Pensée critique : comment découvrir ce qui fonctionne vraiment

1. Introduction et premières étapes: Salut là. Bienvenue dans ce cours. Je m'appelle Andre. Je suis un scientifique formé. Et dans ce cours, je veux vous montrer comment vous pouvez répondre à des questions telles que Will démarrer une entreprise vous rendre riche ? Est-ce que la méditation vous aidera à vous sentir plus heureux et plus content ? Ou se lever à cinq heures du matin vous aidera-t-il à être plus productif et à réussir les mains  ? Et ce ne sont pas seulement des questions philosophiques intéressantes, mais ce sont des questions qui ont des conséquences. Les réponses que vous trouvez à de telles questions peuvent littéralement faire la différence entre finir plus pauvre, être incapable d'atteindre vos objectifs ou réussir et obtenir la vie que vous voulez. Maintenant, malheureusement, quand les gens pensent à ce type de questions, ils sont très souvent la proie de flèches de raisonnement. Et à la suite de cela, ils finissent très souvent par courir après des choses qui ne les amèneront pas vraiment nulle part. Et donc, dans ce cours, je veux vous montrer comment vous pouvez aiguiser votre pensée, trouver les bonnes réponses aux questions auxquelles vous voulez répondre et prendre de meilleures décisions de vie . Alors comment on fait ça ? Et la première chose que je tiens à souligner, c'est que dans toutes ces questions. Il y avait la même structure générale dans toutes les questions. Il s'agissait de savoir si une variable X provoque une autre variable. Pourquoi cela me rendra-t-il riche ? Est-ce que ça me rendra heureuse ? Est-ce que cela me fera réussir ? Dans tous ces cas, la question est essentiellement de savoir si une variable X provoque une autre variable. Pourquoi ? Et comme toutes ces questions ont la même structure générale, nous pouvons utiliser le même type de méthodologie pour répondre à toutes ces questions. Et dans ce cours, je vais vous enseigner cette méthodologie afin que vous puissiez répondre à ces questions avec la plus grande précision possible. D' accord. Et puis la prochaine conférence vous montre toujours le gars numéro un voit que presque tout le monde tombe en proie et comment vous pouvez l'éviter. Je te vois à la prochaine conférence. 2. La fallacy du raisonnement #1: le raisonnement le plus erroné auquel presque tout le monde est la proie à un moment donné est le lien de causalité. erreur. Alors, quelle est la causalité ? erreur. Disons maintenant, par exemple, que vous voulez décider à quelle université vous voulez aller. Et disons que vous découvrirez que les étudiants hors Université gagnent plus tard un salaire moyen 40 k et vous découvrirez qu'une université être étudiants gagnent plus tard un salaire moyen de 80 k Eh bien, dans ce cas, plupart des gens Je pense que Oh, probablement je devrais aller à l'université, être à l'université. Être semble être la meilleure université. De même supposé que vous apprenez que les gens qui ne méditent pas ont tendance à être très insatisfaits leur vie, tandis que les gens qui méditent et d'être très heureux que la plupart des gens pensent presque automatiquement que Oh, peut-être Je devrais méditer plus. Peut-être que ça me rendrait plus heureux. D' accord. Un autre exemple, que j'ai vu de nombreuses fois, en passant, est l' exemple Theo que les gens qui disent se lever à 7 heures ont tendance à avoir une productivité normale tandis que les gens qui se lèvent à cinq heures du matin en particulier tous ces PDG qui travaillent comme des fous. Ils ont tendance à avoir une productivité élevée et ils ont tendance à avoir plus de succès dans la vie. Et puis beaucoup de gens en viennent à la conclusion que, apparemment, si je peux me réveiller à 5 heures du matin, ma productivité sera plus élevée et j'aurai plus de succès. Et un autre exemple lorsque les gens entendent que les employés ont tendance à avoir une richesse moyenne, alors que les preneurs d'Andhra ont tendance à être riches. Ok, si les entrepreneurs ont vraiment tendance à être riches est en fait la question, et je vous expliquerai cela plus tard dans une étude de cas à la fin de ce cours. Mais disons dans le but de l'exemple que les entrepreneurs sont en moyenne plus riches employés que beaucoup de gens tiraient la conclusion qu'ils devraient être des entrepreneurs afin qu'ils puissent aussi être riches. Ok, tous les exemples que je viens de donner sont des exemples de fausse causalité dans tous les exemples que je viens de donner. La conclusion n'était pas nécessairement correcte. Et je vais m'en tenir à l'exemple des employés contre les entrepreneurs maintenant, juste pour vous illustrer ce qui ne va pas ici. Donc, la conclusion que les gens tirent ici dans ce cas est que le démarrage d'une entreprise. Devenir entrepreneur amène les gens à construire de la richesse, et les preuves qu'ils utilisent ici sont ce que nous appelons une corrélation et leur interprétation. Cette corrélation est qu'il existe une relation de causalité entre les deux variables, et ce n'est pas nécessairement la bonne interprétation. Donc, dans cette conférence, je veux vous montrer comment vous interprétez correctement une corrélation. Donc, tout d'abord, qu'est-ce qu'une corrélation ? Une corrélation est une relation statistique entre deux variables. Si une variable change, l'autre change systématiquement avec cette variable. Donc, un exemple très simple serait que si une variable augmente, l'autre augmente une houle et a une variable diminue, l'autre diminue aussi. Ainsi, par exemple, demandez aux gens de passer de n'avoir pas démarré l'entreprise à démarrer une entreprise. Leur richesse augmente, mais cela peut aussi être l'inverse. Un autre exemple de corrélation serait que si une variable augmente, l'autre diminue et vice versa. Si la variable diminue, l'autre augmente. C' est aussi un exemple de corrélation et ce que les gens pensent généralement automatiquement lorsqu' ils voient une telle corrélation. Est-ce que ça va ? démarrage d'une entreprise rend les gens riches ou les rend pauvres. Mais en tout cas, ils pensent qu'il doit y avoir une cause de relation entre les deux. Maintenant, comme je l'ai déjà dit, ce n'est pas nécessairement la bonne interprétation. Au lieu de cela, ce sont presque toujours trois explications possibles pour une corrélation. Et pour vous assurer que vous tirez les bonnes conclusions, vous devez considérer les trois explications. Ok, donc supposons qu'on ait deux variables. Accent. Pourquoi ? Et ils sont couronnés. Alors quelles autres explications ? La première explication est que X provoque pourquoi, Si X provoque, Pourquoi, Pourquoi, alors chaque fois que X augmente, pourquoi va augmenter aussi bien ? Et donc nous verrons une corrélation. Cependant, une autre explication possible est que pourquoi provoque X dans ce cas, chaque fois que pourquoi augmente ? Axel augmente bien et encore une fois nous voyons une corrélation et puis enfin, explication. numéro trois, c'est qu'il n'y a absolument aucune relation causale entre X et Y. Mais au lieu de cela, il y a 1/3 variable. On pourrait l'appeler ensembles qui provoque les deux actes et pourquoi. Et dans ce cas, chaque fois que Zet augmente, hache va augmenter et pourquoi va augmenter. Nous verrons donc une corrélation entre X et Y, même s'il n'y a absolument aucune relation causale entre les actes et pourquoi. Ok, donc ce sont les trois explications. Maintenant, appliquons tout ce que je viens de vous apprendre à notre exemple. Donc, disons que nous observons que les entrepreneurs sont riches. Pourquoi suis-je S'il vous plaît avoir seulement une richesse moyenne, et la première chose que nous devons réaliser est que ce n'est qu'une corrélation. Cela signifie simplement qu'à mesure qu'une variable augmente, par exemple, mesure que vous passez des employés à l'entrepreneur, l'autre variable varie systématiquement avec elle. Par exemple, nous passons de la richesse moyenne à la richesse. Donc, la prochaine chose que nous devons faire est de parcourir les trois explications possibles de cette corrélation, et la première explication est que le démarrage d'une entreprise amène les gens à construire de la richesse. Cependant, une autre explication possible est que la richesse amène les gens à démarrer une entreprise, sorte qu'à mesure que les gens deviennent riches, ils ne veulent plus vraiment avoir un emploi. Mais au lieu de cela, ils n'ont plus peur de prendre le risque de démarrer leur propre entreprise parce qu'ils déjà riches, donc ils n'ont rien à perdre. De même, lorsque les gens deviennent pauvres, ils peuvent être moins enclins à démarrer une entreprise et plus susceptibles de prendre un emploi à la place. Donc, une explication tout aussi plausible de la corrélation entre le démarrage d'une entreprise et richesse est que la richesse pousse les gens à démarrer une entreprise. Ok, et enfin, explication numéro trois est qu'il n'y a pas de relation de causalité entre le démarrage d'une entreprise et la richesse du tout. Mais au lieu de cela, il pourrait y avoir 1/3 variable, et un exemple de cette variable 1/3 pourrait être l'ambition d'une personne. Si une personne est très ambitieuse, alors cela pourrait rendre la personne plus susceptible de démarrer une entreprise. Et il pourrait aussi être que cela rend aussi la personne plus susceptible de bien construire. Mais la raison pour laquelle la personne construit bien n'est peut-être pas que la personne a commencé l'entreprise, mais simplement parce que la personne est très ambitieuse dans ce que cette personne fait. Donc, même si cette personne n'avait pas commencé une entreprise, cette personne aurait probablement bien construit, juste parce que cette personne est très ambitieuse. C' est la troisième explication. n'y a pas de relation de causalité