Статистика с Марией
Open in Telegram
Канал для тех, кто когда-то учил статистику в универе, но ничего не понял. Для связи @mchernigovskaya
Show moreRussia907 723The category is not specified
236
Subscribers
No data24 hours
No data7 days
No data30 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
No data
Any problems? Please refresh the page or contact our support manager.
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
December '24
December '24
+2
in 0 channels
November '240
in 0 channels
Get PRO
October '24
+2
in 0 channels
Get PRO
September '24
+8
in 0 channels
Get PRO
August '24
+4
in 0 channels
Get PRO
July '24
+100
in 1 channels
Get PRO
June '240
in 0 channels
Get PRO
May '24
+133
in 1 channels
| Date | Subscriber Growth | Mentions | Channels | |
| 21 December | 0 | |||
| 20 December | 0 | |||
| 19 December | +1 | |||
| 18 December | 0 | |||
| 17 December | 0 | |||
| 16 December | 0 | |||
| 15 December | 0 | |||
| 14 December | 0 | |||
| 13 December | 0 | |||
| 12 December | 0 | |||
| 11 December | 0 | |||
| 10 December | 0 |
Channel Posts
Когда я смотрю на данные, я иногда сомневаюсь в своих действиях. Мне кажется, что придут настоящие большие статистики (например, ревьюеры статьи) и скажут, что все нужно было делать иначе 🫠
В такие моменты я стараюсь вспоминать публикацию “Many Analysts, One Data Set: Making Transparent How Variations in Analytic Choices Affect Results”. Вкратце, один и тот же датасет раздали 29 командам статистиков и спросили у них, правда ли футбольные судьи чаще дают красные карточки людям с темным цветом кожи. Результаты оказались диаметрально противоположными: одни команды нашли статистическую связь с цветом кожи, другие — не нашли никакой связи. Стоит отметить, что все команды смотрели на данные честно, и разница в результатах, скорее всего, объясняется разными субъективными решениями, которые они принимали в процессе работы
Получается, нет единственного ✨идеального✨ способа проанализировать ваши данные. Именно поэтому так важно честно и подробно описывать, как именно вы анализировали данные, какие предположения или допущения вы делали в процессе и, в идеале, выкладывать свой код
| 2 | 🏋️♀️📊 | 271 |
| 3 |  Статистика в тренажерном зале 🏋️♀️
Возможно, вы замечали, что люди выбирают веса на тренажерах особым образом. По затертостям видно, что средние веса используются чаще, чем самые легкие и самые тяжелые. Если представить выбор веса как случайную величину, то закон по которому человек выбирает вес, будет называться распределение случайной величины.
А как вам кажется, какое распределение описывает выбор весов в тренажере? | 257 |
| 4 | В прошлом посте я пересказала основные моменты из отчета Королевского статистического общества о врачах-убийцах. Теперь поговорим о том, какие претензии у статистиков к делу Люси Летби
1. Отсутствие статистического анализа
Повторюсь, “из графика/таблицы очевидно, что…” не является статистическим анализом!
