Survivorship Bias: Warum die Daten, die du sehen kannst, zur falschen Schlussfolgerung führen

Survivorship Bias (Überlebensfehler) ist der logische Fehler, aus einem unvollständigen Datensatz Schlussfolgerungen zu ziehen, in dem die Misserfolge entfernt wurden. Man untersucht die Gewinner, findet Muster in ihrem Verhalten und zieht den Schluss, dass diese Muster den Erfolg verursacht haben. Das Problem ist, dass die Verlierer, die man nie untersucht hat, möglicherweise genau die gleichen Dinge getan haben. Abraham Wald erkannte dies, während er versuchte, die Besatzungen von Bombern im Zweiten Weltkrieg zu retten. Das Prinzip, das er aufdeckte, gilt für nahezu jeden Bereich, in dem Menschen Entscheidungen auf Grundlage von Belegen treffen.

Das Bomber-Problem: Wie Survivorship Bias seinen Namen bekam

Im Zweiten Weltkrieg brachten die USA einen Statistiker namens Abraham Wald zu einem Problem. Alliierte Bomber kehrten von Missionen über Europa von Einschusslöchern durchsiebt zurück. Das Militär wollte wissen, wo es Panzerung anbringen sollte. Die offensichtliche Antwort war, die Bereiche zu verstärken, die die meisten Schäden aufwiesen: den Rumpf, die Tragflächen, die Position des Schützen im Heck.

Wald sagte das Gegenteil. Die Flugzeuge, die sie untersuchten, waren diejenigen, die überlebt hatten. Die Einschusslöcher zeigten, wo ein Bomber Schäden erleiden und trotzdem nach Hause fliegen konnte. Die unbeschädigten Bereiche, die Motoren, die Kanzel, die Treibstoffsysteme, waren der Ort, wo die verlorenen Bomber getroffen worden waren. Diese Flugzeuge waren nicht für eine Inspektion verfügbar, weil sie am Grund des Ärmelkanals lagen.

Das Militär hatte sich die Überlebenden angesehen und das Überlebensmuster mit einer Karte der Verwundbarkeit verwechselt. Walds Erkenntnis war, dass die fehlenden Daten, die Flugzeuge, die nicht zurückkamen, die tatsächliche Antwort enthielten. Das Militär verstärkte die unbeschädigten Bereiche. Die Bomberverluste nahmen ab.

Das ist Survivorship Bias in seiner reinsten Form: Die Daten, die man sehen kann, führen zu genau der falschen Schlussfolgerung, weil die Daten, die man nicht sehen kann, das entscheidende Wissen enthalten.

Survivorship Bias in Wirtschaft und Erfolgsratgebern

Öffnet man ein Wirtschaftsbestseller-Buch, findet man eine Studie erfolgreicher Unternehmen. Der Autor identifiziert gemeinsame Merkmale unter den Gewinnern: kühne Führung, Bereitschaft zum Risiko, eine besondere Unternehmenskultur, frühe Einführung einer neuen Technologie. Die implizite Lektion ist klar. Tun Sie das, was diese Unternehmen taten, und Sie werden erfolgreich.

Die Methodik hat eine Lücke, durch die man einen beschädigten Bomber fliegen könnte. Damit das Muster etwas bedeutet, müsste man auch Unternehmen untersuchen, die die gleichen Merkmale hatten und gescheitert sind. Wenn 1.000 Unternehmen kühne Risiken eingegangen sind und 10 erfolgreich waren, während 990 bankrott gingen, dann ist “kühnes Risikoverhalten” kein Erfolgsfaktor. Es ist ein Glücksspiel, bei dem die Überlebenden Buchverträge bekommen und die Toten vergessen werden.

Jim Collins’ Good to Great untersuchte 11 Unternehmen, die einen anhaltenden Leistungssprung erlebten, und identifizierte gemeinsame Merkmale. Ein Jahrzehnt nach der Veröffentlichung des Buches waren mehrere dieser “großartigen” Unternehmen zusammengebrochen oder übernommen worden. Circuit City ging bankrott. Fannie Mae benötigte eine staatliche Rettung während der Finanzkrise 2008. Die Merkmale, die Collins identifizierte, beschrieben einen Moment, nicht die Dauerhaftigkeit. Die Unternehmen, die gescheitert waren, bekamen kein Kapitel, das erklärte, was schief gelaufen war.

