Bildat folk

Nu i dagarna har föreningen Vetenskap och Folkbildning annonserat förra årets folkbildare och förvillare, som de brukar göra vid nyår (Olausson 2018). Det första priset gick till epidemiologen Emma Frans, och det sista gick till den så kallade hälsokejdan Life. Förvillarkedjan tänkte jag lämna därhän i det följande. När det gäller Frans motiveras hennes pris av Vetenskap och Folkbildning (2018) med att hon på olika sätt pedagogiskt och humoristiskt spridit kunskap och förklarat myter och missförstånd kring vetenskap: hon har twittrat, haft en artikelserie i Svenska Dagbladet och även gett ut en bok (Frans 2017).

Folkbildarutmärkelsen var välförtjänt. Det florerar onekligen en hel del vilseledande information kring vetenskap. Dels finns förstås rent pseudovetenskapliga idéer, dels finns missvisande kommunikation av kanske i grunden seriös forskning. Denna kan i sin tur delas upp i sådan som forskarna själva förmedlar, t.ex. i syfte att blåsa upp betydelsen av sina resultat, och sådan som andra förmedlar utan deras medverkan och de kanske själva försöker korrigera, fast de då ofta har föga framgång. Flera av dessa teman diskuteras av Frans (2017).

Samtidigt exemplifierar Frans (2017) vissa problem när det gäller kommunikation av vetenskapliga resultat, som jag har diskuterat tidigare, och där ingen, vad jag sett, kunnat komma med någon riktigt tillfredsställande lösning. I ett kapitel med rubriken [a]tt förstå statistik diskuteras bl.a. diagram och risker.

När vi läser diagram kan vi, för att undvika att bli lurade, kolla om y-axeln är beskuren eller inte (Frans 2017, st. 15.6). Det ges ett exempel med ett linjediagram från Alliansen i Göteborg som visar på hur andelen elever som lämnat Göteborgs kommunala grundskolor med godkända betyg minskat från 79 procent 1998 till 65–70 procent åren 2011–16. Variationsområdet på y-axeln är från 60 till 85 procent, så det ser ut som en dramatisk minskning. Om y-axeln ändras så att variationsområdet är från 0 till 100 procent ser minskningen betydligt mindre dramatisk ut. Poängen illustreras med ett staplat diagram över andelen tillfällen där det är vilseledande att kapa y-axeln: andelen är 99 procent, och y-axelns variationsområde är från 98 till 100 procent. Någon definition av vad som menas med beskuren y-axel ges inte. Intrycket som förmedlas är att det i alla fall är ett tillräckligt villkor att y-axeln börjar ovanför 0.

Den 11 december 2016 skrev jag om denna problematik. Jag refererade till Yanofsky (2015), som ger flera exempel när det inte är rimligt att låta y-axeln börja på 0, som feberkurvor för människor. För logaritmiska skalor är det rent omöjligt. Men mer generellt går det att ställa sig frågan vad det egentligen innebär att börja på 0. I S.S. Stevens klassifikation av måttskalor spelar godtyckliga nollpunkter en viktig roll för att skilja mellan intervallskalor (som våra vanliga temperaturskalor) och kvotskalor (för längd, vikt, absolut temperatur etc.). Men senare forskare har i sin tur argumenterat för att denna godtycklighet inte kan avgöras oberoende av de frågor som de statistiska undersökningarna är avsedda att besvara.

Om den relevanta nollpunkten på detta sätt är beroende av kontexten, är det tveksamt om det går att ge någon definition av beskuren y-axel annat än y-axel som börjar ovanför en relevant baslinje för undersökningen. I så fall blir det svårt att förneka att det är vilseledande med beskurna y-axlar, men det finns inget enkelt, universellt sätt att avgöra om en y-axel är beskuren. Denna problematik är dock kanske mest besvärlig för de som konstruerar diagram. För de som läser ett diagram är det kanske tillräckligt att vara uppmärksam på vad det egentligen är för variation diagrammet visar, därför att en trend lätt kan fås att framstå som mer eller mindre dramatisk genom manipulation av y-axeln.

Ett annat problemområde som diskuteras är tolkning av påståenden om att något ökar risken för negativa utfall, som cancer (Frans 2017, st. 15.52–15.59). Diskussionen handlar om skillnaden mellan absoluta och relativa risker, som illustreras med ett exempel med processat kött. Det sägs att [d]en relativa riskökningen för kolorektal cancer för den som äter motsvarande någon korv om dagen är 1,18, det vill säga 18 procent högre än för den som äter mindre än så, vilket jämförs med rökning, som ökar risken för lungcancer 20 gånger, det vill säga med 2000 procent.¹ Men, säger Frans, det är en relativ riskökning som inte säger något om individens absoluta risk att drabbas. Livstidsrisken för kolorektal cancer har uppskattats till ca 5 procent. Men då innebär en riskökning på 18 procent att 6 procent av de som äter bacon eller korv får denna cancerform.²

Jo, det är en viktig distinktion. Problemet, för den som börjar tillämpa lärdomen vid tolkning av kohortstudier som refereras i media, är att sådana kvoter mellan livstidsrisker sällan används som primärt utfallsmått i detta slags studier. Ofta har studierna inte tillräckligt med information (t.ex. inte tillräckligt lång uppföljningstid) för att beräkna livstidsrisker på ett någorlunda tillförlitligt sätt. Utöver detta kan risker över lång tid lätt påverkas av effekter på konkurrerande utfall (som olika dödsorsaker). Det har definierats så kallade hazardtal, mått på ögonblicklig risk för de som överlevt till en viss tidpunkt. Om hazardtalen inte minskar över tid och det inte finns konkurrerande utfall (som vid total dödlighet), kommer risken över tid att närma sig 1. Det är ofta kvoter mellan hazardtal som moderna kohortstudier använder som utfallsmått. Dessvärre är dessa inte så lätta att förklara på ett pedagogiskt sätt. Exempelvis den 17 februari förra året har jag skrivit om hur medias rapportering kring studier med detta mått tenderar att bli förvirrande. Fortfarande har jag inte sett någon komma med någon bra lösning på problematiken.

Referenser

---

1. Riskökningarna i exemplen är egentligen 0,18 och 19 (1900 procent).↩︎

2. I alla fall om risken 5 procent är baserad på en befolkning där ingen äter en korv, eller dess motsvarighet i bacon, om dagen.↩︎

Webbplatsen drivs av Karl Pettersson och har genererats med Hakyll. Källkod. Kakor används vid kommentering med Isso, för att möjliggöra editering av kommentarer inom 15 minuter efter att de postats, vilket inte kommer att fungera korrekt om kakor stängs av i webbläsaren. Kommentarer som skickas sparas för att publiceras med namn och webbsida, om dessa angetts: en fungerande e-postadress kan, om så önskas, anges för att få möjlighet att kommunicera kring kommentaren i efterhand men publiceras inte. Om JavaScript inaktiveras, kommer varken kommentarer eller visning av formler med MathJax att fungera. Om fel uppstår vid besök, kan uppgifter om besökares IP-adress och tid för felet lagras i interna loggar och användas vid felsökning.