I'm going to be talking about statistics today. If that makes you immediately feel a little bit wary, that's OK, that doesn't make you some kind of crazy conspiracy theorist, it makes you skeptical. And when it comes to numbers, especially now, you should be skeptical. But you should also be able to tell which numbers are reliable and which ones aren't. So today I want to try to give you some tools to be able to do that. But before I do, I just want to clarify which numbers I'm talking about here. I'm not talking about claims like, "9 out of 10 women recommend this anti-aging cream." I think a lot of us always roll our eyes at numbers like that. What's different now is people are questioning statistics like, "The US unemployment rate is five percent." What makes this claim different is it doesn't come from a private company, it comes from the government.
Hôm nay, tôi sẽ nói về số liệu thống kê. Nếu nó làm bạn cảm thấy có phần đề phòng, điều đó rất bình thường, đó không khiến bạn trở thành người theo thuyết âm mưu, mà khiến bạn trở nên hoài nghi. Và khi nói về các con số, nhất là bây giờ, bạn nên nghi ngờ. Nhưng bạn cũng có thể chỉ ra số liệu nào đáng tin cậy, và cái nào thì không. Vậy nên hôm nay, tôi sẽ đưa ra một số công cụ để làm điều đó. Nhưng trước khi làm vậy, tôi muốn chỉ rõ loại số liệu tôi đang đề cập ở đây Tôi không nói về khẳng định như là "9/10 phụ nữ khuyên dùng loại kem chống lão hóa này" Tôi nghĩ rất nhiều người chán ngấy những con số kiểu như vậy. Điều khác biệt là mọi người phân vân về những số liệu như "Tỉ lệ thất nghiệp ở Mỹ là 5%" Điều khiến phát biểu này khác biệt là nó không đến từ một công ty tư nhân, mà nó đến từ chính phủ.
About 4 out of 10 Americans distrust the economic data that gets reported by government. Among supporters of President Trump it's even higher; it's about 7 out of 10. I don't need to tell anyone here that there are a lot of dividing lines in our society right now, and a lot of them start to make sense, once you understand people's relationships with these government numbers. On the one hand, there are those who say these statistics are crucial, that we need them to make sense of society as a whole in order to move beyond emotional anecdotes and measure progress in an [objective] way. And then there are the others, who say that these statistics are elitist, maybe even rigged; they don't make sense and they don't really reflect what's happening in people's everyday lives.
Khoảng 4/10 người Mỹ không tin vào các số liệu kinh tế được đưa ra bởi chính phủ. Với người ủng hộ Tổng thống Trump tỉ lệ còn cao hơn; Nó vào khoảng 7/10. Tôi không cần nói với bất kỳ ai ở đây rằng có rất nhiều ranh giới trong xã hội của chúng ta ngày nay, và nhiều trong số chúng bắt đầu hợp lý một khi bạn hiểu mối quan hệ của người dân với những số liệu của chính phủ. Mặt khác, có một số người nói rằng những số liệu này là cần thiết, và chúng ta cần chúng để hiểu xã hội một cách toàn vẹn để vượt qua những thông tin có tính cảm xúc và đo đạc sự phát triển một cách khách quan. Và rồi có những người khác cho rằng những số liệu này là độc quyền và thậm chí bị lũng loạn; chúng không có lý và thường không phản ánh những gì đang xảy ra trong cuộc sống của chúng ta
It kind of feels like that second group is winning the argument right now. We're living in a world of alternative facts, where people don't find statistics this kind of common ground, this starting point for debate. This is a problem. There are actually moves in the US right now to get rid of some government statistics altogether. Right now there's a bill in congress about measuring racial inequality. The draft law says that government money should not be used to collect data on racial segregation. This is a total disaster. If we don't have this data, how can we observe discrimination, let alone fix it? In other words: How can a government create fair policies if they can't measure current levels of unfairness? This isn't just about discrimination, it's everything -- think about it. How can we legislate on health care if we don't have good data on health or poverty? How can we have public debate about immigration if we can't at least agree on how many people are entering and leaving the country? Statistics come from the state; that's where they got their name. The point was to better measure the population in order to better serve it. So we need these government numbers, but we also have to move beyond either blindly accepting or blindly rejecting them. We need to learn the skills to be able to spot bad statistics.
