სტატისტიკის ფილოსოფია

რედაქტორი: ბექა იობიძე

კორექტორი: თიკო იობიძე

მდევარი, 2026

 

 

 

წინათქმა

სტატისტიკა ერთ-ერთი იმ დისციპლინათაგანია, რომელსაც საზოგადოებაში ხშირად უნდობლად უყურებენ. მსგავსი შეფასება, ერთი მხრივ, ასახავს სტატისტიკური მონაცემების არასწორ გამოყენებასა და ახსნას, ხოლო, მეორე მხრივ, თავად დისციპლინის ღრმა გაუაზრებლობას. ამ სტატიის მთავარი თეზისია, რომ სტატისტიკა უსამართლოდაა შერაცხული მცდარ მეცნიერებად, მაშინ, როდესაც სტატისტიკური აზროვნების ლოგიკა უმნიშვნელოვანესია როგორც მეცნიერული, ისე ფილოსოფიური თვალსაზრისით. შესაბამისად, მთავარი კითხვა, რომელსაც ტექსტი პასუხობს, არის: რატომ არის სტატისტიკური აზროვნების სტრუქტურა ღირებული?

 

რატომ ვერ იგებენ სტატისტიკას?

 

პირველ რიგში, საჭიროა, გავარკვიოთ, რატომ არის სტატისტიკა ხშირად არასწორად გაგებული. სტატისტიკის მიმართ უნდობლობის ერთ-ერთი მთავარი მიზეზი მისი არადეტერმინისტული ხასიათია. სტატისტიკური დასკვნები არსებითად ალბათურია და არა აუცილებელი. ეს ნიშნავს, რომ სტატისტიკა არ გვაძლევს სრულ, უპირობო ჭეშმარიტებებს, არამედ გვთავაზობს დასკვნებს, რომლებიც დაფუძნებულია გარკვეულ დაშვებებსა და ალბათობებზე. სწორედ ეს პირობითობა აღიქმება ხშირად სისუსტედ. თუმცა, სინამდვილეში, ეს არ არის დისციპლინის ნაკლი – ეს არის მისი არსი. სტატისტიკა მუშაობს იმ სამყაროში, სადაც სრული ცოდნა მიუწვდომელია და სადაც განუზღვრელობა არის არა გამონაკლისი, არამედ წესი. ჩვენ კი, იმ იშვიათი გამონაკლისის გარდა, როცა პლატონის იდეების სამყაროზე ან ავგუსტინეს „ღვთის ქალაქზე“ ვსაუბრობთ, სწორედ ასეთ სამყაროში – ქაოტურსა და განუსაზღვრელში – ვცხოვრობთ.

ამასთანავე, აუცილებელია, მკაფიოდ განვასხვავოთ სტატისტიკური მექანიზმების არასწორი გამოყენება და თავად სტატისტიკური თეორიის ჩავარდნა. ხშირია შემთხვევები, როდესაც მონაცემები შერჩეულია მიკერძოებით, გაუაზრებელი ტენდენციური შერჩევით, ან დასკვნები გაკეთებულია გარემოს უგულებელყოფით. ასეთ შემთხვევებში პრობლემა სტატისტიკაში კი არ არის, არამედ მის გამოყენებაში. შეცდომა მკვლევარშია და არა მეთოდში. სტატისტიკა, როგორც მათემატიკური ჩარჩო, წარმოადგენს აზროვნების სახეს, რომელიც გვაძლევს განუზღვრელობის არა მხოლოდ გაანალიზების, ასევე მისი ჩამოყალიბების საშუალებას; განუზღვრელობის უგულებელყოფის ნაცვლად, მას სახელს არქმევს. სწორედ ამ თვალსაზრისით არის ის ფილოსოფიურად მნიშვნელოვანი – ის არ გვთავაზობს ილუზიურ სიზუსტეს, არამედ გვასწავლის, როგორ ვიფიქროთ განუსაზღვრელზე. შეიძლება ითქვას, რომ სტატისტიკა ფილოსოფიური, კონკრეტულად კი, ეპისტემოლოგიური პრობლემისთვის მათემატიკური პასუხია. თუკი ეპისტემოლოგიაში ვკითხულობთ ადამიანური შესაძლებლობის საზღვრებს – რა შეგვიძლია, ვიცოდეთ, ან შეგვიძლია თუ არა, რამე ვიცოდეთ – სტატისტიკის ფილოსოფიაში ამ კითხვაზე პასუხს ვპოულობთ.

