Wichtigste Erkenntnisse
Wie verlässlich eine Statistik ist, hängt nur davon ab, welche Entscheidungen zu ihr geführt haben.
Die Stichprobe hinterlässt Spuren. Ein Bericht bezifferte das Durchschnittseinkommen des Yale-Jahrgangs von 1924 auf 25.111 Dollar. Doch er konnte nicht alle Absolventen einbeziehen: Bei einigen fehlten die Adressen, andere Ehemalige beantworteten den Fragebogen nicht. Diejenigen, die antworteten, könnten finanziell besser gestellt gewesen sein als die, die es nicht taten. Die Zahl könnte also eher die Befragten als den gesamten Jahrgang beschreiben.
Zähle, was tatsächlich gemessen wurde. Derselbe Unterschied zeigt sich bei Darrell Huffs Schwiegervater: Nachdem er nach Kalifornien gezogen war und dort eine Zeitung las, die mehr Platz für Kriminalität vor Ort einräumte, schloss er daraus, dass es in Kalifornien mehr Verbrechen gebe. Er hatte die Berichterstattung gemessen, nicht die Kriminalität. Bevor du eine Statistik akzeptierst, frag dich, welche Bevölkerung oder welches Verhalten sie tatsächlich abbildet.
Bemerkenswert ist, dass die Berechnung vollkommen korrekt sein kann, während die Schlussfolgerung es nicht ist. In der Umfrageforschung wird eine Variante davon als Nonresponse-Bias bezeichnet: Menschen, die antworten, können sich systematisch von denen unterscheiden, die nicht antworten. Eine große Stichprobe löst dieses Problem nicht automatisch, und statistische Gewichtung kann Unterschiede, die nie gemessen wurden, nicht zuverlässig ausgleichen. Sinnvoll ist es, zuerst die Zielgruppe zu bestimmen und dann zu fragen, wer fehlt und ob dessen Fehlen das Ergebnis verändern könnte.
Auch eine riesige Umfrage kann die falschen Menschen abbilden.
Größe gleicht eine unzureichende Abdeckung nicht aus. 1936 befragte die Zeitschrift Literary Digest Millionen Menschen und sagte einen deutlichen Sieg von Alf Landon über Franklin Roosevelt voraus. Roosevelt gewann. Die Zeitschrift hatte Namen aus Telefon- und Abonnentenlisten gezogen, in denen damals Menschen mit höherem Einkommen überrepräsentiert waren. Dadurch wich die Stichprobe von der Wählerschaft insgesamt ab. Eine Umfrage kann riesig sein und trotzdem den falschen Ausschnitt der Öffentlichkeit erfassen.
Menschen beeinflussen Antworten. In einer anderen Studie antworteten Schwarze Befragte in einer Stadt im Süden der USA unterschiedlich auf Fragen zu den Beziehungen zwischen den Ethnien, je nachdem, ob die Interviewenden Schwarz oder weiß waren. Die Identität der interviewenden Person, die Formulierung der Fragen, der Zugang zu den Befragten und deren Wunsch, eine akzeptable Antwort zu geben, können die Ergebnisse beeinflussen. Eine Stichprobe ist nicht einfach ein Haufen Menschen. Sie ist ein Verfahren, mit dem man diese Menschen erreicht und ihnen Fragen stellt.
Diese Unterscheidung nimmt eine zentrale Idee der Umfragemethodik vorweg: Der Auswahlrahmen legt fest, wer überhaupt in den Daten auftauchen kann. Eine Zufallsauswahl innerhalb eines fehlerhaften Rahmens macht diesen nicht repräsentativ. Einflüsse der Interviewenden zeigen außerdem, dass Messen ein wechselseitiger und kein passiver Vorgang ist. Moderne Umfragen können unterschiedliche Formulierungen und Erhebungsmethoden testen, doch einen völlig reibungslosen Zugang zur öffentlichen Meinung gibt es nicht. Ergebnisse sind Antworten, die unter bestimmten Bedingungen zustande kommen, kein unverfälschter Einblick in die Gedanken aller Menschen.
Akzeptiere niemals einen Durchschnitt, bevor du weißt, um welchen es sich handelt.
Drei Durchschnitte, drei Geschichten. Der Mittelwert addiert sämtliche Werte und teilt sie durch deren Anzahl. Der Median markiert den Mittelpunkt: Die Hälfte der Werte liegt darüber, die andere Hälfte darunter. Der Modalwert ist der am häufigsten vorkommende Wert. Huff veranschaulicht den Unterschied am Beispiel eines Viertels, in dem die meisten Haushalte bescheidene Einkommen haben, aber einige Millionäre den Mittelwert auf 15.000 Dollar anheben, während der Median nur 3.500 Dollar beträgt. Beide Zahlen können korrekt berechnet sein und doch unterschiedliche Fragen beantworten.