2. Субъективный выбор подозрительных смертей
Обвинение основывается на 24 подозрительных случаев, и только Люси дежурила во все эти разы. Однако, к выбору именно этих 24 случаев есть вопросы. Во-первых, в одном случае, график показывает что Люси дежурила ночью, хотя на хотя на самом деле она работала днем. Во-вторых, профессор права Эдинбургского университета Буркхард Шафер Шафера считает, что диаграмма должна была охватывать более длительный период времени и включать все смерти. В-третьих, эксперт обвинения Дьюи Эванс указал на еще 25 потенциально подозрительных случаев, которые были проигнорированы. В общем, складывается ощущение, что данные подгонялись под вывод “Люси виновна”, а не вывод был сделан на основе всех имеющихся данных. Такой подход в статистике называется cherry picking или ошибка меткого стрелка
3. Игнорирование скрытых факторов
Люси была опытной медсестрой, которая часто работала с более тяжелыми пациентами, что могло повлиять на увеличение смертности. Также высокая детская смертность могла быть связана с плохими условиями в больнице: переработками персонала, усталостью, нехваткой сотрудников, недостатком финансирования и другими систематическими проблемами NHS. Все эти обстоятельства были проигнорированы судом
Вместо заключения
Мы не знаем, виновна ли Люси Летби в убийствах новорожденных. Однако на основе сомнительного "статистического анализа" она была приговорена к пожизненному заключению без права на досрочное освобождение. Приговор обжалован, и Люси ожидает решения апелляционного суда. Надеюсь, когда-нибудь я напишу последнюю часть этого поста, в которой расскажу, как статистики собрали полные данные, учли скрытые факторы и непредвзято показали, является ли дело Люси Летби статистической случайностью или нет | 307 |
| 5 | Продолжение истории Люси Летби: Что статистики думают о врачах-убийцах
Начало истории здесь
Конечно, дело Люси Летби не первое дело о врачах-убийцах. За месяц до начала процесса, Королевское статистическое общество выпустило отчет, в котором рассматриваются два случая, когда медсестер ошибочно обвинили в убийстве пациентов на основе “статистического анализа” графика их дежурств. Также в этом отчете статистики обсуждают частые ошибки, допускаемые при использовании статистики в судебных делах, и дают рекомендации, как их избежать. Отчет небольшой, написан очень понятным языком, и я горячо рекомендую прочитать его всем, кто занимается здравоохранением (студенты PHS, привет!).
Вот несколько основных проблем, которые отметило Королевское статистическое общество:
1. Непонимание случайности
Даже очень редкие события с кем-то случаются. Например, пара из Калифорнии однажды выиграла две лотереи в один день, хотя вероятность такого случайного события 1 на 23 000 000 000 000. В случае с лотереями нам это не кажется невозможным, потому что миллионы людей играют в лотереи каждый день, а значит, кто-то может случайно выиграть. Но с врачами эта интуиция почему-то не работает. Если у врача умирает необычно много пациентов, мы думаем, что именно с этим врачом что-то не так. Хотя в мире есть миллионы врачей, которые тоже “играют в лотерею” каждый день, и кому-то из них может случайно не повезти.
2. Корреляция не показывает причинно-следственные связи
Ретроспективно можно показать что во время дежурств человека Х смертность была значимо выше. Однако сама по себе высокая смертность не доказывает, что человек Х убийца. Это происходит из-за так называемых скрытых факторов (confounding factors), которые связаны с временем дежурства и с повышенной смертностью. Например, люди чаще умирают утром, а значит врачи, работающие по утрам, могут быть ассоциированы с более высокой смертностью. Более опытные врачи работают с более тяжелыми пациентами, у которых выше вероятность умереть. Увеличение смертей может быть даже связано с заменой поставщика медицинского оборудования. Отследить и учесть все такие скрытые факторы очень сложно.
3. Предвзятость подтверждения (confirmation bias) и другие предвзятости
Наш мозг так устроен, что он выдает желаемое за действительно и не замечает факты, которые противоречат нашей теории. В делах о врачах-убийцах часто рассматриваются только “подозрительные смерти”. Однако решение о том, какая смерть подозрительная, принимает судебный патологоанатом. В одном исследовании было показано, что судебный патологоанатом чаще считает гипотетическую смерть подозрительной, если ему сказать что это черный ребенок находившийся с отчимом, чем если это белый ребенок находившийся с бабушкой. Дополнительная информация и контекст могут влиять на "независимое" решение эксперта.
4. Ошибки в анализе данных
Если от статистического анализа зависит судьба человека, его нужно делать тщательно. В отчете приводится пример дела Люсии де Берк, в котором криминалист подсчитал, что вероятность того, что смерти были случайными, составляет 1 из 342 000 000. Когда статистики пересмотрели данные, они обнаружили ошибку: были перемножены три p-value, которые нельзя перемножать. При повторном анализе тех же данных шансы составили 1 из 50. 🤷♀️ | 389 |
| 6 | 👀 Сегодня расскажу вам о канале Человек наук, который ведет Вова Шитов, PhD-студент по вычислительной биологии в Helmholtz Munich. Вова делится красотой науки и окружающего мира и рассказывает про математику, биологию, статистику и многое другое
На канале Вовы вы узнаете:
- Как еще можно лгать с помощью статистики
- Как найти числа Фибоначчи в растениях
- Чем занимается молекулярная биология
А для ученых и студентов может быть полезно исследование Вовы о том, как лучше писать письма для стажировок или PhD-программ
В общем, канал — супер, Вова — супер. Подписывайтесь!
