🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
survivorship_bias
Der Survivorship-Bias ist der logische Fehler, sich auf Entitäten zu konzentrieren, die einen Auswahlprozess durchlaufen haben, während diejenigen übersehen werden, die dies nicht taten, was zu übermäßig optimistischen Schlussfolgerungen führt. Indem man nur die 'Überlebenden' (erfolgreiche Unternehmen, veröffentlichte Studien, lebende Arten) untersucht, entgeht einem das Gesamtbild, das die weitaus größere Anzahl von Misserfolgen einschließt, wodurch ein verzerrtes Bild davon entsteht, was zum Erfolg führt.
Wirtschaftsbücher untersuchen nur erfolgreiche Unternehmen wie Apple und Google, um 'Erfolgsprinzipien' zu extrahieren, und ignorieren dabei Tausende von Unternehmen, die identische Strategien verfolgten, aber scheiterten. Die extrahierten Prinzipien haben möglicherweise nichts mit dem tatsächlichen Erfolg zu tun.
In einem Fitness-Forum schwärmen Dutzende Nutzer von einer extremen 30-Tage-Diät und berichten von ihren Erfolgen. Die vielen Teilnehmer, die die Diät nach wenigen Tagen wegen Erschöpfung oder gesundheitlicher Probleme abgebrochen haben, melden sich nicht zu Wort – sodass die Diät insgesamt viel wirksamer erscheint, als sie tatsächlich ist.
Ein Kriegsveteran erzählt, er habe im Gefecht stets auf sein Bauchgefühl gehört und sei deshalb heil zurückgekehrt. Die Soldaten, die ebenfalls auf ihr Bauchgefühl vertrauten und dabei ums Leben kamen, können ihre Geschichte nicht mehr erzählen – was den Mythos der rettenden Intuition unverhältnismäßig stark verstärkt.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Berücksichtigt die Analyse nur erfolgreiche Fälle und ignoriert Fehlschläge?
Typ: binaryWerden Konklusionen aus einer Stichprobe gezogen, die Aussteiger oder Gescheiterte ausschließt?
Typ: binaryWürde sich die Konklusion ändern, wenn nicht-überlebende Fälle einbezogen würden?
Typ: binaryDer Survivorship-Bias ist der logische Fehler, sich auf Entitäten zu konzentrieren, die einen Auswahlprozess durchlaufen haben, während diejenigen übersehen werden, die dies nicht taten, was zu übermäßig optimistischen Schlussfolgerungen führt. Indem man nur die 'Überlebenden' (erfolgreiche Unternehmen, veröffentlichte Studien, lebende Arten) untersucht, entgeht einem das Gesamtbild, das die weitaus größere Anzahl von Misserfolgen einschließt, wodurch ein verzerrtes Bild davon entsteht, was zum Erfolg führt.
Misserfolge sind unsichtbar, weil sie durch den Auswahlprozess selbst aus dem Datensatz entfernt werden. Nur Erfolge bleiben für die Analyse sichtbar, was die Illusion erzeugt, dass die Merkmale der Überlebenden die Ursachen für das Überleben sind, anstatt möglicherweise irrelevant oder sogar bei den Misserfolgen gleichermaßen vorhanden zu sein.
Frage immer: 'Wo sind die Misserfolge?' und suche nach Daten über die gesamte Population, einschließlich derer, die den Auswahlprozess nicht überlebt haben. Vergleiche die Merkmale der Überlebenden mit einer repräsentativen Stichprobe von Nicht-Überlebenden.
Der Survivorship-Bias beeinflusst die Anlageanalyse (nur überlebende Fonds werden erfasst, was die Durchschnittsrenditen aufbläht), die Wertschätzung von Musik und Kunst (wir hören nur die besten Werke aus vergangenen Jahrhunderten) und die Militärstrategie (das berühmte Beispiel aus dem 2. Weltkrieg, bei dem Flugzeuge dort verstärkt wurden, wo die zurückkehrenden Flugzeuge getroffen worden waren, anstatt dort, wo sie nicht getroffen wurden).
The anecdotal argument fallacy occurs when personal experiences, individual stories, or isolated examples are presented as sufficient evidence for a general claim. While anecdotes can be valuable for illustration, hypothesis generation, or making data relatable, they are unreliable as evidence because they are subject to selection bias, survivorship bias, memory distortion, and the representativeness heuristic. A single vivid story can psychologically overwhelm statistical evidence covering thousands of cases.
Confusing selection factors with results. The assumption that swimmers have athletic bodies because of swimming, when in reality people with certain body types are selected for (or gravitate toward) competitive swimming. A specific manifestation of the broader confusion between selection effects and causal effects.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.