Có vẻ như nhóm người thứ hai đang thắng thế trong cuộc tranh luận này. Ta sống ở thế giới mà sự thật có thể thay thế nơi mà con người không nhìn số liệu với cùng một tiêu chuẩn, điểm bắt đầu của cuộc tranh luận. Đó chính là vấn đề. Hiện nay đã có những tiến bộ trong xã hội Mỹ để loại bỏ một số số liệu của chính phủ. Bây giờ có một dự luật từ Quốc hội đánh giá sự bất bình đẳng chủng tộc. Dự thảo luật cho rằng tiền của chính phủ không nên sử dụng để thu thập số liệu phân biệt chủng tộc. Đó là một thảm họa. Nếu ta không có những số liệu này, làm sao có thể hiểu sự kỳ thị, chưa nói đến sửa chữa nó? Nói cách khác; Sao có thể đưa ra chính sách công bằng nếu chính phủ không thể đánh giá mức độ bất công? Nó không chỉ gói gọn trong kỳ thị mà liên quan đến mọi thứ. Hãy nghĩ xem Sao ta làm luật chăm sóc sức khỏe nếu không có số liệu về sức khỏe hay nghèo đói? Sao ta có những cuộc tranh luận về nhập cư khi ta không thể đồng ý về số người đang nhập cảnh và xuất cảnh? Số liệu đến từ nhà nước; và đó là chỗ chúng có cái tên số liệu. Mục đích là đánh giá tốt hơn về dân chúng để phục vụ họ tốt hơn. Vậy ta cần số liệu từ chính phủ này, nhưng ta cũng cần đi xa hơn chấp nhận một cách mù quáng hay mù quáng từ chối chúng Chúng ta cần học kỹ năng để có thể xác định số liệu sai lệch.
I started to learn some of these when I was working in a statistical department that's part of the United Nations. Our job was to find out how many Iraqis had been forced from their homes as a result of the war, and what they needed. It was really important work, but it was also incredibly difficult. Every single day, we were making decisions that affected the accuracy of our numbers -- decisions like which parts of the country we should go to, who we should speak to, which questions we should ask. And I started to feel really disillusioned with our work, because we thought we were doing a really good job, but the one group of people who could really tell us were the Iraqis, and they rarely got the chance to find our analysis, let alone question it. So I started to feel really determined that the one way to make numbers more accurate is to have as many people as possible be able to question them.
Tôi bắt đầu học được kỹ năng ấy khi tôi làm việc tại một cục thống kê ở trong Liên Hợp Quốc. Công việc của tôi là tìm hiểu số người Iraq bị buộc rời khỏi gia đình bởi vì chiến tranh, và những gì họ cần. Đó là một công việc quan trọng nhưng nó thật sự khó khăn. Mỗi ngày, chúng tôi đưa ra quyết định liên quan đến sự chính xác của những con số-- quyết định như chúng tôi nên đến vùng nào của đất nước, nên nói chuyện với ai, câu hỏi nào chúng tôi nên đưa ra. Và tôi bắt đầu cảm thấy thật sự vỡ mộng về công việc này, bởi vì chúng tôi nghĩ chúng tôi đã làm tốt nhưng những người thật sự có thể trả lời chúng tôi là những người Iraq và họ không hề biết đến thống kê này, không nói đến việc đưa ra câu hỏi. Vậy nên tôi bắt đầu xác định rõ chỉ có một cách để khiến con số trở nên chính xác là tìm được thật nhiều người có thể đặt câu hỏi với chúng.
So I became a data journalist. My job is finding these data sets and sharing them with the public. Anyone can do this, you don't have to be a geek or a nerd. You can ignore those words; they're used by people trying to say they're smart while pretending they're humble. Absolutely anyone can do this.
