagrammer og sektordiagrammer kan gjøre det vanskelig å sammenligne størrelser nøyaktig.
4. Manglende kontekst: Å vise absolutte tall uten å oppgi befolkningsstørrelse, eller å utelate tidsperioden, kan gi et skjevt bilde.
5. Ikonstørrelser: Når ikoner eller bilder brukes for å representere tall, kan det skalere i to dimensjoner (areal) i stedet for én (høyde), slik at forskjellen overdramatiseres.
En avis viser et søylediagram over gjennomsnittlig skoleresultater for to kommuner:
- Kommune A: 4,2
- Kommune B: 4,5
Y-aksen i diagrammet starter på 4,0 og slutter på 5,0.
Forklar hvorfor dette diagrammet kan være villedende, og hva det riktige inntrykket bør være.
Når y-aksen starter på i stedet for , ser forskjellen mellom og mye større ut enn den egentlig er. Søylen for Kommune B vil se ut til å være nesten dobbelt så høy som søylen for Kommune A.
I virkeligheten er forskjellen bare poeng, altså en forskjell på ca. ().
Hvis y-aksen startet på , ville begge søylene vært nesten like høye, og forskjellen ville virke mye mindre dramatisk.
Viktig: Det er ikke alltid "galt" å avkorte y-aksen - noen ganger er det nødvendig for å vise detaljer. Men det bør alltid merkes tydelig, og leseren bør se på tallene, ikke bare figuren.
Hvis to ting korrelerer (samvarierer), betyr det at den ene forårsaker den andre.
Eksempler:
- Vise aksjekursen bare de siste 3 dagene (oppgang) i stedet for det siste året (nedgang)
- Velge ut akkurat de årene der temperaturen var uvanlig lav for å "bevise" at klimaet ikke endrer seg
- Sammenligne testresultater fra to skoler, men bare vise fagene der den ene skolen gjør det best
Hvordan avsløre cherry-picking:
- Spør: "Hva viser hele tidsperioden?"
- Spør: "Er det andre data som er utelatt?"
- Se etter om start- og sluttpunktet i en tidsserie er valgt strategisk
En politiker sier: "Kriminaliteten har økt med 20 % de siste to årene - dette viser at politikken vår ikke fungerer!"
Tallene er riktige: kriminaliteten gikk fra 1000 til 1200 anmeldte lovbrudd i kommunen.
Men ser vi på de siste 10 årene, var tallene:
| År | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | 2025 |
|---|---|---|---|---|---|---|---|---|---|---|
| Lovbrudd | 1800 | 1700 | 1600 | 1400 | 1300 | 1200 | 1100 | 1000 | 1100 | 1200 |
Hva er problemet med politikerens påstand?
Politikeren har valgt ut bare de siste to årene (2023-2025), der det er en økning fra 1000 til 1200.
Men ser vi på hele 10-årsperioden, har kriminaliteten sunket fra 1800 til 1200 - en nedgang på .
De to siste årene viser en liten "oppsving" i en ellers langvarig nedadgående trend. Å fokusere bare på denne korte perioden er cherry-picking.
En riktig fremstilling ville sagt: "Kriminaliteten har falt kraftig de siste 10 årene, fra 1800 til 1200 lovbrudd, selv om det har vært en svak økning de siste to årene."
Lærdom: Se alltid på den langsiktige trenden, ikke bare et utvalgt tidsrom.
To ting korrelerer (samvarierer) når de har en tendens til å endre seg sammen. Men korrelasjon betyr ikke nødvendigvis at den ene forårsaker den andre. Dette er en av de vanligste feilslutningene i statistikk.
Korrelasjon: og endrer seg i takt (begge øker, eller den ene øker mens den andre synker).
Kausalitet: forårsaker (endring i fører direkte til endring i ).
Tre mulige forklaringer på korrelasjon mellom og :
1. forårsaker
2. forårsaker
3. En skjult variabel forårsaker begge deler (lurende variabel)
Klassisk eksempel: Iskremssalg og drukningsulykker korrelerer positivt. Betyr det at iskrem forårsaker drukning? Nei! Den skjulte variabelen er varmt vær - folk spiser mer iskrem OG bader mer når det er varmt.
