Bayessches Denken für Prognostiker

Bayessches Denken ist eine disziplinierte Art, deine Meinung zu ändern: Du startest mit einer Ausgangsannahme (dem Prior), prüfst, wie gut neue Belege dazu passen, und landest bei einer aktualisierten Einschätzung, dem sogenannten Posterior. Der Satz von Bayes ist einfach die Rechnung, die dir genau sagt, wie weit du dich bewegen solltest.

Die meisten von uns passen ihre Meinung schlecht an. Entweder klammern wir uns an den ersten Eindruck, oder wir springen zur letzten Schlagzeile, die gerade reinkam. Bayessches Denken ist der Mittelweg: Jeder Beleg verschiebt deine Schätzung um einen Betrag, der davon abhängt, wie überraschend er wäre, wenn du falschliegst. Mach dir das zur Gewohnheit, und deine Prognosen werden stabiler, besser kalibriert und viel schwerer zu täuschen.

Die drei Begriffe, die du wirklich brauchst

Der Satz von Bayes gilt als einschüchternd, aber die ganze Idee passt in drei einfache Begriffe.

• Prior: was du geglaubt hast, bevor die neuen Belege kamen. Oft ist das eine Basisrate, also die allgemeine Häufigkeit des Ereignisses.
• Likelihood: wie erwartbar die Belege in jeder der beiden Welten wären, in der Welt, in der deine Hypothese stimmt, und in der, in der sie falsch ist.
• Posterior: deine überarbeitete Einschätzung, nachdem du Prior und Likelihood kombiniert hast. Sie wird zum Prior für den nächsten Beleg.

Der Mechanismus ist schnell erklärt: Belege, die viel wahrscheinlicher sind, wenn deine Hypothese stimmt, als wenn sie falsch ist, sollten deine Einschätzung kräftig nach oben ziehen. Belege, die in beiden Fällen ungefähr gleich wahrscheinlich sind, sagen dir fast nichts und sollten dich kaum bewegen. Die meisten Denkfehler entstehen, wenn man eine Seite dieses Vergleichs ignoriert.

Die Regel ist benannt nach Thomas Bayes, einem Geistlichen aus dem 18. Jahrhundert, dessen Aufsatz über die „doctrine of chances“ 1763 veröffentlicht wurde, zwei Jahre nach seinem Tod. Die Mathematik hat sich seitdem nicht verändert. Verändert hat sich, wie selbstverständlich sie heute genutzt wird, um über die Zukunft nachzudenken.

Der Prior ist meist eine Basisrate

Der mit Abstand häufigste Fehler ist, vom falschen Prior auszugehen oder gar keinen festzulegen. Bevor du dir die Details eines Falls anschaust, frag dich, wie oft so etwas im Allgemeinen passiert. Diese Hintergrundhäufigkeit ist dein Prior, und sie ist der Anker für alles, was folgt.

Psychologen nennen das Versäumnis „Basisratenfehler“ (base-rate neglect). Daniel Kahneman hat dokumentiert, wie bereitwillig Menschen Basisraten über Bord werfen, sobald sie eine lebendige, konkrete Geschichte hören, selbst wenn diese Geschichte viel weniger aussagekräftig ist als die nüchterne Statistik.

Die richtige Referenzklasse für diese Basisrate zu wählen, ist eine eigene Fähigkeit. Lies Basisraten und Referenzklassen-Prognosen, um zu erfahren, wie du die Gruppe findest, zu der dein Fall gehört.

Ein durchgerechnetes Beispiel mit echten Zahlen

Nichts macht Bayes schneller verständlich als eine konkrete Rechnung. Hier ist der klassische Fall des medizinischen Tests, an dem selbst ausgebildete Fachleute scheitern.

Angenommen, eine Krankheit betrifft 1 von 100 Menschen. Ein Test erkennt 99 % der echten Fälle, schlägt aber auch bei 5 % der Gesunden fälschlich an. Dein Test ist positiv. Wie wahrscheinlich ist es, dass du die Krankheit wirklich hast? Die meisten tippen auf etwa 95 %. Die richtige Antwort liegt bei ungefähr 17 %, und Bayes zeigt, warum.