entre le démarrage d'une entreprise et la richesse, mais ce sont d'autres variables qui causent les deux. est ainsi que vous interprétez une corrélation maintenant que si la corrélation n'est pas positive, mais elle est négative. Disons que c'est l'inverse. Et ce n'est pas que les entrepreneurs sont riches, mais les employés sont riches. Donc, dans ce cas, nous avons une corrélation négative entre le démarrage d'une entreprise et la richesse. Maintenant, pour cette corrélation négative, tout fonctionne exactement de la même manière, avec la seule différence que vous devez d'abord retourner la deuxième variable ici. Donc, plutôt que de penser à la seconde variable comme richesse, on peut penser qu'elle est pauvre. Et de cette façon, les niveaux de la variable sont retournés. Maintenant, quand vous êtes haut sur cette variable, votre pauvre et quand vous êtes faible sur cette variable, vous êtes riche. Alors que sur la richesse variable quand tu étais élevé, tu étais riche et quand il va baisser, tu étais pauvre. Et avec ce simple flip, la corrélation négative devient une corrélation positive. Maintenant, il y a une corrélation positive entre le démarrage d'une entreprise et le fait d'être pauvre, et maintenant il peut interpréter cela exactement de la même manière que je viens de vous l'ai montré. Donc, la première explication de cette corrélation est que le démarrage d'une entreprise fait que les gens deviennent pauvres. La deuxième explication est que le fait d'être pauvre provoque les gens à démarrer une entreprise, et la troisième explication est qu'il y a 1/3 variable qui provoque les deux, comme, par exemple, prise de risque. Il se pourrait donc que les gens prenaient très des risques. Donc, fondamentalement, les joueurs sont plus susceptibles de démarrer une entreprise, mais ils sont également plus susceptibles de devenir pauvres. Mais la raison pour laquelle ils deviennent pauvres n'est peut-être pas qu'ils ont lancé l'entreprise, mais simplement parce qu'ils font beaucoup d'autres choses risquées qui leur coûtent de devenir pauvres. Ok, donc les leçons clés de cette conférence sont une corrélation est une relation entre deux variables X et Y. Les gens ont tendance à prendre une corrélation comme preuve qui agit pour cause. Mais ce n'est qu'une explication possible, et les trois explications que vous devez considérer sont d'abord que X provoque. Pourquoi, Deuxièmement, que pourquoi provoque X et troisième que définir Donc une autre variable provoque à la fois X et y, et vous pouvez trouver l'erreur de causalité que les gens ont immédiatement sauté Explication un peu près partout dans tous les domaines de la vie des gens. Et dans la prochaine conférence, je veux vous montrer quelques exemples où vous pouvez voir que 3. Exemples de raisons de raisonnement dans notre vie quotidienne: Ok, donc maintenant vous savez à propos de l'erreur de causalité. Et le truc délicat à propos de cette erreur, c'est qu'il se cache vraiment partout. Et donc, dans cette conférence, je veux vous former à détecter l'erreur causale afin que vous puissiez l'éviter. Ok, alors passons en revue quelques exemples et un exemple pourrait être que vous vous demandiez quelle université est la meilleure et nous avons déjà eu l'exemple de l'Université A contre l'Université Be où ? Après l'université A les gens gagnent un salaire moyen de 40 k alors qu'après l'université, les gens ont tendance à gagner un salaire moyen de 80 gâteau. Et la première chose qu'il est important de remarquer ici, c'est qu'il s'agit juste d'une corrélation. Tout ce que vous voyez ici, c'est que si la variable université change d'université une université B, il en va de même pour le salaire de ces gens. Mais la question est encore qu'est-ce que cette viande de couronnement ? Et comme vous l'avez appris lors de la dernière conférence là-bas, trois explications que nous devons considérer l'examen Un est que l'université compte pour le salaire. Université B vous fera avoir un salaire plus élevé plus tard que l'université A. Ensuite, nous devons également considérer l'explication à, qui est que le salaire provoque l'université. Mais dans ce cas, nous avons de la chance parce que le salaire arrive hors de l'université et en supposant que quelque chose ne peut pas causer quelque chose en arrière dans le temps. Le salaire futur ne peut donc pas affecter ce que vous faites dans le passé. Lorsque vous choisissez l'université, alors cette explication n'est pas possible. Donc, dans ce cas, nous pouvons écarter l'explication. Néanmoins, il y a encore trois explications qu'il y a 1/3 variable telle que, par exemple, l'ambition. Et il se peut que les gens soient plus ambitieux, sont plus susceptibles de choisir l'université, être au-dessus de l'université A et en même temps, être ambitieux peut amener les gens à gagner un salaire plus élevé. Et donc ce qui peut se passer vraiment ici n'est pas de l'université est mieux à vous former afin qu'il puisse gagner un salaire plus élevé plus tard, mais que l'université est juste mieux pour attirer des gens ambitieux et que même si ces gens iraient dans une autre université, ils gagneraient toujours un salaire plus élevé. Dans l'ensemble, nous ne savons pas si le samedi le plus élevé est causé par l'université. Ok, jetons un coup d'oeil à un autre exemple. Est-ce que l'argent rend les gens plus heureux Disons que vous vous posez cette question et ensuite vous regardez le monde et disons simplement que vous voyez que les gens qui n'ont pas autant d'argent ou une richesse moyenne ont tendance à être raisonnablement heureux, tandis que les gens qui sont très riches ont tendance à être un peu plus heureux. Disons simplement que c'est ce que vous voyez. Encore une fois, la première étape consiste à réaliser que ce n'est qu'une corrélation. Toujours voir ici est que si la richesse variable change de pauvre en riche que la variable de bonheur change de 7 à 8 et maintenant la prochaine chose que nous devons faire est que nous devons vous demander , Qu'est-ce que cela signifie ? Sur une explication possible est en effet que l'argent cause le bonheur. Mais une autre explication possible est que le bonheur provoque de l'argent. Ainsi, par exemple, il se peut que les gens qui sont plus heureux soient plus optimistes et donc plus susceptibles de prendre les risques qu'ils doivent prendre pour gagner beaucoup d'argent. Ou il pourrait être que les gens heureux soient plus sympathiques, et cela les rend également plus susceptibles de recevoir une promotion de leur patron,par exemple, par exemple, ce qui les fait gagner de l'argent, donc il pourrait tout aussi bien être que le bonheur provoque de l'argent. Et puis, bien sûr, il y a aussi l'explication trois, qui est qu'il y a 1/3 variable qui provoque les deux. Donc, il pourrait être que si vous êtes une personne qui est très souvent réussie que cela vous fait gagner beaucoup d'argent, et cela pourrait également vous rendre plus heureux et pas nécessairement à cause de l'argent que vous gagnez, mais juste parce que c'est bien si vous atteignez les objectifs que vous vous fixez de nouveau, nous ne pouvons pas être sûrs du tout ici que l'argent cause le bonheur. Ce n'est qu'une des nombreuses explications. Ok, un autre exemple, et c'est un que j'ai vu plusieurs fois. Se lever à 5 heures du matin rend-il les gens plus productifs ? Alors disons encore que vous regardez le monde et que vous le voyez là. Les gens qui se lèvent à une heure normale disent 7 heures du matin et il y a des gens qui se poussent à se lever très tôt, comme 5 heures du matin et les gens qui se lèvent à une heure normale 10 pour avoir une activité portuaire normale, tandis que les gens qui sortent très tôt ont tendance à avoir une productivité très élevée. Si vous voyez cela, vous pourriez penser que se lever à 5 heures du matin est une très bonne stratégie pour augmenter la productivité , est-ce pas. Mais encore une fois, nous devons nous rendre compte que ce n'est qu'une corrélation. Cela signifie simplement que si nous passons de se lever à un moment normal à un moment précoce , alors il y a un changement dans la productivité variable. Et maintenant, la question est, qu'est-ce que cette viande de corrélation et encore ? Explication Le numéro un est que le moment où vous vous réveillez influe sur votre productivité cette date, alors la deuxième explication que nous devons considérer est de savoir si la productivité pourrait causer le temps de réveil. Et ici, nous avons de la chance à nouveau parce que la productivité se produit après le réveil. D' abord, vous vous réveillez tôt ou pas si tôt, puis vous êtes productif pendant cette journée ou non, et en supposant qu'une variable ne pouvait pas causer quelque chose à l'arrière dans le temps. Cette explication ne fonctionne pas, donc nous pouvons exclure celle-ci dans ce cas. Mais alors, nous avons encore la troisième explication variable. Et il se peut, par exemple, que les gens qui sont très énergiques ont tendance à se réveiller très tôt, et qu'ils ont tendance à être très productifs. Et il se peut que la raison pour laquelle ils sont si productifs n'est pas parce qu'ils se réveillent si tôt, mais simplement parce qu'ils ont beaucoup d'énergie et que je ne peux pas parler pour vous. Mais personnellement, j'ai essayé de me lever à 5 heures du matin, une fois dans ma vie. Et je pense que le premier jour et peut-être aussi le deuxième jour, ma productivité est plus élevée. Mais après ça, je me sentais plus fatigué chaque jour. Et je pense que ma productivité a diminué. Alors, le temps de réveil est-il important ? Tant pour la productivité. C' est en fait quelque chose que nous ne connaissons pas sur la base de cette corrélation. D' accord. Donc, comme vous pouvez le voir, l'erreur de corrélation se cache vraiment partout. Et cela