Proxy-Bias — Wenn Logik sich verkleidet

Proxy-Bias entsteht, wenn indirekte Maße anstelle des wahren interessierenden Konstrukts verwendet werden und die Lücke zwischen Proxy und wahrem Konstrukt mit anderen Variablen im statistischen Modell korreliert. Im Gegensatz zu zufälligem Messfehler erzeugt Proxy-Bias systematische Verzerrungen.

Auch bekannt als: Messfehler-Bias, Konstruktvaliditätsbias

Wie es funktioniert

Wahre Konstrukte sind oft nicht direkt messbar. Forscher verwenden den besten verfügbaren Proxy und nehmen an, dass Messfehler zufällig sind. Wenn der Messfehler mit Prädiktoren korreliert, scheitert die Annahme stillschweigend.

Ein klassisches Beispiel

Haushaltseinkommen wird als Proxy für sozioökonomischen Status in einem Modell verwendet, das auch die ethnische Zugehörigkeit einschließt. Wenn die Einkommens-zu-SES-Lücke systematisch nach ethnischer Zugehörigkeit variiert (z.B. wegen Vermögensdisparitäten, die nicht durch Einkommen erfasst werden), verzerrt dies beide Koeffizienten.

Wo man das in der Praxis findet

BMI wird häufig als Proxy für Körperfett in der Gesundheitsforschung verwendet, aber die BMI-Körperfett-Beziehung unterscheidet sich nach Alter, Geschlecht und ethnischer Zugehörigkeit.

Wie man es erkennt und kontert

Proxys wo möglich gegen das wahre Konstrukt validieren. Mehrere Proxys und Latente-Variable-Modelle verwenden. Richtung und Vorzeichen potenziellen Proxy-Bias bei der Ergebnisinterpretation berücksichtigen.

Das Fazit

Proxy-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?