Avgjør om dette er korrelasjon, kausalitet, eller om det er en skjult variabel:
a) "Jo flere brannbiler som rykker ut, desto større er skadene fra brannen."
b) "Elever som spiser frokost gjør det bedre på prøver."
c) "Land med høyere sjokoladeforbruk per innbygger har flere nobelprisvinnere."
a) Brannbiler og brannskader:
Det er korrelasjon, men ikke kausalitet. Brannbilene forårsaker ikke skadene. Den skjulte variabelen er brannens størrelse. Store branner gir både mer skade OG krever flere brannbiler. Å sende færre brannbiler ville gjort skadene verre, ikke bedre!
b) Frokost og prøveresultater:
Her er det trolig en delvis kausal sammenheng - frokost gir energi til hjernen. Men det finnes også skjulte variabler: elever som spiser frokost kommer kanskje fra hjem med gode rutiner, foreldrene følger opp skolearbeid, elevene sover nok, osv. Så sammenhengen er nok sterkere enn det frokost alene forklarer.
c) Sjokolade og nobelprisvinnere:
Dette er en tullkorrelasjon (spurious correlation). Den skjulte variabelen er trolig BNP per innbygger - rike land har både høyere sjokoladeforbruk og bedre forskningsinstitusjoner. Å spise mer sjokolade gjør deg ikke smartere!
En reklame for et treningssenter viser et søylediagram med antall medlemmer:
- 2023: 500 medlemmer
- 2024: 520 medlemmer
- 2025: 545 medlemmer
Y-aksen starter på 480. Forklar hvorfor dette kan gi et feil inntrykk.
Forklar hva "cherry-picking" betyr i statistikk, og gi et eget eksempel på cherry-picking som du kan tenke deg i en hverdagssituasjon.
For hvert av disse eksemplene: avgjør om det mest sannsynlig er kausalitet, korrelasjon med skjult variabel, eller tullkorrelasjon.
a) "Jo mer tid elever bruker på sosiale medier, desto lavere karakterer får de."
b) "Antall filmer Nicolas Cage er med i per år korrelerer med antall drukningsulykker i svømmebasseng."
c) "Røyking øker risikoen for lungekreft."
d) "Jo flere politifolk i et område, desto mer kriminalitet."
En avis skriver: "Elever som drikker energidrikk daglig har 30 % lavere karaktergjennomsnitt enn de som aldri drikker energidrikk."
a) Betyr dette at energidrikk gjør deg dummere? Forklar.
b) Nevn minst to mulige skjulte variabler som kan forklare sammenhengen.
c) Hva slags undersøkelse måtte man gjøre for å bevise kausalitet?
Nevn fire spørsmål du bør stille deg selv når du ser et diagram eller en statistikk i media.
En undersøkelse i en kommune viser:
- Gjennomsnittsinntekt: 650 000 kr
- Medianinntekt: 480 000 kr
a) Forklar hvorfor gjennomsnitt og median er så forskjellige.
b) Hvilken av de to er mest representativ for "vanlige folk" i kommunen?
c) Hvis en politiker vil vise at folk har det bra økonomisk, hvilket tall vil hen bruke? Hva om hen vil argumentere for mer økonomisk støtte?
Finn et eksempel på statistikk eller et diagram i en nyhetsartikkel, reklame eller innlegg i sosiale medier (du kan også finne på et realistisk eksempel).
a) Beskriv hva som påstås.
b) Identifiser minst to mulige problemer med fremstillingen (villedende diagram, cherry-picking, korrelasjon/kausalitet, skjulte variabler, manglende kontekst).
c) Forklar hvordan statistikken kunne vært presentert på en mer ærlig måte.
Oppsummering
I dette kapittelet har du lært:
- Villedende diagrammer: Å gjenkjenne triks som avkortet y-akse, manipulert skala og 3D-effekter som overdramatiserer forskjeller
- Cherry-picking: Å avsløre når noen bare viser utvalgte data eller tidsperioder som støtter deres synspunkt
- Korrelasjon vs. kausalitet: Å forstå forskjellen mellom at to ting samvarierer og at den ene faktisk forårsaker den andre
- Skjulte variabler: Å identifisere ukjente faktorer som kan forklare en tilsynelatende sammenheng mellom to variabler
Nøkkelbegreper
| Begrep | Forklaring |
|---|---|
| Villedende diagram | Diagram som gir et feilaktig visuelt inntrykk av dataene |
| Cherry-picking | Å velge ut bare data som passer med det man vil vise |
| Korrelasjon | To variabler som endrer seg i takt (samvariasjon) |
| Kausalitet | At én variabel direkte forårsaker endring i en annen |
| Skjult variabel | En ukjent faktor som påvirker begge variablene og skaper en tilsynelatende sammenheng |
| Tullkorrelasjon | En statistisk sammenheng som er helt tilfeldig og uten reell forbindelse |
Dette kapitlet er skrevet av Anthropics toppmodeller (Claude Opus og Claude Fable) og er foreløpig ikke manuelt gjennomgått — kvalitetskontrollen gjøres av uavhengige KI-agenter, og innmeldte feil rettes fortløpende. Funnet en feil? Meld fra, så retter vi den. Les mer om hvordan innholdet lages.