Vì vậy tổ trở thành một nhà báo thu thập số liệu. Công việc của tôi là tìm những bộ số liệu và chia sẻ chúng đến với mọi người. Mọi người đều có thể làm việc này, bạn không cần là một kẻ lập dị. Bạn có thể lờ nó đi; những từ dùng bởi những người cố tỏ ra thông minh và giả bộ khiêm tốn. Chắc chắn ai cũng có thể làm được
I want to give you guys three questions that will help you be able to spot some bad statistics. So, question number one is: Can you see uncertainty? One of things that's really changed people's relationship with numbers, and even their trust in the media, has been the use of political polls. I personally have a lot of issues with political polls because I think the role of journalists is actually to report the facts and not attempt to predict them, especially when those predictions can actually damage democracy by signaling to people: don't bother to vote for that guy, he doesn't have a chance. Let's set that aside for now and talk about the accuracy of this endeavor.
Tôi muốn hỏi các bạn 3 câu hỏi để giúp các bạn có khả năng xác định những số liệu tồi. Câu hỏi đầu tiên là: "Bạn có thể nhận ra sự không chắc chắn?" Có một điều thay đổi mối quan hệ của con người với con số, thậm chí lòng tin vào truyền thông, là việc sử dụng các cuộc thăm dò chính trị. Cá nhân tôi có nhiều vấn đề với các cuộc thăm dò này. vì tôi cho rằng vai trò của nhà báo là tường thuật sự thật và không cố để dự đoán chúng, và nhất là khi những dự đoán ấy có thể phá hủy nền dân chủ bằng cách ra hiệu: đừng quan tâm đến việc bầu cho ông ta, không có cơ hội đâu. Hãy bỏ việc đó qua một bên và bàn luận về sự chính xác của việc này.
Based on national elections in the UK, Italy, Israel and of course, the most recent US presidential election, using polls to predict electoral outcomes is about as accurate as using the moon to predict hospital admissions. No, seriously, I used actual data from an academic study to draw this. There are a lot of reasons why polling has become so inaccurate. Our societies have become really diverse, which makes it difficult for pollsters to get a really nice representative sample of the population for their polls. People are really reluctant to answer their phones to pollsters, and also, shockingly enough, people might lie. But you wouldn't necessarily know that to look at the media. For one thing, the probability of a Hillary Clinton win was communicated with decimal places. We don't use decimal places to describe the temperature. How on earth can predicting the behavior of 230 million voters in this country be that precise? And then there were those sleek charts. See, a lot of data visualizations will overstate certainty, and it works -- these charts can numb our brains to criticism. When you hear a statistic, you might feel skeptical. As soon as it's buried in a chart, it feels like some kind of objective science, and it's not.
Dựa trên những cuộc bầu cử ở Anh, Ý, Israel và tất nhiên, cuộc bầu cử tổng thống Mỹ gần đây, sử dụng thăm dò ý kiến để dự đoán kết quả có kết quả chính xác giống như sử dụng mặt trăng để dự đoán số lượng nhập viện. Nghiêm túc đó, tôi đã sử dụng số liệu thực từ nghiên cứu để đưa ra kết luận ấy. Có rất nhiều lí do vì sao thăm dò ý kiến trở nên không chính xác. Xã hội của chúng ta đang trở nên đa dạng, khiến các nhà thăm dò ý kiến khó có thể có được mẫu số liệu đại diện thực sự tốt cho toàn bộ dân số. Mọi người thường không sẵn lòng trả lời điện thoại của người thăm dò, và còn kinh ngạc hơn là người ta có thể nói dối. Nhưng bạn sẽ không biết điều ấy khi nhìn vào truyền thông. Như trường hợp, khả năng chiến thắng của Hillary Clinton được công bố đến hàng thập phân. Chúng ta không dùng hàng thập phân để nói về nhiệt độ. Làm sao có thể dự đoán hành vi của 230 triệu cử tri trên đất nước này chính xác đến vậy? Và sau đó có những biểu đồ thật đẹp. Nhìn này, nhiều biểu diễn trực quan số liệu sẽ phóng đại sự chắc chắn, những biểu đồ này làm đơ bộ não chúng ta với chỉ trích. Khi bạn nghe về 1 số liệu, bạn sẽ cảm thấy hoài nghi. Tức thì nó được ẩn dưới 1 biểu đồ, nó trở thành một dạng khoa học khách quan, nhưng thật ra thì không.
