| 数字はどうやって人を欺くのか : 各部分では下がった再生産数が全体では上がってしまうわけ |
|
| 体験談というエビデンス : 「熱いコンロに触ったら火傷をする」と「コーヒーでがんが治る」の違い |
|
| サンプルサイズ : 良い推定値を得るためには何人必要か |
|
| サンプルの偏り : バスケットボール大会の会場脇でイギリス人の身体を測定すると |
|
| 統計学的に有意 : その結果がまぐれでないとしても、実際に意味があるとは限らない |
|
| 効果量(エフェクトサイズ) : 寝る前にケータイを見ると睡眠時間が減る、でもどのくらい? |
|
| 交絡因子 : アイスクリームがよく売れる日に溺死が増えるのはわけがある |
|
| 因果関係 : 何かが何かの原因であると言うのは、じつはけっこう難しい |
|
| それは大きな数ですか? : 分母が分からなければ、大きいか小さいかは分からない |
|
| ベイズの定理 : 「95パーセント正しい検査で陽性」は「陽性の確率が95パーセント」ではない |
|
| 絶対リスクvs相対リスク : 「ベーコンを食べると大腸がんのリスクが20パーセント増」が意味するもの |
|
| 測っているものが変わった? : 「5年間にヘイトクライムが2倍」は本当か |
|
| ランキング : 元になったスコアやデータの取り方を知らなければ、ほぼ無意味 |
|
| それは先行研究すべてを代表するものですか? : 過去の研究の文脈に位置付けることなくして新しい研究の評価はできない |
|
| 目新しさの要求 : 科学の学術誌が面白い研究結果を求めることの弊害 |
|
| いいとこ取り(チェリーピッキング) : データを見てストーリーが組み立てられる部分をピックアップすればしめたもの |
|
| 未来を予測する : 降水確率5パーセントなのに雨が降ったら、その予測ははずれ? |
|
| 予測モデルにおける仮定 : 感染予測のアウトプットは、アウトブレイク初期とロックダウン後では違う |
|
| テキサスの狙撃兵の誤謬 : 実際に何も起こっていなくても起こっているように見せられる |
|
| 生存者バイアス : 成功した例だけを見ても何も分からない |
|
| 合流点バイアス : 喫煙がコロナを予防する?調整すべき変数を間違えるとどうなるか |
|
| グッドハートの法則 : 数字が目標になってしまうことで生じる誤ち |
|
| 数字はどうやって人を欺くのか : 各部分では下がった再生産数が全体では上がってしまうわけ |
|
| 体験談というエビデンス : 「熱いコンロに触ったら火傷をする」と「コーヒーでがんが治る」の違い |
|
| サンプルサイズ : 良い推定値を得るためには何人必要か |
|
| サンプルの偏り : バスケットボール大会の会場脇でイギリス人の身体を測定すると |
|
| 統計学的に有意 : その結果がまぐれでないとしても、実際に意味があるとは限らない |
|
| 効果量(エフェクトサイズ) : 寝る前にケータイを見ると睡眠時間が減る、でもどのくらい? |
|
