Проблема состоит в том, что по-настоящему проанализировать данные нам не удается никогда. В лучшем случае мы проверяем подлинность некой гипотезы, которая у нас есть, или пытаемся обнаружить в имеющихся данных небогатый арсенал зависимостей и отношений, который находится в нашем распоряжении. Короче говоря, для начала нам необходимо иметь перцепционные рамки или систему отсчета. Чаще всего мы используем очень упрощенные перцепционные рамки, такие как корреляция, причина и следствие, временные ряды, период полураспада.

В пору моих занятий медициной я проводил ряд исследований кровообращения в легких. В модели нормального потока необходимо измерить падение давления между двумя точками и затем измерить поток. Это даст меру сопротивления. При таком подходе цифры никогда как следует не сходились. Затем я использовал модель водопада. В водопаде высота, с которой падает вода, не имеет никакого влияния на поток выше точки падения.

При разработке новой области знания — теории хаоса — математики вернулись к старым данным и применили новую концептуальную модель. Таким образом, анализ данных способен подтвердить или опровергнуть гипотезу и позволяет сделать выбор между хорошо известными моделями, но сам по себе не генерирует новые концепции. Лишь сравнительно недавно новые типы зависимостей и отношений (нелинейные, пороговые, «водопад» и другие) получили опробирование в экономике. Если бы анализ данных мог напрямую генерировать подобные новые идеи, они попали бы в поле зрения уже давным-давно и заменили бы те примитивные связи, с которыми экономисты работали до этого. Я вернусь к этому вопросу, когда буду рассматривать научный метод. Это очень важный вопрос, который напрямую опирается на перцепционную организацию: мы можем увидеть только то, что готовы увидеть.

По мере того как компьютеры становятся все более способными выполнять анализ данных за нас, нам следует разрабатывать все больше концептуальных моделей. В настоящее время возможно проведение экспериментов на компьютерах. Первоначальные данные свидетельствовали о том, что люди, пристегивавшиеся ремнем безопасности, имели гораздо меньшую вероятность гибели в дорожных авариях. Это прямо указывало на то, что использование ремней безопасности резко повышает число выживающих в авариях. Дальнейший анализ показал, что данная зависимость (хотя и верная) на деле сложнее, чем кажется. Осторожные водители пристегиваются ремнями безопасности и водят машину аккуратно, в связи с чем дорожно-транспортные происшествия с их участием являются менее серьезными. Лихачи же склонны не пристегиваться, и аварии с их участием гораздо более серьезные. В серьезных авариях гораздо выше вероятность гибели кого-нибудь из участников. Но следует сначала подумать о такой возможности, прежде чем приниматься искать ее.

Почему мы не можем просто проанализировать данные во всех возможных комбинациях? Комбинациях чего? Даже если выделить отдельно все факторы, они уже будут перцепционными предположениями. Даже для этих изолированных факторов количество возможных организаций было бы колоссальным, поскольку математическая комбинаторика оперирует очень большими числами. Имеется 362 880 способов разместить числа от 1 до 9 в матрице, состоящей из девяти ячеек (9 х 8 х 7 и так далее).

Задним умом все это, конечно же, будет казаться очевидным. Как только мы получили ответ, нам остается только сказать: если бы мы посмотрели туда и сюда; если бы мы сформулировали проблему таким образом; если бы мы измерили то, что требовалось измерить. Как я неоднократно упоминал выше, такие утверждения мало что значат (всякая стоящая творческая идея всегда выглядит логичной в ретроспективе).