 

მათემატიკური სტრუქტურა: ნორმალური განაწილება და ცზთ

 

სტატისტიკის თეორიაში არსებობს როგორც უცვლელი, ისე ცვალებადი ნაწილები. უცვლელია მათემატიკური პრინციპები, რომლებზეც ის დგას, ხოლო ცვალებადია კონკრეტული მონაცემები და მათი განაწილებები. მაგალისთვის, ნორმალური განაწილების გრაფიკი, რომელსაც ზარის ფორმა აქვს, – მონაცემთა განაწილების აღწერის ერთ-ერთი ყველაზე ცნობილი სტატისტიკური მოდელი – გვიჩვენებს, როგორ ნაწილდება მონაცემები საშუალო არითმეტიკულის გარშემო. ნორმალური განაწილების ზარისებრი ფორმა თავად ამ მოდელის მათემატიკური თვისებაა; თუმცა საშუალო არითმეტიკულის განმარტება თავისთავად არ მოითხოვს, რომ ნებისმიერი მონაცემთა ერთობლიობის უმრავლესობა საშუალოსთან ახლოს იყოს. მართალია, ნორმალური განაწილების გრაფიკებშიც ვხვდებით სახესხვაობებს (მაგალითად, შეიძლება გვქონდეს მარჯვნივ ან მარცხნივ წანაცვლებული გრაფიკები), თუმცა, ეს მის პრინციპულ სისწორეს არ არღვევს – გრაფიკს ყოველთვის ზარის ფორმა ექნება და მონაცემთა უმრავლესობაც ყოველთვის საშუალოსთან ახლოს იქნება. ნორმალური განაწილების გრაფიკის მარტივი მაგალითი გვაჩვენებს სტატისტიკის მოქნილობასა და შეზღუდულობას ერთდროულად, რაც შემდეგ სტატისტიკის მუშაობის ზოგად ლოგიკაში და დიდ თეორიებშიც ითარგმნება. მაგალითად, ცენტრალური ზღვრული თეორემა ამბობს, რომ სათანადო პირობებში, საკმარისად დიდი შერჩევების საშუალოების (ან ჯამების) განაწილება ნორმალურ განაწილებას უახლოვდება, მაშინაც კი, როცა საწყისი მონაცემების განაწილება ნორმალური არ არის. ეს თეორემა განსაკუთრებით მნიშვნელოვანია, რადგან იგი გვაძლევს საშუალებას, რეალურ, ხშირად ქაოტურ მონაცემებში ვიპოვოთ სტრუქტურა და წესრიგი.

 

კერძო შემთხვევები და კიდურა მონაცემები

 

სტატისტიკაში უმნიშვნელოვანესი საკითხია ზოგადი წესების კერძო შემთხვევებზე მორგება. თითოეული მონაცემი დამოუკიდებელია და შეიძლება მნიშვნელოვნად განსხვავდებოდეს საერთო ტენდენციისგან, კონტექსტისგან. ასეთ შემთხვევებში ჩნდება ე.წ. „განსხვავებული/კიდურა მონაცემები“ (Outliers), რომლებიც განსაკუთრებულ ყურადღებას საჭიროებენ. საინტერესოა, რომ შერჩევის ზომის ზრდასთან ერთად თითოეული ინდივიდუალური მონაცემის გავლენა მცირდება – რაც უფრო დიდია მონაცემთა ერთობლიობა, მით ნაკლებია ერთეული მნიშვნელობის გავლენა საერთო სურათზე. ეს გვაძლევს მდგრადობას, მაგრამ ამავე დროს გვაიძულებს გავითვალისწინოთ, რომ ინდივიდუალური შემთხვევები შეიძლება დაიკარგოს ზოგად სურათში.

