Hur man ”tvättar data” – och skapar samband som inte finns
Det behövs inga falska siffror för att sprida en falsk berättelse. Det räcker att använda riktiga siffror på fel sätt. Två aktuella exempel, från Ukraina och det amerikanska valet, visar hur lätt statistik kan förvandlas till desinformation.
Vi har alla hört uttrycket att man kan bevisa nästan vad som helst med statistik.
Men ofta är det inte själva statistiken som är problemet. Siffrorna kan vara helt korrekta. Problemet uppstår när någon väljer ut vissa uppgifter, utelämnar deras sammanhang och drar slutsatser som materialet inte stöder.
Jag brukar kalla det att ”tvätta data”.
Precis som penningtvätt handlar om att ge pengar ett skenbart legitimt ursprung kan man använda trovärdiga statistikkällor för att ge en obelagd berättelse ett sken av vetenskaplighet.
Man börjar med en verklig uppgift från en myndighet eller annan seriös källa. Sedan ändrar man dess innebörd, jämför den med något som inte är jämförbart eller antyder ett orsakssamband som aldrig har bevisats.
Låt oss titta på två aktuella exempel.
Exempel 1: Ukrainska bostadsköp i Spanien blir förskingrade biståndspengar
Den 14 oktober 2026 publicerade den tidigare ukrainska TV-journalisten Diana Panchenko ett inlägg på X.
Hon presenterade två uppgifter:
Ukrainska medborgare hade köpt fastigheter i Spanien för omkring två miljarder euro.
Spanien hade gett Ukraina 2,7 miljarder euro i stöd under perioden 2022–2025.
Därefter hävdade hon att två miljarder euro av det spanska stödet gått direkt till spanska villor.
Det framstod som ett avslöjande om hur europeiska biståndspengar användes till privata fastighetsaffärer.
Men vad visar egentligen statistiken?
Den första siffran är inte påhittad
Uppgiften går att spåra till en sammanställning från oktober 2026 av fastighetsexperten Vitalij Kotenko, baserad på statistik från Spaniens notarier.
Den visar följande antal bostadsköp av ukrainska medborgare:
År | Antal bostadsköp |
2022 | 2 708 |
2023 | 3 337 |
2024 | 4 135 |
2025 | 4 219 |
Totalt | 14 399 |
Det sammanlagda värdet uppskattades till 1,8–1,9 miljarder euro.
Men här finns redan en viktig detalj.
Det handlar om bostadsköp under fyra år, 2022–2025. Inte om två miljarder euro under 2026.
Att sammanställningen publicerades 2026 betyder inte att affärerna genomfördes då.
Och det finns ytterligare en uppgift som förändrar bilden.
Nästan åtta av tio köp gjordes av personer bosatta i Spanien
Av de 14 399 bostadsköpen gjordes 11 370 av personer som var registrerade som bosatta i Spanien.
Det motsvarar ungefär 79 procent.
Det kan handla om människor som bott där länge, arbetstagare, företagare eller personer som flytt undan kriget.
En del kan ha sålt bostäder eller andra tillgångar i Ukraina. Andra kan ha haft besparingar sedan tidigare.
Notariestatistiken berättar inte varifrån pengarna kommer.
Den visar enbart att bostadsaffärerna har genomförts.
Men den upplysningen försvinner när statistiken används för att skapa en berättelse om förskingrade biståndspengar.
Sedan lägger man till en annan siffra
Nästa steg är att hänvisa till Spaniens ekonomiska stöd till Ukraina.
Här blandas olika former av stöd ihop.
Spanien har lämnat militär utrustning, ekonomiskt stöd och humanitärt bistånd.
I juli 2025 redovisade Spaniens regering bland annat:
Nästan tre miljarder euro i utlovat militärt stöd.
840 miljoner euro i finansiellt stöd.
110 miljoner euro till humanitära insatser.
Det är inte samma sak som att Spanien har betalat ut motsvarande belopp till ukrainska privatpersoner.
Ändå placeras biståndssiffran bredvid statistiken över bostadsköp.
Och därifrån dras slutsatsen att biståndet finansierat fastigheterna.
Men var finns själva beviset för överföringen av pengarna?
Vilka biståndsmedel betalades ut? Till vilka konton? Hur hamnade de hos fastighetsköparna?
Inget sådant underlag presenteras.
Det enda man har visat är att det förekommer två ekonomiska belopp som ligger relativt nära varandra.
Det är inte ett bevis för ett samband.
Exempel 2: Åtta miljoner registreringar blir åtta miljoner väljare
Ett annat aktuellt exempel kommer från det amerikanska mellanårsvalet i november 2026.
På sociala medier började uppgifter spridas om att delstaten Wisconsin hade fler registrerade väljare än invånare i röstberättigad ålder.
Det användes för att antyda ett omfattande valfusk.
Wisconsin har omkring 4,8 miljoner vuxna invånare.
Samtidigt innehöll delstatens väljardatabas över åtta miljoner poster.