mène à la question suivante. Comment pouvons-nous résoudre ça ? Et c'est ce que je vais couvrir avec toi lors de la prochaine conférence. Donc je vous vois dans la section suivante 4. La stratégie la plus puissante pour éliminer les explications alternatives: Alors maintenant que vous êtes un peu formé à voir ces différentes explications pour les corrélationsque nous pouvons observer dans le monde maintenant la question est, comment pouvons-nous exclure les explications alternatives et déterminer si X cause pourquoi Alors maintenant que vous êtes un peu formé à voir ces différentes explications pour les corrélations que nous pouvons observer dans le monde maintenant la question est, leurs différentes façons de le faire, chacun avec leurs avantages et leurs inconvénients ? Et dans cette conférence, je vais vous présenter l'une des solutions les plus puissantes, qui est une expérience. Maintenant, quand vous pensez à une expérience que vous pouvez penser à quelque chose comme ça, mais ce n'est en fait pas ce qu'est une expérience. C' est exactement comme ça qu'une expérience se trouve à ressembler dans certaines branches hors des signes. Mais une expérience est quelque chose de beaucoup plus simple. Alors, c'est quoi une expérience ? Une expérience est quand les niveaux hors des actes variables sont randomisés. Donc nous avons eu ces deux variables accident Pourquoi ? Et les deux variables ont des niveaux. Par exemple, cela peut être élevé ou faible. Et quand les niveaux de la première variable sont randomisés, par exemple, à travers un flip de monnaie, et nous appelons cela une expérience et je sais que cela semble très abstrait, Alors laissez-moi vous montrer un exemple, disons que vous voulez savoir si l'argent rend les gens heureux. Dans ce cas, nous avons une expérience si les niveaux hors de la richesse variable sont déterminés aléatoirement par un conflit, Donc, pour illustrer la logique de cela, disons que vos dieux et vous pouvez maintenant déterminer à travers une pièce si les gens sont pauvres ou riches. Donc, pour chaque personne dans le monde, vous retournez une pièce, et si la pièce dit tête, vous la rendrez pauvre. Et si la pièce dit queue, alors vous rendez cette personne riche. Et maintenant, disons que dans ce scénario très hypothétique, vous trouvez que les pauvres sont très malheureux et les riches sont très heureux, ce qui est une corrélation, droit est une corrélation entre la richesse et le bonheur. Cependant, l'interprétation de cette corrélation change complètement si vous la trouvez dans une expérience. Alors passons à travers cela de sorte que les deux variables que vous avez notre richesse et notre bonheur, et maintenant la première variable est randomisée à travers un flip de maïs. Dans ce scénario, la corrélation pourrait-elle s'expliquer par la richesse qui cause le bonheur ? Absolument. C' est certainement une explication possible. Mais qu'en est-il de l'effet inverse ? Le bonheur aurait-il pu causer la richesse ? Eh bien, non, parce que vous avez déterminé le puits à travers une pièce de monnaie et que votre pièce ne se soucie pas du bonheur d'une personne. Peu importe si la personne est malheureuse ou heureuse, le flip de maïs rend tout aussi probable pour une personne heureuse chez une personne malheureuse de devenir riche dans votre expérience. Alors, ici. Ce n'est pas une explication plausible. Alors qu'en est-il de l'explication numéro trois ? Qu' il y a 1/3 variable qui influence les deux variables, par exemple, que le succès dans l'atteinte de vos objectifs rend les gens riches, et cela les rend tous si heureux. Cependant, encore une fois, cette voiture est une relation ici, du succès à la richesse ne fonctionne pas vraiment parce que notre pièce ne se soucie pas de la réussite d'une personne dans l'atteinte de ses objectifs. La pièce rend tout aussi probable que les gens qui ne réussissent pas à atteindre les objectifs et les gens réussissent à atteindre leurs objectifs deviennent riches. Et à cause de cette explication, trois ne fonctionnent pas non plus. Donc la seule explication qui reste dans ce scénario est l'explication numéro un, que la richesse provoque le bonheur. Donc, en d'autres termes, si les niveaux de la première variable un randomisé et vous trouvez une corrélation entre les deux variables. Ensuite, vous pouvez conclure que la première variable coûte la deuxième variable. Maintenant tu penses peut-être aux notes, mais comment suis-je supposé faire ça ? Mais parfois, si vous regardez autour du monde, vous confinez des expériences naturelles telles que, par exemple, la loterie. La loterie divise fondamentalement ses participants au hasard en les participants qui ne reçoivent pas d'argent, et les participants deviendront incroyablement riches. Donc, ce que nous pouvons faire, c'est simplement que nous pouvons voir si les gens gagnent à la loterie ont tendance à être plus heureux que ceux qui ne gagnent pas à la loterie. Et la constatation ici est que, temporairement, oui, les gens qui gagnent à la loterie sont un peu plus heureux. Mais à long terme, ça ne semble pas avoir d'importance. Il semble donc que l'argent peut vous rendre heureux temporairement, mais peut-être pas à long terme. D' accord. Pour résumer, les leçons clés de cette conférence sont que vous pouvez exclure les explications deux et trois à travers une expérience, et dans une expérience, les niveaux de la variable X sont randomisés, pour à travers un flip de maïs, et vous pouvez exécuter des expériences vous-même, que je vais vous montrer dans la prochaine conférence. Mais parfois, vous pouvez également trouver des expériences naturelles telles que, par exemple, la loterie. D' accord, puis la prochaine conférence. Hubble, zoomez plus loin là-dessus avec vous. Alors je te vois à la prochaine conférence. 5. Types de stratégies: dans cette conférence, je vais vous présenter deux types d'expériences différents. Donc, dans la dernière conférence, vous avez appris qu'une expérience est sur l'optimisation aléatoire des niveaux de la première variable. Et ces niveaux sont toujours à propos d'une sorte de comparaison. Par exemple, l'université, un Versets, l'université B ou les riches contre les personnes pauvres tandis que les entrepreneurs contre les employés et dans cette conférence voulait zoom plus loin dans ce et vous montrer qu'il ya en fait deux différents types de comparaisons que vous avez confinées ici. Une comparaison est une comparaison entre les sujets et l'autre est une comparaison à l'intérieur des sujets. Donc, une comparaison entre les sujets est lorsque vous avez deux groupes et que vous comparez ces groupes les uns aux autres, et un exemple de cela serait si vous comparez des étudiants de différentes universités. Mais vous pouvez également regarder une comparaison à l'intérieur du sujet, et dans ce cas, vous regardez une comparaison. Au fil du temps, vous disposez de deux points de mesure ou plus par personne, et vous comparez ces points de mesure les uns aux autres. Ce qui s'est passé à la fois, un comparé au temps à et peut le faire avec plusieurs personnes ou même juste avec une seule personne, donc un exemple de Cela serait si vous comparez des semaines dans lesquelles vous avez médité, deux semaines dans lesquelles il n'a pas médité pour comprendre savoir si la méditation vous aide à vous sentir mieux ou à vous concentrer, par exemple, et dans ces deux cas, vous avez besoin d'une expérience pour être en mesure de tirer une conclusion claire. Alors qu'est-ce qu'une expérience dans ces deux cas, alors que dans une expérience, vous pouvez soit randomiser qui va à quel groupe dans une conception entre les sujets ou quand ce qui se passe dans une conception à l'intérieur du sujet ? Alors passons par un exemple. Disons que vous voulez savoir si le fait de se lever à 5 heures du matin rend les gens plus productifs qu'un type d'expérience que vous pourriez mener ou rechercher serait une expérience où vous divisez les gens en un groupe qui doit se lever à 7 heures du matin. chaque fois et un groupe qui doit se lever à 5 heures du matin à chaque fois. Et puis vous pouvez vérifier lequel de ces deux groupes est le plus productif, et ce serait une expérience. Si la division en deux groupes se produit, ajoutez aléatoire, par exemple, à travers un flip de monnaie Mais si vous ne voulez pas déranger vos amis en leur disant quand ils doivent se lever, ce que je peux comprendre très bien qu'il peut également exécuter une expérience sur vous-même. Ce que vous pouvez faire, c'est avoir des jours où vous vous levez à 5 heures du matin, et vous pouvez avoir des jours où vous vous levez à 7 heures du matin. Et il pourrait en faire une expérience en décidant chaque jour à l'avance par un coup de monnaie , si le lendemain sera un jour de 5 heures ou un jour de 7 heures. Donc, le premier jour, vous pouvez être en mesure de raser plus longtemps. Alors tu dois te lever tôt. Ensuite, le conflit dit que vous devez vous lever tôt. Ensuite, vous pouvez Steve plus longtemps que vous devez vous lever tôt qu'il peut dormir plus longtemps et puis il a conçu plus longtemps encore et ainsi de suite et ainsi de suite. Et si ce que vous faites chaque jour est randomisé, alors c'est aussi une expérience. Disons que vous trouvez que les jours où vous vous réveillez tôt, vous êtes plus productif que ce que cela pourrait signifier ? Une chose que cela pourrait signifier est que le temps de réveil influence votre productivité. Mais normalement, nous devrions aussi envisager la possibilité que la productivité influencé le temps de réveil. Maintenant, nous avons déjà dit que ce n'était pas vraiment possible dans ce cas particulier parce que l' activité par activité se produit après le réveil. Mais dans une expérience, c'est impossible de toute façon, parce que le