Der Überlebenden-Bias ist eine kognitive Verkürzung, die auftritt, wenn eine erfolgreiche Untergruppe fälschlicherweise für die gesamte Gruppe gehalten wird, weil die gescheiterte Untergruppe unsichtbar ist. Der Name der Verzerrung leitet sich von dem Fehler ab, den eine Person begeht, wenn ein Datensatz nur die "überlebenden" Beobachtungen berücksichtigt und die Punkte, die nicht überlebt haben, ausschließt.
Wo diese Verzerrung auftritt
Beispiele für Überlebenden-Bias sind in vielen Bereichen zu finden, insbesondere in der Unternehmenswelt. Studenten der Wirtschaftshochschule können sich daran erinnern, dass "Einhorn-Start-ups" im Unterricht häufig beklatscht werden und als Beispiel dafür dienen, wonach Studenten streben sollten - ein archetypisches Symbol für Erfolg. Obwohl Forbes berichtet, dass 90 % der Start-ups scheitern, werden ganze Studiengänge dem Unternehmertum gewidmet, und Dutzende von Studenten behaupten, dass sie eines Tages ein Start-up gründen und erfolgreich werden werden.
Wenn man sich erfolgreiche Start-up-Gründer wie Steve Jobs, Bill Gates und Mark Zuckerberg ansieht, könnte man zu dem Schluss kommen, dass man einfach nur eine Idee haben, die Schule abbrechen und sich seiner großen Idee widmen muss, um so erfolgreich zu sein.
In Scientific American beschreiben Professor Michael Shermer und Larry Smith von der University of Waterloo, wie Ratschläge über kommerzielle Erfolge die Wahrnehmung des Einzelnen verzerren, da wir dazu neigen, Studienabbrecher, die keine erfolgreichen Unternehmer werden, oder Unternehmen, die gescheitert sind, zu ignorieren.
Einfach ausgedrückt: Viele vergessen, dass diese Einhorn-Start-ups genau das sind: Einhörner. Von den Tausenden von Menschen, die versuchen, denselben Weg einzuschlagen wie diese Wirtschaftsmagnaten, scheitern die meisten. Dennoch werden ihre Misserfolgsgeschichten nicht so weit verbreitet wie Erfolgsgeschichten, was anderen eine übertriebene Vorstellung von unseren Fähigkeiten und potenziellen Erfolgen vermittelt. Das soll nicht heißen, dass harte Arbeit und Talent nicht zum Erfolg führen, sondern vielmehr, dass wir als Gesellschaft dazu neigen, gewöhnliche Misserfolge zu ignorieren und Erfolgsgeschichten als Beweis für das, was möglich ist, zu betrachten. Stattdessen müssen wir in diesem hypothetischen Fall auch berücksichtigen, dass Dinge wie Glück, Timing, Verbindungen und sozioökonomischer Hintergrund bei den Erfolgen bekannter Gründer eine Rolle gespielt haben.
Individuelle Auswirkungen
Der Überlebenden-Bias ist schädlich, weil er so häufig auftritt und unsere Entscheidungen so stark beeinflussen kann. Häufig wird diese Voreingenommenheit mit finanziellen Entscheidungen, Unternehmertum, Glücksspiel und medizinischer Forschung in Verbindung gebracht. Wenn wir in diesen Bereichen Entscheidungen treffen, müssen wir sicherstellen, dass wir sowohl die Erfolge als auch die Misserfolge berücksichtigen. Wenn der Einzelne nicht über alle Daten verfügt, die er für rationale Entscheidungen benötigt, kann er nicht die bestmögliche Wahl für sich selbst treffen.
Systemische Auswirkungen
Der Überlebenden-Bias ist allgegenwärtig, denn er beeinflusst die Art und Weise, wie wir Daten und Informationen interpretieren, wenn wir Entscheidungen treffen. Überlebenden-Bias wirkt sich auch auf die Entscheidungsfindung auf hoher Ebene aus, was wiederum zu systemischen Herausforderungen in verschiedenen Disziplinen führt.
Historische Narrative
Es ist wichtig zu bedenken, wie sich der Überlebenden-Bias darauf auswirken kann, wie wir die Geschichte betrachten und somit unsere Welt verstehen. Je nach Schule können die Art und Weise, wie Informationen präsentiert werden, und die verwendeten Materialien zu Verzerrungen führen. Die Konzentration auf bestimmte Gruppen und ihre Erfolge in der Geschichte kann die Geschichten und Kämpfe anderer Gruppen in den Hintergrund drängen. Wenn man die Diskussion über Ausbeutung vermeidet, kann man sich ein falsches Bild davon machen, wie verschiedene Länder entstanden sind und warum bestimmte Gruppen in der heutigen Zeit einen ungerechten Vorteil zu haben scheinen. Wenn wir das Gesamtbild betrachten, beeinflusst der Überlebenden-Bias unsere Ansichten über systemischen Rassismus und andere Ungleichheiten. Um den sozialen Fortschritt voranzutreiben, ist es wichtig, sowohl die Triumphe als auch die großen Ungerechtigkeiten der Geschichte zu betrachten.
