Sign up to save your podcasts
Or
Share 339. Vier AfD-Kandidaten vor der Wahl gestorben: Zufall? (Wahrscheinlichkeit mittels Poisson-Verteilung) - Prof Rieck
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
339. Vier AfD-Kandidaten vor der Wahl gestorben: Zufall? (Wahrscheinlichkeit mittels Poisson-Verteilung) - Prof Rieck
Es gibt eine auffällige Häufung von Todesfällen unter AfD-Kandidaten vor der Kommunal-Wahl in Nordrhein-Westfalen. Wie wahrscheinlich ist es, dass dies ein zufälliges Ereignis ist? Im Video wird eine Abschätzung mittels Poisson-Verteilung vorgenommen und mit einer Monte-Carlo-Simulation überprüft.
Infos zu den Todesfällen: https://www.nzz.ch/international/sech...
►WEITERE INFORMATIONEN VON TEAM RIECK:
1. Statistische Grundkonzepte & Fallstricke
Häufungen wirken oft auffälliger, als sie statistisch sind. Zentrales Problem: das Multiple-Testing (Look-Elsewhere-Effekt). Ex post wirkt ein seltenes Ereignis überraschend, ex ante ist die Wahrscheinlichkeit für irgendeine Auffälligkeit viel höher. Beispiel: Ein beliebiges auffälliges Kfz-Kennzeichen zu sehen ist wahrscheinlich, ein exakt vorhergesagtes extrem unwahrscheinlich.
Die Poisson-Verteilung ist für seltene Ereignisse in großen Populationen handlicher als die Binomialverteilung.
Ein Signifikanzniveau (z. B. 0,34%) zeigt Seltenheit, ist aber kein Beweis für Kausalität. Es rechtfertigt nur weitere Prüfung.
2. Ereignisdefinition & Datenbasis
Die Wahrscheinlichkeit hängt stark ab von:
Zahl der Fälle (genau k vs. mindestens k).
Abgegrenzter Population (nur Partei A oder alle Kandidaten).
Zeitfenster (Monat vs. Jahr).
Seriöse Schätzungen erfordern Sterbetafeln, die Alters- und Geschlechtsstruktur der Kandidaten und den exakten Zeitraum. Ohne diese bleibt alles spekulativ.
3. Kontext & Vergleiche
Eine isolierte Zahl ist bedeutungslos. Notwendig ist:
Altersstruktur: Parteien mit älteren Kandidaten haben höhere Grundsterblichkeit.
Vergleich zu anderen Parteien: Nur einseitige Häufungen sind auffällig.
Historische Daten: Gab es ähnliche Schwankungen früher? Dies kalibriert die Erwartung.
4. Alternative Erklärungen
Clustering: Räumliche oder zeitliche Häufungen entstehen zufällig und sind kein Kausalbeweis.
Medienecho: Früh mediale Aufmerksamkeit erhöht die Wahrnehmung weiterer Fälle, die sonst unbeachtet geblieben wären. So entsteht ein scheinbarer Trend.
5. Handlungsempfehlungen
Aktuar-Gutachten: Erwartete Todesfälle berechnen, mit Demografie und Zeitraum.
Forensik: Obduktionen klären natürliche vs. unnatürliche Ursachen.
Transparente Schwellenwerte: Klare Kriterien, ab wann Zufall nicht mehr plausibel ist und Ermittlungen nötig sind.
6. Kognitive Verzerrungen
Confirmation Bias: Daten werden passend zur eigenen Überzeugung interpretiert.
Ankerheuristik: Erste, oft falsche Schätzwerte prägen die Debatte.
Gegenmittel: Systematische Gedankenexperimente und kritische Reflexion.
#profrieck #afd #wahrscheinlichkeit
View all episodes
By Prof. Dr. Christian RieckEs gibt eine auffällige Häufung von Todesfällen unter AfD-Kandidaten vor der Kommunal-Wahl in Nordrhein-Westfalen. Wie wahrscheinlich ist es, dass dies ein zufälliges Ereignis ist? Im Video wird eine Abschätzung mittels Poisson-Verteilung vorgenommen und mit einer Monte-Carlo-Simulation überprüft.
Infos zu den Todesfällen: https://www.nzz.ch/international/sech...
►WEITERE INFORMATIONEN VON TEAM RIECK:
1. Statistische Grundkonzepte & Fallstricke
Häufungen wirken oft auffälliger, als sie statistisch sind. Zentrales Problem: das Multiple-Testing (Look-Elsewhere-Effekt). Ex post wirkt ein seltenes Ereignis überraschend, ex ante ist die Wahrscheinlichkeit für irgendeine Auffälligkeit viel höher. Beispiel: Ein beliebiges auffälliges Kfz-Kennzeichen zu sehen ist wahrscheinlich, ein exakt vorhergesagtes extrem unwahrscheinlich.
Die Poisson-Verteilung ist für seltene Ereignisse in großen Populationen handlicher als die Binomialverteilung.
Ein Signifikanzniveau (z. B. 0,34%) zeigt Seltenheit, ist aber kein Beweis für Kausalität. Es rechtfertigt nur weitere Prüfung.
2. Ereignisdefinition & Datenbasis
Die Wahrscheinlichkeit hängt stark ab von:
Zahl der Fälle (genau k vs. mindestens k).
Abgegrenzter Population (nur Partei A oder alle Kandidaten).
Zeitfenster (Monat vs. Jahr).
Seriöse Schätzungen erfordern Sterbetafeln, die Alters- und Geschlechtsstruktur der Kandidaten und den exakten Zeitraum. Ohne diese bleibt alles spekulativ.
3. Kontext & Vergleiche
Eine isolierte Zahl ist bedeutungslos. Notwendig ist:
Altersstruktur: Parteien mit älteren Kandidaten haben höhere Grundsterblichkeit.
Vergleich zu anderen Parteien: Nur einseitige Häufungen sind auffällig.
Historische Daten: Gab es ähnliche Schwankungen früher? Dies kalibriert die Erwartung.
4. Alternative Erklärungen
Clustering: Räumliche oder zeitliche Häufungen entstehen zufällig und sind kein Kausalbeweis.
Medienecho: Früh mediale Aufmerksamkeit erhöht die Wahrnehmung weiterer Fälle, die sonst unbeachtet geblieben wären. So entsteht ein scheinbarer Trend.
5. Handlungsempfehlungen
Aktuar-Gutachten: Erwartete Todesfälle berechnen, mit Demografie und Zeitraum.
Forensik: Obduktionen klären natürliche vs. unnatürliche Ursachen.
Transparente Schwellenwerte: Klare Kriterien, ab wann Zufall nicht mehr plausibel ist und Ermittlungen nötig sind.
6. Kognitive Verzerrungen
Confirmation Bias: Daten werden passend zur eigenen Überzeugung interpretiert.
Ankerheuristik: Erste, oft falsche Schätzwerte prägen die Debatte.
Gegenmittel: Systematische Gedankenexperimente und kritische Reflexion.
#profrieck #afd #wahrscheinlichkeit