🧪 Diese Plattform befindet sich in der Beta-Phase. Funktionen können sich ändern und es können Fehler auftreten. Danke für dein Feedback!
survivorship_bias_statistical
Der Fehler, Schlüsse aus einer Gruppe zu ziehen, die ein bestimmtes Kriterium (Überleben/Erfolg) erfüllt hat, ohne die Ausgeschiedenen zu betrachten. Die Stichprobe ist dadurch systematisch verzerrt.
Man untersucht erfolgreiche Firmen, um das „Geheimnis des Erfolgs“ zu finden. Man ignoriert dabei die Tausenden gescheiterten Firmen, die genau dieselben Strategien verfolgten.
In einem Ratgeber-Podcast berichten drei Extremsportler, wie sie ohne formale Ausbildung eine erfolgreiche Outdoor-Marke aufgebaut haben. Die zahlreichen Gründer mit demselben Hintergrund, die pleite gingen, werden nie eingeladen – und so entsteht der Eindruck, fehlende Ausbildung sei kein Risiko.
Eine HR-Abteilung analysiert die Lebensläufe aller aktuellen Top-Manager und stellt fest, dass viele von ihnen Auslandsaufenthalte absolviert haben. Daraufhin empfiehlt sie Auslandsaufenthalte als Karriereturbo – ohne zu prüfen, wie viele Mitarbeiter mit Auslandserfahrung das Unternehmen längst verlassen haben oder nie aufgestiegen sind.
Binäre (Ja/Nein) Fragen, die ein LLM beantworten muss, um diesen Aspekt zu identifizieren:
Basiert die Stichprobe auf Daten, die einen Selektionsprozess überstanden haben?
Typ: binaryFehlen die „Gescheiterten“ in der Analyse?
Typ: binaryWürde das Einbeziehen der Fehlversuche das Fazit ändern?
Typ: binaryDer Fehler, Schlüsse aus einer Gruppe zu ziehen, die ein bestimmtes Kriterium (Überleben/Erfolg) erfüllt hat, ohne die Ausgeschiedenen zu betrachten. Die Stichprobe ist dadurch systematisch verzerrt.
Die „Gescheiterten“ sind per Definition unsichtbar. Die verfügbaren Daten wirken vollständig, da man die Abwesenheit des Rests nicht bemerkt.
Suche aktiv nach den Nicht-Überlebenden. Frage: „Was ist mit denen passiert, die es nicht in diesen Datensatz geschafft haben?“
Wirtschaftsanalyse, Investmentfonds-Berichte, historische Analysen.
Systematic difference between respondents and non-respondents distorting study results.
Occupational studies overestimate worker health because severely ill people exit the workforce.
Prevalence studies miss fatal or short-duration cases, distorting disease-exposure associations.
Systematic exclusion of certain participants from a study distorts results.
Reduced variability in a variable artificially weakens the observed correlation.
Multiple filtering or inclusion steps systematically alter the composition of a sample.
Nutze diese Tools, um diesen Aspekt zu erkennen, zu analysieren oder zu trainieren.