統計リテラシー

数字の出所、定義、比較、分布、不確実性を点検して判断する能力。

統計リテラシーとは、数字を信じる能力ではない

統計リテラシーという言葉から、「平均や中央値の違いを知っている」「グラフを正しく読める」「確率を計算できる」といった能力を思い浮かべる人は多いだろう。もちろん、それらは重要である。しかし、統計を扱う複数のノンフィクションを横断して読むと、より重要なのは計算技術そのものではなく、**数字がどのような問いに対する、どのような証拠なのかを判断する能力**だと分かる。

ダレル・ハフ『統計でウソをつく法』は、統計が人を誤解させる仕組みに注目する。ハンス・ロスリングら『FACTFULNESS』は反対に、印象やニュースによって現実を悲観的に見すぎる人間の傾向を、統計によって修正しようとする。ネイト・シルバー『シグナル＆ノイズ』では、不確実な世界から予測に役立つ情報をどう抽出するかが中心問題になる。

これらは同じ「データ重視」の本ではない。むしろ、数字を疑うこと、数字を利用すること、不確実性を数字で表現することという、それぞれ異なる側面を扱っている。その違いを理解すること自体が統計リテラシーの一部である。

『統計でウソをつく法』――数字は正しくても結論は間違える

統計批判の古典として知られる『統計でウソをつく法』が示した重要な点は、虚偽の数字を作らなくても、人を誤解させることはできるということである。

典型例が平均値だ。所得のように一部の非常に大きな値が存在する分布では、算術平均だけを示すと「典型的な人」の状態を誤解させる可能性がある。中央値を使えば別の姿が見える。

グラフも同様である。縦軸の開始位置や範囲を変えれば、小さな変化を劇的な増減に見せることができる。サンプルの選び方が偏っていれば、計算自体が正確でも母集団について正しい結論にはならない。

ここでの統計リテラシーは、一言でいえば**数字の作られ方を疑う能力**である。

ただし、この態度を極端にすると別の問題が生じる。「統計はいくらでも操作できるのだから信用できない」という統計不信である。しかし、ハフの議論から導くべきなのは統計の放棄ではない。どの母集団を対象としたのか、何を測定したのか、比較条件はそろっているのか、と問い直すことである。

「統計は嘘をつく」という表現より、「統計を用いた推論には条件がある」と理解したほうが正確だろう。

『FACTFULNESS』――直感よりデータを優先する

『FACTFULNESS』では、統計に対する立場が大きく変わる。問題視されるのは数字の操作よりも、人間が数字を見ずに世界を判断してしまうことである。

貧困、教育、健康、人口などについて、人は劇的なニュースや古い世界観に引きずられ、長期的な改善を見落とすことがある。ロスリングらは、世界を単純に「先進国」と「途上国」に二分する見方などを批判し、分布や段階として見ることを勧める。

ここでの統計リテラシーは、**印象をデータで修正する能力**に近い。

この考え方は『統計でウソをつく法』と一見矛盾する。「数字を疑え」と「数字を見ろ」では正反対に見えるからだ。しかし、実際には両者は補完関係にある。

データを見なければ思い込みに支配される。しかし、データを無批判に受け入れれば、指標の選択や見せ方に支配される。

したがって必要なのは、

「数字だから信じる」

でも、

「数字だから疑う」

でもない。

**何と比べ、何を測り、どの期間を見ればその主張を評価できるのかを考えること**である。

『シグナル＆ノイズ』――統計は未来を確定させない

ネイト・シルバー『シグナル＆ノイズ』が加えるのは、不確実性という観点である。

経済、選挙、天気、感染症、スポーツなどでは、大量のデータが存在しても未来を完全には予測できない。問題はデータ不足だけではない。偶然による変動、モデルの限界、環境の変化などがあるからだ。

ここで重要になるのが、「予測が当たったか外れたか」だけで評価しない考え方である。

たとえば、ある候補者の当選確率を70％と予測したとする。その候補者が敗北しても、それだけで予測が間違っていたとは言えない。70％とは、敗北する可能性も30％あるという意味だからである。