So I was trying to find ways to better communicate this to people, to show people the uncertainty in our numbers. What I did was I started taking real data sets, and turning them into hand-drawn visualizations, so that people can see how imprecise the data is; so people can see that a human did this, a human found the data and visualized it. For example, instead of finding out the probability of getting the flu in any given month, you can see the rough distribution of flu season. This is --
Rồi tôi cố gắng tìm cách để truyền tải điều này đến mọi người, cho họ thấy được sự không chắc chắn trong các con số. Và tôi bắt đầu thu thập những tập số liệu thực, và chuyển chúng thành những hình vẽ tay trực quan, để mọi người thấy các số liệu sai lệch đến mức nào; để họ thấy cách người ta đưa ra số liệu, cách tìm thấy dữ liệu và vẽ trực quan nó. Ví dụ, thay vì tìm xác suất mắc cúm trong một tháng bất kỳ, bạn có thể xem dữ liệu về sự phân bố thô mùa dịch cúm. Nó cho thấy --
(Laughter)
(Cười lớn)
a bad shot to show in February. But it's also more responsible data visualization, because if you were to show the exact probabilities, maybe that would encourage people to get their flu jabs at the wrong time.
một hình ảnh xấu ở tháng 2. Nhưng nó cũng là một biểu đồ đáng tin cậy hơn, vì nếu nó đưa ra con số xác suất chính xác, và có thể khuyến khích mọi người tiêm phòng cúm sai thời điểm.
The point of these shaky lines is so that people remember these imprecisions, but also so they don't necessarily walk away with a specific number, but they can remember important facts. Facts like injustice and inequality leave a huge mark on our lives. Facts like Black Americans and Native Americans have shorter life expectancies than those of other races, and that isn't changing anytime soon. Facts like prisoners in the US can be kept in solitary confinement cells that are smaller than the size of an average parking space.
Qua đó, ý muốn nói là mọi người nhớ chú ý những sai lệch đó, nhưng họ cũng không nhất thiết ra về với một con số cụ thể, nhưng cần nhớ các dữ kiện quan trọng. Các dữ kiện như bất công và bất bình đẳng để lại những dấu ấn to lớn trong cuộc đời. Các dữ kiện như người Mỹ bản xứ và người Mỹ da đen có tuổi thọ thấp hơn so với các sắc dân khác, và sẽ không thay đổi ngay được. Các dữ kiện như tù nhân ở Mỹ có thể bị giữ trong các phòng biệt giam có kích thước nhỏ hơn một chỗ đỗ xe trung bình.
The point of these visualizations is also to remind people of some really important statistical concepts, concepts like averages. So let's say you hear a claim like, "The average swimming pool in the US contains 6.23 fecal accidents." That doesn't mean every single swimming pool in the country contains exactly 6.23 turds. So in order to show that, I went back to the original data, which comes from the CDC, who surveyed 47 swimming facilities. And I just spent one evening redistributing poop. So you can kind of see how misleading averages can be.
Mục đích của sự trực quan hóa này cũng là để nhắc nhở mọi người về một số khái niệm thống kê thực sự quan trọng, Các khái niệm như trung bình. Khi ta nghe một tuyên bố kiểu như, "Bể bơi ở Mỹ trung bình có 6.23 vụ đi vệ sinh luôn trong hồ." Điều đó không có nghĩa mỗi hồ bơi ở đất nước này đều có chính xác 6.23 cục phân. Do vậy để diễn đạt điều đó, Tôi quay lại với dữ liệu gốc, được lấy từ CDC, người đã khảo sát 47 cơ sở bơi. Và tôi chỉ bỏ ra 1 buổi tối để phân phối lại phân. Giờ bạn phần nào thấy con số trung bình sai lệch ra sao.