Eine schiefe Verteilung verändert das Bild. Einkommensverteilungen haben oft einen langen oberen Rand, sodass wenige sehr hohe Einkommen den Mittelwert von dem wegziehen, was die meisten Menschen verdienen. Bei einem annähernd symmetrisch verteilten Merkmal wie der Körpergröße einer Gruppe können die drei Durchschnitte ähnlich ausfallen. Wenn in einem Bericht nur von einem Durchschnitt die Rede ist, frag, welches Maß verwendet wird und wie die Verteilung aussieht.
Die Wahl des Durchschnitts ist eine Entscheidung darüber, was als repräsentativ gelten soll. Der Mittelwert ist für Gesamtsummen und manche mathematischen Operationen nützlich, während der Median eine typische Person in einer schiefen Verteilung oft besser beschreibt. Keiner der beiden ist von sich aus ehrlich oder unehrlich. Entscheidend ist, ob das Maß zur Frage passt. Mehrere Kennzahlen oder eine Verteilung anzugeben, kann verhindern, dass eine einzelne, bequeme Zahl stellvertretend für eine komplexe Bevölkerung steht.
Verlange bei jeder glatt wirkenden Schätzung die Spannweite und die Unsicherheit.
Ein einzelner Schätzwert verbirgt die Streuung. Eine Familiengröße von 3,6 klingt wie eine naheliegende Grundlage für den Wohnungsbau. Huff merkt jedoch an, dass die von ihm angeführten Zahlen nur für 45 Prozent der Haushalte Familien mit drei oder vier Mitgliedern auswiesen. 35 Prozent hatten ein oder zwei Mitglieder, 20 Prozent mehr als vier. Wer hauptsächlich für die Durchschnittsfamilie baute, übersah die meisten Haushalte.
Kleine Studien können keine eindeutige Antwort liefern. An einem Test des Polioimpfstoffs nahmen 450 geimpfte Kinder und 680 Kinder der Kontrollgruppe teil. Während des Beobachtungszeitraums erkrankte jedoch in keiner der beiden Gruppen jemand. Bei der üblichen Erkrankungsrate wären in beiden Gruppen zusammen nur etwa zwei Fälle zu erwarten gewesen – zu wenige, um die Wirksamkeit des Impfstoffs beurteilen zu können. Ein Ergebnis braucht Kontext: Stichprobengröße, zu erwartende Streuung und eine Spanne plausibler Werte, nicht nur eine Schlagzeilenzahl.
Diese Lehre verbindet statistische Unsicherheit mit guter Planung. Wer nur den Mittelwert sieht, baut womöglich für einen Haushalt, den es kaum gibt; wer in einer kleinen Studie keine Ereignisse beobachtet, könnte fehlende Belege mit einem Beleg für fehlende Wirkung verwechseln. In der modernen Praxis werden häufig Konfidenzintervalle angegeben, doch auch ein solches Intervall beruht auf Annahmen zur Stichprobenauswahl und Messung. Es kann nicht jede verborgene Verzerrung erfassen; Unsicherheit sollte deshalb beschrieben und nicht als schmückender Rand behandelt werden.
Ein messbarer Unterschied kann zu klein sein, um eine Rolle zu spielen.
Zahlen brauchen einen Maßstab. Ein Laborvergleich von Zigarettenrauch ergab, dass sich die untersuchten Marken hinsichtlich der gemessenen Schadstoffe kaum unterschieden. Ein Werbetreibender pries daraufhin Old Gold als Marke mit dem niedrigsten Wert an, verschwieg aber, wie winzig der Unterschied war. Die Rangfolge war real; die dramatische Schlussfolgerung ließ sich durch die Größe des Abstands nicht stützen.
Auch der Zufall spielt eine Rolle. Ein Test mit einer kleinen Gruppe kann allein durch zufällige Schwankungen ein beeindruckend wirkendes Ergebnis liefern. Huff beschreibt einen Zahnpastatest mit nur zwölf Personen: Wiederholt ein Unternehmen genügend kleine Tests, kann einer davon zufällig ein günstiges Ergebnis zeigen. Statistische Signifikanz hilft einzuschätzen, ob ein beobachteter Unterschied plausibel durch Zufall entstanden sein könnte. Sie sagt den Lesenden aber nicht, ob dieser Unterschied im Alltag von Bedeutung ist.
