"Vaak verkeerde conclusie uit data getrokken"

Data-analyse residuen op groenten vraagt om nuance

De EFSA heeft in een rapport over de resultaten van 2015 geconcludeerd dat het risico voor consumenten voor wat betreft residuen van gewasbeschermingmiddelen laag is. Het rapport is volledig publiek en transparant, maar toch blijkt het lastig om de data goed te analyseren en interpreteren. Ook al is de conclusie dat het risico laag is, valt op te maken dat in 3,4% (34) van de broccolimonsters de residuconcentraties de MRL overschrijden, voornamelijk door dithiocarbamates. En 1,2% (12) van de monsters waren non-compliant.

De eerste reactie? Verontrustend. Bij iedere 100 keer dat je broccoli eet, krijg je één keer een te hoge hoeveelheid dithiocarbamates binnen. Even googelen leert dat de potentiële negatieve gezondheidseffecten van dithiocarbamates niet voordelig zijn.

De realiteit ligt genuanceerder. Non-compliant monsters zijn niet altijd een indicatie dat er een significant risico voor de voedselveiligheid bestaat. Bij het aantreffen van residuen boven de MRL wordt ook naar de ARfD gekeken, de Acute Reference Dose, om acute risico's in te schatten. Daarbij wordt naast de toxiciteit van de stof ook rekening gehouden met het consumptiepatroon. ESFA heeft een risk assessment gedaan voor de risico's bij langdurige blootstelling aan bijvoorbeeld dithiocarbamates en dan lijkt het allemaal reuze mee te vallen. Bovendien komen is het aantreffen van dithiocarbamates niet altijd gerelateerd aan het gebruik van gewasbeschermingsmiddelen, omdat deze ook in natuurlijke vorm in broccoli voorkomen.

Verkeerd analyseren van data
Er kunnen fouten ontstaan bij het analyseren van data. Hoe voorkom je dat jij of anderen verkeerde conclusies uit data trekken? En welke fouten worden bij data analyse het meest gemaakt?
  1. Conclusies op basis van te lage steekproef of korte periode: aan data uit een te lage populatie of steekproef of een te korte periode kun je geen conclusies trekken. Data kunnen fluctueren in de tijd en een te korte periode of te lage steekproef creëert een afhankelijkheid van toevallige parameters op dat moment. Soms denk je een trend te signaleren terwijl je in werkelijkheid naar een seizoenseffect kijkt. Laat je niet verleiden tot uitspraken als aan een representatieve periode of steekproef niet is voldaan.
  2. Conclusies op basis van incomplete data: op basis van facturen van handelsbedrijven in sierteelt analyseren en rapporteren we voor een klant marktinformatie voor de sector. Om dat niet de volledige 100% van de markt aan dit initiatief deelneemt, is het voor betrouwbare marktinformatie noodzakelijk om hier correcties op te doen. We doen dit aan de hand van betrouwbare logaritmes. Op deze manier kunnen we toch op een betrouwbare manier inzicht geven in de prestaties van de sector als geheel. Het is dus niet altijd nodig om complete data te hebben, maar wel zijn in dat geval bepaalde bewerkingen nodig.
  3. Conclusies op basis van resultaten zonder significatieberekening: Er worden nog vaak conclusies getrokken en besluiten genomen op basis van resultaten zonder een gedegen significatieberekening. Een statistische toetsing is van belang om aan te tonen dat het beeld wat de data vertoont niet op toeval berust. Als het gaat om versproduct is het minimaal nodig om de natuurlijke variantie of de toevallige afwijkingen op zijn merites te beoordelen. Hiervoor zijn statistische methodes voorhanden.
  4. De 'context gap'data analyseren data interpreteren: Dit is misschien nog wel de belangrijkste: data zonder context interpreteren is gevaarlijk. We zeggen niet voor niets dat iets 'uit zijn verband wordt gerukt'. Zonder context geen interpretatie. Zorg bij de interpretatie en zeker bij de presentatie van data dan ook altijd voor de juiste context en achtergrond. Is die er niet voorhanden of ken je de context niet, trek dan geen conclusies.
Data analyse is een specialisme
Als je besluitvorming gaat baseren op door jou zelf gegenereerde data of data van derden, dan kun je maar beter zorgen dat de conclusies die je daaruit trekt ook valide en betrouwbaar zijn. Het analyseren van data is zeer complex en daarom een specialisme.

Voor meer informatie:
Qray
Agro Business Park 9
6708 PV Wageningen
T: 0317 - 471 371
info@q-ray.nl
www.q-ray.nl

Publicatiedatum:



Ook onze nieuwsbrief ontvangen? | Klik hier


Ander nieuws uit deze sector:


© UienNieuws.nl 2019

Schrijf je in voor onze dagelijkse nieuwsbrief om al het laatste nieuws direct per e-mail te ontvangen!

Inschrijven Ik ben al ingeschreven