(Laughter)
(Cười)
OK, so the second question that you guys should be asking yourselves to spot bad numbers is: Can I see myself in the data? This question is also about averages in a way, because part of the reason why people are so frustrated with these national statistics, is they don't really tell the story of who's winning and who's losing from national policy. It's easy to understand why people are frustrated with global averages when they don't match up with their personal experiences. I wanted to show people the way data relates to their everyday lives. I started this advice column called "Dear Mona," where people would write to me with questions and concerns and I'd try to answer them with data. People asked me anything. questions like, "Is it normal to sleep in a separate bed to my wife?" "Do people regret their tattoos?" "What does it mean to die of natural causes?"
Vâng, câu hỏi thứ 2 là các bạn nên hỏi chính mình để nhận ra các con số sai là: Tôi có nhìn thấy mình trong dữ liệu không? Câu hỏi này cũng là về khái niệm trung bình theo nghĩa nào đó, Bởi vì một phần nguyên nhân khiến mọi người chán nản với những thống kê quốc gia này, là nó không thực sự kể cho ta câu chuyện ai thắng và ai thua từ chính sách quốc gia. Dễ hiểu được lý do người ta lại chán nản với các con số trung bình khi nó không khớp với những kinh nghiệm cá nhân của họ. Tôi sẽ cho bạn thấy sự liên quan của dữ liệu đến cuộc sống hằng ngày. Tôi đưa ra cột góp ý này gọi là "Kính gửi Mona," nơi bạn có thể viết cho tôi các câu hỏi và mối quan tâm và tôi sẽ trả lời bằng dữ liệu. Có thể hỏi tôi mọi thứ. Các câu hỏi như, "có bình thường không khi ngủ khác giường với vợ?" "Có hối hận khi xăm hình không?" "Chết do các lý do tự nhiên có ý nghĩa gì?"
All of these questions are great, because they make you think about ways to find and communicate these numbers. If someone asks you, "How much pee is a lot of pee?" which is a question that I got asked, you really want to make sure that the visualization makes sense to as many people as possible. These numbers aren't unavailable. Sometimes they're just buried in the appendix of an academic study. And they're certainly not inscrutable; if you really wanted to test these numbers on urination volume, you could grab a bottle and try it for yourself.
Tất cả các câu hỏi này đều rất tốt, vì nó khiến bạn nghĩ đến các cách để tìm và chuyển tải các con số này. Nếu có ai hỏi bạn, "Đi tiểu bao nhiêu là nhiều?" Đó cũng là một câu hỏi tôi nhận được, bạn thực sự muốn chắc chắn rằng hình vẽ trực quan này có nghĩa với càng nhiều người càng tốt. Những con số này không tồn tại. Đôi khi nó được ẩn trong phần phụ lục của một nghiên cứu khoa học. Và chắc chắn là chúng không khó hiểu; nếu bạn muốn kiểm tra các con số này với lượng nước tiểu, bạn có thể cầm một cái chai và tự làm thử đi.
(Laughter)
(Cười)
The point of this isn't necessarily that every single data set has to relate specifically to you. I'm interested in how many women were issued fines in France for wearing the face veil, or the niqab, even if I don't live in France or wear the face veil. The point of asking where you fit in is to get as much context as possible. So it's about zooming out from one data point, like the unemployment rate is five percent, and seeing how it changes over time, or seeing how it changes by educational status -- this is why your parents always wanted you to go to college -- or seeing how it varies by gender. Nowadays, male unemployment rate is higher than the female unemployment rate. Up until the early '80s, it was the other way around. This is a story of one of the biggest changes that's happened in American society, and it's all there in that chart, once you look beyond the averages. The axes are everything; once you change the scale, you can change the story.
