Zählen Sie die Annahmen, die jede Erklärung erfordert

Wenn zwei Erklärungen zu den Fakten passen, zählen Sie, auf wie vielen ungeprüften Annahmen jede beruht.

Why it works

Jede Annahme in einer Erklärung ist eine unabhängige Stelle, an der die Erklärung scheitern kann. Eine Erklärung mit fünf Annahmen hat fünf Stellen, an denen die Kette brechen kann; eine mit zwei Annahmen hat zwei. Annahmen zu zählen macht Wahrscheinlichkeitsunterschiede konkret – unabhängige Fehler multiplizieren sich, sodass sich die Lücke zwischen Erklärungen schnell vergrößert.

How to do it

1. Schreiben Sie die konkurrierenden Erklärungen als explizite Ketten auf: "Das ist wahr, WENN A, B und C."
2. Zählen Sie die ungeprüften Annahmen in jeder Kette.
3. Fragen Sie, welche Annahmen mit aktueller Evidenz tatsächlich überprüfbar sind.
4. Bevorzugen Sie die Erklärung mit weniger ungeprüften Schritten, bleiben Sie aber offen für Korrektur.

Evidenz

Die Parsimonie-Präferenz ist grundlegend in der Wissenschaftsphilosophie (Sober, Quine) und in der Bayes'schen Wahrscheinlichkeit kodiert: einfachere Modelle erhalten höhere Vorwahrscheinlichkeit, weil sie weniger unabhängige Wetten eingehen. Die Formalisierung ist in der statistischen Modellauswahl gut etabliert (AIC, BIC bestrafen unnötige Parameter). Sobers "Ockham's Razors" unterscheidet mehrere eigenständige Begründungen für Parsimonie und klärt, dass Annahmenzählung nur unter bestimmten evidenziellen Bedingungen ein vertretbares Prior ist. (mechanistic)

Parsimonie ist ein Prior, keine Garantie. Die Natur ist manchmal genuin komplex; einfachere Erklärungen können auch falsch sein. Das Rasiermesser leitet Ausgangspunkte, nicht Endpunkte.

Quellen

• Sober, Elliott (2015). Ockham's Razors: A User's Manual. Cambridge University Press.
• Schwarz, Gideon (1978). "Estimating the Dimension of a Model." The Annals of Statistics, 6(2), 461–464.
• Akaike, Hirotugu (1974). "A New Look at the Statistical Model Identification." IEEE Transactions on Automatic Control, 19(6), 716–723.

Häufiger Fehler

Einfachheit als Trumpfkarte zu behandeln, unabhängig von der Evidenz – eine komplexe, aber gut belegte Erklärung abzulehnen, weil sie kompliziert wirkt.