Vurder kritisk hvordan statistikk brukes og misbrukes i medier.
Statistikk i kvardagen
Vi møter statistikk overalt - i nyheitene, i reklame, i sosiale medium og i politiske debattar. Tal og diagram kan verke svært overtydande, men dei kan òg villeie oss viss vi ikkje er kritiske.
I dette kapittelet lærer du å kjenne att vanlege triks og feil i statistiske framstillingar:
- Villeiande diagram - korleis grafikk kan overdrive eller skjule skilnader
- Cherry-picking - når ein berre viser dei dataa som passar
- Korrelasjon vs. kausalitet - å forveksle samanheng med årsakssamanheng
- Skjulte variablar - faktorar som kan forklare ein tilsynelatande samanheng
Målet er at du skal bli ein kritisk lesar av statistikk - ikkje at du skal slutte å stole på tal, men at du skal stille dei rette spørsmåla.
Eit diagram kan gi eit misvisande inntrykk på fleire måtar:
1. Avkorta y-akse: Viss y-aksen ikkje startar på 0, kan små skilnader sjå dramatiske ut. Ein auke frå 100 til 105 (5 %) kan sjå ut som ei dobling viss aksen startar på 98.
2. Manipulert skala: Bruk av ulike skalaer på aksane, eller logaritmisk skala utan å markere det, kan forvrengje biletet.
3. 3D-effektar: Tredimensjonale søylediagram og sektordiagram kan gjere det vanskeleg å samanlikne storleikar nøyaktig.
4. Manglande kontekst: Å vise absolutte tal utan å oppgi folketal, eller å utelate tidsperioden, kan gi eit skeivt bilete.
5. Ikonstorleikar: Når ikon eller bilete blir brukte for å representere tal, kan det skalere i to dimensjonar (areal) i staden for éin (høgd), slik at skilnaden blir overdramatisert.
Ei avis viser eit søylediagram over gjennomsnittlege skuleresultat for to kommunar:
- Kommune A: 4,2
- Kommune B: 4,5
Y-aksen i diagrammet startar på 4,0 og sluttar på 5,0.
Forklar kvifor dette diagrammet kan vere villeiande, og kva det rette inntrykket bør vere.
Når y-aksen startar på i staden for , ser skilnaden mellom og mykje større ut enn han eigentleg er. Søyla for Kommune B vil sjå ut til å vere nesten dobbelt så høg som søyla for Kommune A.
I verkelegheita er skilnaden berre poeng, altså ein skilnad på ca. ().
Viss y-aksen starta på , ville begge søylene vore nesten like høge, og skilnaden ville verke mykje mindre dramatisk.
Viktig: Det er ikkje alltid "gale" å avkorte y-aksen - nokre gonger er det nødvendig for å vise detaljar. Men det bør alltid merkjast tydeleg, og lesaren bør sjå på tala, ikkje berre figuren.
Viss to ting korrelerer (samvarierer), tyder det at den eine forårsakar den andre.
Døme:
- Vise aksjekursen berre dei siste 3 dagane (oppgang) i staden for det siste året (nedgang)
- Velje ut akkurat dei åra der temperaturen var uvanleg låg for å "bevise" at klimaet ikkje endrar seg
- Samanlikne testresultat frå to skular, men berre vise faga der den eine skulen gjer det best
Korleis avsløre cherry-picking:
- Spør: "Kva viser heile tidsperioden?"
- Spør: "Er det andre data som er utelatne?"
- Sjå etter om start- og sluttpunktet i ein tidsserie er valt strategisk
Ein politikar seier: "Kriminaliteten har auka med 20 % dei siste to åra - dette viser at politikken vår ikkje fungerer!"
Tala er rette: kriminaliteten gjekk frå 1000 til 1200 melde lovbrot i kommunen.
Men ser vi på dei siste 10 åra, var tala:
| År | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | 2025 |
|---|---|---|---|---|---|---|---|---|---|---|
| Lovbrot | 1800 | 1700 | 1600 | 1400 | 1300 | 1200 | 1100 | 1000 | 1100 | 1200 |
Kva er problemet med påstanden til politikaren?
Politikaren har valt ut berre dei siste to åra (2023-2025), der det er ein auke frå 1000 til 1200.
Men ser vi på heile 10-årsperioden, har kriminaliteten sokke frå 1800 til 1200 - ein nedgang på .
Dei to siste åra viser ein liten "oppsving" i ein elles langvarig nedovergåande trend. Å fokusere berre på denne korte perioden er cherry-picking.
Ei rett framstilling ville sagt: "Kriminaliteten har falle kraftig dei siste 10 åra, frå 1800 til 1200 lovbrot, sjølv om det har vore ein svak auke dei siste to åra."
Lærdom: Sjå alltid på den langsiktige trenden, ikkje berre eit utvalt tidsrom.
To ting korrelerer (samvarierer) når dei har ein tendens til å endre seg saman. Men korrelasjon tyder ikkje nødvendigvis at den eine forårsakar den andre. Dette er ei av dei vanlegaste feilslutningane i statistikk.
Korrelasjon: og endrar seg i takt (begge aukar, eller den eine aukar medan den andre minkar).
Kausalitet: forårsakar (endring i fører direkte til endring i ).
