5 نکته برای مقابله با COVID-19 آمار بیش از حد

کارشناسان باید چند نکته مهم برای کمک به شما رسیدگی به سیل COVID-19 آمار.

ما در حال مواجه سراسر ساعت با مشکل داده ها به عنوان خبرنگاران و کارشناسان بهداشت عمومی و مقامات منتخب به دنبال درک و توصیف مسیر و تاثیر COVID-19. نرخ عفونت بستری در بیمارستان و مرگ فقط چند شاخص های کلیدی.

“…ما باید آمار—آمار خوب به بحث منطقی در مورد مشکلات اجتماعی است.”

با بسیاری از اعداد به هضم آن می توان به چالش کشیدن برای جدا کردن COVID-19 آمار که ممکن است گمراه از آن که روشن چیزی است که پیچیده تصمیم گیری مقامات دولتی با توجه به اخبار اخیر حساب.

در حالی که گسترده سوء ظن است که اعداد را می توان دستکاری به پشتیبانی از تقریبا هر نتیجه predates گیر تعصب در اطراف پاسخ به این ویروس بیشتر تضعیف آمریکایی ها اعتماد در COVID-19 اطلاعات طبق آخرین بررسی مرکز تحقیقات پیو.

اما آمار البته حیاتی به درک زمان COVID-19 بحران به عنوان به خوبی به عنوان دیگر مشکلات پیچیده مانند فقر و رکود اقتصادی و تغییر آب و هوا و بنابراین محققان استرس اهمیت یادگیری به تشخیص آنچه را مفید از آنچه ممکن است ناخواسته.

“ما گمان می کنند که آمار اشتباه ممکن است که افرادی که استفاده از آمار ممکن است ‘دروغ’—تلاش برای دستکاری ما با استفاده از اعداد به نوعی تحریف حقیقت” می نویسد: جامعه شناس Joel بهترین در کتاب خود سر در گم دروغ و آمار (University of California Press, 2012). اما او توضیح می دهد “[t]او راه حل مشکل بد آمار است نه به چشم پوشی از تمام آمار و یا فرض کنیم که هر عدد نادرست است. برخی از آمار بد هستند اما دیگران خیلی خوب است و ما باید آمار—آمار خوب به بحث منطقی در مورد مشکلات اجتماعی است.”

برای کمک به بهبود خود ما آماری سواد به عنوان بیماری همه گیر در ادامه اندرو گوردون ویلسون و جاناتان نیلز-علف های هرز, دستیار اساتید در دانشگاه نیویورک و مرکز اطلاعات علمی و انستیتو علوم ریاضی کورانت و طرح برخی از اصول برای حفظ در ذهن در هنگام ارزیابی آمار و ارقام ذکر شده در خبر.

ویلسون و نیلز-علف های هرز نکات زیر ظاهر می شود اما هر دو احتیاط که آموزش داده علم به تنهایی کافی نیست برای تجهیز رهبران را کامل تصمیم گیری.

“بسیاری از مردم—آمار گنجانده شده است—فکر می کنم که هر مشکل را می توان با بهتر شدن داده ها می گوید:” نیلز-علف های هرز. “اما حتی با اطلاعات کامل, ضرب و شتم COVID نیاز به سیاستمداران و کارشناسان بهداشت عمومی به وزن بسیار ملاحظات مختلف و انتخاب های سخت با وجود عدم قطعیت است. داده ها کمک می کند اما تنظیم سیاست خوب نیز نیاز به ترکیب ارزش ها و اهداف است.”

1. برخی در مورد عدم قطعیت در COVID-19 آمار

“بسیاری از حقایق و آمار و ارقام ما با بزرگ نشده خطای میله” هشدار ویلسون. “فرض کنید تنها کسی که در یک روستا آزمایش coronavirus تست مثبت است. آن می تواند گزارش داد که ميزان بروز در آن منطقه است 100%. شما ممکن است بگو قطعا آنها نیاز به تست بیشتر مردم؟’ اما چگونه بسیاری از مردم ما باید آزمون به صورت دقیق بروز برآورد? ده نفر 100 نفر از 10000 نفر ؟ آنچه معقول نمونه اندازه ؟ و آیا ما فقط تست علامتی مردم ؟ چه کسری از جمعیت است بدون علامت? آنچه به منزله ‘دقیق’?