Epidemiologie
Überlebenden-Bias wurde in Fällen von Krankheitsdiagnosen festgestellt, insbesondere in Bezug auf die Überlebensraten nach der Diagnose. So sind die Patienten mit der besten Prognose häufig diejenigen, die aufgrund ihres Alters, ihrer Vorgeschichte und ihres Fitnesszustands das geringste Risiko aufweisen. Je mehr Patienten diese positiven Vorzeichen aufweisen, desto besser sind ihre Überlebenschancen. Da Patienten mit einer schlechteren gesundheitlichen Vorgeschichte nicht immer überleben, wird ihre Sterblichkeit nicht in die Berechnung der Überlebensrate einbezogen. Das bedeutet, dass die Patienten überproportional von gesünderen Personen mit positiven Ergebnissen vertreten werden. Berücksichtigt werden sollten auch Personen, die kurz nach der Diagnose sterben oder solche, die vor der offiziellen Diagnose sterben. Da sie bei der Berechnung der Überlebensrate nicht berücksichtigt werden, wird das Überlebensergebnis aufgebläht.
Während der COVID-19-Pandemie war die Überlebensrate ein großer Streitpunkt. Viele Epidemiologen und Ärzte warnen, dass die veröffentlichten Berechnungen kein vollständiges Bild vermitteln. Patienten, die sterben, ohne auf COVID-19 getestet worden zu sein, können nicht in die Zählung der Todesfälle durch das Virus einbezogen werden, was die Überlebensraten möglicherweise verzerrt. In vielen Ländern der Welt hatten die Staaten und ihre Gesundheitssysteme Probleme, mit den Tests Schritt zu halten, was zu einem potenziellen Überlebenden-Bias bei der Betrachtung der aus der Krankheit gewonnenen Daten führt.
Auswirkungen auf das Produkt
Ein großer Teil der Marketingkampagnen besteht aus Erfahrungsberichten - Daten, die der Verbraucher sehr schätzt. Wir wollen oft wissen, ob ein Produkt funktioniert, und wenden uns deshalb den "klinischen Versuchen" und unabhängig finanzierten Studien zu, die in Werbekampagnen vorgestellt werden. Hinter den Zahlen kann jedoch mehr stecken: Ein auffälliges "95 % der Menschen haben eine Verbesserung festgestellt" sagt nicht immer alles aus. Wenn wir nicht über die vollständigen Parameter einer Studie informiert werden, können wir leicht eine voreingenommene Perspektive einnehmen. Es ist immer eine gute Idee, die Stringenz einer Studie zu überprüfen. Wie groß war zum Beispiel die Stichprobe? Wurden Teilnehmer aus der Studie ausgeschlossen? Wie lange haben sie das Produkt verwendet? All diese Fragen sind wichtig, um die Gültigkeit der Studie zu bestimmen. Wenn wir diese Punkte berücksichtigen, arbeiten wir aktiv gegen den Überlebenden-Bias.
Der Überlebenden-Bias und KI
Die Einbeziehung umfangreicher Datensätze und die Anwendung strenger Bewertungsmethoden können die Auswirkungen des Überlebenden-Bias auf KI-Software abschwächen. Künstliche Intelligenz ist jedoch ein ständig wachsender Bereich, und die weit verbreitete Nutzung kann dazu führen, dass mehrere Unternehmen den nächsten großen Fortschritt anpreisen. Der technologische Fortschritt ist zwar aufregend, aber eine zu schnelle Entwicklung von Software könnte zu einer Überbewertung führen.
Insbesondere ist es wichtig, die Erfolgsquoten der künstlichen Intelligenz nicht zu überschätzen, vor allem bei der neuesten Technologie. Wir berücksichtigen nicht immer die zahlreichen Fehlschläge, die es uns ermöglichen, später verfeinerte Systeme zu entwickeln. Wenn wir die Grenzen der KI unterschätzen, können wir dem Überlebenden-Bias zum Opfer fallen. Dies führt dazu, dass wir KI in einer Weise einsetzen, die unsere Entscheidungsfindung oder Forschung beeinträchtigt.
Wie es dazu kommt
Der Überlebenden-Bias ist eine weit verbreitete kognitive Voreingenommenheit, die auf ein grundlegendes Missverständnis von Ursache und Wirkung zurückzuführen ist, insbesondere in Bezug auf das Konzept von Korrelation und Kausalität.6 Obwohl Korrelation und Kausalität zusammen existieren können, bedeutet Korrelation nicht gleich Kausalität.
