Vier AfD-Kandidaten vor der Wahl gestorben: Zufall? (Wahrscheinlichkeit mittels Poisson-Verteilung)

Es gibt eine auffällige Häufung von Todesfällen unter AfD-Kandidaten vor der Kommunal-Wahl in Nordrhein-Westfalen. Wie wahrscheinlich ist es, dass dies ein zufälliges Ereignis ist? Im Video wird eine Abschätzung mittels Poisson-Verteilung vorgenommen und mit einer Monte-Carlo-Simulation überprüft.

Infos zu den Todesfällen: https://www.nzz.ch/international/sech...


►WEITERE INFORMATIONEN VON TEAM RIECK:


1. Statistische Grundkonzepte & Fallstricke

Die initiale Fehlbewertung solcher Häufungen resultiert häufig aus fundamentalen statistischen Fehlschlüssen. Zentral ist das Multiples-Testing-Problem (Look-Elsewhere-Effekt). Die Ex-post Betrachtung eines spezifischen, seltenen Ereignisses ist irreführend. Die Wahrscheinlichkeit, irgendein ungewöhnliches Ereignis zu beobachten, ist stets höher als die Wahrscheinlichkeit für das Eintreten des ex ante spezifizierten Ereignisses. Analog: Die Wahrscheinlichkeit, ein beliebiges auffälliges Kfz-Kennzeichen zu sehen, ist hoch; die Wahrscheinlichkeit für ein exakt vorhergesagtes spezifisches Kennzeichen ist vernachlässigbar gering.

Für die Modellierung seltener Ereignisse in einer großen Population (n groß, p klein) ist die Poisson-Verteilung der Binomialverteilung vorzuziehen, da sie diese gut approximiert und mathematisch leichter handhabbar ist.

Ein Signifikanzniveau von u1% (z.B. 0,34%) bedeutet zwar statistische Seltenheit, ist jedoch nicht synonym mit Kausalität. Es ist eine notwendige, jedoch keine hinreichende Bedingung für den Nachweis einer nicht-zufälligen Ursache. Weitere Untersuchung ist zwingend erforderlich.

2. Ereignisdefinition & Datenbasis

Das zentrale Problem liegt in der präzisen Definition des Target-Ereignisses. Die berechnete Wahrscheinlichkeit variiert um Größenordnungen in Abhängigkeit von:
Der betrachteten Fallzahl (genau k vs. mindestens k Todesfälle).
Der definierten Population (nur Partei A vs. alle Kandidaten).
Dem betrachteten Zeitfenster (ein Monat vs. ein Jahr).
Die Datenqualität ist entscheidend. Jede seriöse Schätzung der erwarteten Todesfälle erfordert:
Alters- und geschlechtsspezifische Sterbewahrscheinlichkeiten (amtliche Sterbetafeln).
Die exakte Alters- und Geschlechterverteilung der betrachteten Kandidatengruppe.
Den exakten Untersuchungszeitraum.
Fehlen diese Daten, bleiben alle Berechnungen spekulativ.

3. Kontext & Vergleiche

Eine isolierte Betrachtung ist wertlos. Erforderlich ist ein vergleichender Ansatz:
Altersstruktur: Eine Partei mit systematisch älteren Kandidaten weist eine höhere Basissterbewahrscheinlichkeit auf. Dies ist ein konfundierender (störender) Faktor, für den adjustiert werden muss.
Relative Häufigkeit: Todesfälle müssen mit denen anderer Parteien im gleichen Zeitraum verglichen werden. Eine isolierte Häufung in einer Gruppe ist auffällig; eine generelle Erhöhung über alle deutet auf einen gemeinsamen externen Faktor (z.B. Wahlkampfstress) hin.
Historische Vergleichsdaten: Gab es ähnliche Häufungen in der Vergangenheit? Dies hilft, die Baseline für zufällige Schwankungen zu kalibrieren.

4. Alternative Erklärungsansätze

Ökonomen betrachten stets alternative Erklärungen jenseits der naheliegenden Kausalität (Zufall vs. Absicht):
Clusteing-Effekte: Zufällige räumliche oder zeitliche Häufungen sind ein bekanntes statistisches Phänomen und beweisen per se keine Kausalität.
Medienecho & Wahrnehmungsverzerrung: Initiale mediale Aufmerksamkeit führt zu einer verstärkten Wahrnehmung und Meldung nachfolgender, sonst vielleicht nicht beachteter Fälle. Dies erzeugt einen selbsterfüllenden Berichterstattungszyklus, der eine Häufung suggeriert.

5. Handlungsempfehlungen für eine seriöse Untersuchung

Ein standardisierter, transparenter Prozess ist essentiell:
Versicherungsmathematisches Gutachten: Beauftragung eines Aktuars zur Berechnung der erwarteten Todesfallzahl unter Berücksichtigung aller demografischen und zeitlichen Parameter.
Forensische Standarduntersuchung: Bei unklaren Todesfällen sind Obduktionen der methodische Goldstandard zur Unterscheidung natürlicher von nicht-natürlichen Todesursachen.
Transparente Entscheidungsregeln: Staatsanwaltschaften müssen klare, statistisch fundierte Schwellenwerte definieren, ab wann eine rein zufällige Erklärung unwahrscheinlich genug ist, um Ermittlungen einzuleiten.

6. Kognitive Verzerrungen (Biases)

Die öffentliche Debatte wird maßgeblich von kognitiven Verzerrungen getrieben:
Confirmation Bias: Die Interpretation von Daten wird unbewusst so vorgenommen, dass sie die bestehende weltanschauliche Überzeugung stützt.
Ankerheuristik: Der erste, oft dramatisierte und falsche Wahrscheinlichkeitswert dient als mentaler Anker, von dem sich eine rationale Diskussion nur schwer lösen kann.
Gegenmittel: Systematisches Gedankenexperiment.


#profrieck #afd #wahrscheinlichkeit