4 statistische Fallen, die Ihre Datenanalyse unbemerkt verfälschen
Einleitung: Die verborgenen Gesetze der Zahlen
Wenn wir mit einer Reihe von Zahlen konfrontiert werden, ist unser erster Impuls, mit dem Rechnen zu beginnen. Wir gehen davon aus, dass wir, sobald wir Daten haben, jede Standardoperation darauf anwenden können – addieren, subtrahieren, Mittelwerte berechnen oder Verhältnisse ermitteln. Dies erscheint uns als die grundlegendste Regel der Mathematik. In der Welt der Datenanalyseist diese Annahme jedoch gefährlich.
Tatsächlich sind Zahlen nicht gleich Zahlen. Der grundlegende Datentyp einer Variablen bestimmt, welche mathematischen Operationen sinnvoll sind und welche statistisch irreführend. Diese Unterschiede zu ignorieren, ist, als würde man ein Spiel spielen, ohne dessen grundlegendste Regeln zu kennen; man mag zwar ein Ergebnis erhalten, aber es ist unwahrscheinlich, dass es das richtige ist.
Dies ist eine grundlegende Fähigkeit für alle, die mit Daten arbeiten. Wer sie nicht beherrscht, riskiert fehlerhafte Schlussfolgerungen und irreführende Visualisierungen. In diesem Artikel decken wir vier häufige, aber überraschende statistische Fallen auf, in die selbst erfahrene Anwender tappen können, und zeigen, wie das Verständnis der Beschaffenheit Ihrer Daten der Schlüssel zu deren Vermeidung ist.
1. Die Verhältnisillusion: Warum 100 °C nicht doppelt so heiß sind wie 50 °C
Die erste Falle ist eine subtile Bedeutungsillusion, die entsteht, wenn wir zwei verschiedene Arten von kontinuierlichen Daten verwechseln: Intervall- und Verhältnisdaten.
Intervallvariablen sind solche, bei denen die Differenz zwischen zwei Werten konsistent und sinnvoll ist, der Nullpunkt jedoch willkürlich festgelegt wird. Das klassische Beispiel ist die Temperatur in Grad Celsius. Der Unterschied zwischen 10 °C und 20 °C ist derselbe wie der zwischen 80 °C und 90 °C. Allerdings repräsentiert 0 °C (der Gefrierpunkt von Wasser) keine vollständige Abwesenheit von Temperatur. Im Gegensatz dazu ist die Kelvin-Skala, bei der 0 K den absoluten Nullpunkt darstellt – die tatsächliche Abwesenheit von Wärmeenergie. Da Kelvin einen absoluten Nullpunkt besitzt, handelt es sich um eine Verhältnisskala, und man kann sagen, dass 200 K doppelt so heiß sind wie 100 K.
Verhältnisvariablenhingegen haben einen echten, nicht willkürlichen Nullpunkt. Ein Wert von Null bedeutet das vollständige Fehlen dieser Größe. Gewicht, Größe und Enzymaktivität sind allesamt Verhältnisvariablen; ein Gewicht von Null bedeutet „kein Gewicht“.
Da der Nullpunkt einer Intervallvariablen willkürlich ist, lässt sich kein sinnvolles Verhältnis berechnen. Es ist statistisch falsch zu behaupten, eine Temperatur von 100 °C sei doppelt so heiß wie 50 °C. Das Verhältnis ist bedeutungslos, weil der Ausgangspunkt der Skala kein exakter Nullpunkt ist.
Es ist falsch zu behaupten, ein Kanarienvogel (40.5 °C) habe eine um 33 % höhere Körpertemperatur als ein Schnabeltier (30.5 °C). Würde man dieselbe Berechnung mit Grad Fahrenheit durchführen, erhielte man ein anderes Ergebnis, was beweist, dass das Verhältnis bedeutungslos ist.
2. Die Visualisierungstäuschung: Wie Balkendiagramme täuschen können
Diese zweite Falle leitet sich direkt von der ersten ab: Wenn wir Daten visualisieren, die der Verhältnisillusion unterliegen, erstellen wir Diagramme, die unsere Augen täuschen. Wir sind visuell darauf konditioniert, einen Balken zu sehen, der doppelt so hoch ist wie ein anderer, und zu denken: „Das ist die doppelte Menge.“
Diese visuelle Vereinfachung birgt eine Falle bei der grafischen Darstellung von Intervallskalendaten wie Temperaturwerten. Ein Standard-Balkendiagramm, dessen Achse bei Null beginnt, verleitet den Betrachter zwangsläufig dazu, die relative Höhe der Balken zu vergleichen und so ein Verhältnis zu suggerieren, das, wie wir gerade festgestellt haben, bedeutungslos ist. Aber auch ein Balkendiagramm mit erhöhter Basislinie ist irreführend; es erzeugt ein verschieden , aber ebenso irreführendes Verhältnis. Balkendiagramme sind für Intervallskalendaten unabhängig von ihrer Basislinie problematisch, da ihr Format zwangsläufig einen Vergleich der Balkenhöhen nahelegt – ein Vergleich, der für diesen Datentyp immer ungültig ist.
