Language
Country/Area
No result found
Sai come il caso del pregiudizio di genere dell'UC Berkeley ha rivelato la verità sui dati?
Nel mondo dell'analisi dei dati si verificano spesso fenomeni che sembrano contraddittori, ma che ci ricordano di essere prudenti nell'interpretazione dei dati. Tra questi, il famoso “Paradosso di Simpson” è un esempio motivante, e il caso del pregiudizio di genere alla UC Berkeley è una delle applicazioni pratiche più rappresentative di questo paradosso.
Il paradosso di Simpson si riferisce alla situazione in cui quando si considerano diversi insiemi di dati, in ciascun gruppo appare una certa tendenza, ma quando i dati vengono combinati, la tendenza scompare o addirittura si inverte.
Ripensando alla UC Berkeley nel 1973, la ricerca della scuola ha rilevato che il tasso di ammissione dei candidati uomini era superiore a quello delle donne. Questo fenomeno ha attirato un'attenzione e una discussione diffuse. A prima vista, ciò potrebbe sembrare indice di palese sessismo a scuola. Tuttavia, analizzando ulteriormente i dati, il quadro appare completamente diverso.
Se si prendono in considerazione i dipartimenti dei candidati, si scopre che le donne tendono a scegliere dipartimenti più competitivi, come il dipartimento di inglese, mentre la maggior parte degli uomini si candida a dipartimenti relativamente meno competitivi come ingegneria e economia. In questo modo, la probabilità di ammissione delle candidate donne sembra essere bassa, ma in realtà è perché i dipartimenti in cui si candidano sono relativamente difficili da inserire, che rivela le ragioni alla base dei dati.
Lo studio ha concluso che, nel complesso dei dati, il pregiudizio a sfavore delle donne era in realtà molto ridotto e risultava addirittura a favore delle donne.
Secondo una ricerca, solo quattro dei sei principali dipartimenti dell'UC Berkeley hanno pregiudizi significativi nei confronti delle donne. Al contrario, sei dipartimenti avevano pregiudizi a sfavore degli uomini, suggerendo che i dati complessivi sulle ammissioni richiedono un’attenta stratificazione. Questo è un classico esempio del paradosso di Simpson: se ogni insieme di dati viene considerato individualmente, si possono giungere a conclusioni molto diverse.
Il paradosso di Simpson si ritrova anche in altri campi. Ad esempio, in uno studio sul trattamento dei calcoli renali, un trattamento ha ottenuto risultati migliori in ciascuna categoria trattando separatamente i calcoli grandi e piccoli, ma quando i due gruppi sono stati combinati i risultati hanno mostrato risultati opposti. In effetti, l'efficacia del trattamento è influenzata da ". variabili nascoste" come la dimensione della pietra e la gravità della condizione.
Il paradosso di Simpson ci dice che vari fattori nel processo di interpretazione dei dati possono influenzare i risultati, quindi l'interpretazione dell'intero e di parte dei dati deve essere trattata con cautela.
Inoltre, un fenomeno simile può essere riscontrato nelle medie di battuta del baseball professionistico. In alcuni anni un giocatore può avere una media di battuta più alta di un altro, ma quando questi numeri vengono combinati, potrebbe mostrare che il primo ha una media di battuta complessiva inferiore. L'esempio di Zhan Yimingjie mostra chiaramente che la stratificazione e l'integrazione dei dati devono essere considerate in modo globale.
Il paradosso di Simpson non è solo statisticamente significativo, ma pone anche sfide e rivelazioni alla nostra analisi dei dati. Ricorda costantemente ai politici e ai ricercatori di pensare da una prospettiva più completa e di considerare le varie possibili cause di distorsione dei dati quando si confrontano con i dati. Questa è anche la sfida più grande all'"intuizione" e alla "logica" che molte persone hanno nei confronti dei dati: ogni dettaglio nei dati può essere correlato alla conclusione finale.
Quindi, quando esaminiamo nuovamente l'analisi dei dati e i risultati in scenari diversi, possiamo sempre mantenere un pensiero critico ed esaminare attentamente la verità nascosta dietro i dati?