Nur weil Einzelpersonen ein Muster in einem Datensatz beobachten, wie im oben genannten Beispiel der erfolgreichen Unternehmer und der Schulabbrecher, bedeutet das nicht, dass alle erfolgreichen Unternehmer die Schule abbrechen oder dass alle, die die Schule abbrechen, erfolgreich sein werden. Kausalität bezieht sich auf Fälle, in denen Handlung A das Ergebnis von B verursacht, während Korrelation einfach eine Beziehung ist. Der Zufall, dass viele Unternehmer die Universität abgebrochen haben, ist eine Korrelation, da das Ereignis des Schulabbruchs nicht unbedingt zu ihrem Erfolg geführt hat. Der Überlebenden-Bias führt jedoch dazu, dass Menschen glauben, dass die Korrelation die Ursache ist.
Warum dies wichtig ist
Sich des Überlebenden-Bias bewusst zu sein und zu verstehen, wie er sich auf das eigene Urteilsvermögen und die eigene Entscheidungsfindung auswirken kann, ist von entscheidender Bedeutung, um sicherzustellen, dass der Einzelne kritisches Denken übt und die bestmöglichen Entscheidungen für sich selbst trifft. Überlebenden-Bias kann sich auf verschiedene Bereiche auswirken; so kann das Bewusstsein für bessere Produktentscheidungen, finanzielle Investitionen oder wissenschaftliche Schlussfolgerungen sorgen. Die Entwicklung von Voreingenommenheit ist eine unvermeidliche menschliche Eigenschaft, aber wir müssen uns die Zeit nehmen, sie zu hinterfragen, um sicherzustellen, dass wir die bestmögliche Entscheidung treffen.
Wie man sie vermeidet
Sobald man sich des Überlebenden-Bias bewusst ist, kann man auf verschiedene Weise üben, ihn zu vermeiden.
Fragen Sie sich, was Sie nicht sehen
Wenn Sie eine Entscheidung treffen, sollten Sie zunächst überlegen, was fehlt. Welche Daten eines Ereignisses oder eines Datensatzes, den Sie verwenden, haben nicht "überlebt"? Indem Sie Fragen stellen und sich die Zeit nehmen, diese fehlenden Datenpunkte zu recherchieren, können Sie ein besseres Verständnis entwickeln, bevor Sie Ihre Entscheidung treffen. Wenn Sie umfassend informiert sind und sich die Zeit nehmen, innezuhalten, nachzudenken und zu recherchieren, können Sie sicherstellen, dass Überlebenden-Bias bei Ihrer Entscheidungsfindung berücksichtigt wird.
Prüfen Sie Ihre Datenquellen
Eine weitere Methode zur Vermeidung von Überlebenden-Bias, insbesondere in Ihrer Arbeit und Forschung, ist die Auswahl der verwendeten Datenquellen. Indem man sicherstellt, dass die Datenquellen so gestaltet sind, dass sie die Genauigkeit fördern und keine kritischen Beobachtungen auslassen, die die Analyseergebnisse oder die Entscheidungsfindung verändern würden, kann man das Risiko eines Überlebenden-Bias verringern.
Wie alles begann
Der Begriff Überlebenden-Bias wurde erstmals von Abraham Wald geprägt, einem berühmten Statistiker, der für die Untersuchung von Flugzeugen im Zweiten Weltkrieg bekannt ist. Als Walds Forschungsgruppe versuchte, herauszufinden, wie Kriegsflugzeuge besser geschützt werden könnten, bestand der erste Ansatz der Gruppe darin, zu bewerten, welche Teile des Flugzeugs am stärksten beschädigt worden waren. Nachdem sie die am stärksten beschädigten Bereiche ermittelt hatten, sollten die Flugzeuge an diesen Stellen verstärkt werden. Abraham Wald stellte jedoch fest, dass die am stärksten beschädigten Flugzeuge diejenigen waren, die nicht aus dem Kampf zurückgekehrt waren. Diese Flugzeuge würden auch die wichtigsten Informationen darüber liefern, welche Teile des Flugzeugs verstärkt werden müssten.
Wäre diese Forschungsgruppe nicht in der Lage gewesen, diese kritische Tatsache zu erkennen, hätten die von ihr vorgeschlagenen Flugzeugverstärkungen eine Untergruppe von Flugzeugen, die wohl die wertvollsten Daten für das Projekt lieferten, völlig außer Acht gelassen. Die Ergebnisse der Forschungsstudie sind ein Beispiel dafür, wie Abraham Wald und seine Forschungsgruppe an der Columbia University den Überlebenden-Bias überwinden und damit Hunderte von Menschenleben retten konnten.