Survivorship Bias macht Erfolgsratgeber zuverlässiger erscheinen, als sie sind. Der Unternehmer, der die Universität abbrach und ein Milliarden-Dollar-Unternehmen aufbaute, bekommt einen Beitrag in Forbes. Die Tausenden, die abbrachen und in Schulden endeten, bekommen keine Beiträge. Das Muster ist real; die daraus gezogene Schlussfolgerung nicht.

Survivorship Bias in Medizin und Forschung

Klinische Studien können unter Survivorship Bias leiden, wenn Patienten, die eine Studie abbrechen, aus der endgültigen Analyse ausgeschlossen werden. Wenn Patienten aussteigen, weil die Behandlung sie verschlechtert, macht das Entfernen aus den Daten die Behandlung wirksamer erscheinen, als sie tatsächlich ist. Das wird Attritionsverzerrung genannt, und es ist eine spezifische Form von Survivorship Bias, auf die Medizinforscher trainiert sind zu achten.

PublikationsbiasDie Tendenz, dass Studien mit positiven oder statistisch signifikanten Ergebnissen weit häufiger veröffentlicht werden als solche mit Nullergebnissen oder negativen Befunden. ist eine andere Variante. Studien mit positiven Ergebnissen werden viel häufiger veröffentlicht als Studien mit Null- oder negativen Ergebnissen. Die veröffentlichte Literatur, der Datensatz, auf den sich Ärzte bei Behandlungsentscheidungen stützen, überrepräsentiert systematisch, was funktioniert hat, und unterrepräsentiert, was nicht. Eine 2017-Analyse im Journal Biochemia Medica schätzte, dass Studien mit positiven Ergebnissen ungefähr doppelt so häufig veröffentlicht wurden wie Studien mit negativen Ergebnissen.

Die Konsequenz ist, dass Experten-Uneinigkeit in der Medizin teilweise von einem Datensatz vorangetrieben wird, der bereits durch Survivorship Bias verzerrt ist, bevor irgendwer mit der Analyse beginnt. Zwei Forscher, die die gleiche veröffentlichte Literatur betrachten, schauen beide durch einen Filter, der bereits viele der Belege entfernt hat, die ihre Schlussfolgerungen hätten ändern können.

Survivorship Bias in der Geschichte

Geschichte wird von den Überlebenden geschrieben, und nicht nur im politischen Sinne. Die physischen Artefakte, die den Lauf der Zeit überstehen, sind keine zufällige Auswahl dessen, was existierte. Antike römische Gebäude, die heute noch stehen, waren per Definition diejenigen, die gut genug gebaut waren, um zwei Jahrtausende zu überdauern. Aus überlebenden Beispielen zu folgern, dass “die Römer Dinge zum Bleiben bauten”, ignoriert die unbekannte Anzahl römischer Strukturen, die innerhalb von Jahrzehnten zusammenbrachen und keine Spur hinterließen.

Das gleiche gilt für Musik, Literatur und Kunst. Menschen, die sagen, dass Musik in den 1970er Jahren besser war, vergleichen die bestausgeprägten Songs aus diesem Jahrzehnt, kuratiert durch fünfzig Jahre kulturelle Filterung, gegen die gesamte ungefilterte Leistung des gegenwärtigen Augenblicks. Die unvergesslichen Songs von 1975 sind vergessen. Die unvergesslichen Songs von 2025 sind noch in Ihrer Streaming-Queue.

Das erzeugt die anhaltende Illusion, dass die Qualität über die Zeit abnimmt. Jede Generation vergleicht ihre vollständige Erfahrung der Gegenwart, einschließlich allem Mittelmäßigen, gegen eine Vergangenheit, die bereits auf die Höhepunkte reduziert wurde. Der Schluss, dass die Standards fallen, ist oft ein Messfehler, keine echte Tendenz.

