Basisraten-Vernachlässigung

• Verzerrung: Menschen ignorieren statistische Informationen über die Basisrate eines Ereignisses in der Bevölkerung und verlassen sich stattdessen übermäßig auf spezifische Details des Einzelfalls bei der Bildung von Wahrscheinlichkeitsurteilen.
• Was es bricht: Wahrscheinlichkeitsurteile, medizinische Diagnostik, Investitionsentscheidungen, Risikobewertung, juristische Schlussfolgerungen
• Evidenzlevel: L1 — multiple replizierte Studien, Metaanalysen, kulturübergreifende Daten, über 50 Jahre empirischer Bestätigungen
• In 30 Sekunden erkennen: Sie schließen die Wahrscheinlichkeit eines Ereignisses anhand auffälliger Details des Einzelfalls, wobei Sie die Statistik, wie häufig das Ereignis in der Bevölkerung vorkommt, vollständig ignorieren.

Warum vergessen wir die Statistik, wenn wir ein konkretes Beispiel sehen?

Die Ignorierung der Basisrate ist ein gut dokumentiertes kognitives Verzerrungsphänomen, bei dem Menschen systematisch die statistische Information über die Häufigkeit eines Ereignisses bei der Bildung von Wahrscheinlichkeitsurteilen unterschätzen oder vollständig ignorieren (S002). Stattdessen betonen Individuen übermäßig spezifische Informationen oder Details des Einzelfalls. Das Phänomen wurde erstmals von Kahneman und Tversky im Jahr 1973 identifiziert und seitdem intensiv in Psychologie, Entscheidungsfindung, Medizin und Finanzen untersucht (S007).

Wie diese Verzerrung funktioniert

Die Verzerrung tritt auf, wenn Menschen zwei Arten von Informationen erhalten: Basisrate — die allgemeine Statistik zur Häufigkeit eines Ereignisses (z. B. „1 % der Bevölkerung hat Krankheit X“), und spezifische Fallinformationen — individuelle Details (z. B. „diese Person zeigt Symptome, die mit Krankheit X in Verbindung stehen“). Obwohl der Satz von Bayes verlangt, beide Informationsanteile zu berücksichtigen, gewichten Menschen systematisch die spezifischen Details übermäßig stark und die Basisraten zu wenig (S002).

Die a-posteriori-Wahrscheinlichkeit ist die aktualisierte Einschätzung der Ereigniswahrscheinlichkeit nach Berücksichtigung sowohl der Basisrate als auch neuer Informationen zum konkreten Fall. Die korrekte Berechnung erfordert, mit der Basisrate (a-priori-Wahrscheinlichkeit) zu beginnen und diese anschließend anhand spezifischer Evidenz anzupassen. Menschen ignorieren jedoch häufig den ersten Schritt und konzentrieren sich nur auf den zweiten, was zu systematischen Urteilsfehlern führt (S006).

Umfang und Folgen

Diese Verzerrung ist ein allgegenwärtiges und robustes Phänomen, das in verschiedenen Populationen und Kontexten beobachtet wird (S002). Studien zeigen, dass sie besonders stark ausgeprägt ist, wenn Prädiktoren mit Ereignissen über physische Ähnlichkeit statt über abstrakte statistische Beziehungen verknüpft sind. Das Phänomen hat gravierende Konsequenzen: von fehlerhaften medizinischen Diagnosen und falschen juristischen Entscheidungen bis hin zu misslungenen Investitionsstrategien (S008).

Die Ignorierung der Basisrate interagiert häufig mit anderen kognitiven Verzerrungen. Beispielsweise verstärkt die Verfügbarkeitsheuristik den Effekt, wenn auffällige Beispiele leichter erinnerbar sind als statistische Daten. Der Bestätigungsfehler veranlasst Menschen, Informationen zu suchen, die ihren ersten Eindruck des Einzelfalls bestätigen, und ignoriert widersprüchliche statistische Daten. Der Ankereffekt kann die Aufmerksamkeit auf spezifische Details fixieren und erschwert die Neubewertung anhand von Basisraten.

Beispiel aus der Medizin:

Ein Arzt sieht einen Patienten mit Husten und Fieber. Diese Symptome werden in seiner Erinnerung stark mit einer Lungenentzündung assoziiert. Die Basisrate von Lungenentzündungen in der Bevölkerung liegt jedoch bei 1 %, während Erkältungen bei 20 % liegen. Ignoriert der Arzt diese Zahlen, kann er die Wahrscheinlichkeit einer Lungenentzündung überschätzen und unnötige Antibiotika verschreiben.

