Die Clustering-Illusion

Auf einen Blick

1. Kurze Zusammenfassung

Unser Gehirn ist eine Mustersuchmaschine, die sich entwickelt hat, um Ordnung im Chaos zu finden: das Rascheln im Gras, das ein Raubtier ankündigt, die Wolkenform, die einen Sturm voraussagt. Derselbe Überlebensmechanismus hat allerdings eine Kehrseite. Wir sehen Muster, wo keine sind. Betrachten wir Zufallsdaten, seien es Aktienkurse, Krebsfälle auf einer Landkarte oder die Wurfserie eines Basketballspielers, nehmen wir bedeutsame Häufungen wahr, die nur die natürliche „Klumpigkeit“ des Zufalls sind. Echter Zufall verteilt sich nicht gleichmäßig. Er ist klumpig, und unser Gehirn hält diese Klumpen für Belege verborgener Kräfte.

Einfach erklärt

Die Clustering-Illusion bedeutet, dass Sie ein Muster in Dingen sehen, die nur durch Zufall passiert sind. Echter Zufall ist klumpig. Zufällige Dinge verteilen sich nicht gleichmäßig. Sie ballen sich zusammen, und Ihr Gehirn liest in diesen Klumpen ein Zeichen, dass etwas dahintersteckt.

Stellen Sie sich vor, Sie spielen ein Videospiel, in dem Beute zufällig fällt. Sie bekommen mehrmals hintereinander seltene Gegenstände und denken, dieser Level bringe Glück, also spielen Sie ihn immer wieder. Oder Ihre Musik-App spielt zwei Lieder derselben Sängerin direkt nacheinander, und Sie sind sicher, dass der Zufallsmodus kaputt ist. In beiden Fällen ist nichts Besonderes passiert. Der Zufall hat einen kleinen Klumpen gebildet, wie er es oft tut.

Das können Sie tun: Wenn Sie eine Serie entdecken, fragen Sie sich: „Kann das manchmal einfach durch Glück passieren?“ Meistens lautet die Antwort Ja. Beobachten Sie dann eine Weile weiter, bevor Sie entscheiden, dass wirklich etwas dahintersteckt. Ein paar Versuche reichen nicht aus, um das zu erkennen.

2. Die Wissenschaft dahinter

2.1. Entdeckung und Geschichte

Die Clustering-Illusion ist aus einer langen Reihe von Forschungen zum menschlichen Denken hervorgegangen. Mehrere wichtige Entwicklungen gaben dem Konzept seine Gestalt:

• 1970er: Die israelischen Psychologen Amos Tversky und Daniel Kahneman beschrieben die Repräsentativitätsheuristik, die das psychologische Fundament dafür liefert, warum wir Häufungen falsch deuten
• 1958: Der deutsche Neurologe Klaus Conrad prägte den Begriff „Apophänie“ für die allgemeine Neigung, zwischen unzusammenhängenden Dingen bedeutsame Verbindungen wahrzunehmen, ursprünglich im Zusammenhang mit Schizophrenie
• 1985: Die wegweisende „Hot Hand“-Studie von Gilovich, Vallone und Tversky brachte die Clustering-Illusion in den wissenschaftlichen Hauptdiskurs
• 1991: Thomas Gilovichs Buch How We Know What Isn't So machte die „Clustering-Illusion“ als eigenständige kognitive Verzerrung bekannt
• 2018: Die mathematische Neuanalyse von Miller und Sanjurjo zeigte, dass selbst die Forscher, die die Illusion untersuchten, statistische Fehler gemacht hatten, ein Hinweis darauf, wie tief diese Verzerrung sitzt

2.2. Wichtige Forschende

2.3. Wegweisende Studien

Die Hot-Hand-Studie (Gilovich, Vallone, & Tversky, 1985)

Diese Studie prüfte den unter Basketballfans, Spielern und Trainern verbreiteten Glauben, dass Spieler „heiß laufen“ und Erfolg weiteren Erfolg nach sich zieht.