ამ პრობლემის გადასაჭრელად სტატისტიკაში არსებობს დამცავი მექანიზმები. ერთ-ერთი მათგანი განსხვავებული მონაცემების გამორიცხვა ან მათი ცალკე განხილვაა. ხშირად გამოიყენება ე.წ. 95%-იანი ინტერვალი, რომელიც ნორმალური განაწილების გრაფიკის შედეგს წარმოადგენს და ნიშნავს, რომ მონაცემთა დაახლოებით 95% საშუალოს გარკვეულ დიაპაზონში თავსდება. ინტერვალის გარეთ მყოფი მონაცემები განიხილება, როგორც გამონაკლისი. თუმცა, მნიშვნელოვანია აღინიშნოს, რომ ასეთი მონაცემების უბრალოდ უგულებელყოფა ყოველთვის არ არის სწორი. თანამედროვე ხედვა უფრო ფრთხილია: განსხვავებული მონაცემების უბრალოდ უგულებელყოფა ხშირად იწვევს ინფორმაციის დაკარგვას. უფრო ღირებული მიდგომაა მათი შესაძლო გავლენის გამოთვლა და გააზრება – ანუ არა გაუგებრობის თავიდან აცილება, არამედ მისი ახსნა. ეს მიდგომა პირდაპირ ასახავს სტატისტიკის ფილოსოფიურ ბუნებას.

კიდურა/განსხვავებული მონაცემების შესაძლო გავლენაზე ფიქრისას, სინამდვილეში, ვაწყდებით ინდივიდუალური მონაცემების გავლენის საკითხს. მცირე შერჩევაში ერთი მონაცემიც კი შეიძლება გადამწყვეტი იყოს მაშინ, როდესაც დიდი მოცულობის მონაცემებში მისი გავლენა მცირდება. ეს გვიჩვენებს, რომ სტატისტიკური ცოდნა ყოველთვის დამოკიდებულია მასშტაბზე: რაც უფრო დიდია შერჩევა, მით უფრო სტაბილურია დასკვნა, თუმცა ამავდროულად ინდივიდუალური შემთხვევები ნაკლებად ჩანს. დიდი რიცხვების კანონის თანახმად, რაც უფრო იზრდება დაკვირვებათა რაოდენობა, მით უფრო უახლოვდება მათი საშუალო მნიშვნელობა ნამდვილ (პოპულაციის) საშუალოს. მარტივად რომ ვთქვათ, თუ ერთსა და იმავე ექსპერიმენტს ბევრჯერ გავიმეორებთ, საბოლოო შედეგი სტაბილური გახდება.

აქედან გამომდინარეობს მნიშვნელოვანი დასკვნა: სტატისტიკური მექანიზმები არც უსასრულოდ დრეკადია და არც სრულიად ხისტი. ისინი მოქმედებენ მკაფიოდ განსაზღვრულ, მათემატიკურად შეზღუდულ ჩარჩოში, რაც მათ ქცევას წინასწარმეტყველებადს ხდის. ეს წინასწარმეტყველებადობა არ ნიშნავს კონკრეტული შედეგების წინასწარ ცოდნას, არამედ იმას, რომ ვიცით, როგორ იმუშავებს სისტემა სხვადასხვა პირობებში.

 

მონაცემიდან პოპულაციამდე

 