Oft werden zwei Fragen miteinander vermengt: Lässt sich ein Ergebnis von zufälligem Rauschen unterscheiden, und ist es groß genug, um eine Rolle zu spielen? Das ist nicht dasselbe. Bei genügend vielen Beobachtungen kann ein winziger Effekt statistisch nachweisbar werden; bei zu wenigen kann ein bedeutsamer Effekt ungewiss bleiben. Eine weitere technische Einschränkung: Ein herkömmliches Signifikanzniveau gibt nicht die Wahrscheinlichkeit an, dass eine Behauptung wahr ist. Neben dem Testergebnis müssen Lesende auch die Effektgröße, die Unsicherheit und die praktischen Folgen kennen.
Prüfe die Achsen eines Diagramms, bevor du dich von seiner Dramatik überzeugen lässt.
Der Maßstab verändert die Geschichte. Huff zeigt ein Diagramm, in dem das Nationaleinkommen im Laufe eines Jahres um 10 Prozent steigt. Beginnt die vertikale Achse bei null, wirkt der Anstieg moderat. Wird der größte Teil der Achse abgeschnitten, scheint dieselbe Linie steil nach oben zu schießen. Verändert man die Proportionen des Diagramms, wirkt der Anstieg noch dramatischer, obwohl sich an den zugrunde liegenden Zahlen nichts geändert hat.
Bilder vergrößern Dimensionen. Wird bei einer Bildstatistik ein Objekt doppelt so hoch und doppelt so breit gezeichnet, um die doppelte Menge darzustellen, vervierfacht sich seine Fläche. Bei einem dreidimensionalen Objekt kann das Volumen sogar achtmal so groß wirken. Huff beschreibt ein Diagramm aus der Stahlindustrie, in dem übergroße Hochöfen einen Kapazitätszuwachs von ungefähr der Hälfte viel größer erscheinen ließen. Prüfe Maßstäbe, Ausgangswerte und was die Größe eines Bildes codiert.
Diagramme wirken durch ihre visuelle Gestaltung auf die Wahrnehmung, noch bevor Lesende die Beschriftungen prüfen. Deshalb gehört die Gestaltung von Grafiken zum statistischen Denken und ist nicht bloß Dekoration. Eine abgeschnittene Achse kann sinnvoll sein, wenn sie klar gekennzeichnet ist und kleine Veränderungen sichtbar machen soll; sie sollte jedoch nicht stillschweigend einen größeren Anstieg suggerieren. Bildstatistiken bergen ein zusätzliches Problem: Menschen vergleichen intuitiv Flächen und Volumen, selbst wenn die Daten nur durch die Höhe dargestellt werden. Ehrliche Grafiken machen den Zusammenhang zwischen Menge und Form leicht erkennbar.
Vergewissere dich, dass die Zahl tatsächlich das misst, was behauptet wird.
Ein Ersatzmaß kann das Thema verändern. Huff nennt eine nur lose mit der Behauptung verbundene Statistik eine lose angeführte Zahl (semiattached figure): eine Zahl, die zwar echt ist, aber die angepriesene Schlussfolgerung nicht unmittelbar belegt. So beweist etwa ein Laborbericht, wonach eine Flüssigkeit im Reagenzglas Keime abtötet, nicht, dass sie eine Erkältung im menschlichen Rachen heilt. Ebenso wurde ein Entsafter, der angeblich 26 Prozent mehr Saft auspresste, mit einer Handpresse verglichen, nicht unbedingt mit Konkurrenzgeräten.
Verwende den passenden Nenner. Dass es um 19 Uhr mehr Todesfälle auf Autobahnen gibt als um 7 Uhr, belegt nicht, dass einzelne Autofahrer abends viermal stärker gefährdet sind; möglicherweise fahren dann mehr Menschen. Beim Vergleich von Verkehrsrisiken braucht man Raten im Verhältnis zur Nutzung, etwa Todesfälle pro Personenkilometer, statt nur absolute Gesamtzahlen.
Hier geht es um Konstruktvalidität: darum, ob ein Maß tatsächlich das erfasst, was mit der Behauptung gemeint ist. Das erklärt auch, warum der Nenner wichtig ist. Eine Anzahl beschreibt die Belastung, eine Rate kann das Risiko beschreiben – was sinnvoll ist, hängt von der anstehenden Entscheidung ab. Selbst eine sorgfältig gewählte Rate kann irreführen, wenn sich Gruppen hinsichtlich Alter, Gesundheit oder Exposition unterscheiden. Der beste Vergleich passt zur Frage und legt seine Annahmen offen.
