И как же мы это сделаем без понимания причин?
Предположим, мы с вами изобрели лекарство и хотим понять, способно ли оно лечить. Возьмем для примера средство от простуды – исследование других препаратов проводится аналогичным образом.
Пойдем сначала простым путем. Давайте дадим это лекарство 50 простудившимся и через неделю проверим их состояние. Спустя семь дней мы узнаем, что 35 человек выздоровели, а 15 еще болеют, но идут на поправку. Отлично, наше лекарство никого не убило, но помогло ли оно? Кажется, что мы можем ответить утвердительно – ведь почти все больные выздоровели. На самом деле – нет, мы не можем сказать о лекарстве ничего. Преподаватели статистики, рассказывая про эту ошибку, любят говорить: «Correlation does not imply causation». Эта фраза означает, что прослеживаемая связь между событиями совершенно не означает, что одно является причиной другого. Классический пример подобной ошибки: «Большинство людей, которые когда-то ели хурму, уже мертвы, значит, хурма приводит к смерти».
Хорошо, мы выучили этот урок и теперь будем умнее. Мы дадим наше лекарство группе из 50 простудившихся, а 50 человек, составляющих вторую группу, не будем лечить вообще (научно эти группы обозначаются как «экспериментальная» и «контрольная» соответственно, а само исследование называется «контролируемое»). И снова проверим их через неделю. В этот раз наблюдаем такую картину: 35 больных, принимавших наше лекарство, вылечились, а среди контрольной группы здоровы только 30. «Вот теперь-то точно успех», – подумаем мы и будем снова неправы.
Но тут потребуется лирическое отступление. Еще в XVIII в. врач Джон Хайгарт написал статью о том, что обычные деревянные иглы для укалывания (тогда акупунктура была серьезной медицинской дисциплиной) действуют так же, как и очень дорогие металлические, если пациенты не видят между ними разницы{30}. А в 1955 г. ученый из США Генри Бичер подробно описал эффект плацебо{31}. С тех