Это партнерский пост | 332 |
| 7 |  +2Я сейчас на конференции в Порту, слушаю про любимую вычислительную иммунологию. Сегодня была постерная сессия, и я принесла вам еще несколько примеров не очень хороших графиков 👹
(1) Stacked barplot, в котором слишком много групп и цветов
(2) Почти одинаковые пайчарты, которые почти невозможно сравнить между собой на глаз
(3) Наши любимые боксплоты по 4 точкам. Особенно хорош сплющенный боксплот, построенный на четырёх нулевых значениях | 418 |
| 8 |  Пока я пару дней не открывала статью, мой соавтор успел нарисовать в нее боксплотов по четырем точкам 🫠🫠🫠
На всякий случай напомню, что не имеет смысла рисовать боксплот, если у вас меньше 5 наблюдений в данных (потому что боксплот описывает данные с помощью 5 значений). Вместо боксплота в этом случае можно просто нарисовать эти точки
Подробно про боксплоты рассказывала тут https://telegra.ph/Boksploty-05-06 | 462 |
| 9 |  Та самая таблица | 487 |
| 10 | Возможно, вы слышали, что год назад суд в Великобритании приговорил медсестру Люси Летби к пожизненному заключению. Присяжные признали её виновной в убийстве семи младенцев и покушении на жизнь ещё шести младенцев в 2015-2016 годах.
Спустя год вышло журналистское расследование, в котором эта страшная история раскрывается с неожиданной стороны. Что, если Люси Летби не серийная убийца и "ангел смерти", а пострадавшая от обвинения, основанного на некачественном анализе данных? Я не буду пересказывать детали судебного дела (его можно прочитать тут или тут), но хотела бы остановиться на статистической части происходящего.
Обвинение Люси Летби было почти полностью построено на "анализе" таблицы, в которой были перечислены 24 подозрительных случая ухудшения состояния детей и график дежурств 38 медсестёр. Оказалось, что только Люси дежурила все 24 раза из 24. Из этой таблицы всем, включая присяжных, стало очевидно, что таких совпадений не бывает, и Люси — убийца. Как сказал один из обвинителей, "If you look at the table overall, the picture is, we suggest, self-evidently obvious." Вот и всё, вот и весь статистический анализ 🤡
Чем больше я думаю про этот случай, тем больше хочется воскликнуть: "А что, так можно было?!" Для сравнения, нельзя опубликовать научную статью без какого-либо анализа данных, просто сославшись на то, что вам всё очевидно. А чтобы опубликовать статью в приличном журнале, недостаточно просто проанализировать данные, необходимо дополнительно провалидировать получившийся результат. То есть показать другими (например, биологическими) методами, что результат вашего анализа не является случайностью или ошибкой.
В следующем посте расскажу, какие ещё вопросы есть у статистиков к делу Люси Летби и к подобным делам о серийных врачах-убийцах. | 509 |
| 11 |  Совет/мем дня: не забывайте подписывать оси на графиках! 👹 | 418 |
| 12 |  +1Бонус: вот так выглядит мой ящик с усами 🥰 | 476 |
| 13 | Ящики с усами 📦🐈
В новом конспекте разбираемся с определением боксплота, кто его придумал, и как же правильно рисовать усы
https://telegra.ph/Boksploty-05-06 | 452 |
| 14 | Как рисуют усы в ящике с усами (он же box plot, он же box and whisker plot)? | 438 |
| 15 |  Квиз! Можно выбрать несколько вариантов ответа | 352 |
| 16 | Парадокс дней рождения 🎂🤯
Скорее всего, в вашем классе была пара человек, которые отмечали день рождения в один день. Более того, теория вероятностей утверждает, что если в классе было хотя бы 23 человека, то вероятность совпадения двух ДР была более 50%. Этот факт называется парадоксом дней рождения.
