Texas-Scharfschützen-Fehlschluss (Texas Sharpshooter Fallacy) — Wenn Logik sich verkleidet

Der Texas-Scharfschützen-Fehlschluss tritt auf, wenn jemand Datencluster aus einem zufälligen Datensatz herauspickt und ihnen nachträglich Bedeutung beimisst. Benannt nach einem Schützen, der auf eine Scheunenwand schießt und dann eine Zielscheibe um die engste Gruppierung von Einschusslöchern malt, beinhaltet dies das nachträgliche Anpassen einer Hypothese an beobachtete Daten. Es ist ein post-hoc Mustererkennungsfehler, der den gesamten Datenkontext ignoriert.

Auch bekannt als: Clustering Illusion, Sharpshooter Fallacy

Wie es funktioniert

Menschen sind zwanghafte Mustersucher, denen es fast unmöglich fällt, Zufälligkeit zu schätzen. Ein Cluster in Daten fühlt sich bedeutsam an, auch wenn er statistisch zufällig zu erwarten ist.

Ein klassisches Beispiel

"Sieh dir diesen Krebscluster in der Nachbarschaft in der Nähe der Fabrik an. Die Fabrik muss den Krebs verursachen." (Ignoriert, dass Krebscluster in jeder großen Population zufällig auftreten und dieser nur bemerkt wurde, weil er in der Nähe einer Fabrik stattfand).

Wo man das in der Praxis findet

Häufig bei epidemiologischen Ängsten, technischer Analyse auf den Finanzmärkten, Bibelcode-Theorien und in jedem Bereich, in dem im Nachhinein nach Mustern in großen Datensätzen gesucht wird.

Wie man es erkennt und kontert

Frage, ob die Hypothese vor oder nach dem Betrachten der Daten gebildet wurde. Fordere vorab registrierte Vorhersagen und betrachte den gesamten Datensatz, nicht nur den ausgewählten Cluster.

Das Fazit

Texas-Scharfschützen-Fehlschluss (Texas Sharpshooter Fallacy) 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?