確率予測を理解するには、一回の結果ではなく、同程度の確率を与えられた多数の予測について、実際にどの程度その結果が起きたかを見る必要がある。

この意味で統計リテラシーとは、**不確実性を不確実なまま扱う能力**でもある。

人間は「起きるのか、起きないのか」という二択を求めやすい。しかし統計的な世界では、「起きる可能性が以前より高くなった」という表現のほうが適切な場合が多い。

相関と因果を区別する

統計リテラシーで繰り返し問題になるのが、相関と因果の混同である。

ある行動をする人ほど健康であるというデータがあったとしても、その行動が健康を生み出しているとは限らない。所得、年齢、教育、生活習慣など、第三の要因が両方に影響している可能性がある。

逆向きの因果関係も考えられる。健康だからその行動をできているのかもしれない。

したがって、

「Aをする人にはBが多い」

という観察と、

「AをするとBになる」

という因果主張の間には大きな距離がある。

ここで必要なのは、何でも「相関にすぎない」と退けることでもない。無作為化比較試験、自然実験、時系列分析など、因果関係をより厳密に推定するための方法は存在する。ただし、研究デザインごとに推論できる範囲は異なる。

統計リテラシーとは、結果の数字だけでなく、**その数字を生み出した研究方法まで読むこと**だと言える。

「平均的人間」を作らない

統計には、集団を要約するという強力な機能がある。しかし要約すれば、必ず情報は失われる。

平均所得が上昇していても、すべての人の所得が増えているとは限らない。平均寿命が延びても、すべての年齢層や地域で同じように改善しているとは限らない。

したがって、「平均がどう動いたか」と「分布がどう変化したか」は区別する必要がある。

これは『FACTFULNESS』のような世界規模の改善を示す議論を読む際にも重要である。世界全体で指標が改善していることと、特定の地域や集団が深刻な状況にあることは両立する。

この二つを対立させ、

「世界は改善している」

か、

「世界には深刻な問題がある」

かのどちらか一方だけを選ぶ必要はない。

統計的に考えるとは、全体傾向と部分集団を同時に見ることである。

数字より先に、問いを確認する

統計の議論では、しばしば「どちらの数字が正しいか」が争われる。しかし、その前に確認しなければならないことがある。

**そもそも何を知りたいのか。**

たとえば失業率、平均賃金、GDP、平均寿命、犯罪件数はいずれも有用な指標だが、社会の状態全体を直接測っているわけではない。

GDPが増えたからといって、所得分配、余暇、健康、環境などが同じ方向に改善したとは限らない。逆に、GDPが社会のすべてを表さないからといって、GDPが無意味になるわけでもない。

指標には、それぞれ測定対象がある。

統計リテラシーの核心は、数字を見るたびに、

「この数字は何を測っているのか」

「そして何を測っていないのか」

を分けることにある。

データが増えれば真実に近づくとは限らない

現代では統計リテラシーの対象がさらに広がっている。

検索履歴、購買履歴、スマートフォン、SNSなどから大量のデータを取得できるようになった。AIや機械学習も大量データを利用する。

しかし、データ量の増加は自動的に推論の質を高めるわけではない。

非常に大きなデータセットでは、ごく小さな差でも統計的に検出されることがある。その差が実生活で重要とは限らない。また、測定対象そのものに偏りがあれば、データを増やしても偏りは消えない。

「統計的に有意である」と「重要である」も別の主張である。

さらに、膨大な変数の中から都合のよい関係だけを探せば、偶然の相関を発見する可能性も高くなる。データが多い社会ほど、「数字がある」という事実ではなく、分析手順や仮説設定を見る必要性が増している。

AI時代には「数字を作った主体」も問われる

生成AIの普及によって、新しい問題も生じている。

文章だけでなく、表、分析結果、もっともらしい百分率まで自動生成できるため、数字が提示されていること自体は証拠にならない。データの出典、調査時期、母集団、計算方法を確認できなければ、その数字の信頼性は評価できない。

一方、AIは統計分析を身近にする可能性もある。専門的な計算を補助し、グラフを作り、複数の解釈を比較できるからだ。

ここでも問題は「AIを信じるか疑うか」ではない。

重要なのは、**数字から元のデータと推論過程へ戻れるか**である。

計算能力が機械に移るほど、人間側には「何を計算させるべきか」「結果から何を言ってよいか」を判断する能力が求められる。