Collider-Bias (Collider Bias) — Wenn Logik sich verkleidet

Ein statistischer Fehler, der auftritt, wenn die Kontrolle einer Variable (des Colliders), die von zwei anderen Variablen beeinflusst wird, eine künstliche Verbindung zwischen diesen beiden Ursachen herstellt. In einem kausalen Diagramm ist ein Collider ein Punkt, an dem zwei Pfeile zusammenlaufen.

Auch bekannt als: Endogenous Selection Bias, Berkson's Bias (Spezialfall)

Wie es funktioniert

Die Konditionierung auf einen gemeinsamen Effekt erzeugt eine mathematische Abhängigkeit zwischen seinen Ursachen. Das ist kontraintuitiv, da das „Kontrollieren für Variablen“ meist als etwas Positives gesehen wird.

Ein klassisches Beispiel

Unter Krankenhauspatienten findet sich oft ein negativer Zusammenhang zwischen zwei unabhängigen Krankheiten, weil jede Krankheit für sich genommen bereits zur Krankenhauseinweisung (Collider) führt.

Wo man das in der Praxis findet

Epidemiologische Studien, maschinelles Lernen bei der Merkmalsauswahl.

Wie man es erkennt und kontert

Zeichne das kausale Modell auf, bevor du entscheidest, welche Variablen kontrolliert werden sollen.

Das Fazit

Collider-Bias (Collider Bias) gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?