Überlebensbias

Überlebensbias, auch Survivorship Bias genannt, ist ein kognitiver Fehler, bei dem man sich auf die Fälle konzentriert, die einen Selektionsprozess überstanden oder erfolgreich abgeschlossen haben, während diejenigen, die gescheitert sind oder nicht überlebt haben, unberücksichtigt bleiben. Dadurch entstehen verzerrte Schlüsse über Ursachen, Wahrscheinlichkeiten und Leistungsfähigkeit.

Der Begriff hat seinen Ursprung in der Luftfahrtgeschichte des Zweiten Weltkriegs. Der Mathematiker Abraham Wald analysierte die Muster der Einschusslöcher an zurückkehrenden Bombern. Anstatt die stark beschädigten Bereiche zu verstärken, zeigte er, dass die Bereiche, in denen Flugzeuge keine Treffer hatten, die kritischsten waren, da Treffer in diese Zonen führten, dass Flugzeuge nicht zurückkehrten. So wurde klar, dass fehlende Daten oft die wahren Risiken verbergen.

Beispiele finden sich in Wirtschaft, Wissenschaft und Alltagsentscheidungen. In der Finanzwelt betrachten Anleger oft die Renditen überlebender Fonds, während gescheiterte Fonds nicht mehr sichtbar sind, was zu einer überoptimistischen Einschätzung der Durchschnittsleistung führt. In der Wissenschaft werden positive Ergebnisse stärker publiziert als negative Ergebnisse oder nicht replizierbare Resultate, wodurch der Eindruck entsteht, dass Hypothesen zuverlässiger bestätigt werden, als sie es tatsächlich sind. Im Alltag kursieren Erfolgsgeschichten, während zahllose Misserfolge im Hintergrund bleiben.

Auswirkungen sind verzerrte Wahrscheinlichkeitsabschätzungen, übermäßige Zuversicht und falsche Ursachenzuschreibungen. Entscheidungen in Finanzen, Politik oder Forschung können dadurch ineffizient oder schädlich werden, weil wichtige Gegenbeispiele fehlen.

Zur Minderung von Überlebensbias sollten Daten alle relevanten Fälle einschließen, also sowohl Überlebende als auch Nicht-Überlebende. Ergänzend helfen Methoden wie die Überlebenszeitanalyse, Gegenüberstellung von früheren und späteren Zeiträumen, Replikation und präregistrierte Studien, um Verzerrungen zu erkennen und zu reduzieren. Transparenz in der Datenerhebung und kritische Reflexion der Auswahlkriterien sind ebenfalls wichtig.