Eine Korrelation kann ein Muster zeigen, ohne dessen Ursache zu bestimmen.
Gemeinsame Veränderungen sind keine Erklärung. Huff behandelt eine Studie, der zufolge rauchende Studierende schlechtere Noten hatten als Nichtrauchende. Selbst wenn der Zusammenhang tatsächlich besteht, beweist das nicht, dass Rauchen die Noten verschlechterte. Schlechte Noten könnten das Rauchverhalten beeinflussen; oder ein dritter Faktor, etwa soziale Gewohnheiten, könnte beides beeinflussen. Dieselbe Vorsicht gilt, wenn Menschen mit Hochschulabschluss mehr verdienen: Ihre vorherigen Fähigkeiten oder die Ressourcen ihrer Familie könnten den Unterschied mit erklären.
Suche nach anderen Wirkungswegen. Zwei Trends können gleichzeitig ansteigen, weil beide auf eine umfassendere Veränderung reagieren; oder ihr Zusammenhang kann sich je nach Ausprägung verändern. Huff merkt an, dass mehr Regen den Ernteertrag bis zu einem gewissen Punkt steigern kann, während sehr starker Regen die Ernte schädigt. Eine Korrelation belegt ein Muster in den beobachteten Daten. Um eine Kausalbehauptung zu stützen, braucht man ein Studiendesign oder eine Argumentation, die konkurrierende Erklärungen auseinanderhält.
Kausales Schließen stellt eine schwierigere Frage als die, ob sich zwei Variablen gemeinsam verändern: Was wäre mit denselben Menschen oder Untersuchungseinheiten unter anderen Bedingungen geschehen? Randomisierte Experimente können helfen, diese Frage zu beantworten; Beobachtungsstudien müssen dagegen Störfaktoren und Auswahlverzerrungen berücksichtigen. Sie können dennoch wertvoll sein, besonders wenn Experimente nicht praktikabel sind, doch ihre kausalen Schlussfolgerungen erfordern ausdrücklich benannte Annahmen. Eine überzeugende Zahl sollte alternative Erklärungen eingrenzen, statt einfach diejenige auszuwählen, die dem Auftraggeber am besten passt.
Verlange bei Prozentangaben den Nenner und bei Trends den Ausgangswert.
Prozentangaben brauchen eine Bezugsgröße. Ein Arbeitsmarktbericht nannte 4,9 Prozent für Haushaltsstellen, die mit einem bestimmten Lohn bezahlt wurden. Dieser Prozentsatz beruhte auf gerade einmal zwei von 41 Stellenangeboten. Die absolute Anzahl macht den Umfang der Belege deutlicher. Prozentwerte können sich auch verschieben, wenn sich ihre Bezugsgröße ändert: Eine Lohnerhöhung um 20 Prozent nach einer Lohnkürzung um 20 Prozent stellt den ursprünglichen Lohn nicht wieder her, denn die Erhöhung wird auf einen geringeren Betrag angewandt.
Veränderungen lassen sich nicht einfach addieren. Ein Preisnachlass von 50 Prozent, gefolgt von einem weiteren Rabatt von 20 Prozent, ergibt eine Reduzierung um 60 Prozent gegenüber dem ursprünglichen Preis, nicht um 70 Prozent. Ebenso kann ein Unternehmen denselben Gewinn als Anteil am Umsatz, als Kapitalrendite oder als Veränderung gegenüber einem ausgewählten Jahr darstellen. Frag nach dem Nenner und dem Vergleichswert, bevor du die Prozentangabe interpretierst.
Prozentangaben sind Größen, die sich auf etwas beziehen; ihr Referenzwert bleibt unsichtbar. Ohne diese Bezugsgröße kann eine Prozentangabe präzise klingen und dennoch schwer zu interpretieren sein. Besonders wichtig ist das beim Vergleich von Veränderungen ausgehend von unterschiedlichen Ausgangswerten: Bei einer kleinen Bezugsgröße kann eine bescheidene absolute Veränderung eine große prozentuale Veränderung ergeben. Gute Berichte nennen sowohl die Rate als auch die zugrunde liegenden Anzahlen oder Beträge, damit Lesende neben der Richtung auch das Ausmaß verstehen.
Prüfe eine Statistik in fünf Schritten, bevor du ihr Glauben schenkst.
