データを読む ― グラフの落とし穴

1.軸の省略 ― 小さな差を大きく見せる

棒グラフの棒の高さは、値の大きさを目で比べるためのものです。ところが縦軸が0でないところから始まると、棒の高さの比が実際の値の比と違ってきます。小さな差が何倍もの差のように見えてしまうのです。

縦軸を途中から始めるのが、いつも間違いというわけではありません。体温や株価のように0近くまで下がることのない値の小さな変化を見る折れ線グラフでは、よく軸を省略します。問題なのは、棒の長さで大きさを比べさせながら軸を省略する場合です。グラフを見たら、まず縦軸の始まりの値と目盛を確かめましょう。

2.相関は因果ではない

2つの値がいっしょに上がり下がりすることを相関関係といいます。夏にはアイスクリームの売上が増え、水の事故も増えます。2つの間にははっきりした相関がありますが、アイスクリームが事故を起こすわけではありません。気温という第3の要因が、2つをいっしょに動かしているのです。このような隠れた要因を交絡因子といいます。

相関を因果と読む前に、3つのことを問いかけましょう。隠れた共通の原因はないか。原因と結果の向きが逆ということはないか（運動する人が健康なのか、健康な人ほど運動するのか）。たまたま重なっただけではないか。因果を確かめるいちばん確実な方法は、無作為に分けた2つの集団を比べる実験ですが、いつもそうした実験ができるわけではありません。

• 共通の原因：気温 → アイスクリームの売上、気温 → 水の事故
• 向きが逆：「病院によく行く人ほど具合が悪い」― 具合が悪いから病院に行くのである
• 偶然：関係のない2つの統計でも、期間をうまく選べば似た動きをすることがある

3.標本の偏り ― だれに聞いたのか

全体をすべて調べることはできないので、一部（標本）を抜き出して全体を推定します。このとき標本が全体に似ていなければ、どれだけたくさん集めても結果は偏ります。あるアプリの中だけで行ったアンケートはそのアプリを使う人の意見であり、自分から回答した人だけを集めたアンケートは、そのテーマに関心の高い人の意見に近いものです。

生き残ったものだけを見るのも標本の偏りです。「成功した人はみな早起きだった」という話からは、早起きしたのに成功しなかった人たちが抜け落ちています。データを見るときは、数字より先に「だれが、どのように選ばれ、だれが抜けているのか」を問わなければなりません。標本の大きさより、選び方のほうが大切なことがよくあります。

AIも同じ問題を抱えています。学習データが特定の集団に偏れば、AIの判断もそちらに偏ります。「AIの基礎」コースで扱うデータの偏りとは、まさにこの標本の偏りです。

4.割合と実数、相対的な変化と絶対的な変化

人口100万人の都市と10万人の都市の事故件数をそのまま比べると、大きな都市のほうがいつも多く見えます。公平に比べるには、人口10万人あたりのように同じ基準に直した割合を見なければなりません。逆に、割合だけを見て実数を見落とすと、実際の規模を誤解します。

「リスクが2倍に増えた」という言い方にも同じ問題がひそんでいます。相対的な変化（2倍、100%増加）は大きく聞こえますが、もとのリスクがとても小さければ、絶対的な変化はわずかかもしれません。両方をあわせて見てこそ判断できます。

5.平均とまとめ方の落とし穴

平均の深さが1 mの川を歩いて渡れるでしょうか。岸のほうが浅く真ん中が3 mなら、平均は1 mでも渡れません。平均は散らばりも最大値も教えてくれません。第8講で見たように、平均の横には中央値と散らばりをいっしょに置く必要があります。

まとめて見た結果と、分けて見た結果が正反対になることもあります。これをシンプソンのパラドックスといいます。下の例では、病院Xは簡単な手術でも難しい手術でもYより成功率が高いのに、合計するとYのほうがずっと高く見えます。Xが難しい手術をはるかに多く引き受けているからです。