1. Starte mit dem Prior. In der Gesamtbevölkerung hat 1 von 100 Menschen die Krankheit, also liegt dein Prior vor dem Test bei 1 %.
2. Notiere die Likelihoods. Der Test schlägt bei 99 % der Erkrankten an und bei 5 % der Nicht-Erkrankten.
3. Stell dir 10.000 Menschen vor. Etwa 100 haben die Krankheit, und der Test erkennt 99 davon korrekt.
4. Schau dir die 9.900 Gesunden an. Der Test schlägt bei 5 % von ihnen fälschlich an, das sind 495 falsch positive Ergebnisse.
5. Zähle alle positiven Ergebnisse: 99 richtig positive plus 495 falsch positive ergeben 594 Menschen mit positivem Test.
6. Lies den Posterior ab. Von diesen 594 haben nur 99 wirklich die Krankheit, deine aktualisierte Wahrscheinlichkeit ist also 99 / 594, rund 17 %.

Das Ergebnis fühlt sich falsch an, weil die auffällige Tatsache, ein positiver Test, die unscheinbare übertönt, die niedrige Basisrate. Aber es gibt schlicht viel mehr Gesunde, die Fehlalarme erzeugen, als Kranke, die echte Treffer erzeugen. Ein einziger positiver Test hat dich von 1 % auf 17 % gebracht, ein großer Sprung, aber keine Beinahe-Gewissheit. Ein zweiter, unabhängiger positiver Test würde dich erneut verschieben, diesmal von 17 % aus nach oben. Das ist bayessches Aktualisieren in Aktion: Jedes neue Ergebnis formt das vorherige um.

Gute Prognostiker aktualisieren in kleinen Schritten

Die besten Prognostiker behandeln ihre Wahrscheinlichkeit wie einen Drehregler, nicht wie einen Schalter. Wenn ein neuer Datenpunkt kommt, stellen sie sich eine einzige Frage: Wie viel wahrscheinlicher ist das, wenn ich richtigliege, als wenn ich falschliege? Dann justieren sie nach, statt zu springen.

• Sie starten bei einer Basisrate statt beim ersten auffälligen Detail.
• Sie bewegen sich bei schwachen Belegen ein wenig und bei starken Belegen deutlich, im Verhältnis dazu, wie aussagekräftig sie sind.
• Sie vermeiden die zwei typischen Fehler: sich so stark zu verankern, dass Belege nie ankommen, und so heftig zu reagieren, dass jede Schlagzeile ihre Meinung umdreht.
• Sie aktualisieren ständig weiter, denn eine Prognose ist eine laufende Schätzung, kein einmaliges Urteil.

Diese schrittweise Gewohnheit ist eine der Eigenschaften, die Spitzenprognostiker von der Masse unterscheiden. Lies Superforecaster einfach erklärt für die weiteren Fähigkeiten, die dazugehören.

Warum das für Vorhersagen zum Weltgeschehen wichtig ist

Fragen aus der echten Welt kommen selten mit sauberen Zahlen, aber die Denkweise lässt sich direkt übertragen. Eine Umfrage erscheint, ein Unternehmen verfehlt seine Gewinnprognose, ein Gerücht macht die Runde: Jedes davon ist ein Beleg, und Bayes sagt dir, dass du ihn gegen eine Basisrate abwägen sollst, statt ihn für die ganze Geschichte zu halten. Ein Amtsinhaber, der in einer einzigen Umfrage drei Punkte vorne liegt, sollte nicht auslöschen, was dir Dutzende frühere Umfragen und jahrzehntelange Basisraten von Wahlen schon gesagt haben.

Die Gewohnheit schützt dich auch davor, manipuliert zu werden. Sensationelle Belege sind darauf ausgelegt, aussagekräftig zu wirken. Stell aber die bayessche Frage, wie wahrscheinlich das wäre, wenn die Behauptung falsch ist, und viele „Enthüllungen“ schrumpfen zu bloßem Rauschen. Über viele Vorhersagen hinweg ist es genau das Bewegen um den richtigen statt um den dramatischen Betrag, das eine gut kalibrierte Bilanz ergibt.

Mit Kalibrierung prüfst du, ob deine Anpassungen auf Dauer die richtige Größe haben. Lies Prognose-Kalibrierung einfach erklärt, um zu sehen, wie eine gut abgestimmte Bilanz aussieht.

Üb es an echten Fragen

Bayessches Aktualisieren ist ein Muskel, und der einzige Weg, ihn aufzubauen, ist, Wahrscheinlichkeitsprognosen abzugeben und zu sehen, wie sie ausgehen. Sag etwas voraus, beobachte das Ergebnis und achte darauf, ob du dich zu stark oder zu wenig bewegt hast.

Mit Clutch sagst du echte Nachrichten und Sportereignisse mit In-App-Credits voraus, und die App führt Buch. So spürst du, wie deine Priors auf die Realität treffen, und siehst, wie sich deine Kalibrierung verbessert. Hol dir die App und fang an, wie ein Bayesianer zu aktualisieren.