Điểm mấu chốt là không nhất thiết mỗi tập dữ liệu đều phải liên quan cụ thể đến bạn. Tôi quan tâm đến bao nhiêu phụ nữ bị phạt ở Pháp do mang khăn, hoặc mạng che mặt, ngay cả khi tôi không sống ở Pháp hoặc đeo khăn che mặt. Mấu chốt của việc hỏi xem nơi bạn phù hợp là để nắm được ngữ cảnh nhiều nhất. Mục đích là thu nhỏ lại thành một điểm dữ liệu, kiểu như tỷ lệ thất nghiệp là năm phần trăm, và xem nó sẽ thay đổi theo thời gian, hoặc theo trình độ học vấn ra sao -- đây là lý do cha mẹ luôn muốn bạn phải vào đại học-- hoặc xem nó thay đổi theo giới tính ra sao. Ngày nay, tỷ lệ thất nghiệp nam giới cao hơn tỷ lệ thất nghiệp nữ giới. Cho đến đầu những năm 80, tình hình đã đảo ngược. Đây là 01 câu chuyện về một thay đổi lớn đã xảy ra trong xã hội Mỹ, tất cả nằm trong biểu đồ đó nếu ta nhìn xa hơn các con số trung bình. Các trục chứa tất cả; một khi thay đổi thước đo, bạn có thể thay đổi câu chuyện
OK, so the third and final question that I want you guys to think about when you're looking at statistics is: How was the data collected? So far, I've only talked about the way data is communicated, but the way it's collected matters just as much. I know this is tough, because methodologies can be opaque and actually kind of boring, but there are some simple steps you can take to check this.
Vâng, còn câu hỏi thứ 3 và cuối cùng mà tôi muốn các bạn suy nghĩ đến khi bạn đang nhìn vào các thống kê là: Dữ liệu được thu thập như thế nào? Nãy giờ, tôi chỉ nói về cách chuyển tải dữ liệu, nhưng cách thu thập cũng quan trọng không kém. Tôi biết điều này là khó, bởi vì phương pháp luận có thể là rối rắm và thực sự nhàm chán, nhưng có một số bước đơn giản để kiểm tra điều này.
I'll use one last example here. One poll found that 41 percent of Muslims in this country support jihad, which is obviously pretty scary, and it was reported everywhere in 2015. When I want to check a number like that, I'll start off by finding the original questionnaire. It turns out that journalists who reported on that statistic ignored a question lower down on the survey that asked respondents how they defined "jihad." And most of them defined it as, "Muslims' personal, peaceful struggle to be more religious." Only 16 percent defined it as, "violent holy war against unbelievers." This is the really important point: based on those numbers, it's totally possible that no one in the survey who defined it as violent holy war also said they support it. Those two groups might not overlap at all.
Tôi sẽ đưa ra một ví dụ cuối cùng. Một cuộc thăm dò cho thấy 41% người Hồi giáo ủng hộ thánh chiến, điều này rõ ràng đáng quan ngại, và được thông báo khắp mọi nơi năm 2015. Khi tôi muốn kiểm tra một con số như vậy, Tôi sẽ bắt đầu bằng cách tìm bảng câu hỏi gốc. Nó chỉ ra rằng các nhà báo mà thực hiện các thống kê đó đã bỏ qua một câu hỏi làm hạ thấp cuộc khảo sát đó là hỏi cách người ta đinh nghĩa "thánh chiến." Và hầu hết đều định nghĩa như sau, "Sự đấu tranh hòa bình, cá nhân của mỗi người Hồi giáo để tín ngưỡng tốt hơn." Chỉ 16% đính nghĩa, "Cuộc chiến tranh bạo lực chống lại người không tín ngưỡng." Điểm này thực sự quan trọng: dựa trên các con số đó, hoàn toàn có khả năng không có ai được khảo sát xem "thánh chiến" là cuộc chiến bạo lực cũng như nói ủng hộ nó. Hai nhóm đó không trùng lắp nhau gì cả.