Mach Skepsis zur Gewohnheit. Huffs abschließende Methode ist eine kurze Prüfung der Belege, kein Grund, Zahlen pauschal zurückzuweisen. Frag:
1. Wer hat die Statistik erstellt, und welchen Vorteil könnte diese Person oder Organisation daraus ziehen?
2. Wie wurden die Daten erhoben, und wer konnte oder wollte nicht teilnehmen?
3. Welche Anzahlen, Spannweiten, Vergleiche oder Maße der Unsicherheit fehlen?
4. Passt das gemessene Merkmal zu der Schlussfolgerung, die daraus gezogen wird?
5. Ergibt das Ergebnis Sinn, wenn man es mit Alltagserfahrung und anderen Belegen abgleicht?
Verfolge die ganze Kette. Eine Statistik durchläuft Erhebung, Klassifizierung, Berechnung, Darstellung und Interpretation. An jeder Stelle kann eine Verzerrung hineingelangen, auch ohne bewussten Betrug. Je folgenreicher die Behauptung, desto wichtiger ist es, diese Kette nachzuverfolgen, statt sich von Dezimalstellen, renommierten Institutionen oder selbstbewussten Diagrammen beeindrucken zu lassen.
Diese Prüfliste ist nützlich, weil sie statistische Kompetenz in Fragen übersetzt, die sich auch ohne fortgeschrittene Mathematik stellen lassen. Zugleich hält sie die Skepsis in geordneten Bahnen: Ein schwacher Bericht beweist nicht, dass die gegenteilige Behauptung wahr ist. In der Praxis wirken die Fragen am besten zusammen. Auch eine zuverlässige Quelle kann eine schlechte Stichprobe haben, und selbst eine repräsentative Stichprobe kann das Falsche messen. Ziel ist ein angemessenes Vertrauen, dessen Stärke der Qualität und Relevanz der Belege entspricht.
Analyse
Huffs zentrale Leistung besteht darin, statistische Skepsis weiter vorne ansetzen zu lassen. Lesende stoßen oft auf einen sorgfältig aufbereiteten Mittelwert, Prozentsatz oder ein Diagramm und vermuten, die Gefahr liege in fehlerhaften Berechnungen. Die folgenreicheren Entscheidungen fallen meist früher: Wer in die Stichprobe gelangt, wie eine Kategorie definiert wird, welcher Ausgangswert ausgewählt wird, was als Ergebnis gilt und welche Vergleiche es auf die Seite schaffen. Die Berechnung kann exakt sein, während der Weg von der Beobachtung zur Schlussfolgerung verzerrt bleibt.
Die Beispiele des Buches machen dieses Argument einprägsam, weil sie zeigen, wie dieselben Daten ganz unterschiedliche Eindrücke stützen können. Der Mittelwert eines Viertels steigt, wenn einige Millionäre einbezogen werden. Ein Liniendiagramm wirkt alarmierend, wenn der Ausgangswert verschwindet. Ein tatsächlicher Zusammenhang wird mit einer Ursache verwechselt. Das sind nicht bloß Tricks unehrlicher Werbetreibender. Es sind Fehler bei der Messung und Interpretation, die durch Anreize, Konventionen, Eile oder ungeprüfte Annahmen entstehen können. Huffs Augenmerk sowohl auf bewusste Manipulation als auch auf alltägliche Unfähigkeit ist daher hilfreicher als eine bloße Warnung, Expertinnen und Experten zu misstrauen.
Das Buch profitiert auch von einer wichtigen Einschränkung aus heutiger Sicht. Statistische Signifikanz beweist nicht, dass eine Behauptung wahr ist; ebenso beweist das Verfehlen eines Schwellenwerts nicht, dass kein Effekt besteht. Effektgröße, Unsicherheit, Studiendesign und die Folgen möglicher Fehler spielen eine Rolle. Ebenso berücksichtigt eine Zufallsstichprobe die Unsicherheit der Auswahl nur unter den dafür geltenden Annahmen. Sie behebt weder irreführende Fragen noch unzutreffende Antworten oder eine Diskrepanz zwischen dem Maß und der Behauptung.
Einige Beispiele beziehen sich auf die Medien und Institutionen der 1950er-Jahre, doch die zugrunde liegenden Probleme bestehen überall dort fort, wo Belege zu Überzeugungszwecken verkürzt werden. Die bleibende Fähigkeit besteht nicht darin, Zahlen zu misstrauen, sondern nachzuverfolgen, wofür eine Zahl steht. Wer nach Bevölkerung, Messung, Vergleich, Unsicherheit und Interessenlage fragt, kann sich gegen Manipulation wehren, ohne auf die Möglichkeit zu verzichten, aus quantitativen Belegen Erkenntnisse zu gewinnen.