Beispiel aus dem Investmentbereich:

Ein Investor hört die Geschichte eines Start‑ups, das um das 100‑fache gewachsen ist. Diese Geschichte beeindruckt ihn stark. Die Basisrate für den Erfolg von Start‑ups liegt jedoch bei weniger als 10 %. Der Investor kann die Wahrscheinlichkeit des Erfolgs eines ähnlichen Start‑ups überschätzen und Geld in ein riskantes Projekt investieren.

Wenn Statistik in Details verloren geht: Die Architektur des Fehlers

Der Mechanismus der Ignorierung der Basisrate wurzelt in einem grundlegenden Konflikt zwischen zwei Informationsverarbeitungssystemen. Wenn wir Wahrscheinlichkeiten beurteilen, muss unser Gehirn abstrakte statistische Daten (Basisraten) und konkrete, lebendige Details (diagnostische Informationen) integrieren. Das Problem ist, dass diese beiden Informationsarten von unterschiedlichen kognitiven Systemen mit unterschiedlicher Effizienz verarbeitet werden (S002).

Repräsentativität versus Realität

Dem Phänomen liegt die Heuristik der Repräsentativität zugrunde – ein kognitives Schlagwort, bei dem Menschen die Wahrscheinlichkeit eines Ereignisses danach beurteilen, wie sehr es einem typischen Prototyp oder Stereotyp entspricht (S007). Wenn uns eine Beschreibung einer Person mit bestimmten Merkmalen präsentiert wird, bewerten wir automatisch, wie „repräsentativ“ diese Beschreibung für verschiedene Kategorien ist, wobei wir ignorieren, wie häufig diese Kategorien in der Realität vorkommen. Diese Heuristik arbeitet schnell und intuitiv, führt jedoch systematisch zu Fehlern in probabilistischen Urteilen.

Die Studie von Kutzner und Kollegen (2008) identifizierte einen kritischen Moderator: Die Ignorierung der Basisrate ist besonders stark ausgeprägt, wenn Prädiktoren mit Ereignissen über physische Ähnlichkeit und nicht über abstrakte statistische Beziehungen verknüpft sind (S001). Wenn die Verbindung zwischen Merkmal und Kategorie auf wahrnehmbarer Ähnlichkeit beruht, verlassen sich Menschen noch stärker auf die Repräsentativität und ignorieren die Basisraten vollständig. Das erklärt, warum die Verzerrung in der medizinischen Diagnostik so beständig ist, wo Symptome physisch „ähnlich“ bestimmten Krankheiten sind.

Warum das Konkrete das Abstrakte übertrifft

Konkrete, spezifische Informationen zu einem Fall sind kognitiv zugänglicher und emotional resonanter als abstrakte statistische Daten. Wenn ein Arzt einen Patienten mit Symptomen sieht, die einer seltenen Krankheit entsprechen, fesseln die Auffälligkeit und Spezifität dieser Symptome die Aufmerksamkeit, während die trockene Statistik, dass die Krankheit bei 0,01 % der Bevölkerung vorkommt, im peripheren Bewusstsein bleibt (S008). Unser Gehirn hat sich darauf entwickelt, konkrete, unmittelbare Bedrohungen und Möglichkeiten zu verarbeiten, nicht abstrakte Wahrscheinlichkeiten zu manipulieren.

Es gibt zudem das Problem der kausalen Interpretation. Spezifische Informationen werden häufig als direkt kausal mit dem Ergebnis verbunden wahrgenommen („Er hat alle Symptome, also hat er die Krankheit“), während Basisraten als irrelevante Hintergrundstatistik gelten. Menschen suchen intuitiv nach kausalen Erklärungen, und konkrete Details liefern ein befriedigenderes kausales Narrativ als statistische Wahrscheinlichkeiten (S002).