It's also worth asking how the survey was carried out. This was something called an opt-in poll, which means anyone could have found it on the internet and completed it. There's no way of knowing if those people even identified as Muslim. And finally, there were 600 respondents in that poll. There are roughly three million Muslims in this country, according to Pew Research Center. That means the poll spoke to roughly one in every 5,000 Muslims in this country.
Cũng cần hỏi xem cuộc khảo sát đã được thực hiện ra sao. Đây được gọi là cuộc thăm dò "qua mạng", bất kỳ ai bắt gặp nó trên internet đều có thể tham gia. Chẳng có cách nào để biết rằng họ có phải là người Hồi giáo hay không. Và cuối cùng, có 600 người tham gia cuộc thăm dò. Có khoảng 3 triệu người Hồi giáo ở đất nước này, theo Trung tâm nghiên cứu Pew. Có nghĩa là đã thực hiện thăm dò với tỷ lệ 1/5000 người Hồi giáo ở đất nước này.
This is one of the reasons why government statistics are often better than private statistics. A poll might speak to a couple hundred people, maybe a thousand, or if you're L'Oreal, trying to sell skin care products in 2005, then you spoke to 48 women to claim that they work.
Đây là một trong các lý do khiến các thống kê của chính phủ thường tốt hơn các thống kế tư nhân. 01 cuộc thăm dò có thể thực hiện với vài trăm đến 1 nghìn người, hoặc nếu bạn là L'Oreal, đang bán sản phẩm chăm sóc da năm 2005, bạn khảo sát 48 phụ nữ và khẳng định nó rất tốt.
(Laughter)
(Cười)
Private companies don't have a huge interest in getting the numbers right, they just need the right numbers. Government statisticians aren't like that. In theory, at least, they're totally impartial, not least because most of them do their jobs regardless of who's in power. They're civil servants. And to do their jobs properly, they don't just speak to a couple hundred people. Those unemployment numbers I keep on referencing come from the Bureau of Labor Statistics, and to make their estimates, they speak to over 140,000 businesses in this country.
Các công ty tư nhân không quan tâm nhiều đến việc tìm ra các con số đúng, họ chỉ cần các con số đúng. Các nhà thống kê chính phủ không làm vậy. Theo lý thuyết, ít nhất, họ hoàn toàn vô tư, đặc biệt vì hầu hết trong số họ làm việc bất kể ai đang nắm quyền Họ là những công chức. Và để làm tốt công việc của mình, họ không chỉ khảo sát vài trăm người. Những con số thất nghiệp mà tôi đang nói đến được lấy từ Cục Thống kê Lao động, và để đưa ra các ước tính, họ đã khảo sát trên 140,000 doanh nghiệp trên cả nước.
I get it, it's frustrating. If you want to test a statistic that comes from a private company, you can buy the face cream for you and a bunch of friends, test it out, if it doesn't work, you can say the numbers were wrong. But how do you question government statistics? You just keep checking everything. Find out how they collected the numbers. Find out if you're seeing everything on the chart you need to see. But don't give up on the numbers altogether, because if you do, we'll be making public policy decisions in the dark, using nothing but private interests to guide us.
Tôi hiểu, đúng là bực bội. Nếu bạn muốn thẩm tra một thống kê lấy từ một công ty tư nhân, bạn có thể mua kem xoa mặt cho mình và một nhóm bạn, làm thử đi, Nếu không làm được, bạn có thể nói các con số bị sai. Nhưng làm sao kiểm tra các thống kê chính phủ? Bạn chỉ cần kiểm tra mọi thứ. Tìm hiểu họ thu thập số liệu như thế nào. Hãy tìm hiểu nếu bạn đang xem mọi thứ trên biểu đồ mà bạn cần xem. Nhưng không từ bỏ bất kỳ con số nào, bởi vì nếu bạn làm vậy, ta sẽ đưa ra các quyết định chính sách từ bóng tối. chỉ sử dụng các quan tâm riêng để dẫn dắt mình.
Thank you.
Cám ơn.
(Applause)
(Vỗ tay)