Rezensionsübersicht
Wie lügt man mit Statistik wird weithin als zeitloser, zugänglicher Leitfaden zum Verständnis und zur kritischen Bewertung statistischer Informationen gelobt. Leser schätzen die klaren Erklärungen, den Humor und die praktischen Beispiele, die gängige Tricks zur Irreführung mit Daten aufdecken. Viele halten das Buch für eine unverzichtbare Lektüre, um statistische Kompetenz und kritisches Denken zu entwickeln. Während manche die veralteten Beispiele charmant finden, wünschen sich andere aktuellere Inhalte. Insgesamt empfehlen Rezensenten das Buch wärmstens wegen seiner wertvollen Lektionen darüber, wie man Statistiken im Alltag interpretiert.
Andere lasen auch
Glossar
Statistikmanipulation (statisticulation)
Irreführung mit statistischem MaterialHuffs Bezeichnung für die Irreführung von Menschen durch Manipulation oder Darstellung statistischen Materials auf eine Weise, die dessen Bedeutung verzerrt. Die Verzerrung kann beabsichtigt sein, aber auch durch Unfähigkeit, selektive Berichterstattung, übermäßige Vereinfachung oder Entscheidungen von Personen entstehen, die Ergebnisse aus der Forschung an die Öffentlichkeit weitergeben.
lose angeführte Zahl (semiattached figure)
Eine Zahl, die nur lose mit ihrer Behauptung verknüpft istEine echte oder scheinbar echte Statistik, die als Beleg für eine Schlussfolgerung angeführt wird, die sie tatsächlich nicht belegt. Ein Laborergebnis zu Keimen in einem Reagenzglas beweist beispielsweise für sich genommen nicht, dass eine Behandlung eine Krankheit heilt. Die Zahl kann korrekt sein, während ihre Verbindung zur Behauptung irreführend ist.
geschichtete Zufallsstichprobe
Zufallsstichprobe innerhalb festgelegter GruppenEine Stichprobenmethode, bei der eine Population in Kategorien wie Alters- oder Einkommensgruppen unterteilt wird und anschließend Personen aus diesen Kategorien in den vorgesehenen Anteilen ausgewählt werden. Sie kann praktischer sein, als eine rein zufällige Stichprobe aus der gesamten Population zu ziehen, hängt aber von korrekten Kategorien und davon ab, dass innerhalb jeder Gruppe Personen zufällig erreicht werden.
wahrscheinlicher Fehler
Ein älteres Maß für die Unsicherheit einer SchätzungEin Maß, das Huff verwendet, um die Unsicherheit einer Stichprobenschätzung auszudrücken. Seiner Darstellung zufolge gibt der wahrscheinliche Fehler eine Spanne an, in der der wahre Wert bei der Hälfte wiederholter Fälle zu erwarten ist. Er beschreibt die Präzision der Stichprobe, nicht, ob ein Test das Richtige misst oder ob die Stichprobe verzerrt ist.
Standardfehler
Geschätzte StichprobenvariabilitätEin Maß dafür, wie stark eine Stichprobenstatistik bei wiederholten Stichproben aus derselben Population typischerweise schwanken würde. Huff beschreibt ihn als praktischere Alternative zum wahrscheinlichen Fehler und merkt an, dass unter gängigen Annahmen eine Spanne von einem Standardfehler etwa zwei Drittel der Fälle abdeckt. Er erfasst nicht alle Verzerrungsquellen.
Post-hoc-Fehlschluss
Zusammenhang mit Ursache verwechselnDer Fehler, zu dem Schluss zu kommen, ein Ereignis oder Zustand habe ein anderes verursacht, nur weil beide gemeinsam auftreten oder eines auf das andere folgt. Huff betont, dass eine Korrelation durch Zufall, umgekehrte Einflussnahme oder einen dritten Faktor entstehen kann, der sich auf beide Variablen auswirkt. Um Kausalität festzustellen, braucht es Belege, anhand derer sich diese Erklärungen voneinander unterscheiden lassen.
Normalverteilung
Eine symmetrische, glockenförmige VerteilungEine Verteilung, bei der sich Werte um einen zentralen Punkt häufen und zu beiden Extremen hin seltener werden, sodass eine annähernd symmetrische Glockenform entsteht. Bei einer solchen Verteilung stimmen Mittelwert, Median und Modus überein oder liegen dicht beieinander. Huff stellt sie schiefen Verteilungen wie der Einkommensverteilung gegenüber, bei denen einige Extremwerte den Mittelwert vom Median wegziehen können.
