Verzerrungen (Bias) — Wie Daten täuschen
Die fünf wichtigsten Verzerrungen in der Datenanalyse — mit klassischen Beispielen wie dem Survivorship Bias und dem Confounding-Problem.
- Sie können die fünf wichtigsten Bias-Typen in der Datenerhebung beschreiben.Verstehen
- Sie können Verzerrungen in konkreten Beispielen erkennen und einordnen.Analysieren
- Sie können erklären, wie eine verzerrte Stichprobe zu falschen Schlussfolgerungen führt.Anwenden
Verzerrungen (Bias) sind die häufigste Ursache für falsche Schlussfolgerungen aus Daten. In diesem Modul lernen Sie die fünf wichtigsten Bias-Typen kennen — von Selection Bias bis Confounding — und warum selbst grosse Stichproben trügerisch sein können.
Note
Daten lügen nicht — aber sie können täuschen
Stellen Sie sich vor, Sie führen eine Umfrage unter Schülerinnen und Schülern durch — aber nur bei denen, die freiwillig mitmachen. Das Ergebnis: «95% der Schülerschaft liebt Mathe!» Ist das die Wahrheit?
Wahrscheinlich nicht. Die freiwilligen Teilnehmer sind eher diejenigen, die Mathe ohnehin mögen. Das ist ein klassischer Selection Bias.
In diesem Modul lernen Sie die fünf wichtigsten Verzerrungen kennen — und warum sie dazu führen, dass Daten uns manchmal in die Irre führen.
Die fünf wichtigsten Bias-Typen
- Selection Bias: Die Stichprobe ist nicht repräsentativ. Beispiel: Online-Umfrage erreicht nur Tech-affine Personen.
- Survivorship Bias: Nur «Überlebende» werden betrachtet. Beispiel: Erfolgreiche Firmen analysieren, gescheiterte ignorieren.
- Confirmation Bias: Man sucht und interpretiert Daten so, dass sie die eigene Annahme bestätigen.
- Sampling Bias: Die Erhebungsmethode verzerrt systematisch. Beispiel: Telefonumfrage tagsüber → Berufstätige fehlen.
- Confounding (Drittvariablen-Problem): Eine unberücksichtigte Variable beeinflusst beide Grössen. Beispiel: Mehr Eisverkauf und mehr Badeunfälle — die Drittvariable ist Sommertemperatur.
Survivorship Bias — das klassische Beispiel
Im Zweiten Weltkrieg sollten amerikanische Bomber mit zusätzlicher Panzerung verstärkt werden. Man untersuchte die zurückgekehrten Flugzeuge und sah: Die meisten Treffer waren in den Tragflächen und am Rumpf.
Der erste Impuls: Diese Stellen panzern! Aber der Mathematiker Abraham Wald erkannte: Genau die Stellen mit Treffern sollen nicht gepanzert werden — denn diese Flugzeuge waren zurückgekommen. Diejenigen, die an anderen Stellen getroffen wurden, waren abgestürzt und fehlten in der Statistik.
Lektion: Fehlende Daten sind oft genauso wichtig wie vorhandene.
Confirmation Bias — wir sehen, was wir sehen wollen
Der Confirmation Bias (Bestätigungsfehler) ist gefährlich, weil er unbewusst passiert:
- Wer glaubt, dass Impfungen schädlich sind, sucht nach Geschichten über Impfschäden und ignoriert gegenteilige Studien.
- Wer überzeugt ist, dass Frauen schlechter einparken, erinnert sich an jedes falsche Einparken einer Frau und vergisst die korrekt eingeparkten.
- In der Datenanalyse: Man wählt nur Metriken, die die eigene Hypothese stützen.
Gegenmittel: Aktiv nach Gegenbeweisen suchen. Sich fragen: «Was würde meine Annahme widerlegen?»
Verzerrungen im Alltag: Wo begegnen Ihnen Verzerrungen (Bias) im Alltag? Nennen Sie ein konkretes Beispiel und ordnen Sie es einem Bias-Typ zu.
Survivorship Bias erklärt: Erklären Sie den Survivorship Bias an einem eigenen Beispiel. Denken Sie an einen Bereich, in dem nur «Erfolgreiche» sichtbar sind (z.B. Startup-Gründer, Musiker:innen, Influencer).
Challenge
Mini-Auftrag: Drittvariable finden
In einer Studie zeigt sich: Kinder mit grösseren Füssen können besser lesen. Die Korrelation ist stark und statistisch signifikant.
Ein Schlaftabletten-Hersteller titelt: «Grosse Füsse fördern die Lesefähigkeit!»
- Was ist falsch an dieser Schlussfolgerung?
- Wie heisst die Drittvariable, die den Zusammenhang erklärt?
- Welcher Bias liegt hier vor?
Mini-Auftrag gelöst: Im Beispiel «Kinder mit grösseren Füssen lesen besser» — was ist die Drittvariable? Welcher Bias-Typ liegt vor?
Warning
Häufige Fehler
- «Die Stichprobe war ja gross genug…» — Falsch! Auch eine grosse Stichprobe kann verzerrt sein. 10'000 Online-Teilnehmer sind nicht repräsentativer als 100 zufällig ausgewählte.
- «Die Zahlen sind doch objektiv…» — Daten sind objektiv, aber die Auswahl und Interpretation der Daten ist subjektiv.
- «Korrelation bedeutet Kausalität» — Nein! Eine Korrelation kann allein durch Verzerrung entstanden sein.
Reflection
Reflexion
Überlegen Sie:
- Welcher Bias-Typ kommt in Ihrem Alltag am häufigsten vor?
- Wo haben Sie schon einmal Daten falsch interpretiert — oder wurden durch Daten getäuscht?
- Welche Strategie wollen Sie künftig anwenden, um Verzerrungen zu erkennen?