Есть два связанных с этим понятия. Первое носит название мощность. Это вероятность обнаружить что-то, если оно на самом деле существует: например, рост числа заболеваний раком у людей, работающих с подозрительным химикатом. Чем больше число наблюдений или охваченных людей, тем выше мощность. Риск редкого, но опасного побочного эффекта у нового лекарства может не проявиться, пока оно не попало на рынок и им не воспользовались десятки тысяч или даже миллионы человек.

Второе – статистическая значимость. Если кажется, что загрязнитель вызывает прирост числа случаев заболевания по сравнению с фоновым уровнем на 10 %, это может действительно означать взаимосвязь, а может, и нет. Если показатель увеличивается в десять раз (как, например, риск рака легких у курильщиков по сравнению с теми, кто не курит), шанс, что такая взаимосвязь на самом деле существует, очень велик.

Научным журналистам нет нужды ничего считать самостоятельно – они должны просто сказать ученым: покажите свои цифры.

Ключевые вопросы, которые нужно задать: все ли ваши выводы основываются на статистически значимых результатах? (Насторожитесь, если не все, и предупредите своих читателей или зрителей.) Каково значение P – вероятности того, что ключевые результаты случайны? Было ли исследование достаточно обширным, чтобы обнаружить эффект, если он действительно существует? Есть ли другие статистические причины сомневаться в ваших выводах? Планируются ли более масштабные исследования?

Но то, что результаты статистически значимы, имеют достаточную мощность и т. д., еще не означает, что они верны или значимы. Так что наш список продолжается.

3. Существует ли другое объяснение?

То, что явления как-то связаны, еще не означает, что одно является причиной другого. Не крик петуха заставляет солнце вставать по утрам, а вирус в организме пациента может быть невинным прохожим, а не причиной болезни. Химическое вещество в городском водопроводе может не оказаться причиной болезней в этом городе. Чтобы выявить причинно-следственную связь, нужно проводить детальные исследования в лабораториях.

Вот пример: несколько ученых (и гораздо больше журналистов) полагают, что детская вакцинация могла послужить триггером для многих случаев аутизма. Но большинство экспертов считают, что это совпадение, а не причинно-следственная связь. «Связь» здесь только в том, что аутизм обычно проявляется в том же возрасте, когда детям делают многие прививки, утверждают эти эксперты. Но теперь проблема в том, что немало обеспокоенных родителей откладывают прививки от кори и других опасных заболеваний из ложного страха перед аутизмом. А во множестве материалов СМИ на эту тему не хватает статистики по смертности от этих детских заболеваний в те времена, когда вакцин еще не было.

Огромную роль может играть и временной охват исследования. Климатические исследования должны анализировать данные за многие годы, чтобы их не искажали обычные погодные циклы. Лекарство или метод лечения может вызвать ремиссию у онкобольного, но лишь время покажет, действительно ли это приводит к излечению или хотя бы просто увеличивает продолжительность жизни. Многие пациенты могут «выпасть» из долгосрочного исследования, и если это произошло потому, что их дела идут не очень хорошо, это повлияет на результаты.

Кроме того, существует эффект здорового работника. Ученый изучает рабочих, которые подверглись воздействию какого-то вещества, и выясняет, что в среднем они здоровее, чем население в целом. Но рано оправдывать это вещество: рабочие вообще, как правило, довольно здоровые люди – они должны быть здоровыми, чтобы получать и сохранять работу.