Statistika je o kompromisech

Co takový kompromis v praxi znamená? Ilustrujme jej na příkladu snahy sledovat, jak se daří naší ekonomice. Při konstrukci jakéhokoliv ukazatele je nejprve nutné odpovědět na otázku, co od něj čekáme. Je to co nejrychlejší dostupnost informace, abychom mohli včas reagovat na změnu? Nebo je pro nás důležitá přesnost, abychom si mohli být opravdu jistí? Nebo nás zajímá nějaký detail (řekněme jedno malé odvětví v určitém regionu) namísto sledování ekonomiky jako celku? Samozřejmě, v ideálním případě chceme všechno najednou, ale tak to v praktické statistice, stejně jako v životě, nechodí. Vždy si nakonec musíme vybrat, co preferujeme více a kde jsme ochotni slevit ze svých nároků. Různé preference jsou pak důvodem, proč statistika nabízí více různých ukazatelů k jednomu zkoumanému jevu.

Vraťme se však k praktickým důvodům, proč si ve statistice musíme vždy vybrat určitou kombinaci včasnosti, přesnosti a podrobnosti. Vše závisí na reálných možnostech sestavení statistického ukazatele: na sběru zdrojových dat, jejich kontrolách, zvolených metodách odhadu, dostupných kapacitách i nákladech.

Pokud preferujeme včasnost (rychlost), pak nemáme na odhad moc času. Budeme si muset vystačit s menším vzorkem firem a relativně malým rozsahem zdrojových dat, která nám podniky mohou v takovém čase poskytnout. Firmy musejí data předat rychle a stejně tak rychlé musejí být kontroly a zpracování. Výsledné statistické ukazatele (říkáme jim obvykle konjunkturální) pak sice relativně včas naznačují směr vývoje ekonomiky (a zhruba intenzitu změny), je však nutné počítat s jejich postupným zpřesňováním a těžko od nich můžeme očekávat podrobnosti, například o vývoji malých odvětví. Jinými slovy, cenou za rychlost je menší přesnost a ztráta detailu.

Pokud bude naopak naší prioritou přesnost, pak si na takový ukazatel musíme počkat. Nejen že je potřeba zeptat se většího počtu podniků, což prodlužuje zpracování a sestavení statistických ukazatelů, ale hlavně musíme počítat s tím, že měsíčně poskytované údaje od firem jsou méně přesné než ty, které nám mohou podniky zaslat po své roční účetní závěrce a případném auditu (tedy se značným zpožděním). Takové zpřesnění podkladových dat pak může vést k nutnosti zpřesnit i dříve publikované (konjunkturální) statistické ukazatele, které sice indikovaly správně směr vývoje ekonomiky (zda ekonomika rostla, nebo byla v krizi), nemusely však být tak přesné (zda ekonomika vzrostla o 4,0 %, nebo o 4,3 %). Správně zvolené statistické metody mohou samozřejmě částečně předjímat zpřesnění podkladových dat, některé věci však v životě zůstávají nevyzpytatelné. Jinými slovy, cenou za přesnost je pozdější dostupnost ukazatelů a obvykle i menší podrobnost.

A jestliže jsou naší prioritou velké detaily, pak se budeme muset smířit nejen s časovou náročností, ale také s menší přesností. Důvody jsou podobně praktické jako v předchozích dvou případech. Aby mohly statistické údaje vypovídat o velmi podrobných strukturách, vyžadují statistické metody mnoho detailních podkladů, které budou dostatečně přesné (a od mnoha podniků). Je snesitelné a prakticky zvládnutelné, pokud se firem zeptáme každý měsíc na několik základních údajů o jejich ekonomické činnosti (tak, aby to stačilo na odhad konjunkturálních ukazatelů), těžko se však můžeme ptát na velké detaily. To lze udělat jednou ročně nebo i méně často. Jinými slovy, pokud od ukazatelů vyžadujeme detail, pak si na něj musíme počkat, a i tak obvykle bývá vykoupen menší přesností ukazatelů v detailním členění.

Statistika je sice uměním možného, ale to neznamená, že je něčím strnulým a neměnným. Naopak! S tím, jak se vyvíjejí nové statistické metody, způsoby zpracování, technologie i komunikační prostředky, se mění i  statistika. S každou takovou změnou se můžeme přiblížit ideálu: mít vše rychle, přesně a detailně. I tak ale každé nové řešení zůstane kompromisem.