15 Datenirrtümer, die du vermeiden solltest

Cherry Picking
Auswahl von Ergebnissen, die zu deiner
Behauptung passen und Ausschluss derer, die
nicht passen.

Kobra– Effekt
Setzen eines Anreizes, der versehentlich das
gegenteilige Ergebnis erzeugt. Wird auch als
Fehlanreiz bezeichnet.

Stichproben– Bias
Ziehen von Schlussfolgerungen aus einem Datensatz, der
nicht repräsentativ für die Grundgesamtheit ist, die man zu
verstehen versucht.

Regression zum Mittelwert
Etwas ungewöhnlich Gutes oder Schlechtes bewegt
sich mit der Zeit wieder zum Durchschnitt.

Overfitting

Erstellen eines Modells, das zu sehr auf die
vorhandenen Daten zugeschnitten und nicht
repräsentativ für den allgemeinen Trend ist.

Datenfischen
Wiederholtes Testen neuer Hypothesen gegen die
gleichen Daten, wobei nicht berücksichtigt wird, dass
die meisten Korrelationen zufällig entstehen.

Falsche Kausalität
Die fälschliche Annahme, dass wenn zwei Ereignisse
zusammenhängend erscheinen, das eine das andere
verursacht haben muss.

Spielerfehlschluss
Irrglaube, wenn etwas häufiger als gewöhnlich passiert,
es nun weniger wahrscheinlich ist, dass es in Zukunft
passiert (und umgekehrt).

Simpson– Paradoxon
Wenn ein Trend in verschiedenen Teilmengen von Daten
auftritt, aber verschwindet oder gegenteilig wird, wenn
die Gruppen kombiniert werden.

Publikationsbias
Interessante Forschungsergebnisse werden mit höherer
Wahrscheinlichkeit veröffentlicht und verzerren unseren
Eindruck von der Realität.

Survivorship– Bias
Das Ziehen von Schlussfolgerungen aus einem
unvollständigen Datensatz, weil diese Daten einige
Auswahlkriterien "überlebt" haben.

Gerrymandering
Manipulation der geografischen Grenzen, die zur
Gruppierung von Daten verwendet werden, um das
Ergebnis zu verändern.

Hawthorne– Effekt
Der Akt des Beobachtens einer Person kann deren
Verhalten beeinflussen, was zu beeinflussten
Ergebnissen führt. Auch als Beobachtereffekt bekannt.

McNamara– Täuschung

Sich in komplexen Situationen ausschließlich auf
Metriken verlassen und den Blick für das große
Ganze verlieren.

Gefahr zusammenfassender Metriken

Nur auf zusammenfassende Metriken schauen und
große Unterschiede in den Rohdaten übersehen.