Hur kunde det vara möjligt?
Vid första anblicken verkar det märkligt.
Men bara om man inte förstår vad databasen innehåller.
En databas är inte samma sak som en röstlängd
Wisconsins väljardatabas, WisVote, innehåller inte bara aktiva registrerade väljare.
Den innehåller också historiska uppgifter om människor som tidigare varit registrerade.
När en person avlider, flyttar från delstaten eller förlorar sin rösträtt tas registreringen bort från den aktiva röstlängden.
Men den historiska informationen bevaras.
Det är en viktig del av valmyndighetens kontrollsystem.
Genom att behålla historiken kan man exempelvis kontrollera tidigare registreringar och upptäcka försök till felaktig eller dubbel registrering.
Den 6 november 2026 innehöll databasen följande:
Registreringsstatus | Antal |
Aktiva registrerade väljare | 3 673 431 |
Inaktiva historiska poster | 4 858 155 |
Totalt antal poster | 8 531 586 |
Det verkliga valdeltagandet i mellanårsvalet låg på ungefär 2,65 miljoner personer.
Det är alltså tre helt olika mått:
Hur många poster som finns i den historiska databasen.
Hur många personer som är aktivt registrerade för att rösta.
Hur många personer som faktiskt har röstat i ett visst val.
Men i den vilseledande berättelsen behandlas dessa mått som om de betydde samma sak.
Det som ska förhindra valfusk blir ett påstått bevis på valfusk
Det finns något nästan ironiskt i detta.
Wisconsin bevarar historiska registreringsuppgifter bland annat för att kunna kontrollera väljarnas behörighet och upptäcka felaktigheter.
Men när någon räknar ihop alla historiska poster och kallar dem registrerade väljare uppstår bilden av att delstaten har miljontals fler väljare än vad som är möjligt.
Det kontrollsystem som bland annat ska motverka valfusk används därmed för att antyda att omfattande valfusk förekommer.
Det är samma grundläggande metod som i exemplet med de ukrainska fastighetsköpen.
Man använder verkliga uppgifter men ger dem en annan innebörd.
Två exempel – två olika sätt att manipulera statistik
Det är viktigt att se att exemplen inte är identiska.
I Spanienexemplet skapas ett påstått ekonomiskt orsakssamband mellan två separata uppgifter.
I Wisconsinexemplet förväxlas olika definitioner av vad som räknas.
Ukraina och Spanien | Wisconsin | |
Verklig statistik | 14 399 bostadsköp | 8,53 miljoner databasposter |
Vad siffran mäter | Privata bostadsaffärer under fyra år | Aktiva och historiska registreringar |
Vad som utelämnas | Pengarnas ursprung är okänt | Mer än hälften av posterna är inaktiva |
Vilseledande slutsats | Biståndspengar har finansierat villor | Delstaten har miljontals fler väljare än möjligt |
Vad som saknas | Bevis för ekonomiska överföringar | Bevis för att posterna motsvarar aktiva väljare eller röster |
I båda fallen fungerar den ursprungliga datakällan som en kvalitetsstämpel.
Man kan hänvisa till Spaniens notarier eller Wisconsin Elections Commission.
Och källorna är seriösa.
Men de har inte dragit de slutsatser som sedan sprids på sociala medier.
Det finns ett ännu större problem: Vi litar på siffrorna men granskar inte definitionerna
Jag arbetar mycket med statistik och datakvalitet, bland annat genom Åland Gallup.
En av de viktigaste erfarenheterna är att siffror inte blir användbara bara för att de finns i en databas.
Man måste veta vad de representerar.
Det låter självklart.
Men tänk på hur ofta vi möter statistik där själva definitionen aldrig redovisas.
Vad menas med en registrerad väljare?
Vad menas med ekonomiskt bistånd?
Vad menas med en bostadsaffär?
Vad menas med en unik individ?
Vilken tidsperiod gäller?
Vilka uppgifter ingår – och vilka ingår inte?
Om man inte kan besvara dessa frågor kan även en tekniskt korrekt databas producera fullständigt missvisande analyser.
I det sammanhanget brukar jag skilja mellan tre nivåer:
1. Datakvalitet
Är de registrerade uppgifterna korrekta?
2. Datatolkning
Förstår vi vad uppgifterna betyder och vilka begränsningar de har?
3. Analyskvalitet
Är slutsatserna faktiskt underbyggda av uppgifterna?
Man kan ha hög kvalitet på den första nivån och ändå misslyckas fullständigt på de två följande.
Det är precis vad de här exemplen visar.
Korrelation är inte kausalitet – men ibland finns inte ens någon korrelation
Ett välkänt uttryck inom statistik är att korrelation inte innebär kausalitet.
Det betyder att två företeelser kan samvariera utan att den ena orsakar den andra.
Men i Spanienexemplet har man inte ens visat någon statistisk korrelation.
Man har bara placerat två miljardbelopp bredvid varandra.
