Ajattele puolestani, numero

Sanotaan, että tilastollinen lukutaito on tärkeä taito. Olen samaa mieltä. Tilastomatikkaa ei kuitenkaan yleisesti ottaen osata järin hyvin. Tavallinen tallaaja on tilastomatikasta usein autuaan tietämätön. Paha vain, että tavallisten tallaajien lisäksi autuaan tietämättömiä näyttävät olevan vähän muutkin kuin pelkällä peruskoulutuksella porskuttavat. Helsingin Sanomien eilisessä kolumnissa toimittaja (tai "päivästä riippuen" vaihtoehtoisesti myös tutkija) Tanja Aitamurto toi esiin avoimen datan hyötyjä:

"Muutin uuteen naapurustoon täällä San Franciscossa. Piti selvittää, mihin olisi turvallisinta pysäköidä auto: missä olisi vähiten ilkivaltaa ja pienin vaara, että Volkswagen Cabrioni varastetaan?
...
Tarkastelin myös San Franciscon kaupungin sähköisestä rikoskartasta, missä päin naapurustoani oli tapahtunut minkäkinlaisia rikoksia. Kun silmäilin rikoksia, tajusin, kuinka paljon niitä tapahtuukaan ihan vieressäni. Tieto ryöstöistä ja pahoinpitelyistä lähikulmilla ahdisti. .... Samalla olin kiitollinen kaupungille, joka oli julkaissut rikoskartan verkossa.
...
Tavoite on, että datasta on hyötyä kansalaiselle. Hyöty voi olla bussiaikataulupalvelu kännykässä tai sairaaloiden leikkaustietokanta .... Tuolla sivustolla on hurja havaita, kuinka suuria eroja esimerkiksi sydänleikkausten onnistumisessa on sairaaloittain. Ne, jotka pystyvät, voivat tiedon perusteella valita sairaalan leikkaustaan varten.

Juuri tällaista avoimesta datasta tuleva hyöty on. ... Tietoa, joka auttaa päättämään, mitä ehdokasta äänestää vaaleissa, kun on selannut kampanjarahoitusdataa."

Kolumnin luettuani olin lähestulkoon kauhuissani. Aitamurto ei tuonnut lainkaan esiin sitä, ettei datan käyttö ole kuin ohjekirjan lukua, vailla syvemmän tulkinnan häivääkään.  Olin pitänyt avointa dataa ilmiönä hyvänä asiana. Kuitenkin nyt jouduin huomaamaan, miten ilmiön, jota voisi hyödyntää mitä moninaisimmin tavoin, kohtalona saattakin olla tulla tilastollisen lukutaidottomuuden vuoksi täydellisen väärinkäytetyksi.

Kuka sen keräsi ja miksi?

Jos jonkun tarkoituksena on datan avulla pyrkiä osoittamaan, että paikka X on asuntosijoittajalle kannattava alue, on tarkoituksenmukaista määritellä rikos siten, että kyseinen alue saadaan näyttämään rikoksista puhtaalta. Jos naapurilähiössä on kioskeja, mutta alueella X ei, on syytä pitää mukana pienet kioskinäpistykset. Jos alueella X tehdään paljon pysäköintirikkeitä ja ajetaan usein päin punaisia, kannattaa nämä jättää pois määrittelystä. Datasta voi aina saada lähestulkoon haluamansa!

On siis ymmärrettävä, kuka sitä on kerännyt ja mihin tarkoitukseen.

Mikä oli otanta-asetelma, vastausprosentti ja millaista puuttuneisuus?

Alueen turvattomuudesta saa kovin erilaisen kuvan, jos sitä kysyy osallistujilta tapahtumassa "Koetko ympäristösi turvattomaksi? Tule juttelemaan!" sen sijaan, että asiasta kysyy satunnaisotannalla valitulta, aluetta tilastollisessa mielessä edustavalta ryhmältä. Edustavuus on datan A ja O. Jos kysytään vain "äänekkäiltä" tai niiltä, jotka jo valmiiksi edustavat tiettyä ryhmää aiheen suhteen, saadaan täysin harhaisia tuloksia (eli harhaista dataa). Turvattomaksi kokijat kertovat yhden tarinan. Toisenlainen tarina kuullaan kysyttäessä asiaa Facebook-ryhmältä "Suunnitteletko asuntosi myyntiä alueella X?".

Avoimen datan käyttäjän on siis ymmärrettävä jotakin otannasta ja edustavuudesta.

Oma ajattelu, kriitiinen lukutaito ja ilmiöiden ymmärtäminen?

Jos alueella X varastetaan paljon autoja, johtuuko se alueesta X, vai jostakin alueella X tapahtuvasta asiasta, joka muualta puuttuu? Kuvitellaan, että alueella X asuu varakasta väkeä. Heillä on enemmän ja kalliimpia autoja kuin naapurilähiöissä. Mitä miettii varas? Lähdenpä keikalle alueelle X. Niin alueen X autovarkaustilastot alkavat huonontua. Toimittaja lukee avointa dataa, kirjoittaa huomiostaan, ja kaikki alueen X autonomistajat ryhtyvät pysäköimään hienot menopelinsä alueelle B. Mitä miettii varas? Lähdenpä keikalle alueelle B. Siispä toimittaja (tai päivästä riippuen tutkija) Aitamurto, olihan niin että tilastollisen lukutaidon lisäksi sinullakin on myös kriittistä lukutaitoa ja kykyä ilmiöiden ymmärtämiseen?

Nimittäin toimittaja (tai päivästä riippuen tutkija) Aitamurto, jos valitset sairaalan sydänleikkauksellesi löydettyäsi avoimen datan avulla sairaalan, jossa on pienin kuolleisuus, voikin käydä köpelösti. Sillä tulitko ajatelleeksi, että jossakin lienee sairaala Z, jossa työskentelevät maailmamme parhaimmat sydänkirurgit. Heille, ja vain heille, lennätetään kriittisimmät tapaukset ympäri maailman. Ne tapaukset, jotka on jo kuolemaan tuomittu - joiden edessä toiset lääkärit ovat joutuneet antamaan periksi. Kaikissa muissa sairaaloissa näistä tapauksista selviäisi henkiin korkeintaan muutama sadasta. Sairaala Z:n superlääkärit ovat kuitenkin niin uskomattomia, että pelastavat sadasta kolmisenkymmentä. Viereisessä sairaala H:ssa sen sijaan hoidetaan tavallisia tapauksia, joiden henkiinjäämisennuste on normaalisti yli 80 prosenttia. Surkeasta hallinnosta, huonoista laitteista sekä riitaisasta työilmapiiristä sekä siitä johtuvasta heikosta henkilökunta-aineksesta johtuen sairaala H kuitenkin jättää henkiin vain kuutisenkymmentä tapausta sadasta. Toimittaja (tai päivästä riippuen tutkija) Aitamurto löytänee itsensä jälkimmäisestä.

Tähän saakka tilanteemme tilastomatematiikan osaamisen suhteen on ollut huolestuttava. Avoimen datan myötä siitä saattaa muodostua katastrofaalinen.

Tämän kirjoituksen tavoitteena on lisätä tietoisuutta siitä, kuinka varovaisia meidän tulee olla käyttäessämme numeroita maailmankuvamme muodostamisen sekä päätöksentekomme tukena. Lisäksi sen tavoitteena on havahduttaa huomaamaan, kuinka kriittistä on tilastotieteen osaaminen, ja kuinka juureva on tilastotieteen merkitys ajassamme.