მას შემდეგ რაც განვიხილეთ ზოგადი წესების ინდივიდუალურ შემთხვევაზე მორგების მართებულობა, უნდა განვიხილოთ პირუკუ მოდელი. როგორ არის შესაძლებელი, რომ მცირე შერჩევიდან გავაკეთოთ დასკვნები დიდ მოსახლეობაზე? ეს არის ინდუქციის კლასიკური პრობლემა – როგორ გადავდივართ ინდივიდუალური შემთხვევებიდან ზოგად წესებზე. სწორედ აქ შემოდის ინფერენციული სტატისტიკა. ინფერენციული სტატისტიკა ცდილობს, შერჩევიდან მიღებული მონაცემების საფუძველზე გამოიტანოს დასკვნები მთელ პოპულაციაზე. ამ პრობლემას არ წყვეტს სპეკულაციით, არამედ ეფუძნება ალბათობას. როდესაც ვიღებთ შერჩევას პოპულაციიდან, ჩვენ ვმუშაობთ გარკვეული ალბათობების ფარგლებში. თუ შერჩევა სწორია, შეგვიძლია დავასკვნათ, რომ მიღებული შედეგები გარკვეული სიზუსტით ასახავს მთლიან პოპულაციას. ინფერენციული სტატისტიკისგან განსხვავდება პროგნოზული სტატისტიკა. თუ ინფერენციული სტატისტიკა პასუხობს კითხვას – „რა შეგვიძლია ვთქვათ მთლიანზე არსებული მონაცემების საფუძველზე?“, პროგნოზული სტატისტიკა კითხულობს – „რა შეიძლება მოხდეს მომავალში?“ იგი იყენებს უკვე არსებულ მონაცემებს ტენდენციების გამოსავლენად და ამ ტენდენციებზე დაყრდნობით ვარაუდობს. თუმცა, აქ განსაკუთრებული სიფრთხილეა საჭირო: ვარაუდი არასოდეს არის გარანტია. იგი ყოველთვის ეფუძნება დაშვებას, რომ არსებული ტენდენციები შენარჩუნდება.

ამ განსხვავების ხაზგასმა მნიშვნელოვანია, რადგან ხშირად იღრევიან ერთმანეთში. ინფერენციული სტატისტიკა უფრო „დასაბუთების“ დანიშნულებას ასრულებს, ხოლო პროგნოზული – მოლოდინის შექმნას. ორივე შემთხვევაში შედეგები ალბათურია, მაგრამ მათი მიზნები განსხვავებულია.

ამასთან, მნიშვნელოვანია ხაზგასმა, რომ სტატისტიკა არ ამტკიცებს სრულჭეშმარიტებებს. მისი დასკვნები ყოველთვის პირობითია და დამოკიდებულია გამოყენებულ მოდელებზე, დაშვებებსა და მონაცემებზე. სწორედ ეს პირობითობა ქმნის მის ფილოსოფიურ ღირებულებას – ის გვაიძულებს მუდმივად ვიკითხოთ: რა ვიცით და რა არ ვიცით? რა არის ჩვენი ცოდნის საზღვრები?

 

სტატისტიკის ზღვარი

 

სტატისტიკის კიდევ ერთი საინტერესო მხარეა მისი რიტორიკა – ის, თუ როგორ საუბრობს იგი საკუთარ შესაძლებლობებზე. განსხვავებით ბევრი დისციპლინისგან, სტატისტიკა მკაფიოდ განსაზღვრავს, რა არ შეუძლია. იგი არ იძლევა არც აბსოლუტურ და არც ინდივიდუალურ წინასწარმეტყველებებს. უფრო მეტიც, თვითონ „წინასწარმეტყველების“ ტერმინიც გარკვეულწილად პრობლემურია, რადგან სტატისტიკა, მკაცრი გაგებით, მუშაობს აწმყოსა და უკვე არსებულ მონაცემებზე, და არა მომავლის ზუსტ განსაზღვრაზე.

სტატისტიკა არის დისციპლინა, რომელიც ყველაზე მკაფიოდ განსაზღვრავს საკუთარი შესაძლებლობების საზღვრებს. ის მუშაობს მხოლოდ იმ ფარგლებში, სადაც შეუძლია სიზუსტის შენარჩუნება და არ სცდება ამ ჩარჩოებს. მისი ერთ-ერთი ყველაზე მნიშვნელოვანი მახასიათებელია გამჭვირვალობა: სტატისტიკა არა მხოლოდ გვაწვდის დასკვნებს, არამედ გვაჩვენებს, რამდენად სანდოა ეს დასკვნები და რა ალბათობით შეიძლება იყოს ისინი მცდარი. სტატისტიკაშივე წინასწარ არის გათვლილი შეცდომის შესაძლებლობაც. როდესაც ვამბობთ, რომ შედეგი სანდოა 95%-იანი ალბათობით, ამით ვაღიარებთ, რომ არსებობს 5%-იანი ხდომილება, რომ ის მცდარი იყოს. ეს არ არის სისუსტე, პირიქით, ეს გვაძლევს საშუალებას წინასწარ გავიაზროთ ჩვენი ცოდნის შეზღუდულობა.