FAQ
Worum geht es in „Wie lügt man mit Statistik“?
- Überblick: „Wie lügt man mit Statistik“ von Darrell Huff ist ein Leitfaden dazu, wie Statistiken manipuliert werden können, um irrezuführen oder zu täuschen.
- Ziel: Das Buch soll Leser über gängige Tricks bei der Darstellung statistischer Daten aufklären, durch die die Wahrheit verzerrt werden kann.
- Inhalt: Es behandelt verschiedene statistische Methoden und zeigt, wie sie falsche Eindrücke erzeugen können – von verzerrten Stichproben bis zu irreführenden Grafiken.
- Illustrationen: Das Buch ist von Irving Geis illustriert, was dabei hilft, die besprochenen Konzepte anschaulich zu machen.
Warum sollte ich „Wie lügt man mit Statistik“ lesen?
- Kritisches Denken: Es stärkt Ihre Fähigkeit, statistische Informationen in Medien, Werbung und Forschung kritisch zu analysieren.
- Bewusstsein: Das Buch schärft das Bewusstsein dafür, wie Statistiken im Alltag missbraucht werden können.
- Praktische Beispiele: Es enthält praktische Beispiele und Anekdoten, die die Konzepte nachvollziehbar und leichter verständlich machen.
- Selbstschutz: Die Lektüre vermittelt Ihnen das Wissen, mit dem Sie sich gegen Irreführung durch Statistikmanipulation wehren können.
Was sind die wichtigsten Erkenntnisse aus „Wie lügt man mit Statistik“?
- Verzerrungen bei der Stichprobenziehung: Seien Sie bei verzerrten Stichproben vorsichtig, die die Gesamtpopulation nicht zuverlässig abbilden.
- Irreführende Durchschnittswerte: Verstehen Sie den Unterschied zwischen Mittelwert, Median und Modus und wie sie zur Irreführung eingesetzt werden können.
- Irreführende Grafiken: Erkennen Sie, wie Grafiken manipuliert werden können, um Entwicklungen zu übertreiben oder herunterzuspielen.
- Korrelation und Kausalität: Lernen Sie, Korrelation und Kausalität auseinanderzuhalten, um falsche Schlussfolgerungen zu vermeiden.
Was sind die besten Zitate aus „Wie lügt man mit Statistik“ und was bedeuten sie?
- „Es gibt drei Arten von Lügen: Lügen, verdammte Lügen und Statistiken.“ Dieses Disraeli zugeschriebene Zitat hebt hervor, wie Statistiken zur Täuschung eingesetzt werden können.
- „Statistisches Denken wird eines Tages für eine effiziente Bürgerschaft ebenso notwendig sein wie die Fähigkeit zu lesen und zu schreiben.“ H. G. Wells betont, wie wichtig es in der modernen Gesellschaft ist, Statistiken zu verstehen.
- „Runde Zahlen sind immer falsch.“ Samuel Johnson mahnt zu Skepsis gegenüber allzu glatten Zahlen, denn sie vereinfachen komplexe Daten oft übermäßig.
- „Nicht so sehr das, was wir nicht wissen, bringt uns in Schwierigkeiten. Es ist das, was wir zu wissen glauben, aber nicht stimmt.“ Artemus Ward warnt vor falschen Überzeugungen, die durch irreführende Statistiken weiterverbreitet werden können.
Wie erklärt Darrell Huff das Konzept der „Stichprobe mit eingebauter Verzerrung“?
- Definition: Eine verzerrte Stichprobe bildet die Population, die sie eigentlich repräsentieren soll, nicht zuverlässig ab.
- Beispiel: Huff führt das Einkommen von Yale-Absolventen an: Einbezogen wurden nur Personen mit bekannter Adresse, die auch geantwortet hatten, wodurch die Ergebnisse verzerrt wurden.
- Auswirkung: Solche Stichproben können zu Schlussfolgerungen führen, die die tatsächliche Situation nicht widerspiegeln und die Wirklichkeit oft über- oder untertreiben.
- Lösung: Sorgen Sie dafür, dass Stichproben zufällig und repräsentativ sind, um eingebaute Verzerrungen zu vermeiden.
Was bedeutet „Der gut gewählte Durchschnitt“ im Zusammenhang mit dem Buch?
- Verschiedene Durchschnittswerte: Huff erklärt den Unterschied zwischen Mittelwert, Median und Modus und wie jeder eine andere Geschichte erzählen kann.