Merkmal	Basisrate	Diagnostische Information
Form der Darstellung	Abstrakte Statistik	Konkrete Details
Kognitive Zugänglichkeit	Niedrig	Hoch
Emotionale Wirkung	Schwach	Stark
Kausale Erklärung	Fehlt	Deutlich
Evolutionäre Relevanz	Niedrig	Hoch
Gewicht im Urteil	Untergewichtet	Übergewichtet

Klassische Belege für die Beständigkeit

Das Experiment von Kahneman und Tversky (1973) präsentierte den Teilnehmenden eine Personenbeschreibung mit dem Namen Steve: „schüchtern und zurückgezogen, immer hilfsbereit, aber wenig an Menschen oder der realen Welt interessiert; sanft und ordentlich, er braucht Ordnung und Struktur, hat eine Leidenschaft für Details“. Die Teilnehmenden sollten beurteilen, ob Steve eher Bibliothekar oder Landwirt ist. Die überwiegende Mehrheit wählte „Bibliothekar“, obwohl Landwirte in der Population deutlich zahlreicher sind als Bibliothekare (S007). Die Beschreibung war repräsentativ für das Bibliothekar‑Stereotyp und überwand die statistische Realität.

Spätere Studien zeigten die Beständigkeit des Phänomens selbst bei direkter Erfahrung. Gudi (1997) zeigte, dass die Ignorierung der Basisrate erhalten bleibt, wenn Informationen durch unmittelbare Erfahrung und nicht durch abstrakte Beschreibung erworben werden. Das widerlegt die Hypothese, dass die Verzerrung ausschließlich das Ergebnis einer abstrakten Informationspräsentation ist, und weist auf tiefere kognitive Mechanismen hin (S005).

Kumulative Fehler bei sequenziellen Entscheidungen

Eine aktuelle Studie von Ashinoff und Kollegen (2022) zeigte, wie die Ignorierung der Basisrate die sequenzielle Aktualisierung von Überzeugungen beeinflusst. Wenn Menschen eine Reihe von Befunden erhalten, müssen sie ihre Wahrscheinlichkeitsbewertungen fortlaufend aktualisieren, doch die systematische Untergewichtung der Basisraten in jedem Schritt führt zu kumulativen Fehlern. Diese Fehler können in realen Entscheidungssituationen gravierende Folgen haben, etwa in der medizinischen Diagnostik oder bei Gerichtsverfahren (S008).

Das Phänomen ist eng verbunden mit der Verfügbarkeitsheuristik, bei der einprägsame Beispiele leichter erinnert werden als statistische Daten. Darüber hinaus verstärkt der Bestätigungsfehler den Effekt: Sobald eine Hypothese auf Basis diagnostischer Informationen gebildet wurde, suchen Menschen nach bestätigenden Befunden und ignorieren widersprüchliche Basisraten. Der Ankereffekt spielt ebenfalls eine Rolle, wenn die anfängliche Schätzung, die auf konkreten Details beruht, zum Ausgangspunkt wird, der nicht ausreichend in Richtung statistischer Realität korrigiert wird.

Probabilistische Urteile, Entscheidungsfindung unter Unsicherheit

Beispiele für das Ignorieren der Basisrate in realen Situationen

Szenario 1: Medizinisches Screening und falsch-positive Ergebnisse

Stellen Sie sich vor, Sie lassen sich auf eine seltene Krankheit screenen, die bei 1 von 1.000 Personen vorkommt (Basisrate = 0,1 %). Der Test ist zu 95 % genau: Er erkennt die Krankheit in 95 % der Fälle, in denen sie tatsächlich vorhanden ist (Sensitivität), und erkennt das Fehlen der Krankheit in 95 % der Fälle, in denen sie nicht vorhanden ist (Spezifität). Sie erhalten ein positives Testergebnis. Wie hoch ist die Wahrscheinlichkeit, dass Sie die Krankheit tatsächlich haben? (S008)

Die meisten Menschen, einschließlich vieler medizinischer Fachkräfte, antworten intuitiv mit „etwa 95 %“ oder „sehr hoch“, indem sie sich auf die Testgenauigkeit konzentrieren und die Basisrate der Erkrankung ignorieren. Eine korrekte bayessche Berechnung liefert jedoch ein völlig anderes Ergebnis.