Tre moglege forklaringar på korrelasjon mellom og :
1. forårsakar
2. forårsakar
3. Ein skjult variabel forårsakar begge delar (lurande variabel)
Klassisk døme: Iskremssal og drukningsulykker korrelerer positivt. Tyder det at iskrem forårsakar drukning? Nei! Den skjulte variabelen er varmt vêr - folk et meir iskrem OG badar meir når det er varmt.
Avgjer om dette er korrelasjon, kausalitet, eller om det er ein skjult variabel:
a) "Jo fleire brannbilar som rykkjer ut, dess større er skadane frå brannen."
b) "Elevar som et frukost gjer det betre på prøver."
c) "Land med høgare sjokoladeforbruk per innbyggjar har fleire nobelprisvinnarar."
a) Brannbilar og brannskadar:
Det er korrelasjon, men ikkje kausalitet. Brannbilane forårsakar ikkje skadane. Den skjulte variabelen er storleiken på brannen. Store brannar gir både meir skade OG krev fleire brannbilar. Å sende færre brannbilar ville gjort skadane verre, ikkje betre!
b) Frukost og prøveresultat:
Her er det truleg ein delvis kausal samanheng - frukost gir energi til hjernen. Men det finst òg skjulte variablar: elevar som et frukost kjem kanskje frå heimar med gode rutinar, foreldra følgjer opp skulearbeid, elevane søv nok, osv. Så samanhengen er nok sterkare enn det frukost åleine forklarer.
c) Sjokolade og nobelprisvinnarar:
Dette er ein tullkorrelasjon (spurious correlation). Den skjulte variabelen er truleg BNP per innbyggjar - rike land har både høgare sjokoladeforbruk og betre forskingsinstitusjonar. Å ete meir sjokolade gjer deg ikkje smartare!
Ein reklame for eit treningssenter viser eit søylediagram med talet på medlemmer:
- 2023: 500 medlemmer
- 2024: 520 medlemmer
- 2025: 545 medlemmer
Y-aksen startar på 480. Forklar kvifor dette kan gi eit feil inntrykk.
Forklar kva "cherry-picking" tyder i statistikk, og gi eit eige døme på cherry-picking som du kan tenke deg i ein kvardagssituasjon.
For kvart av desse døma: avgjer om det mest sannsynleg er kausalitet, korrelasjon med skjult variabel, eller tullkorrelasjon.
a) "Jo meir tid elevar bruker på sosiale medium, dess lågare karakterar får dei."
b) "Talet på filmar Nicolas Cage er med i per år korrelerer med talet på drukningsulykker i symjebasseng."
c) "Røyking aukar risikoen for lungekreft."
d) "Jo fleire politifolk i eit område, dess meir kriminalitet."
Ei avis skriv: "Elevar som drikk energidrikk dagleg har 30 % lågare karaktergjennomsnitt enn dei som aldri drikk energidrikk."
a) Tyder dette at energidrikk gjer deg dummare? Forklar.
b) Nemn minst to moglege skjulte variablar som kan forklare samanhengen.
c) Kva slags undersøking måtte ein gjere for å bevise kausalitet?
Nemn fire spørsmål du bør stille deg sjølv når du ser eit diagram eller ein statistikk i media.
Ei undersøking i ein kommune viser:
- Gjennomsnittsinntekt: 650 000 kr
- Medianinntekt: 480 000 kr
a) Forklar kvifor gjennomsnitt og median er så forskjellige.
b) Kva for ein av dei to er mest representativ for "vanlege folk" i kommunen?
c) Viss ein politikar vil vise at folk har det bra økonomisk, kva for tal vil hen bruke? Kva om hen vil argumentere for meir økonomisk støtte?
Finn eit døme på statistikk eller eit diagram i ein nyheitsartikkel, reklame eller innlegg i sosiale medium (du kan òg finne på eit realistisk døme).
a) Skildr kva som blir påstått.
b) Identifiser minst to moglege problem med framstillinga (villeiande diagram, cherry-picking, korrelasjon/kausalitet, skjulte variablar, manglande kontekst).
c) Forklar korleis statistikken kunne vore presentert på ein meir ærleg måte.
Oppsummering
I dette kapittelet har du lært:
- Villeiande diagram: Å kjenne att triks som avkorta y-akse, manipulert skala og 3D-effektar som overdramatiserer skilnader
- Cherry-picking: Å avsløre når nokon berre viser utvalde data eller tidsperiodar som støttar synspunktet deira
- Korrelasjon vs. kausalitet: Å forstå skilnaden mellom at to ting samvarierer og at den eine faktisk forårsakar den andre
- Skjulte variablar: Å identifisere ukjende faktorar som kan forklare ein tilsynelatande samanheng mellom to variablar
Nøkkelomgrep
| Omgrep | Forklaring |
|---|---|
| Villeiande diagram | Diagram som gir eit feilaktig visuelt inntrykk av dataa |
| Cherry-picking | Å velje ut berre data som passar med det ein vil vise |
| Korrelasjon | To variablar som endrar seg i takt (samvariasjon) |
| Kausalitet | At éin variabel direkte forårsakar endring i ein annan |
| Skjult variabel | Ein ukjend faktor som påverkar begge variablane og skaper ein tilsynelatande samanheng |
| Tullkorrelasjon | Ein statistisk samanheng som er heilt tilfeldig og utan reell forbinding |
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.