TMI26 · Too Much Information
Selection Bias
Beispiel
Ein Fitnessstudio bewirbt ein neues 12-Wochen-Abnehmprogramm: "Unsere Teilnehmer verlieren durchschnittlich 15 Kilo!" Sie zeigen beeindruckende Vorher-Nachher-Fotos und Testimonials. Die Zahlen basieren auf einer echten Auswertung - aber nur von Teilnehmern, die das Programm abgeschlossen haben. Was nicht erwähnt wird: Von 100 Anmeldungen brechen 60 Personen das Programm ab - meistens diejenigen, bei denen es nicht funktioniert. Sie sind frustriert, sehen keine Ergebnisse und verschwinden still. Die 40, die durchhalten, sind größtenteils diejenigen, die bereits in der ersten Woche Erfolge sehen. Natürlich verlieren diese im Durchschnitt viel Gewicht. Die echte Erfolgsquote? Von 100 Teilnehmern nehmen 40 durchschnittlich 15 Kilo ab, 60 nehmen gar nicht oder kaum ab. Der reale Durchschnitt liegt bei etwa 6 Kilo - weniger als die Hälfte der beworbenen Zahl. Aber durch die selektive Auswahl nur der erfolgreichen Absolventen erscheint das Programm hochwirksam.
Was ist dieser Effekt?
Selection Bias beschreibt eine systematische Verzerrung, die entsteht, wenn die Auswahl von Personen oder Daten nicht zufällig erfolgt und dadurch bestimmte Gruppen über- oder unterrepräsentiert sind. Die Stichprobe repräsentiert nicht die Gesamtpopulation, was zu verfälschten Schlussfolgerungen führt. Häufige Formen sind Sampling Bias (nicht-zufällige Auswahl), Attrition Bias (systematischer Ausfall von Teilnehmern), Volunteer Bias (Selbstauswahl) und Survivorship Bias (Analyse nur der "Überlebenden"). Der entscheidende Punkt: Die Assoziation zwischen Ursache und Wirkung in der Stichprobe weicht von der tatsächlichen Assoziation in der Gesamtpopulation ab.
Warum ist das eine Verzerrung?
Selection Bias ist problematisch, weil er zu fundamental falschen Schlussfolgerungen führt, die sich wissenschaftlich korrekt anfühlen. Die Daten sind real, die Statistik ist korrekt - aber die Basis ist verzerrt. Medikamente erscheinen wirksamer, Investmentstrategien profitabler, Interventionen erfolgreicher als sie sind. Besonders tückisch: Der Bias ist oft unsichtbar. Wir sehen die erfolgreichen Fälle, aber nicht die gescheiterten, die aus der Stichprobe verschwunden sind. Entscheidungen auf Basis solcher verzerrten Daten führen zu systematischen Fehlern in Medizin, Wirtschaft, Politik und Bildung.