“به طور مشابه مدل های پیش بینی مقادیر مانند بروز بسیاری از متغیر به عنوان ورودی مانند مورد مرگ و میر. این ورودی به طور مشابه باید بزرگ قطعیت متصل به آنها. ما باید آگاه از عدم اطمینان در تجزیه اعداد ما می بینیم در رسانه ها—نقطه پیش بینی بدون معقول برآورد خطا میله اغلب بی معنی است.”

2. جدا روند و ظهور تصادفی

“تغییرات تصادفی در داده ها می تواند به راحتی اشتباه واقعی روند می گوید:” نیلز-علف های هرز. “حتی اگر زمینه وضعیت استاتیک داده ها ممکن است تغییر روز به روز به دلیل تصادفی سر و صدا.

“برای مثال اگر یک دولت به تازگی تایید موارد بالا به خصوص در طول یک داده در هفته و کاهش بعدی آن را آسان به این تفسیر به عنوان معنی دار: شاید بالا caseload در یک هفته ساخته شده از شهروندان محتاط تر منجر به کاهش در موارد بعدی هفته بعد از رفتار تغییر کرده است. اما آن را فقط به عنوان به احتمال زیاد است که هفته اول فقط یک تصادفی پرت و که هیچ چیز تغییر کرده است. در مقابل پایدار روز بیش از روز افزایش یا کاهش می یابد می تواند نشان می دهد روند واقعی.”

3. تفسیر احتمالات با دقت

“از آن آسان است به اشتباه احتمالات شرطی که قابل توجه است در طول یک بیماری همه گیر به دلیل آن می تواند منجر به برداشتی غلط از تست داده ها” یادداشت ویلسون. “برای مثال در نظر گرفتن یک آزمون برای coronavirus ما در مورد مراقبت از احتمال است که ما coronavirus داده شده که ما با تست مثبت—و نه احتمال این که ما تست مثبت داده که ما coronavirus.

“ما باید به دقت تفسیر آنچه که یک احتمال این است که به ما گفتن. برای مثال حساسیت یک تست به ما می گوید احتمال این که ما تست مثبت داده است که ما باید از این وضعیت. یکی دیگر از اندازه گیری—ویژگی—احتمال منفی در نتیجه اگر ما را ندارد شرط,” او می گوید.

“اگر یک آزمون دارای حساسیت بالا و در نتیجه گزارش شده که بسیار دقیق به این معنا نیست تست مثبت معنی است که ما به احتمال زیاد به کروناویروس به خصوص اگر نرخ کلی coronavirus در جامعه کم است. به طور مشابه اگر نرخ کلی coronavirus بالا منفی نتیجه آزمون ممکن است احتمال بالا بودن منفی کاذب حتی زمانی که آزمون دارای ويژگی بالا.”

4. بررسی نمونه تعصب

“در حالی که واقعا نمونه تصادفی می تواند اطلاعات دقیق در مورد کل جمعیت تعصب می تواند بوجود می آیند اگر برخی از مردم به احتمال زیاد شامل بیش از دیگران” توضیح می دهد که نیلز-علف های هرز.

“برای مثال اگر یک تیم تحقیقاتی انجام تست آنتی بادی در یک مجموعه تصادفی از مردم قدم زدن در یک خیابان شهر آنها همواره دست کسانی که بیش از حد بیمار به ترک تخت خود را. داده های جمع آوری شده در این راه موفق می شود نماینده هنگامی که گسترش به کل جمعیت است.”

5. مراقب باشید از اطلاعات از دست رفته در COVID-19 آمار

“بسیاری از ادعاها در واقع درست است اما گمراه کننده با توجه به حیاتی از دست رفته اطلاعات می گوید:” ویلسون. “به عنوان مثال ممکن است درست به گزارش که در اکثر موارد تایید شده در یک منطقه هستند اما اگر فقط تعداد بسیار کمی به حال آزمایش مثبت است که ممکن است معنی پیدا کردن. به طور مشابه بسیاری وجود دارد همبستگی است که به راحتی می توان توضیح داد که دور از دست رفته عوامل سببی.

“این گزارش در یک زمان که کارکنان مراقبت های بهداشتی در نیویورک را یک کمی پایین تر بروز coronavirus از جمعیت عمومی است. آیا معنی اجتماعی فاصله بی اثر است, از آنجا که این کارگران را بیشتر در معرض آلوده مردم ؟ اگر ما وضعیت در این واقعیت است که کارکنان مراقبت های بهداشتی آموزش دیده برای هوشیار در ماسک پوشیدن و شستن دست فاصله و مایع آن به احتمال زیاد به معنی دقیق مخالف!”

منبع: NYU

tinyurlis.gdclck.ruulvis.netshrtco.de