temps de réveil est complètement déterminé par le retournement de maïs, donc il ne peut pas être influencé par autre chose. Donc cette explication ne fonctionne certainement pas. Et puis la troisième explication que nous devons normalement considérer est qu'il y a 1/3 variable qui provoque les deux. Donc, par exemple, si vous ne voulez pas randomiser, alors il se pourrait qu'après les nuits où votre sommeil est vraiment hors d'une haute qualité et vraiment profond, vous vous réveillez automatiquement tôt et vous êtes plus productif pendant la journée. Cependant, si vous déterminez quand vous vous réveillez par un flip de pièce, puis encore une fois, le conflit ne se soucie pas de votre qualité de sommeil, la pièce raconte. Il est allé se réveiller, peu importe si vous vous sentez super endormi le matin ou vraiment énergique et prêt à commencer la journée, et donc cette cause de relation ne fonctionne pas vraiment à nouveau. Et donc la troisième explication de variable ne fonctionne pas. Donc, si vous trouvez dans ce scénario que vous êtes plus productif si vous vous levez à 5 heures du matin, alors cela signifie que vous vous lever à 5 heures du matin est un bon moyen pour vous d'être plus productif. Ok, pour résumer, les leçons clés de cette conférence sont les niveaux de la variable X peut être entre ou une comparaison à l'intérieur du sujet, et la comparaison entre les sujets est une expérience. Si les personnes sont assignées au hasard aux deux niveaux hors actes et que la comparaison à l'intérieur du sujet est une expérience, si les points de temps sont attribués aléatoirement aux deux niveaux hors actes. Une expérience est les méthodes les plus puissantes pour exclure d'autres explications. Mais ce n'est pas toujours faisable. Par exemple, vous pouvez dire aux gens de souhaiter à l'université qu'ils devraient aller en raison d'un conflit. Ils ne feront pas ça. Par conséquent, dans la prochaine conférence, je vais vous montrer une deuxième méthode pour exclure les explications alternatives que je vois dans les prochaines élections 6. La deuxième meilleure stratégie pour éliminer les explications alternatives: si vous ne pouvez pas exécuter une expérience, et si vous ne pouvez pas trouver une expérience, la meilleure alternative suivante est une conception mixte. Une conception de mélange est lorsque vous combinez une conception à l'intérieur du sujet avec les sujets entre eux. Conception. Vous avez donc deux groupes de personnes, mais vous avez aussi au moins deux points de mesure dans le temps. Alors passons par un exemple. Disons que vous voulez savoir si la méditation rend les gens plus heureux. Supposons maintenant que vous ne voulez pas vraiment faire l'effort de faire une expérience sur vous-même. Mais vous ne trouvez pas non plus de situation dans le monde où les gens sont divisés au hasard en méditateurs et non méditateurs. Ensuite, la meilleure chose que vous pouvez faire est un design de mélange. Disons que vos amis décident de commencer une nouvelle activité tous les samedis soir, et disons qu'une partie de vos amis décident qu'ils ont une soirée cinéma tandis qu'une autre partie de vos amis décident que les cours de méditation le samedi soir que dans un pur entre la conception du sujet. Vous regarderiez à quel point les gens se sentent heureux après un certain temps de faire ces deux activités, et ensuite vous constaterez peut-être que les gens qui n'ont pas commencé à méditer. Ne vous sentez pas aussi heureux que les gens qui ont commencé à méditer. Maintenant, dans une conception de mélange, nous ajoutons un point de mesure supplémentaire. Et dans ce cas, cela pourrait être le bonheur de départ de ces deux groupes de personnes avant de commencer la nouvelle activité. Et disons que le bonheur de départ des non-méditateurs Waas un six sur 10 tandis que le bonheur de départ des méditateurs était un huit sur 10. Et après ces activités, nous voyons un six sur dix pour les non-méditateurs et un huit sur dix pour les méditateurs. Lorsque cette situation, nous pouvons voir que même si les méditateurs sont plus heureux que les non-méditateurs, le bonheur n'a pas changé à la suite d'aucune de ces activités. Les non-méditateurs ont commencé avec les six et la fin avec un six et le méditateur a commencé avec un SIDA et ils se sont terminés dans huit. Donc maintenant, nous pouvons voir que la méditation n'a pas aidé en fait. Au lieu de cela, ce résultat serait plus conforme à l'explication que le bonheur rend les gens plus susceptibles de méditer parce qu'ici nous pouvons voir que les gens heureux sont allés vers la classe de méditation, et c'est le pouvoir d'une conception mixte dans la conception de mélange, où vous pouvez voir ces motifs sur ce que vous voulez voir. Pour conclure que la méditation améliore réellement votre bonheur, c'est que le changement dans bonheur au fil du temps est plus important dans le groupe de méditation que dans le groupe de non-méditation . Ainsi, ici, par exemple, le bonheur des méditateurs augmente d'un point, tandis que le bonheur des non-méditations ne change pas du tout. Donc, ce résultat suggère que la méditation provoque le bonheur. Cependant, il existe encore d'autres explications. Ainsi, par exemple, les gens qui sont allés aux cours de méditation sont des gens qui sont très bons pour tirer joie de nouvelles activités. Et il se pourrait que si vous aviez dit aux méditateurs d'aller aux soirées cinéma, ils auraient aussi augmenté de bonheur d'un point simplement parce qu'ils sont très bons profiter de nouvelles activités. Donc, même dans un design mixte, nous avons encore des explications alternatives. Néanmoins, j'espère que vous pouvez également voir que toutes les explications alternatives que nous avons dû considérer avant de travailler encore et les explications alternatives qui font encore du travail ne sont pas beaucoup plus compliquées et pas aussi plausibles que le des explications que nous avions à traiter auparavant. Donc, dans un design mixte, vous avez encore des explications alternatives. Mais ils ne sont pas aussi sérieux que dans un design pur entre le sujet ou dans un design pur à l'intérieur du sujet . Ok, passons par un autre exemple. Disons que vous vous demandez quelle université est la meilleure, et c'est une situation délicate parce que vous pouvez dire aux gens de souhaiter l'université qu'ils devraient aller, et donc il est très difficile ici de mener une expérience. Donc, dans cette situation, un design mixte est à nouveau votre meilleure alternative. Donc, ce que vous voulez faire, c'est que vous ne voulez pas seulement voir à quel point les gens sont capables après être allés à l'université. Disons que nous marquons cela comme un six sur 10 pour les étudiants de l'Université A et un huit sur 10 pour les étudiants de l'Université B. Mais vous voulez aussi voir à quel point ils étaient capables avant d'aller à l' université. Donc, lorsque nous prenons cela en compte que lui et cet exemple, nous pouvons constater que, fondamentalement, les étudiants de l'université ne s'améliorent pas à l'université A. Ils ont commencé avec un niveau de capacité de six, et ils finissent avec un six. Et à l'université, ils commencent avec un niveau de capacité de huit et ils finissent avec un niveau de capacité de huit. Donc, la seule différence entre ces deux universités semble être dans cet exemple que l'université B est mieux à attirer des étudiants hautement compétents. Et c'est généralement un problème, car une fois que l'université a une bonne réputation, cela signifie que de bons étudiants vont à cette université et ensuite automatiquement. Il y aura une corrélation entre le succès que les gens auront plus tard dans la vie et l' université. Donc, ce que vous voulez voir idéalement, n' est pas seulement que les étudiants d'une université vont mieux plus tard. Mais il voulait voir que les étudiants viennent dans relativement incapables et ils sortent relativement capables, ce qui est quelque chose que vous pouvez sur Lee Seon, un design mix. Néanmoins, même si vous constatez qu'il existe encore d'autres explications, il pourrait être, par exemple, que les étudiants qui sont allés à l'université soient dans ce cas particulier soient de meilleurs apprenants, et c'est la seule raison pour laquelle ils se sont tellement améliorés. Mais s'ils sont de meilleurs apprenants que la question ne l'est, pourquoi n'étaient-ils pas déjà plus capables de commencer. Ainsi, comme vous pouvez le voir ici, même s'il existe encore des explications alternatives, elles ne sont pas aussi plausibles que les explications alternatives que nous avons dû traiter dans une conception pure entre le sujet ou apparaissent dans la conception du sujet. Ok, maintenant passons par un aperçu des options que vous avez. Lorsque vous voulez savoir si une variable provoque une autre variable, la meilleure option est toujours d'exécuter une expérience sur vous-même. Une expérience élimine immédiatement toutes les explications alternatives que nous avons abordées au début. Et si vous l'exécutez sur vous-même et que vous savez que les résultats s'appliqueront à vous, la meilleure option suivante est de regarder une expérience sur d'autres personnes. Habituellement, exécuter une telle expérience n'est pas vraiment faisable. Mais parfois, vous pouvez trouver une expérience qui se produit naturellement dans le monde comme, par exemple, la loterie. Ensuite, la meilleure option est un design de mélange. Si vous ne trouvez pas le cas où les niveaux de la première variable sont randomisés, alors assurez-vous au moins d'obtenir autant d'informations que possible en comparant les groupes Lee , mais aussi en voyant comment ils changent au fil du temps, très bien, et si même cela n'est pas disponible que le dernier recours que vous avez, c'est de faire