თუ შევადარებთ სტატისტიკას ზუსტ მეცნიერებებს, დავინახავთ მნიშვნელოვან განსხვავებას: ზუსტ მეცნიერებებში შედეგები ხშირად წარმოდგენილია როგორც აუცილებელი და საყოვეელთაო, მაშინ, როდესაც სტატისტიკა მუშაობს დაშვებებით – რომ შეიძლება იყოს სხვაგვარიც. ამ თვალსაზრისით, სტატისტიკა შეიძლება ჩაითვალოს გაუგებრობის შესწავლის დისციპლინად. სტატისტიკის უნარი, დაგვანახოს ალბათური ტენდენციები და, შედეგად მოგვცეს შესაძლებლობა, შევაფასოთ განსხვავებული სცენარები, განსაკუთრებით მნიშვნელოვანია ისეთ სფეროებში, როგორიცაა ეკონომიკა, მედიცინა და სოციალური მეცნიერებები. სტატისტიკა პრაქტიკულად საფუძველს უქმნის ემპირიულ მეცნიერებებს (როგორიცაა ბიოლოგია, კლიმატოლოგია თუ სოციოლოგია) მიაღწიონ „სიზუსტის“ მაღალ ხარისხს ბუნებრივად ქაოსურსა და ცვალებად სამყაროში.

 

ბოლოთქმა

 

სტატისტიკა არ არის „მატყუარა მეცნიერება“. ის ხდება მატყუარა მხოლოდ მაშინ, როდესაც მას არასწორად იყენებენ ან არასწორად განმარტავენ. თავად სტატისტიკა, როგორც დისციპლინა, გამორჩეულად ცხადია. წინასწარ განსაზღვრავს თავისი დასკვნების სანდოობის ხარისხს, ცხადყოფს დაშვებებს, რომლებზეც დგას, და ყოველთვის მიუთითებს შეცდომის შესაძლებლობაზე. სხვა სიტყვებით, სტატისტიკა არ მალავს საკუთარ შეზღუდვებს. პირიქით, სწორედ ამ შეზღუდვების არსებობაა მისი ერთ-ერთი მთავარი ღირსება. ამიტომ, როდესაც სტატისტიკური დასკვნა მცდარი აღმოჩნდება, ეს არ ნიშნავს, რომ თეორიაა არასწორი. ეს ნიშნავს, რომ ან მონაცემები იყო არასათანადო, ან განმარტება – მცდარი.

ფილოსოფიური თვალსაზრისით, სტატისტიკა გვეხმარება, უარი ვთქვათ აბსოლუტური და აუცილებელი ცოდნის ილუზიაზე და მივიღოთ, რომ სინამდვილე ხშირად მუშაობს ალბათობების, ტენდენციებისა და გაურკვევლობების დონეზე. სტატისტიკა გვასწავლის, როგორ ვიფიქროთ მაშინ, როდესაც სრული ინფორმაცია არ გვაქვს; როგორ დავაფუძნოთ მსჯელობა არასრულ მონაცემებზე ისე, რომ შევინარჩუნოთ ინტელექტუალური სიზუსტე. ამგვარად, სტატისტიკა არა მხოლოდ მეთოდია მონაცემების ანალიზისთვის, არამედ აზროვნების განსაკუთრებული ფორმაა: იგი გვასწავლის გაუგებრობის ფორმულირებას, მისი საზღვრების დადგენასა და მასთან რაციონალურ ურთიერთობას.