Statistik, meskipun memiliki reputasi objektif, dapat memberikan hasil yang berlawanan dengan intuisi dan tidak masuk akal. Hal ini sering kali disebabkan oleh paradoks statistik, seperti paradoks Simpson, yang mana tren muncul dalam data agregat namun berbalik arah ketika data dipecah menjadi beberapa subgrup. Memahami fenomena ini sangat penting untuk penelitian dan pengambilan keputusan yang akurat.
Kasus Penerimaan Berkeley
Contoh yang terkenal terjadi pada tahun 1970an ketika Universitas California, Berkeley, dituduh melakukan diskriminasi gender dalam penerimaan lulusannya. Data awal menunjukkan tingkat penerimaan yang lebih rendah bagi pelamar perempuan (35%) dibandingkan pelamar laki-laki (44%), yang tampaknya menunjukkan adanya bias. Namun, ketika penerimaan mahasiswa baru dianalisis berdasarkan departemen, yang terjadi justru sebaliknya: di empat dari enam departemen utama, lebih banyak perempuan yang diterima dibandingkan laki-laki.
Kesenjangan ini muncul karena perempuan secara tidak proporsional melamar ke departemen yang lebih kompetitif dengan tingkat penerimaan keseluruhan yang lebih rendah, sementara laki-laki melamar ke departemen dengan lowongan yang lebih banyak dan pelamar yang lebih sedikit. Hal ini menggambarkan bagaimana pengelompokan dapat mendistorsi tren yang mendasarinya.
Asal Usul Paradoks
Fenomena ini pertama kali dijelaskan pada tahun 1899 oleh ahli matematika Karl Pearson, kemudian ditemukan kembali oleh George Udny Yule pada tahun 1903. Namun, fenomena ini sebagian besar luput dari perhatian sampai Edward Simpson secara resmi mendokumentasikannya pada tahun 1951, sehingga memberikan namanya pada efek tersebut. Karya Simpson menyoroti bagaimana tren dapat bervariasi tergantung pada divisi subkelompok.
Implikasi di Dunia Nyata
Paradoks ini bukan sekedar teori. Pada tahun 2021, data menunjukkan bahwa COVID-19 hampir dua kali lebih mematikan di Italia dibandingkan di Tiongkok, meskipun faktanya setiap kelompok umur di Italia memiliki tingkat kelangsungan hidup yang lebih tinggi. Temuan yang tampaknya kontradiktif ini menunjukkan bagaimana tren agregat dapat mengaburkan dinamika subkelompok.
Tantangan dalam Penelitian Medis
Paradoks Simpson menghadirkan tantangan dalam penelitian medis, khususnya ketika mengevaluasi kemanjuran obat. Suatu obat mungkin menunjukkan efektivitas secara keseluruhan, namun terbukti kurang efektif dibandingkan plasebo ketika dianalisis berdasarkan subkelompok (misalnya, gender). Memutuskan apakah akan menyetujui obat tersebut memerlukan pertimbangan yang cermat: apakah hasil keseluruhan harus diprioritaskan, atau haruskah inkonsistensi subkelompok menimbulkan kekhawatiran?
Pendekatan yang paling masuk akal secara ilmiah adalah penyelidikan lebih lanjut untuk menentukan sejauh mana faktor perancu dan memastikan hubungan sebab akibat teridentifikasi dengan benar. Tidak ada jalan pintas menuju analisis yang cermat ketika memisahkan korelasi dari dampak sebenarnya.
Kesimpulannya, paradoks Simpson mengingatkan kita bahwa statistik, meskipun kuat, tidak selalu mudah. Pendekatan kritis terhadap analisis data, termasuk pemeriksaan subkelompok dan pertimbangan pengaruh tersembunyi, sangat penting untuk menghindari kesimpulan yang menyesatkan.