une supposition éclairée basée sur une corrélation. Habituellement, il est possible de trouver au moins une corrélation dans le monde. Et si cette corrélation n'est pas trouvée dans une expérience, ni ne rend le design que le meilleur que vous pouvez faire est simplement de passer un par un à travers toutes les explications possibles et de faire une estimation instruite de la probabilité que la première variable provoque la deuxième variable. Très bien, donc les leçons clés de cette conférence sont si une expérience n'est pas réalisable et que la conception mixte est une bonne alternative, un design mix minimise les explications alternatives sans les exclure complètement. Et si un design mixte n'est pas possible non plus que votre dernier recours est une supposition instruite basée sur une corrélation, accord, c'est le sien avec sexuel, et je te vois dans le prochain 7. Une façon simple d'éliminer les coincidences: OK, et cette conférence vous montrera comment vous faites face aux coïncidences. Qu' est-ce que je veux dire par coïncidence ? Donc, disons qu'un jour vous vous levez à votre heure normale de 7 heures du matin, puis un jour plus tard, vous vous levez à 5 heures du matin et vous trouvez que le deuxième jour vous êtes plus productif. Et disons que vous avez déterminé à la fois par un flip de monnaie. Donc c'est une expérience. Alors pouvez-vous vraiment conclure que le fait de se lever à 5 heures du matin le rend plus productif ? La vérité soit dite, pas exactement parce que ça pourrait être juste une coïncidence, et il est une façon d'y penser. Si vous avez fait la même chose les deux jours, par exemple, si les deux jours vous vous levez à 7 heures du matin, vous seriez probablement plus productif un jour par rapport à l'autre, droite, parce que sans aucun raisons claires, parfois nous avons des jours plus productifs. Parfois, nous avons des jours moins productifs, et donc, même si vous faites la même chose les deux jours, un jour, vous aurez une productivité plus élevée. Une autre question que nous devons nous poser est que si nous constatons qu'après nous lever à cinq heures du matin, notre productivité est plus élevée. Est-ce parce que nous nous levons à 5 heures du matin ou est-ce juste une coïncidence ? Et il y a plusieurs solutions pour écarter les coïncidences. La première solution est la taille de l'échantillon. Si nous ne mesurons pas seulement deux jours, mais plusieurs jours, alors il devient beaucoup moins probable que les jours où nous nous levons à cinq heures du matin, nous soyons plus productifs. Et en règle générale, plus votre échantillon est grand. Ainsi, plus vous avez de points de mesure, plus vous pouvez être sûr que ce n'est pas une coïncidence. Et quelle est exactement la taille de l'échantillon dépend un peu de votre conception. Dans un sujet entre deux conçu, la taille de l'échantillon est le nombre de personnes que vous avez dans chaque groupe et dans une conception à l'intérieur du sujet , cela peut être deux choses. Il peut être soit le nombre de personnes que vous regardez, et il peut également être le nombre de points de mesure que vous regardez. Donc, si vous testez vous-même, la taille de l'échantillon serait la fréquence à laquelle vous testez au fil du temps et un exemple où la taille de l'échantillon nous aide vraiment est dans l'exemple de la loterie parce qu'il y a tellement de gens qui prennent la loterie, et au fil du temps, il y a tellement de gens qui ont gagné à la loterie que nous pouvons être sûrs que les différences entre les gagnants de loterie et les perdants de loterie ne sont pas seulement des coïncidences. C' est donc la première solution. Taille de l'échantillon. Et vous pourriez vous demander, quelle est la taille de l'échantillon et quelle est la petite taille d'échantillon ? Et techniquement, c'est assez arbitraire. La règle est tout simplement, plus c'est le mieux. Mais juste pour vous donner une certaine orientation, je vais vous donner les chiffres que j'utiliserais dans ma vie privée pour déterminer si j'ai un échantillon grand ou petit. Donc, une petite taille d'échantillon pour moi serait de 20 observations, et cela ne signifie pas que vous ne pouvez pas aller plus bas. C' est juste qu'alors le risque devient vraiment élevé que vos résultats soient coïncidents et qu'un grand échantillon serait de 100 observations ou plus. Il est plus de 100 observations qu'il peut être tout à fait sûr que les choses que vous observez ne sont pas seulement une coïncidence. Ok, donc c'est la première taille de l'échantillon de solution. Mais la taille de l'échantillon n'est pas toujours la solution la plus faisable, et donc, dans la prochaine conférence, je vais vous montrer une deuxième solution 8. La façon élégante d'éviter les coincidences: une autre façon d'exclure une coïncidence est d'évaluer la variance inexpliquée. Qu' est-ce que ça veut dire ? Disons que vous avez testé plus de 10 jours, leviez à 5 heures du matin pour vous rendre plus productif ou que vous vous leviez à 7 heures du matin. Et disons que chaque jour, vous vous donnez un score de, disons, 1 à 10 sur la façon dont vous étiez productif ce jour-là. Alors il est à quoi les résultats pourraient ressembler pour le jour de 7 heures. Donc, en ce jour, votre productivité était relativement faible ce jour ici, il était un peu plus élevé que de lui à nouveau plus bas , puis un peu plus haut et puis un peu plus bas à nouveau. Et disons que ces autres résultats pour les jours de 5 heures du matin Donc, le premier jour, vous avez été très productif. Ensuite, votre productivité a chuté un peu, puis elle a augmenté les enchères et ainsi de suite et ainsi de suite. Maintenant, quand je regarde ces résultats, je suis tout à fait convaincu par eux, même si la taille de l'échantillon est vraiment petite et la raison a à voir avec la variance inexpliquée . Alors disons ça là-bas. Deux choses se passent dans ces ensembles de données en premier. Il y a la différence moyenne entre les jours de 7 heures du matin et les cinq jours du matin. Donc, la moyenne des jours de 7 heures du matin serait à peu près ici, tandis que la moyenne des jours de cinq heures du matin serait à peu près ici. Et la différence entre cela est ce que nous pensons est l'effet sur le temps de réveil. Se réveiller à cinq heures du matin a changé la productivité d'ici à ici. Nous pourrions appeler cela la variance expliquée parce que les variantes que nous pouvons expliquer à travers le temps de réveil. En dehors de cela, nous avons aussi des barrettes inexpliquées. Donc, par exemple, pourquoi ma productivité a-t-elle été plus faible ce jour-là par rapport à ce jour-là, puis encore plus faible ce jour-là ? Comparé à ce jour, nous ne savons pas vraiment avant de pouvoir appeler cette variance inexpliquée. Donc, la variance inexpliquée est les variantes autour de la moyenne pour lesquelles nous n'avons aucune explication. Et nous avons cela pour les jours de 7 heures du matin, et nous l'avons aussi pour les cinq jours du matin Maintenant, ce que la variance inexpliquée vous dit essentiellement est l'ampleur de l'effet des coïncidences. Donc, ici, nous voyons que juste par coïncidence, la productivité augmente et descend dans à peu près aussi riche et il est le même. Nous voyons que par coïncidence, la productivité descend et descend et augmente grossièrement dans ce riche. Et ce que nous pouvons voir ici, c'est qu'à 7 heures du matin, il est vraiment peu probable que notre productivité augmente jusqu'ici et vice versa. Sur cinq jours AM, il est vraiment peu probable que la productivité descende à ici, et à partir de ce schéma, nous concluons que très probablement la différence entre les moyens ici n'est pas seulement une coïncidence, parce que les coïncidences ne sont pas si grands d'après la variance inexpliquée que nous voyons. Et si vous trouvez ce modèle, alors un petit échantillon suffit. Maintenant, comparez cela à la situation suivante. Disons que nous avons exactement la même différence entre les moyennes, mais la variance inexpliquée est beaucoup plus grande. Donc, avec cette quantité de variance inexpliquée, il est fort probable que la différence entre les moyennes rouges soit des incidents de Jessica. Donc, dans cette situation, la seule façon de savoir si cette différence n'est pas seulement une coïncidence est de recueillir un échantillon plus important. Donc, la règle simple est que si l'effet de la première variable dépasse par rapport aux variantes inexpliquées qu'un petit échantillon taille assez. Et si ce n'est pas le cas, alors vous avez besoin d'un grand échantillon. Ok, maintenant laissez-moi vous donner quelques exemples de variance inexpliquée pour montrer clairement quelles variations inexpliquées dans différentes situations. Alors disons que vous voulez savoir quelle université est la meilleure. Dans ce cas, variance inexpliquée est la différence entre les étudiants de chaque université. Alors que la variance expliquée serait combien les étudiants entre les universités diffèrent uns des autres, disons que vous voulez savoir si la méditation vous rend plus heureux. Dans ce cas, la variance inexpliquée est combien votre bonheur fluctue dans les périodes où vous méditez ou les périodes dans lesquelles vous ne le remarquez pas. Fondamentalement, c'est combien votre bonheur varie d'un jour à l'autre où il a fait exactement la même chose. Ou disons que vous voulez savoir si l'entrepreneuriat rend les gens riches. Dans ce cas, l'écart inexpliqué est la quantité de richesse varie au sein des entrepreneurs et au sein des employés. Alors combien ? Eh bien, divers entre les gens qui font la même chose soit être des entrepreneurs ou des employés. D' accord, donc les leçons clés de cette conférence sont la première façon d'exclure la coïncidence est d'avoir un grand échantillon. Cependant, petits échantillons peuvent être suffisants s'il n'y a pas beaucoup de parents inexpliqués. Et plus précisément, si l'effet de votre variable ne dépasse pas par rapport à la variance inexpliquée, alors l'effet peut ne pas être réel, mais juste une coïncidence. Mais si l'effet de votre poussière variable dépasse, c'est probablement vraiment même dans un petit échantillon. Très bien, c'est tout avec le sexuel et je vois dans la prochaine. 