Wie Survivorship Bias mit anderen kognitiven Fehlern interagiert

Survivorship Bias arbeitet selten allein. Er verschärft sich mit BestätigungsverzerrungTendenz, Informationen so zu suchen, zu interpretieren und zu erinnern, dass sie bestehende Überzeugungen bestätigen, während man widersprechende Beweise ignoriert., der Neigung, Informationen zu suchen, die das unterstützen, was Sie bereits glauben. Wenn Sie glauben, dass harte Arbeit zum Erfolg führt, und Sie nur erfolgreiche Menschen untersuchen, werden Sie harte Arbeit überall finden und Ihr Glaube wird bestätigt. Die hart arbeitenden Misserfolge sind unsichtbar.

Es interagiert auch mit motiviertem Denken, der Neigung, Schlussfolgerungen abzulehnen, die Ihre Weltanschauung bedrohen. Survivorship Bias anzuerkennen bedeutet zu akzeptieren, dass vieles, das als evidenzbasierte Erfolgsratgebung gilt, eigentlich Pattern-Matching auf einem unvollständigen Datensatz ist. Das ist eine unbequeme Schlussfolgerung für alle, die ihre Karriere auf solche Ratschläge gebaut haben, und Unbehagen ist genau das, wofür motiviertes Denken ausgelegt ist.

Die Kombination erzeugt eine Rückkopplungsschleife: Survivorship Bias liefert die irreführenden Belege, Bestätigungsverzerrung stellt sicher, dass Sie sie überzeugend finden, und motiviertes Denken verhindert, dass Sie das Gesamtkonzept hinterfragen. Aus dieser Schleife auszubrechen erfordert, bewusst die Misserfolge, die gefilterten Daten, die Unternehmen, die zusammenbrachen, die Behandlungen, die nicht funktioniert haben, die Gebäude, die zusammenfielen, zu suchen.

Survivorship Bias in der Praxis erkennen

Der Test ist einfach. Wenn Ihnen ein Muster präsentiert wird, das sich aus der Untersuchung erfolgreicher Fälle ergibt, fragen Sie: Was ist mit denen geschehen, die gescheitert sind? Wenn die Antwort lautet: “Wir haben sie nicht untersucht,” ist das Muster unzuverlässig. Wenn die Antwort lautet: “Es gab keine Misserfolge,” ist die Aussage fast sicher falsch.

Survivorship Bias ist besonders gefährlich in Bereichen, in denen Misserfolg unsichtbar ist: Unternehmen, die leise schließen, Patienten, die eine Studie verlassen, Manuskripte, die nie veröffentlicht wurden, Arten, die ausstarben, ohne dokumentiert zu werden, Ideen, die versucht und aufgegeben wurden, ohne dass irgendwer darüber schrieb.

Das Gegenmittel ist nicht Zynismus. Einige Muster erklären wirklich Erfolg, und die Untersuchung von Gewinnern kann nützliche Hypothesen generieren. Das Gegenmittel ist methodische Disziplin: Überprüfen Sie das Muster gegen die gesamte Bevölkerung, einschließlich der Misserfolge, bevor Sie schlussfolgern, dass es Verursachung ist. Wald ignorierte nicht die überlebenden Bomber. Er nutzte sie, um abzuleiten, was mit den fehlenden passiert sein musste. Das ist das Modell.

Quellen

• Abraham Wald, “A Method of Estimating Plane Vulnerability Based on Damage of Survivors,” Statistical Research Group, Columbia University, 1943. Das ursprüngliche Kriegs-Memorandum mit der Survivorship Bias-Analyse der Bombenschadendaten.
• Mlinariu0107, A., Horvat, M., and u0160upak Smolu010diu0107, V., “Dealing with the positive publication bias: Why you should really publish your negative results,” Biochemia Medica, 2017. Analyse von Publikationsbias und seinen Auswirkungen auf medizinische Literatur.
• Good to Great by Jim Collins (HarperBusiness, 2001). Die referenzierte Geschäftsstudie; die Nach-Veröffentlichungs-Leistung ihrer vorgestellten Unternehmen ist in mehreren nachfolgenden Analysen dokumentiert.
• Smaldino, P. E., and McElreath, R., “The natural selection of bad science,” Royal Society Open Science, 2016. Analyse davon, wie Veröffentlichungsanreize die wissenschaftliche Literatur systematisch durch das Überleben positiver Ergebnisse verzerren.