Beispiel 1 - Finanzsysteme
Der Überlebenden-Bias wirkt sich auch auf Finanzsysteme aus. Ein typisches Beispiel für einen Überlebenden-Bias ist die Performance von Investmentfonds. Der Überlebenden-Bias beschreibt die Tendenz, dass Unternehmen oder Investmentfonds von Studien zur Leistungsanalyse ausgeschlossen werden. Die Ergebnisse dieser Studien zur Bewertung der Finanzmärkte werden dann in einem positiveren Licht dargestellt, da nur Unternehmen, die erfolgreich waren und "überlebt" haben, in die Studie aufgenommen wurden.
Der Überlebenden-Bias kann am Beispiel von Investmentfonds genauer untersucht werden. Ein Fonds auf Gegenseitigkeit ist ein Finanzinstrument, in dem das Geld von Anlegern gebündelt und von einem professionellen Vermögensverwalter verwaltet wird. Der Verwalter investiert dann in Aktien, Anleihen und andere Vermögenswerte.10 Bei der Betrachtung der Investitionen von Fonds auf Gegenseitigkeit werden nur diejenigen berücksichtigt, die derzeit erfolgreich sind. Fonds, die früher eröffnet wurden und Geld verloren haben, werden entweder geschlossen oder mit anderen Fonds zusammengelegt, wodurch die schlechten Ergebnisse der Vergangenheit verborgen bleiben.
Ein Überlebenden-Bias tritt auf, wenn Analysten die Leistungsergebnisse von Anlagegruppen, wie z. B. Investmentfonds, nur anhand der am Ende des Zeitraums noch vorhandenen Daten berechnen und diejenigen Fonds oder Unternehmen ausschließen, die am Ende der Studie nicht mehr existieren. Stellen Sie sich zum Beispiel vor, dass in einem Finanzuniversum mit 1.000 Fonds 10 % dieser Fonds am Jahresende wegen schlechter Performance aufhören zu existieren. Wenn ein Analyst die Wertentwicklung dieser Fonds untersucht, die Studie aber erst am Ende des Jahres beginnt, würde er dem Überlebenden-Bias zum Opfer fallen und die gescheiterten Fonds in seinen Endergebnissen auslassen. Durch die Nichtberücksichtigung der gescheiterten Fonds würden die Leistungsdaten ein günstigeres Endergebnis für das theoretische Fondsuniversum anzeigen.
Im Jahr 1996 analysierten die Forscher Elton, Gruber und Blake die Beziehung zwischen Fondsgrößen und Überlebenden-Bias. Sie fanden heraus, dass der Überlebenden-Bias bei kleinen Fonds stärker ausgeprägt ist als bei größeren Investmentfonds. Kleinere Fonds haben eine höhere Wahrscheinlichkeit, sich aufzulösen, als größere, etabliertere Fonds, weshalb sie dies auf den Sektor der kleinen Fonds zurückführten. Die Forscher schätzten das Ausmaß des Überlebenden-Bias in der US-amerikanischen Investmentfondsbranche auf 0,9 % pro Jahr. Darüber hinaus definierten und maßen sie den Überlebenden-Bias wie folgt:
"Bias ist definiert als durchschnittliches α für überlebende Fonds minus durchschnittliches α für alle Fonds" (wobei α die risikobereinigte Rendite des S&P 500 ist. Dies ist das Standardmaß für die Outperformance von Investmentfonds).
Beispiel 2 - Medizinische Forschung
Ein weiteres Beispiel für den Überlebenden-Bias findet sich im medizinischen Bereich und in der medizinischen Forschung. Im Jahr 2010 wurde an der Harvard Medical School und am Beth Israel Deaconess Medical Center (BIDMC) eine Studie durchgeführt, um die Überlebensrate von Patienten nach einem Trauma zu verbessern. Ein großes Problem bei der Behandlung von Traumata sind unregelmäßige Blutungen. Wenn das Blut des Patienten nicht richtig gerinnt, ist das Risiko, zu verbluten, hoch.
In der Harvard-Studie wurde untersucht, ob die Verabreichung zusätzlicher Proteine, die natürlicherweise in unserem Körper vorkommen, die Blutgerinnung fördern und die Überlebensrate verbessern würde. Die Studie richtete sich an Patienten, die innerhalb von 12 Stunden nach ihrer ersten Verletzung 4-8 Bluttransfusionen erhalten hatten. Für die Studie sollten 1502 Patienten rekrutiert werden, es wurden jedoch nur 573 rekrutiert, so dass sie später abgebrochen wurde.
Das Scheitern dieser Studie war auf einen Überlebenden-Bias zurückzuführen, da in die Studie nur Patienten aufgenommen wurden, die ihre Erstverletzung überlebt hatten und dann in der Notaufnahme behandelt wurden, bevor sie für 4-8 Bluttransfusionen auf die Intensivstation verlegt wurden. Patienten, die an ihrer ersten Verletzung starben, wurden nicht in die Studie aufgenommen, was es schwierig machte, geeignete Patienten für die Studie zu finden.