Så tolkar du datan rätt

Verktyg De som är duktiga på statistik krånglar till det. De som har svårt för statistik drar felaktiga slutsatser.
Hårdraget? Javisst, men en del sanning ligger i det, menar professor Mattias Elg och berättar hur vi borde tänka i stället.

Så tolkar du datan rätt
Det finns ett glapp mellan de som tar fram statistiken och de som ska tolka den. Foto: Stock Adobe

Mattias Elg är professor och centrumchef för Helix competence center vid Linköpings universitet och har i sitt arbete och sin forskning fokuserat mycket på offentlig sektor. För tio år sedan skrev han en rapport, Mätningar för bättre styrning, som använts flitigt. Men det finns ett glapp mellan behovet av att jobba med statistik och att jobba med verksamhetsutveckling. Därför har han nu utvecklat tankarna i boken Förstå, förutse och förbättra.

Någonting är fel

Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.

FAKTA

3 exempel för att undvika fel slutsatser

1. MASSANS VISHET. I början av 1900-talet gjorde statistikern Francis Galton ett test där han lät människor gissa en slaktad oxes vikt. Han upptäckte att medelvärdet av alla gissningar låg väldigt nära den riktiga vikten. En upptäckt som sedan visat sig stämma över lag. En viktig utgångspunkt var att gissningarna behövde vara oberoende, det vill säga att man inte jämförde sig med varandra. Den kunskapen har vi nytta av i till exempel teamarbete. Det är viktigt att låta individerna tänka på egen hand och kanske till och med skriva ner sina idéer innan teamet börjar. Börjar man prata med varandra först påverkar man varandra och missar massans vishet.

2. HOT ZONE. Om idrottare som presterar väldigt väl i en match sägs ofta att de är i en hot zone. De är heta. Men i en klassisk studie där Thomas Gilovich tog tiden mellan de poänggivande skott som basketspelare satte, konstaterades att det inte finns någon hot zone. Det var helt enkelt en slump. Men coacher låter gärna dem som verkar heta få mycket speltid, med resultatet att de i stället tröttas ut extra mycket.

3. REGRESSION MOT MEDELVÄRDET. Om du får ett värde som sticker ut mot tidigare så är sannolikheten att du nästa gång får ett värde som ligger närmare medelvärdet. Inom idrottens vill man gärna tänka att en spelare som bänkats, men som sedan får chansen att spela och då gör mål verkligen skärpt till sig för att prestera. Men i själva verket är det statistiskt förväntat – regression mot medelvärdet.

– De som jobbar djupt med statistik är duktiga på det. Men det de tar fram ska sedan tolkas av andra som ofta har ganska liten statistisk kunskap, som politiker eller högre tjänstemän. Där ser jag ofta det här glappet, säger Mattias Elg.

Skilj på variationer

Statistiker tar med för mycket information i graferna och den som ska ta ställning till datan får svårt att sortera vad som är viktigast, vilket inte sällan resulterar i överstyrning, menar han.

Överstyrning blir det även om man inte kan skilja på slumpmässig variation och systematisk variation (som signal och avvikande händelse). Det allra vanligaste felet, enligt Mattias Elg.

Mattias Elg, professor och centrumchef för Helix competence center.
Mattias Elg, professor och centrumchef för Helix competence center.

– Vi agerar helt enkelt när vi inte borde agera. Jag brukar ta exemplet med en tärning. Utfallet 1–6 är slump. En fyra behöver du inte fundera över. Men skulle du få en sjua (!) då har du en signal. Då behöver du fundera på vad som har hänt.

Dessutom agerar vi ofta på fel mätvärden, menar han. Som till exempel när vi jämför med det förra mätvärdet. Något som kan ge helt fel indikationer på vad som behöver göras (eller inte).

– Senast igår hade jag ett exempel med så kallad egenmonitorering; alltså när en patient övervakar sin egen hälsa och skattar sitt hälsotillstånd. Då skriver patienten själv in sina skattningar. Problemet är bara att skattningarna görs när man mår bra – inte när man mår som sämst. Så när man väl fyller i har man kanske glömt hur illa man mådde tidigare. Därför borde man kanske slumpa fram klockslag när patienten ska göra sina skattningar i stället, för att få en bättre bild av hur personen faktiskt mår.

Se upp för svarta svanar

Ett liknande exempel kom nu under våren när bristen på vårdplatser återigen diskuterades. Ordförande i Stockholms läkarförening, Johan Styrud, menade att regionen kontrollerar beläggningen vid den tidpunkt på dygnet då beläggningen är som allra lägst, på eftermiddagen. Hade mätningarna i stället gjorts på morgnarna eller sena kvällar hade bilden blivit en annan.

– När vi lär oss om statistik läggs mycket tid på att vi ska kunna räkna fram olika typer av mått som medelvärden, standardavvikelser och regressionsanalyser. Men väldigt lite tid läggs på att faktiskt förstå statistik. Så det jag gör i boken är att jag inte går in på det mest avancerade, utan backar till det grundläggande. Statistiken innehåller så mycket för att vi ska kunna förstå vår vardag.

När ska man agera då? Jo, när variationen är en signal. När den går att urskilja. När det inte bara är en tillfällig avvikelse utan något som faktiskt avviker över tid. Det är då det finns möjligheter till förbättringar, menar Mattias Elg.

– Men se upp för svarta svanar. Det är till exempel händelser som ger starkt avvikande data, men som handlar om enstaka helt oförutsägbara händelser, som till exempel upptäckten av penicillin. Dem kan man lära sig av!

FAKTA

Viktiga kriterier för dig som jobbar med data

 Den måste vara begriplig för dem som ska använda den.

 Den måste vara meningsfull för organisationens utveckling.

 Den ska vara hanterbar. Du ska ha nytta av statistiken i din vardag.

Kvalitetsprofilen

Kunskapsmaterial

Utbildnings-tv

Hämtar fler artiklar
Till startsidan
Kvalitetsmagasinet

Kvalitetsmagasinet Premium

Full tillgång till strategiska artiklar och smarta verktyg för bland annat verksamhetsutveckling, kvalitetssystem och ledarskap.

Det senaste