🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
regression_to_mean
Der Fehlschluss der Regression zur Mitte tritt auf, wenn ein natürliches statistisches Phänomen als kausaler Effekt interpretiert wird. Extremwerte bei jeder Messung neigen dazu, von weniger extremen Werten gefolgt zu werden – einfach aufgrund zufälliger Variation, nicht wegen einer Intervention. Dies führt dazu, dass Menschen die Rückkehr zum Durchschnitt fälschlicherweise der Aktion zuschreiben, die zwischen den Messungen durchgeführt wurde.
Ein Sportteam hat seine schlechteste Saison seit zehn Jahren und stellt einen neuen Trainer ein. In der nächsten Saison nähert sich die Leistung wieder dem Durchschnitt an. Fans schreiben dies dem neuen Trainer zu, aber statistisch gesehen wäre das Team wahrscheinlich ohnehin zur Mitte zurückgekehrt, unabhängig vom Trainerwechsel.
Eine Schülerin schreibt nach einer Reihe von Fünfen plötzlich eine Eins in einem Test. Ihre Eltern loben sie überschwänglich und kaufen ihr ein Geschenk. Beim nächsten Test schreibt sie wieder eine Drei – die Eltern sind überzeugt, das Lob habe sie 'überheblich' gemacht, obwohl die Leistung schlicht zur Mitte zurückgekehrt ist.
Ein Börsenhändler erzielt nach einer Durststrecke einen außergewöhnlich guten Monat und wird vom Management mit einem Bonus belohnt und als Vorbild präsentiert. Im Folgemonat kehren seine Ergebnisse zum Durchschnitt zurück – Kollegen glauben, der Erfolg habe ihn nachlässig gemacht, dabei handelt es sich um normales statistisches Rauschen.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Wurde eine Messung oder Beobachtung bei einem extremen Wert vorgenommen?
Typ: binaryBewegte sich eine nachfolgende Messung wieder in Richtung des Durchschnitts?
Typ: binaryWird die Rückkehr zum Durchschnitt einer spezifischen Intervention zugeschrieben statt einer natürlichen Fluktuation?
Typ: binaryDer Fehlschluss der Regression zur Mitte tritt auf, wenn ein natürliches statistisches Phänomen als kausaler Effekt interpretiert wird. Extremwerte bei jeder Messung neigen dazu, von weniger extremen Werten gefolgt zu werden – einfach aufgrund zufälliger Variation, nicht wegen einer Intervention. Dies führt dazu, dass Menschen die Rückkehr zum Durchschnitt fälschlicherweise der Aktion zuschreiben, die zwischen den Messungen durchgeführt wurde.
Menschen suchen instinktiv nach kausalen Erklärungen für jede beobachtete Veränderung. Wenn eine Intervention mit einer natürlichen Regression zusammenfällt, ist es psychologisch fast unmöglich, die beiden Effekte zu trennen.
Verwende Kontrollgruppen, die keine Intervention erhalten, um zu sehen, ob eine Verbesserung auch ohne Zutun eintritt. Vergleiche Ergebnisse mit dem langfristigen Durchschnitt, nicht nur mit dem letzten Extremwert.
Dieser Fehlschluss erscheint oft bei der Bewertung medizinischer Behandlungen (Patienten suchen Hilfe, wenn die Symptome am schlimmsten sind), bei Bildungsmaßnahmen nach schlechten Testergebnissen und im Leistungsmanagement.
Assuming cause-and-effect because events are correlated or sequential (post hoc ergo propter hoc).
Making definitive linear predictions about complex non-linear systems.
Extending conclusions beyond the range of observed data without justification.
Believing that small samples accurately represent the underlying population distribution.
The tendency to overestimate the accuracy of one's judgments, especially when available information is internally consistent, even if the information is limited or unreliable.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.