9. Comment trouver si d'autres choses fonctionnent mieux: dans cette conférence, nous allons changer un peu la question. Et plutôt que de demander, est-ce que X cause pourquoi, nous demandons, x a-t-il assez d'importance ? Donc, par exemple, plutôt que de demander de la poussière, se lever à cinq heures du matin vous rendre plus productif, vous pourriez demander Y a-t-il d'autres choses qui comptent plus que de se lever à cinq heures du matin parce que honnêtement, se lever à cinq heures du matin n'est pas amusant. Donc, si vous le faites, alors il vaut mieux la peine. Et vous voulez vous assurer qu'il n'y a pas de meilleures solutions que vous n'avez pas encore envisagées, et vous pouvez le comprendre en utilisant les techniques que vous connaissez déjà. Donc, pour illustrer cela, disons encore une fois que vous testez vous-même si vous vous lever à 5 heures du matin vous rend plus productif et simplement pour rendre les résultats un peu moins encombrés. J' ai supposé ici que les jours ne sont pas randomisés de sorte que tout est à côté de l' autre . Et ici, nous voyons la productivité moyenne les jours où vous vous êtes levé à sept heures du matin et ici nous voyons la productivité moyenne les jours où vous vous êtes levé à 5 heures du matin. Et nous pouvons voir que c'est un peu plus élevé, mais en même temps il y a un beaucoup de variantes inexpliquées, et notre effet ici ne dépasse pas vraiment par rapport à ce droit différent inexpliqué. Donc, dans cette situation, nous serions inquiets que la différence soit juste chatouiller les incidents. Mais il y a plus que ce que nous pouvons apprendre de ce modèle, parce que essentiellement, variance inexpliquée est une mesure hors de l'effet des variables que nous n'avons pas encore considérées. Laissez-moi vous donner un exemple. Il se peut que les jours où la productivité est élevée, vous preniez régulièrement une pause-café et que cela vous aide à rester énergique et à rester productif pendant les jours improductifs, vous n'avez pas pris de pause-café. Mais elle a continué à travailler et a continué à travailler jusqu'à ce qu'il soit si épuisé que vous étiez juste regarder votre écran sans obtenir quoi que ce soit fait sur ce que le modèle que nous voyons ici nous dit fondamentalement est que la pause-café compte beaucoup mawr par rapport à quand tu te lèves le matin. Maintenant, comparez cela au modèle suivant. Ici, nous avons une tendance où la différence entre les jours de 5 heures et les jours de 7 heures est relativement importante, et la variance inexpliquée est relativement faible, juste, et ici la même chose pourrait se produire. Il se peut que les jours plus élevés vous preniez les pauses café tandis que les jours inférieurs, il continuait à travailler. Mais ici, la conclusion serait le contraire. Ici, nous concluons que si vous prenez les pauses café ou non compte à peine pour votre productivité, alors que le temps que je souhaite vous lever compte beaucoup. Donc, en comparant l'effet de la première variable à la variance inexpliquée, vous pouvez avoir une idée de l'efficacité de cette variable par rapport à d'autres variables que vous n'avez pas encore testées. Et si vous trouvez un modèle où l'effet est très faible par rapport à la variance inexpliquée , alors plutôt que de vous obséder sur la question de savoir si cette différence est une coïncidence ou non, il est plus logique de demander vous-même ce qui est à l'origine de cette variance inexpliquée. Pourquoi l'utilisation de productive en ce jour et ce jour et ce jour et ce jour par rapport à ce jour et ce jour et ce jour maintenant supposé faire vous pensez à ce sujet et vous comparez les jours productifs aux jours improductifs et vous vous rendez compte que sur le jours productifs, vous avez pris plus de pauses café. Alors ça veut dire que tu devrais prendre plus de pauses café et qu'il doit faire attention ? Parce que encore une fois, ce n'est qu'une corrélation. Et à moins que vous n'ayez testé cela dans une expérience ou au moins que vous ayez un design mix, cela ne signifie probablement pas tant. Ici encore, nous devons réfléchir à nos trois explications. Il se peut que la pause-café coûte pour être plus productive. Ou il pourrait être que les jours où vous êtes très productif, vous avez plus de temps pour les pauses café ou le couronnement pourrait être dû à 1/3 variable. Par exemple, il se peut que les jours où vous vous réveillez tôt, vous soyez si fatigué que vous prenez plus de pauses café, mais vous avez aussi plus de temps pour travailler et donc vous êtes plus productif. Donc, si vous constatez que les jours les plus productifs, vous avez pris plus de pauses café, sachez que c'est juste une corrélation et que la seule façon de savoir avec certitude que les pauses café vous amènent réellement à être plus productif est une expérience. Ok, donc les leçons clés de cette conférence sont s'il y a beaucoup de variance inexpliquée que d'autres variables, probablement importe mawr que leur variable que vous regardez. Et dans ce cas, il vaut la peine de se demander quelle autre variable aurait pu causer cette variance inexpliquée. Et une fois que vous avez une idée, assurez-vous de la tester idéalement dans une expérience. 10. Comment tirer des conclusions efficacement: Ok, Donc maintenant vous avez vu quel genre de choses vous devez regarder et quel genre de choses vous devez être conscient quand vous tirez des conclusions et essayez de savoir si les actes peuvent vous amener Pourquoi ? Et comme vous l'avez probablement réalisé, c'est beaucoup plus compliqué que ce que les gens pensent généralement. C' est donc un bon moment pour nous poser des questions. Comment pouvons-nous être efficaces à ce sujet ou, plus précisément, toutes les leçons de ce cours sont-elles toujours nécessaires ? Par exemple, que se passe-t-il si vous ignorez d'autres explications pour les corrélations ? Ou que se passe-t-il si vous ignorez la variance inexpliquée ? Et la réponse courte est, bien sûr, qu'il fera plus d'erreurs. Mais il fera aussi moins d'Eros parce qu'ils sont en fait deux types d'erreurs que nous pouvons faire lorsque nous tirons des conclusions. Le premier type est ce que nous appelons les faux positifs, c'est-à-dire croire en quelque chose qui n'est pas vrai. Par exemple, si vous croyez aux fantômes, même si va pierre existe vraiment, alors ce serait un faux positif. Les autres types d'erreur sont les faux négatifs. faux négatifs sont quand on rejette quelque chose, même si c'est vrai. Sur un exemple de cela est ce qui se passe dans la société terrestre plate. Les gens dans la Société de la Terre plate rejettent l'idée que la terre est une sphère. Même si nous savons avec une très grande certitude que la terre est une sphère et que vous pouvez tirer conclusions de deux façons, vous pouvez soit être conservateur, ce qui signifie que vous ne croyez pas facilement les choses, et dans ce cas vous minimiser les faux positifs. Donc, vous minimisez la possibilité que les choses que vous croyez ne soient pas vraies et l'autre stratégie est d'être libérale, qui signifie que vous croyez facilement aux choses, et dans ce cas, vous minimisez les faux négatifs. Vous empêchez donc de rejeter les idées qui sont réellement vraies. Ces deux stratégies ont donc leurs avantages et leurs inconvénients. Si vous êtes très conservateur, alors vous êtes fondamentalement un Sayer qui va manquer beaucoup d'opportunités. Mais si vous êtes trop libéral que vous l'êtes, oui, Sayer et vous commencez à croire en des choses qui sont totalement vraies, comme croire que vous pouvez prédire l'avenir en lisant des chariots. Donc, les deux ont leur force et ce sont des faiblesses. Et la question que vous devez vous poser pour votre question particulière est de savoir quel type d'erreur vous coûte le plus cher. Et en répondant à leur question, vous pouvez comprendre à quel point vous pouvez être efficace pour répondre à votre question. Alors passons par deux exemples. Disons que Peter se demande si l'annonce de productivité pour 1$ l'aidera à faire plus choses. Eh bien, dans ce cas, qu'est-ce qui aurait été faux positif ? Ce serait qu'il achète l'application pour qu'il gaspille 1$, il ne devient pas plus productif. C' est vraiment si mauvais ? Pas vraiment juste. D' un autre côté, un faux négatif serait qu'il rejette l'application, même si cela l'aiderait. Et dans ce cas, sa productivité restera faible. Et cela peut en fait être beaucoup plus coûteux pour lui. Donc, dans ce cas, il serait tout à fait logique de faire un saut de foi. Et juste par le haut, même au risque que cela s'avère être un faux positif. Maintenant, comparez cela au deuxième exemple. Disons que Maria se demande s'il vaut la peine de risquer toutes ses économies pour démarrer notre propre entreprise. Alors qu'est-ce qu'un faux positif B Dans ce cas, cela signifie qu'elle perd toutes ses économies et que son entreprise ne fonctionne pas. Et quel serait un faux négatif dans ce cas ? Ce serait qu'elle garde ses économies. Mais elle ne parvient pas à démarrer une entreprise qui, autrement, aurait été couronnée de succès. Et il pourrait soutenir dans ce cas que perdre toutes vos économies est vraiment coûteux et que faux positifs dans ce cas sont en fait plus coûteux. Donc, pour Maria, il serait tout à fait logique de prendre toutes les choses que j'ai abordées dans ce