NEM30 · Not Enough Meaning
Insensitivity to Sample Size
Beispiel
Bürgermeister Schmidt liest zwei Zeitungsberichte: "In der Kleinstadt Neukirchen (500 Einwohner) haben 75% der Bewohner für die neue Umgehungsstraße gestimmt!" und "In der Großstadt Altenburg (100.000 Einwohner) stimmten 52% für die Umgehungsstraße." Schmidt schlussfolgert: "Die Menschen in Kleinstädten sind eindeutig viel stärker für Umgehungsstraßen als in Großstädten. Wir sollten unsere Verkehrspolitik darauf ausrichten." Seine Statistikberaterin korrigiert ihn: "In Neukirchen haben 375 von 500 Personen zugestimmt. Bei so einer kleinen Stichprobe sind extreme Werte statistisch zu erwarten. Wenn nächstes Jahr eine ähnliche Umfrage dort läuft, könnte das Ergebnis völlig anders sein – vielleicht 40%. In Altenburg mit 100.000 Befragten ist das Ergebnis viel stabiler und zuverlässiger. Sie vergleichen hier einen statistischen Ausreißer mit einem robusten Durchschnittswert."
Was ist dieser Effekt?
Insensitivity to Sample Size ist die kognitive Verzerrung, bei der Menschen die Stichprobengröße ignorieren, wenn sie statistische Wahrscheinlichkeiten bewerten. Kleine Stichproben zeigen naturgemäß größere Variabilität, aber Menschen schätzen die Wahrscheinlichkeit extremer Ergebnisse ähnlich ein – unabhängig davon, ob die Stichprobe 10, 100 oder 1.000 Fälle umfasst. Das klassische Krankenhaus-Beispiel von Tversky und Kahneman: Ein kleines Krankenhaus (15 Geburten/Tag) wird häufiger Tage mit über 60% Jungengeburten erleben als ein großes (45 Geburten/Tag), doch 56% der Befragten antworteten "etwa gleich häufig". Die Verzerrung entsteht durch die Repräsentativitätsheuristik – Menschen nehmen intuitiv an, dass Stichproben Populationseigenschaften teilen, unabhängig von der Größe.
Warum ist das eine Verzerrung?
Diese Verzerrung führt zu fundamentalen Fehlinterpretationen statistischer Daten. Menschen ziehen weitreichende Schlüsse aus kleinen, unzuverlässigen Stichproben, während sie große, robuste Datensätze nicht angemessen würdigen. Das Nierenkrebsbeispiel illustriert die Konsequenzen: Ländliche Bezirke zeigen sowohl die niedrigsten als auch die höchsten Krebsraten – nicht wegen bedeutsamer Umweltfaktoren, sondern weil kleine Bevölkerungen natürlicherweise extremere statistische Schwankungen in beide Richtungen produzieren. Wer diese Artefakte als real interpretiert, verschwendet Ressourcen auf Scheinprobleme und übersieht echte Muster. In Forschung, Medizin, Politik und Wirtschaft werden Entscheidungen auf Basis zu kleiner Stichproben getroffen, deren Ergebnisse reine Zufallsschwankungen sind.