Sich vor falscher Präzision in Prognosen und Modellen hüten

Behandle jede präzise Wahrscheinlichkeit oder quantitative Prognose mit expliziter Skepsis, ob das Modell zum Bereich passt.

Why it works

Zahlen erzeugen einen Vertrauenseffekt: Ein Modell, das eine Ausfallwahrscheinlichkeit von 2,3% angibt, wirkt glaubwürdiger als „ungefähr 1 zu 50“ — obwohl beide dieselbe Wahrscheinlichkeit ausdrücken und die Präzision vollständig konstruiert sein kann. In spielähnlichen Bereichen ist Präzision gerechtfertigt; in Bereichen wilder Zufälligkeit ist die Präzision eine Eigenschaft der Modellannahmen, nicht der Realität. Präzision zu hinterfragen lenkt die Aufmerksamkeit auf die Modellgültigkeit um.

How to do it

1. Wenn du eine präzise numerische Prognose siehst, frage: „Auf welchen Annahmen beruht diese Präzision, und gelten diese Annahmen in diesem Bereich?“
2. Drücke die Prognose als weiten Bereich neu aus: „Dieses Modell sagt 2,3%, aber angesichts der Annahmen könnte der reale Bereich 0,5%–15% sein.“
3. Gewichte die Entscheidung entsprechend.

Evidenz

Im Einklang mit Evidenz zu Modellunsicherheit und Kalibrierung in der Prognostik. Die Konfidenzintervalle professioneller Prognostiker sind bereichsübergreifend, von Wetter bis Finanzen, systematisch zu eng, was darauf hindeutet, dass die angegebene Präzision routinemäßig die gerechtfertigte Präzision übersteigt. (observational)

Nicht jede Präzision ist falsch — in stabilen, gut verstandenen Bereichen mit großen Datenmengen kann Modellpräzision gerechtfertigt sein. Die Prüfung ist, ob der Bereich sie rechtfertigt.

Häufiger Fehler

Jede quantitative Analyse zu verwerfen, weil Präzision verdächtig erscheint — das Ziel ist, das Konfidenzintervall zu erweitern, nicht quantitatives Denken aufzugeben.