На первый взгляд, парадокс дней рождения может показаться удивительным. Интуиция (ошибочно) подсказывает нам, что если мы хотим, чтобы два человека родились в один день с вероятностью 50%, то и людей в такой группе должно быть 50% от всех возможных дней в году, то есть хотя бы 365/2 = 183 человека.
В чем же обман? Обмана нет, парадокс дней рождения называется парадоксом только потому, что кажется нам контринтуитивным. Фактически нас интересуют совпадение ДР у любых двух человек. То есть, нужно сравнить все возможные пары, и в каждой паре должны быть разные ДР. А количество всевозможных пар в группе очень быстро растет, в этом и кроется разгадка парадокса.
Есть формула, которая позволяет рассчитать, количество уникальных пар в группе из N человек: 0.5 * N * (N-1). То есть, 2 человека составляют всего 1 пару, 10 человек — 45 пар, 20 человек — 190 пар, и так далее. Получается, что всего лишь 23 человека образуют 253 уникальные пары, и именно такое большое количество пар делает вероятность совпадения дней рождения 50.73%. Кстати, в группе из 57 человек (1596 пары) вероятность совпадения будет уже 99%.
Парадокс дней рождения это не только забавный факт, который можно рассказать на вечеринке. На основе этого парадокса существует метод взлома шифров, который в криптографии называется атака «дней рождения». C помощью парадокса, ученые создали модель, которая рассчитывала риски заразиться COVID-19 в публичных местах. Также парадокс дней рождения внезапно появляется в криминалистике. Оказывается, случайные совпадения могут происходить и при идентификации личности по ДНК. | 399 |
| 17 | Привет!
Давно не писала в канал. За время своего «отпуска» я дописала диссер, переехала в Стокгольм, начала работать в Karolinska Institute, завела кошку и даже начала петь в хоре.
Сегодня по пути на работу я как обычно слушала подкасты. Внезапно в одном из них услышала рекламу того самого подкаста по статистике, в котором приняла участие зимой.
Подкаст называется «Нормальное распределение» и вышел на МТС строках (это бесплатно). Говорят, что через некоторое время подкаст выйдет на всех остальных платформах. Если что, я в третьем эпизоде, но советую послушать подкаст целиком. Там всего 6 эпизодов и каждый — базовая база.
Вот ссылка на эпизод со мной
https://stroki.mts.ru/podcast/episode/margarin-razvody-i-nikolas-keydzh-ili-korrelyatsiya-nekorreliruyemogo-240021
PS К сожалению, в последнее время в мире все чаще происходят чудовищные события, из-за которых все остальное, в том числе наука и образование, порой кажется неуместным и бессмысленным. Хочется верить, что это скоро закончится. Обнимаю 🖤 | 416 |
| 18 | Сегодня хочу поделиться рекомендацией интерактивного учебника по теорверу и статистике https://seeing-theory.brown.edu/
Если вам проще один раз посмотреть на картинку, чем десять раз прочитать формулу, то вам должно понравиться 😏️️️️️️ В учебнике пока всего 6 глав, но они постепенно дополняются. В каждой главе небольшой кусок теории и интерактивная часть, в которой можно что-то покрутить-повертеть и посмотреть, что изменится
На мой вкус, это лучший ресурс, чтобы понять центральную предельную теорему (глава Probability Distributions) и доверительные интервалы (глава Frequentist Inference). Но остальные части тоже хорошие
Советую открывать в десктопной версии, с телефона не так красиво и удобно! | 604 |
| 19 | С наступающим!🎄✨
Как говорила моя преподавательница, желаю, чтобы каждый аутлаер нашёл свое распределение 😬
Спасибо, дорогие подписчики, что читаете мой канал! Если у меня получилось помочь хотя бы одному из вас, то все было не зря 🩵 Я буду стараться писать больше постов в новом году (обещаю пост про p-value и про тесты!!)
Если хочется, чтобы я рассказала про какую-то конкретную тему, напишите, пожалуйста, в комментариях. А я постараюсь начать в новом году именно с этих тем 👩💻 | 455 |
| 20 |  Пока готовилась к подкасту, вспомнила свой любимый мем про причинно-следственные связи 🙈 | 482 |