Bei solchen Daten ist die Darstellung der Werte mit Punkten anstelle von Balken informativer und weniger irreführend. Ein Punktdiagramm zeigt die Einzelwerte und ihre Differenzen, ohne ein falsches Verhältnis aufgrund ihrer Entfernung von einem willkürlichen Nullpunkt zu suggerieren. In manchen Fällen ist eine einfache Tabelle für diese Werte sogar besser geeignet als jede Art von Diagramm.
3. Das Ambiguitätsprinzip: Wenn sich Variablen der Kategorisierung entziehen
Die dritte statistische Falle besteht nicht darin, eine starre Regel zu brechen, sondern darin, zu verkennen, dass die Regeln selbst flexibel sein können. In der Praxis sind die Kategorien von Variablen bei Weitem nicht so klar voneinander abgegrenzt, wie es zunächst scheinen mag. Die korrekte Klassifizierung einer Variablen hängt oft vollständig vom Kontext der Analyse ab.
Ein perfektes Beispiel für diese Mehrdeutigkeit ist die Farbe.
- In einer psychologischen Wahrnehmungsstudie, in der die Teilnehmer zwischen „Rot“, „Blau“ und „Grün“ wählen sollen, ist Farbe ein nominal Variable. Die Werte stellen unterschiedliche Kategorien ohne inhärente Ordnung dar.
- Misst man jedoch dieselben Farben anhand ihrer elektromagnetischen Wellenlänge, so wird Farbe zu einer Verhältnis Variable. Sie hat einen echten Nullpunkt, und man kann sinnvoll sagen, dass eine Wellenlänge doppelt so lang ist wie eine andere.
Dieses Prinzip verdeutlicht, dass der Kontext entscheidend ist. Bevor man eine Variable analysieren kann, muss man zunächst verstehen, wie sie gemessen wurde und was sie im Rahmen der jeweiligen Fragestellung repräsentiert.
4. Das Rechengebot: Ihre Berechnungen müssen zu Ihrem Datentyp passen
Die letzte und kritischste Falle ist ein Mangel an Disziplin: Berechnungen durchzuführen, die für den jeweiligen Variablentyp schlichtweg ungültig sind. Unterschiedliche Variablen erlauben unterschiedliche mathematische Berechnungen.
Beispielsweise kann man für jeden Variablentyp eine Häufigkeitsverteilung berechnen (d. h. zählen, wie oft jeder Wert vorkommt), komplexere Berechnungen wie der bedeuten oder Standardabweichung sind jedoch nur für Intervall- und Verhältnisvariablen sinnvoll.
Dies ist besonders wichtig bei ordinale Variablen, die zwar eine Rangfolge ausdrücken, aber keinen konstanten Unterschied zwischen Werten. Eine Schmerzskala von 1 bis 10 ist ein gängiges Beispiel. Ein Wert von 7 ist höher als 5, und 5 ist höher als 3. Man kann jedoch nicht davon ausgehen, dass der Schmerzunterschied zwischen 7 und 5 derselbe ist wie der zwischen 5 und 3. Der wahrgenommene Sprung von „leichter Belästigung“ (3) zu „mittelstarken Schmerzen“ (5) kann viel geringer sein als der Sprung von „mittelstarken Schmerzen“ (5) zu „starken Schmerzen“ (7). Diese Werte zu mitteln, ist so, als würde man die Platzierungen in einem Rennen (1., 5., 10.) mitteln, ohne die Zeitabstände zwischen den Läufern zu kennen – der durchschnittliche Rang sagt nichts über die tatsächlichen Leistungsunterschiede aus.
Manche Berechnungen sind sogar noch restriktiver. Der Variationskoeffizient (VK), also die Standardabweichung geteilt durch den bedeuten, ist nur für Verhältnisvariablen aussagekräftig. Das liegt daran, dass die Berechnung von einem wahren Nullpunkt abhängt; ändert man die Einheit einer Intervallvariablen (z. B. Celsius von Fahrenheit), ändert sich auch der VK und verliert seine Aussagekraft.
Fazit: Fragen Sie sich: „Um welche Art von Zahl handelt es sich?“
Bevor Sie eine Berechnung durchführen, sortieren oder visualisieren, ist der erste Schritt jeder fundierten Datenanalyse, innezuhalten und die grundlegende Natur der verwendeten Variablen zu verstehen. Die vier Fallen – die Verhältnisillusion, die Illusion der Visualisierung, das Mehrdeutigkeitsprinzip und ungültige Berechnungen – haben alle denselben Ursprung: die Annahme, dass alle Zahlen denselben Regeln folgen. Diese kritische Auseinandersetzung mit Variablen ist ein Kennzeichen erfahrener Datenanalysten und die erste Verteidigungslinie gegen falsche Schlussfolgerungen.
Wenn Sie sich das nächste Mal einen Datensatz ansehen, fragen Sie sich nicht nur, was die Zahlen aussagen; fragen Sie sich vielmehr, was für Zahlen das sind und was sie mir wirklich sagen dürfen.