cours très, très au sérieux lors de l'évaluation de la question savoir si le démarrage d'une entreprise peut lui donner ce qu'elle veut avoir. Donc, pour résumer, les leçons clés de cette conférence sont de savoir si vous devez appliquer toutes les leçons de ce cours dépend du type d'erreur qui vous coûte le plus cher. Si les faux négatifs sont plus coûteux que de faire un saut de foi, Cependant, si les faux positifs sont plus coûteux que d'être sûr que vous appliquez tout ou au moins la plupart des leçons hors de ce cours. D' accord, c'est tout pour cette conférence. Et je te vois dans le prochain 11. Le plan scientifique complet: Ok, donc maintenant vous connaissez les principes de la pensée scientifique. Et dans cette conférence, je vais regrouper ces principes pour vous en un plan d'action pas à pas. Donc, la première étape est toujours de formuler une hypothèse causale hors de la forme que X provoque. Pourquoi l'argent rend-il les gens heureux ? L' entrepreneuriat rend-il les gens riches ? Donc, en d'autres termes, dépoussiérez la première variable X coût, la deuxième variable. Pourquoi, alors, une fois que vous avez que l'étape suivante est d'examiner les coûts des deux types de flèches. Et si vous acceptez l'hypothèse et qu'elle s'avère fausse, ce qui serait un faux positif ? Et si vous refusez les bureaux et c'est vrai, ce qui serait un faux négatif ? Et si les faux positifs sont plus coûteux que ce que je recommanderais, vous devez passer par toutes les étapes suivantes de ce plan directeur ou du moins la plupart des étapes. Et si les faux négatifs sont plus coûteux, alors il peut être logique de ne suivre que quelques-unes des étapes de ce plan et de simplement faire un saut de foi. Ensuite, la prochaine étape du plan serait de sélectionner un test et la plupart du temps, le test idéal serait une expérience sur vous-même. Mais si ce n'est pas possible ou si vous ne voulez pas le faire, alors vous pouvez également regarder une expérience sur d'autres personnes. Ensuite, le meilleur choix suivant est un design mixte sur d'autres personnes. Donc le design, dans lequel vous regardez les deux groupes et le changement au fil du temps, puis finalement, votre dernier recours est une supposition instruite basée sur une corrélation. Ensuite, une fois que vous avez sélectionné un test et que vous voyez certains résultats, l'étape suivante consiste à comparer l'effet de la première variable à la variance inexpliquée . Et si l'effet de la première variable s'éloigne de la variance inexpliquée, ce qui pourrait signifier que la variable est une cause majeure de la seconde variable. Et si l'effet de la première variable est éclipsé par une variance inexpliquée, cela suggère que la variable que vous regardez n'est probablement pas très importante. Maintenant, si vous voulez toujours savoir si cette variable est une cause de la deuxième variable, même si cela ne semble pas très important, alors vous pouvez toujours le comprendre. Si vous avez une grande taille d'échantillon. Mais dans la plupart des cas, si la variance inexpliquée est beaucoup plus grande que l'effet de votre première variable, cela ne vaut probablement pas la peine de l'examiner plus loin. Et au lieu de cela, il est logique de demander quelle autre variable pourrait expliquer que les variantes qui sont toujours pas expliquées ? Nous avons donc cet exemple où vous avez examiné votre productivité les jours où vous vous levez à 7 heures le matin et les jours. Tu t'es toujours levé à 5 heures du matin. Et si l'effet de la première variable de sorte que la différence moyenne ici dépasse de la variance inexpliquée, alors cela signifie que le temps dans lequel vous vous réveillez est un corrélation majeur de la productivité par rapport à d'autres corrélats. Et dans ce cas, la dernière étape consisterait à évaluer les trois explications possibles de cette corrélation. Donc, une explication pourrait être que X provoque y. une autre explication pourrait être que pourquoi provoque X ? Et enfin, la troisième explication pourrait être que 1/3 variables qui causent X et Y et laquelle de ces explications que vous devez prendre en compte dépend du test que vous avez choisi plus tôt dans une expérience. C' est très facile. Il ne peut s'agir que d'une explication numéro un dans la conception du mélange. Il peut s'agir de plusieurs explications, mais l'explication une est l'une des explications les plus plausibles. Et si vous n'avez ni expérience ni conception de mélange, alors vous devez accepter que toutes ces explications peuvent être vraies. Et tu as juste besoin de faire une supposition instruite, d'accord ? Et l'autre situation qu'il pourrait avoir à l'étape quatre est que vous trouvez que l'effet de votre première variable. Donc, cette différence ici ne dépasse pas beaucoup par rapport aux barrières inexpliquées. Et cela suggère que vous êtes variable n'est pas très important et qu'il est logique de trouver une nouvelle variable qui explique que les variantes restantes. Et si c'est la situation avec laquelle vous vous retrouvez, alors la dernière étape pour vous serait de revenir à l'étape 1 et de formuler un nouveau bureau de hap causal pour une nouvelle variable. Ok, donc c'est tout le plan de réflexion scientifique. Et à la prochaine conférence, je vais faire une étude de cas avec vous, dans laquelle je vais vous montrer comment vous pouvez appliquer ce plan que je vois aux prochaines élections 12. Étude de cas : Vous aurez une étude vous rendrez-vous à votre entreprise ?: Très bien, appliquons Le plan scientifique d'une étude de cas et l'étude de cas ont choisi est la relation entre l' entrepreneuriat et la richesse, qui est, je pense, un sujet très populaire en ce moment. Donc, en d'autres termes, est le démarrage d'une entreprise la façon de devenir riche. Et il y a certainement quelques livres qui disent que la réponse est un oui certain, comme le livre Rich Dad, Poor Debt ou aussi le livre The Millionaire Fast Lane, deux livres très populaires et les deux livres que je lis. Et même si je pensais que ce sont des livres très intelligents, nous devons garder à l'esprit que ces livres présentent des opinions, et nous voulons aussi regarder ce que les preuves disent réellement ? Alors répondons à cette question dans cette conférence. Appliquons l'ensemble du plan de pensée scientifique pour obtenir une opinion fondée sur des preuves ce sujet. Ok, alors quelle est la première étape ? La première étape consiste à formuler une hypothèse causale, et les bureaux de l'application causale, dans ce cas, est simplement que l'entrepreneuriat cause de la richesse. Maintenant, l'étape suivante consiste à déterminer les coûts de différents types d'erreurs. Donc la première ère que nous pouvons faire est un faux positif. Nous pouvons penser que l'entrepreneuriat est le moyen de devenir riche, même si ce n'est pas le cas. Et dans ce cas, nous risquons de perdre beaucoup d'argent et de perdre beaucoup de temps dans une entreprise qui ne va probablement pas nous rendre riches. Ok, donc c'est un faux positif. Et l'autre erreur possible est un faux négatif, ce qui signifie que nous concluons que l'entrepreneuriat n'est pas le moyen de devenir riche, même si c'est réellement ISS. Et dans ce cas, il y a, bien sûr, une énorme occasion manquée. Nous aurions pu nous rendre beaucoup plus riches en créant une entreprise, mais nous n'avons pas maintenant lequel des deux est pire et honnêtement, dans ce cas, dans ce cas, je pense que c'est un peu difficile à répondre parce que cela dépend vraiment de l'entreprise que vous voulez. pour commencer. Si votre entreprise est une très grande idée d'entreprise, cela implique beaucoup de coûts en capital et beaucoup de risques, le risque de perdre beaucoup d'argent et de temps est assez énorme. Mais de l'autre côté, si vous voulez vraiment devenir riche, si c'est vraiment important pour vous, alors l'occasion manquée peut réellement peser plus lourd pour vous est vraiment subjective ici, et je peux vraiment dire lequel est pire . C' est vraiment un choix personnel. Et je vais dire pour l'instant que les deux sont également chauve-souris. J' essaierai donc d'être aussi neutre que possible et je n'essaierai pas d'être partiale envers l'un ou l'autre. En concluant que l'entrepreneuriat rend les gens riches ou en concluant que l'entrepreneuriat ne rend pas les gens riches. Très bien, c'était la deuxième étape. Maintenant, la troisième étape consiste à choisir un test approprié pour déterminer si l'entrepreneuriat cause vraiment de la richesse. Qu' est-ce qu'on peut faire ici ? Eh bien, dans un scénario idéal, nous voudrions faire une expérience sur nous-mêmes. Mais c'est bien sûr, pas très réaliste, parce que pour cela, vous devriez vraiment commencer l'entreprise et prendre le risque perdre votre argent et de perdre votre temps, alors que tout le point ici est que nous voulons pour éviter cela si ce n'est pas vraiment efficace pour nous rendre plus riches. Donc, même si ce serait un test idéal si nous voulons obtenir une réponse définitive, ce n'est pas idéal dans l'ensemble. Donc la meilleure chose que nous puissions faire est une expérience sur d'autres personnes. Et cela signifierait que nous retournons une pièce de monnaie et décidons ensuite que vous devenez un entrepreneur et que vous devenez un employé en fonction de ce que dit la pièce. Mais bien sûr, encore une fois, ce n'est pas très réaliste, parce qu'alors nous devons forcer d'autres personnes à prendre le risque que nous ne voulons pas prendre nous-mêmes. Ce n'est pas encore très réaliste, et donc nous devons passer à la prochaine meilleure option. C' était la troisième meilleure option. La troisième meilleure option est un mix design sur d'autres personnes, ce qui signifie que nous ne retournons pas une pièce de monnaie. Mais