- Manipulation: Durch die Wahl einer bestimmten Art von Durchschnittswert lassen sich Daten so darstellen, dass sie eine bestimmte Erzählung stützen.
- Beispiel: Das Durchschnittseinkommen eines Viertels kann hoch oder niedrig erscheinen, je nachdem, ob der Mittelwert oder der Median verwendet wird.
- Kritische Bewertung: Hinterfragen Sie stets, welche Art von Durchschnittswert verwendet wird und warum.
Wie werden „Die kleinen Zahlen, die fehlen“ zur Irreführung eingesetzt?
- Fehlende Daten: Wichtige Angaben wie die Stichprobengröße oder Fehlerspannen werden oft weggelassen, was zu irreführenden Schlussfolgerungen führt.
- Spannweite und Abweichung: Ohne die Spannweite oder Abweichung zu kennen, kann ein Durchschnittswert bedeutungslos sein.
- Beispiel: Wohnungsstatistiken, die auf der durchschnittlichen Familiengröße beruhen, können die Bedürfnisse der Bevölkerung falsch darstellen.
- Aufmerksamkeit: Achten Sie auf fehlende Angaben, die die Interpretation der Daten verändern könnten.
Was ist die „Wow-Grafik“ und wie täuscht sie?
- Manipulation von Grafiken: Achsen können abgeschnitten oder Maßstäbe verändert werden, um Entwicklungen zu übertreiben.
- Visueller Eindruck: Eine kleine Veränderung kann bedeutsam wirken, wenn eine Grafik visuell irreführend gestaltet ist.
- Beispiel: Ein Anstieg von zehn Prozent kann wie ein dramatischer Sprung aussehen, wenn die Achse abgeschnitten ist.
- Kritische Betrachtung: Prüfen Sie stets Maßstäbe und Achsen von Grafiken, um die tatsächlichen Daten zu verstehen.
Wie führt „Das eindimensionale Bild“ Leser in die Irre?
- Bildgrafiken: Sie verwenden Bilder zur Darstellung von Daten und können durch Veränderungen der Größe Unterschiede übertreiben.
- Irreführende Eindrücke: Ein größeres Bild kann einen weit größeren Unterschied suggerieren, als die Daten hergeben.
- Beispiel: Ein Geldsack als Einkommenssymbol kann größer gezeichnet werden, um eine größere Ungleichheit anzudeuten.
- Skepsis: Seien Sie vorsichtig bei bildlichen Darstellungen, die die tatsächlichen Daten verzerren können.
Was ist die „lose angeführte Zahl“ und wie wird sie eingesetzt?
- Definition: Dabei wird eine Zahl verwendet, die zwar einen Bezug zur Behauptung hat, aber nicht unmittelbar relevant für sie ist.
- Beispiel: Die Behauptung, ein Produkt töte Keime im Reagenzglas, soll den Eindruck erwecken, es heile Erkältungen bei Menschen.
- Irreführender Zusammenhang: Dadurch entsteht ein falscher Eindruck von Kausalität oder Relevanz.
- Kritisches Hinterfragen: Fragen Sie stets, wie die Zahl mit der aufgestellten Behauptung zusammenhängt.
Wie behandelt das Buch den Fehlschluss „Post hoc“?
- Post-hoc-Fehlschluss: Die Annahme, ein Ereignis habe ein anderes verursacht, weil es diesem folgt.
- Beispiel: Rauchen mit schlechten Noten in Verbindung bringen, ohne andere Faktoren zu berücksichtigen.
- Mehrere Erklärungen: Andere Faktoren könnten beide Ereignisse verursachen, oder der Zusammenhang könnte zufällig sein.
- Skeptische Analyse: Ziehen Sie bei Korrelationen stets alternative Erklärungen in Betracht.
Wie können Leser Darrell Huff zufolge „einer Statistik widersprechen“?
- Quelle hinterfragen: Überlegen Sie, wer die Statistik präsentiert und welche möglichen Interessen oder Verzerrungen die Person hat.
- Methode prüfen: Finden Sie heraus, wie die Daten erhoben wurden und ob die Stichprobe repräsentativ war.
- Nach fehlenden Informationen suchen: Ermitteln Sie, welche fehlenden Daten die Interpretation verändern könnten.
- Logik bewerten: Stellen Sie sicher, dass die aus den Daten gezogenen Schlussfolgerungen logisch schlüssig sind und nicht auf fehlerhaften Annahmen beruhen.
PDF herunterladen
EPUB herunterladen
.epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.