Det är som att konstatera att ett land investerat två miljarder euro i vägar samtidigt som dess medborgare köpt fastigheter utomlands för två miljarder euro.
Skulle det innebära att vägpengarna finansierat fastighetsköpen?
Naturligtvis inte.
Ändå kan just den typen av jämförelser få stor spridning om de presenteras som ett avslöjande.
Särskilt om berättelsen bekräftar något som mottagaren redan tror.
Därför fungerar metoden så bra
Det finns flera orsaker till att den här typen av statistikmanipulation är effektiv.
För det första innehåller den verkliga siffror.
Det gör att en ytlig faktakontroll kan ge intrycket att påståendet stämmer.
För det andra hänvisar den till seriösa källor.
För det tredje kan slutsatsen vara formulerad så att den verkar självklar, även om den aldrig har bevisats.
Och för det fjärde spelar våra egna förväntningar en stor roll.
Om vi redan tror att biståndspengar förskingras är det lätt att acceptera berättelsen om spanska villor.
Om vi redan tror att amerikanska val präglas av omfattande fusk är det lätt att acceptera berättelsen om miljontals extra väljare.
Vi granskar helt enkelt uppgifter mindre kritiskt när de bekräftar vår egen världsbild.
Det gäller förstås inte bara en viss politisk sida. Samma mekanism kan användas av alla som har ett intresse av att påverka hur andra uppfattar verkligheten.
Fem steg för att ”tvätta data”
Om vi sammanfattar metoden ser den ut så här:
Steg 1: Välj en korrekt siffra.
Den får gärna komma från en myndighet eller annan trovärdig källa.
Steg 2: Lyft bort sammanhanget.
Ta inte med definitioner, begränsningar eller andra uppgifter som skulle förändra tolkningen.
Steg 3: Byt innebörd eller lägg till en annan uppgift.
Historiska registreringsposter blir aktiva väljare. Privata fastighetsaffärer jämförs med internationellt bistånd.
Steg 4: Presentera en dramatisk slutsats.
Helst en slutsats som bekräftar mottagarens tidigare föreställningar.
Steg 5: Hänvisa till originalkällan.
Om någon ifrågasätter påståendet kan man peka på att siffrorna kommer från en seriös institution.
Det är bara det att institutionen aldrig har påstått det som man själv hävdar.
Tre frågor som avslöjar problemet
Nästa gång du möter ett sensationellt statistiskt påstående kan det vara värt att ställa tre enkla frågor:
1. Vad mäter siffran egentligen?
Är det personer, transaktioner, historiska poster, utbetalningar eller något annat?
2. Vilken information har utelämnats?
Gäller siffrorna samma tidsperiod, samma grupp människor och samma definitioner?
3. Var finns beviset för slutsatsen?
Har någon faktiskt visat sambandet, eller har man bara presenterat siffror som får läsaren att tro att det finns?
Om man inte får tydliga svar på dessa frågor bör man vara försiktig med att sprida påståendet vidare.
Slutsats: Den farligaste statistiken behöver inte vara falsk
De två exemplen visar något viktigt.
I Spanien användes verkliga bostadsaffärer för att antyda att biståndspengar hade förskingrats.
I Wisconsin användes verkliga historiska registreringsposter för att antyda att det fanns miljontals fler väljare än vad som var möjligt.
I inget av fallen behövde grundsiffrorna vara påhittade.
Det räckte att förändra deras betydelse.
Det är därför källkritik måste handla om mer än att kontrollera om en siffra förekommer i en officiell rapport.
Vi behöver också granska definitionerna, sammanhanget och framför allt resonemanget som leder fram till slutsatsen.
Man behöver inte förfalska statistiken för att vilseleda. Det räcker att förfalska sambandet mellan siffrorna.
Och kanske är det just den formen av desinformation som är svårast att avslöja.
Källor
Ukrainska bostadsköp i Spanien
Consejo General del Notariado – Spaniens officiella notariestatistik.
Vitalij Kotenko, sammanställning av ukrainska medborgares bostadsköp 2022–2025, publicerad av Minfin den 8 oktober 2026.
Spaniens regering, Pedro Sánchez redovisning av stödet till Ukraina, 10 juli 2025.
Diana Panchenko, inlägg på X, 14 oktober 2026.
Wisconsins väljardatabas
Wisconsin Elections Commission – WisVote och Badger Voters.
Lead Stories, faktagranskning av antalet aktiva och inaktiva registreringar, november 2026.
Wisconsin Watch, faktagranskning av påståendet att Wisconsin har fler registrerade väljare än vuxna invånare, februari 2026.
Marquette University Law School, analys av valdeltagandet i mellanårsvalet 2026. Länkar till källorna
Spanska fastighetsköpen 2022–2025 – Minfin
Минфин
Spaniens regerings redovisning av Ukrainastödet
10/07/2025 [Presidente/Intervenciones]
Wisconsin Elections Commission – Badger Voters
Badger Voters
Lead Stories – faktagranskning av Wisconsins väljardatabas
Lead Stories
Comments