nous regardons simplement les gens qui choisissent d'être entrepreneurs ou qui se choisissent employés, et nous les suivons au fil du temps et voyons qui fait mieux au fil du temps. Donc, en d'autres termes, nous vérifions dans quelle mesure ils se sont bien passés auparavant. Ils sont devenus des employés ou des entrepreneurs, peut-être à l'école, par exemple, et puis nous vérifions comment ils vont bien après avoir été, disons, un entrepreneur ou un employé pendant 10 ans. Eh bien, c'est la troisième meilleure chose, mais cela nous coûterait, dans mon exemple tout à l'heure, 10 ans, ce qui n'est pas encore une idée. Donc, nous sommes passés à la quatrième meilleure chose, qui est une supposition instruite basée sur une corrélation. Donc, en substance, cela signifie que nous examinons simplement si les entrepreneurs sont plus riches que les employés. Et si c'est le cas, alors nous spéculons si c'est parce que l'entrepreneuriat amène les gens à être riches ou si quelque chose d'autre se passe ici. Donc, fondamentalement, la question que j'ai choisie ici est un pire scénario où nous devons recourir à la méthode la plus faible disponible. Mais il verra que même cela peut être très instructif. Quelle est donc la corrélation entre l'entrepreneuriat et la richesse ? Et pour répondre à cette question, j'ai trouvé un document de recherche relativement récent qui étudiait exactement cette relation la corrélation entre ce qu'ils appellent la richesse des ménages et l'entrepreneuriat. Et nous allons appliquer le plan de réflexion scientifique maintenant pour interpréter ce qu'ils ont trouvé, et je veux vous montrer leurs résultats maintenant. Mais d'abord, je veux vous préparer un peu parce qu'ils affichent leurs résultats sous la forme d'une histoire Graham. Alors, qu'est-ce qu'il a à saisir ? Voici un exemple. Et dans cette histoire, Graham, plus vous allez aux droits, la richesse est élevée et plus vous allez à gauche, la richesse et les bars vous disent combien de personnes vous avez confiné dans chaque richesse gamme. Donc, ici, nous pouvons voir, par exemple, que la plupart des gens sont dans la fourchette de richesse moyenne. Et quand nous allons à la richesse plus élevée et qu'il y a moins de gens et moins de gens, et enfin, dans la catégorie très riche, nous trouvons très, très peu de gens. C' est comme ça que tu lis une histoire, Graham. Et nous pouvons utiliser un hist un gramme maintenant pour comparer les employés aux entrepreneurs. Et voici un autre exemple hypothétique juste pour vous entraîner à lire ces récoltes sifflées. Donc, dans cet exemple, nous pouvons voir que les entrepreneurs sont beaucoup plus riches du côté du sifflement d'un gramme et l'effet d'être un entrepreneur plutôt que d'être un employé. Il est essentiellement la distance entre ce point et ce point, et la variance inexpliquée est toutes les variantes restantes ici et ici, et dans cet exemple, l'effet de l'entrepreneuriat sort clairement de la variance inexpliquée. Donc, ce serait une histoire Graham qui sera très en ligne avec une image qui est esquissée par ceux-ci. Obtenez des livres riches. Ok, voici un autre résultat hypothétique. Dans cet exemple, les entrepreneurs sont plus riches que les employés. Mais cet effet ne sort pas vraiment des divers inexpliqués. Donc, dans cette situation, même s'il est vrai que l'entrepreneuriat a un potentiel plus élevé pour vous enrichir, cela n'a pas vraiment d' enrichir, importance. Ensuite, dans cet exemple, il n'y aurait pas de différence entre les entrepreneurs et les employés. Et je veux vous montrer un autre exemple, qui est celui-ci. Et je pense que c'est le modèle que la plupart des gens attendraient dans ce meilleur. Et les employés sont tous dans la fourchette de richesse moyenne, tandis que les entrepreneurs dépensent tout le salaire de richesse pour qu'ils puissent être très, très pauvres et qu'ils peuvent être très, très riches. Et ce sera tout à fait conforme à l'idée que l'entrepreneuriat peut vous rendre riche. Mais c'est aussi très, très risqué pour qu'il puisse aussi finir en faillite et très, très pauvre. Très bien, Avec cela à l'esprit, regardons le modèle réel que les auteurs de l'article de recherche ont trouvé dans le monde réel. Et j'ai recréé le modèle ici pour vous dans une histoire et comme vous pouvez le voir, il n'y a guère de différence entre les entrepreneurs et les employés. Si vous regardez de très près, vous pouvez voir que l'histoire Graham ici au large des entrepreneurs, le vert est en fait déplacé un peu plus vers le site riche que les employés. Mais la différence est vraiment faible. Si je devine où se situent les moyennes de ces deux groupes, je dirais que la moyenne des employés est à peu près ici, alors que la moyenne des entrepreneurs est à peu près là et vous pouvez voir qu'il n'y a guère de différence. En moyenne, les entrepreneurs ne sont pas beaucoup plus riches que les employés. Et cela nous amène à l'étape 4 en vérifiant les différents inexpliqués. Et nous pouvons conclure ici que même s'il y a une faible corrélation entre l'entrepreneuriat et la richesse, il y a aussi beaucoup de variance inexpliquée, ce qui suggère qu'il y a d'autres facteurs qui influent beaucoup plus sur la richesse que juste la question de savoir si une personne est un employé ou un entrepreneur. Donc, pour expliquer cela un peu plus. Une façon de considérer cela est que la question importante n'est pas de savoir s'il vaut mieux être un entrepreneur ou un employé, mais plus dans laquelle de ces deux distributions pouvez-vous vous retrouver dans la gamme supérieure ? Êtes-vous plutôt un employé au-dessus de la moyenne, ou êtes-vous plutôt un entrepreneur au-dessus de la moyenne dans lequel vous pouvez surpasser les autres  ? Très bien, en principe, nous pourrions déjà nous arrêter ici parce que nous pouvons déjà conclure qu'il n'y a pas de forte corrélation et que d'autres choses semblent avoir beaucoup plus d'importance que la question de savoir si vous voulez être un entrepreneur ou employé, mais juste pour vous former à l'ensemble du plan de réflexion scientifique, je veux aussi passer à l'étape 5 et évaluer les trois explications que nous pouvons donner pour une corrélation. Nous avons donc constaté maintenant qu'il existe une faible corrélation entre l'entrepreneuriat et la richesse, et la question est maintenant. Quelle est l'explication de cette corrélation ? Et une explication pourrait être que l'entrepreneuriat cause la richesse. Ce ne serait pas un effet fort. Ce n'est pas que l'entrepreneuriat vous rend super riche, mais cela pourrait vous rendre un peu plus riche que d'être un employé. Cependant, ce n'est qu'une explication possible. Une autre explication possible est que la richesse provoque l'entrepreneuriat parce que tout ce que nous avons observé était une coordination, et il se pourrait donc que les gens les plus riches soient plus susceptibles de démarrer une entreprise et devenir un entrepreneur. C' est une autre explication possible. Et enfin, il se pourrait qu'il y ait 1/3 variable qui provoque les deux. Par exemple, il se pourrait que les gens ambitieux soient plus susceptibles de démarrer une entreprise et de devenir un entrepreneur et aussi de devenir riches, mais pas parce qu'ils sont des entrepreneurs, mais juste parce qu'il y a plus de ambitieux. Il y a donc beaucoup d'explications possibles pour cette corrélation. Nous ne pouvons donc même pas conclure que l'entrepreneuriat rend les gens un peu plus riches. Et maintenant, à ce stade, si votre objectif est de trouver un moyen de devenir riche, l'étape suivante serait de revenir à l'étape 1 et de formuler une nouvelle hypothèse causale. Trouvez une autre cause possible pour les gens qui deviennent riches, puis testez celle-ci. Très bien, Donc, pour conclure, sur la base des preuves que nous avons vues, nous pouvons conclure qu'il y a une petite corrélation entre l'entrepreneuriat et la richesse. Les entrepreneurs sont un peu plus riches que les employés, cependant, cette corrélation est très faible, et il semble que d'autres variables ne sont pas plus importantes que si une personne est un entrepreneur ou un employé. De plus, on ne sait pas si la petite corrélation reflète réellement une cause de relation . Par exemple, il se peut que les gens riches soient plus susceptibles de devenir des entrepreneurs, et non que les entrepreneurs soient plus susceptibles de devenir riches. Donc, ce que nous pouvons voir ici, c'est que l'opinion populaire qui s'est répandue dans de nombreux livres selon laquelle l' entrepreneuriat est le moyen de devenir riche ne tient pas si bien par rapport aux preuves. Et dans l'ensemble, une conclusion beaucoup plus raisonnable basée sur la preuve ne serait pas que vous devriez devenir un entrepreneur, mais que vous devriez vous demander, Où pouvez-vous mieux faire ? Êtes-vous plus apte à être un entrepreneur ou êtes-vous plus apte à être un employé ? Dans lequel de ces deux groupes êtes-vous le plus susceptible de battre la personne moyenne ? C' est la fin de l'étude de cas, et je te vois dans la prochaine conférence. C' est la fin de l'étude de cas, et je te vois dans la prochaine conférence 13. Conclusion: Félicitations pour avoir terminé ce cours. J' espère que vous avez beaucoup de valeur grâce à ce cours. J' essaie certainement de faire de mon mieux pour y mettre beaucoup de matériel utile. Même quand même, vous avez encore des questions ouvertes. N' hésitez pas à me demander. Et enfin, n' oubliez pas de laisser une note pour ce cours. C' est super important pour moi et aussi pour les futurs étudiants qui auraient encore besoin de décider de suivre ce cours ou non. D' accord, c'est tout. Merci pour le temps et les efforts que vous avez consacrés à ce cours et laissez-moi savoir si je peux vous aider avec quoi que ce soit.