Language
Country/Area
No result found
Wissen Sie, wie der Fall der geschlechtsspezifischen Voreingenommenheit an der UC Berkeley die Wahrheit über Daten ans Licht gebracht hat?
In der Welt der Datenanalyse gibt es oft Phänomene, die widersprüchlich erscheinen, uns aber zur Vorsicht bei der Dateninterpretation mahnen. Unter ihnen ist das berühmte „Simpson-Paradoxon“ ein inspirierendes Beispiel, und der Fall der Geschlechtervoreingenommenheit an der UC Berkeley ist eine der repräsentativsten praktischen Anwendungen dieses Paradoxons.
Simpsons Paradoxon bezieht sich auf die Situation, in der bei der Betrachtung mehrerer Datensätze in jeder Gruppe ein bestimmter Trend auftritt, bei der Kombination der Daten der Trend jedoch verschwindet oder sich sogar umkehrt.
Rückblickend auf die UC Berkeley im Jahr 1973 ergab die Untersuchung der Schule, dass die Zulassungsquote männlicher Bewerber höher war als die weiblicher Bewerber. Dieses Phänomen erregte große Aufmerksamkeit und Diskussion. Auf den ersten Blick scheint dies ein Hinweis auf eklatanten Sexismus an der Schule zu sein. Bei weiterer Analyse der Daten ergibt sich jedoch ein völlig anderes Bild.
Wenn man die Fachbereiche der Bewerber berücksichtigt, stellt man fest, dass sich weibliche Bewerber eher für wettbewerbsintensivere Fachbereiche entscheiden, beispielsweise für die Englischabteilung, während sich die meisten Männer für relativ weniger wettbewerbsfähige Fachbereiche wie Ingenieurwesen und Wirtschaftswissenschaften bewerben. Auf diese Weise scheint die Zulassungswahrscheinlichkeit weiblicher Bewerber gering zu sein, liegt aber tatsächlich daran, dass die Fachbereiche, für die sie sich bewerben, relativ schwer zu betreten sind, was die zugrunde liegenden Gründe für die Daten verdeutlicht.
Die Studie kam zu dem Schluss, dass die Voreingenommenheit gegenüber Frauen in den Gesamtdaten tatsächlich sehr gering war und sogar Frauen begünstigte.
Studien zufolge gibt es nur in vier der sechs Hauptabteilungen der UC Berkeley eine signifikante Voreingenommenheit gegenüber Frauen. Im Gegensatz dazu waren sechs Abteilungen voreingenommen gegenüber Männern, was darauf hindeutet, dass die gesamten Zulassungsdaten einer sorgfältigen Schichtung bedürfen. Dies ist ein klassisches Beispiel für das Simpson-Paradoxon: Wenn jeder Datensatz einzeln betrachtet wird, kann man zu sehr unterschiedlichen Schlussfolgerungen kommen.
Simpsons Paradoxon findet sich auch in anderen Bereichen. In einer Studie zur Behandlung von Nierensteinen schnitt beispielsweise eine Behandlung in jeder Kategorie besser ab, wenn große und kleine Steine getrennt behandelt wurden. Bei der Kombination der beiden Gruppen zeigten sich jedoch entgegengesetzte Ergebnisse. Tatsächlich wird die Wirksamkeit der Behandlung durch „beeinflusst.“ „versteckte Variablen“ wie die Größe des Steins und die Schwere der Erkrankung.
Simpsons Paradox sagt uns, dass verschiedene Faktoren im Prozess der Dateninterpretation die Ergebnisse beeinflussen können, daher muss die Interpretation der gesamten Daten und von Teilen der Daten mit Vorsicht behandelt werden.
Darüber hinaus lässt sich ein ähnliches Phänomen bei den Schlagdurchschnitten von Profi-Baseballspielern beobachten. Ein Spieler kann in manchen Jahren einen höheren Schlagdurchschnitt als ein anderer haben, aber wenn diese Zahlen kombiniert werden, kann es sein, dass ersterer insgesamt einen niedrigeren Schlagdurchschnitt hat. Das Beispiel von Zhan Yimingjie zeigt deutlich, dass die Schichtung und Integration von Daten umfassend betrachtet werden muss.
Simpsons Paradoxon ist nicht nur statistisch signifikant, sondern bringt auch Herausforderungen und Erkenntnisse für unsere Datenanalyse mit sich. Es erinnert politische Entscheidungsträger und Forscher ständig daran, aus einer umfassenderen Perspektive zu denken und verschiedene mögliche Ursachen für Datenverzerrungen im Umgang mit Daten zu berücksichtigen. Dies ist auch die größte Herausforderung für die „Intuition“ und „Logik“, die viele Menschen gegenüber Daten haben: Jedes Detail in den Daten kann mit der endgültigen Schlussfolgerung in Zusammenhang stehen.
Können wir also, wenn wir die Datenanalyse und die Ergebnisse in verschiedenen Szenarien noch einmal überprüfen, stets kritisch denken und die Wahrheit, die sich hinter den Daten verbirgt, sorgfältig untersuchen?