Gruppe	Anzahl von 1000	Positives Ergebnis
Menschen mit Erkrankung	1	1 (95 % von 1)
Gesunde Menschen	999	50 (5 % von 999)
Gesamtzahl positiver Ergebnisse		51

Von den 51 Personen mit positivem Ergebnis ist nur 1 tatsächlich krank – die Wahrscheinlichkeit liegt bei etwa 2 % und nicht bei 95 %. Dieses Ignorieren der Basisrate hat dramatische Folgen: Patienten erleben enormen Stress, unterziehen sich invasiven Zusatzuntersuchungen und erhalten unnötige Behandlungen (S008). Ärzte, die Basisraten nicht berücksichtigen, verordnen übermäßige diagnostische Verfahren, was zu iatrogenen Komplikationen und einer ineffizienten Ressourcennutzung führt.

Szenario 2: Investitionsentscheidungen und „heiße“ Aktien

Ein Investor liest eine beeindruckende Geschichte über ein KI-Startup: ein charismatischer Gründer mit Abschluss einer renommierten Universität, revolutionäre Technologie, begeisterte Medienberichte und eine kürzlich erfolgte Finanzierungsrunde von bekannten Risikokapitalgebern. All diese Details erzeugen ein überzeugendes Erfolgsnarrativ. Der Investor entscheidet sich, einen erheblichen Betrag zu investieren, wobei er die Basisrate ignoriert: Statistisch bringen die meisten Startups, selbst solche mit Risikokapitalfinanzierung, den Investoren keinen Gewinn (S004).

Dies ist ein klassisches Beispiel für das Ignorieren der Basisrate bei finanziellen Entscheidungen. Spezifische, auffällige Informationen über ein konkretes Unternehmen überwiegen die nüchterne Statistik darüber, wie sich Startups im Allgemeinen verhalten. Der Investor konzentriert sich darauf, wie „repräsentativ“ das Unternehmen für das Bild eines erfolgreichen Startups ist, und vernachlässigt die grundlegende Erfolgswahrscheinlichkeit in dieser Kategorie.

Während technologischer Blasen ignorieren Investoren massenhaft historische Basisraten von Unternehmensbewertungen und konzentrieren sich stattdessen auf fesselnde Narrative der „neuen Wirtschaft“ und einzelne Erfolgsgeschichten. Analysten, die detaillierte Berichte über die Perspektiven einer konkreten Aktie präsentieren, erzeugen die Illusion spezifischen Wissens, das relevanter erscheint als die allgemeine Statistik zur Rendite verschiedener Anlageklassen (S004). Das Ergebnis sind systematische Fehlbewertungen von Risiken und Fehlallokationen in Portfolios.

Szenario 3: Personalmanagement und Kandidatenbewertung

Ein HR‑Manager führt ein Vorstellungsgespräch mit einem Kandidaten für die Position des Projektleiters. Der Kandidat macht einen hervorragenden Eindruck: Er beantwortet Fragen souverän, zeigt Charisma und erzählt überzeugende Geschichten über frühere Erfolge. Der Manager bildet sich ein starkes positives Bild und empfiehlt die Einstellung, wobei er die Basisrate ignoriert: Die Mehrheit der Kandidaten, die im Gespräch einen hervorragenden Eindruck hinterlassen, werden keine herausragenden Mitarbeitenden (S008).

Studien zeigen, dass zukünftige HR‑Manager die Erfolgswahrscheinlichkeit von Kandidaten systematisch überschätzen, indem sie sich auf spezifische Details ihrer Profile stützen, und die Relevanz statistischer Daten darüber, wie sich Kandidaten mit ähnlichen Merkmalen typischerweise verhalten, unterschätzen. Manager verlassen sich auf subjektive Eindrücke und Stereotype, die eine Form der Verfügbarkeitsheuristik darstellen, anstatt objektive Leistungsprädiktoren zu berücksichtigen.

Diese Verzerrung in HR‑Entscheidungen hat gravierende organisatorische Konsequenzen. Unternehmen investieren erhebliche Ressourcen in die Einstellung und Schulung von Mitarbeitenden, die den Erwartungen, die auf überhöhten Einschätzungen im Auswahlprozess basieren, nicht gerecht werden. Das Ignorieren von Basisraten begünstigt zudem verschiedene Formen von Diskriminierung: Wenn Manager sich auf intuitive Urteile verlassen, übersehen sie eher objektive Daten zu Leistungsprädiktoren für unterschiedliche demografische Gruppen. Effektive Einstellungssysteme sollten den Entscheidungsprozess so strukturieren, dass Basisraten sichtbar und zwingend zu berücksichtigen sind.