Methodik:

• Befragung von 100 Basketballfans zu ihren Überzeugungen über Wurfserien
• Analyse der Wurfstatistiken der Philadelphia 76ers in der Saison 1980-81
• Untersuchung bedingter Wahrscheinlichkeiten: Steigt die Trefferwahrscheinlichkeit nach vorherigen Treffern?
• Analyse der Freiwurfstatistiken der Boston Celtics (ohne Störgrößen durch die Verteidigung)
• Kontrollierte Wurfexperimente mit Auswahlspielern der Cornell University

Zentrale Ergebnisse:

• 91 % der Fans glaubten, ein Spieler habe nach vorherigen Treffern eine bessere Trefferchance
• 84 % hielten es für wichtig, einem Spieler zuzuspielen, der gerade mehrere Würfe getroffen hat
• Die tatsächlichen Daten zeigten, dass die Trefferwahrscheinlichkeit praktisch unabhängig von vorherigen Ergebnissen war
• Die Zahl der beobachteten „Serien“ entsprach genau dem, was in Zufallsfolgen zu erwarten wäre
• Spieler konnten ihre eigenen Treffer und Fehlwürfe nicht besser als per Zufall vorhersagen, selbst wenn sie sich „heiß fühlten“

Schlussfolgerung: Die Forscher folgerten, dass die Hot Hand eine kognitive Illusion ist, die aus der Clustering-Illusion in Verbindung mit einer Gedächtnisverzerrung entsteht (man erinnert sich an Serien und vergisst abwechselnde Muster).

Die Widerlegung durch Miller und Sanjurjo (2018)

Dreißig Jahre später fanden die Ökonomen Joshua Miller und Adam Sanjurjo einen subtilen, aber entscheidenden Fehler in der ursprünglichen Methodik: die Serienauswahl-Verzerrung.

Die Entdeckung: In jeder endlichen Folge binärer Daten ist der Anteil der Erfolge nach einer Erfolgsserie erwartungsgemäß kleiner als die zugrunde liegende Erfolgswahrscheinlichkeit. Das ist kontraintuitiv, aber mathematisch beweisbar. Bei 100 Münzwürfen liegt der erwartete Anteil von Kopf bei den Würfen, die direkt auf dreimal Kopf in Folge folgen, bei etwa 0,46 und nicht bei 0,50.

Folgen:

• GVT nahmen an, dass eine Trefferquote von 50 % nach einer Trefferserie gegen eine Hot Hand spreche
• Bei einem Werfer mit 50 % Trefferquote und 100 Würfen liegt die korrekte Vergleichsbasis nach drei Treffern in Folge bei etwa 46 %; wer nach einer Serie seine übliche Quote hält, übertrifft also tatsächlich die Zufallserwartung
• Die Neuanalyse fand statistisch signifikante Belege für den Hot-Hand-Effekt

Meta-Lektion: Selbst Wissenschaftler, die die Clustering-Illusion untersuchten, fielen statistischen Missverständnissen über den Zufall zum Opfer. So tief sitzt die Verzerrung.

Clarkes Analyse der V-2-Bombardierung (1946)

Der britische Versicherungsmathematiker R.D. Clarke führte eine statistische Analyse der Einschläge deutscher V-2-Raketen in Südlondon durch.

Methodik:

• Südlondon wurde in 576 gleich große Rasterquadrate (0,25 km²) unterteilt
• Erfasst wurden 537 Bombeneinschläge in diesen Quadraten
• Mit der Poisson-Verteilung wurden die unter reinem Zufall erwarteten Ergebnisse berechnet

Ergebnisse:

Schlussfolgerung: Die „Häufungen“, die die Londoner glauben ließen, bestimmte Stadtteile würden gezielt angegriffen, waren vollständig mit dem Zufall vereinbar.

2.4. Neurologische Grundlage

An der Clustering-Illusion sind mehrere kognitive Mechanismen und Hirnsysteme beteiligt:

Mustererkennungssysteme:

• Der visuelle Kortex und die Mustererkennungsnetzwerke des Gehirns sind evolutionär darauf abgestimmt, Regelmäßigkeiten zu erkennen
• Der Temporallappen verarbeitet sequenzielle Informationen und erkennt Abweichungen von erwarteten Mustern
• Werden Häufungen erkannt, melden diese Systeme „Muster erkannt!“, auch wenn keines vorhanden ist

Der Kodierungsmechanismus (Falk & Konold):

• Menschen beurteilen Zufälligkeit danach, wie schwer sich eine Folge gedanklich kodieren lässt
• Eine Folge wie „KKKKKK“ lässt sich leicht kodieren („Sechsmal Kopf“) → wird als nicht zufällig beurteilt
• Eine Folge wie „KZKKZK“ lässt sich schwer kodieren (man müsste sie auswendig lernen) → wird als zufällig beurteilt
• Zufallsprozesse erzeugen gelegentlich „komprimierbare“ Häufungen, die das Gehirn als Muster markiert

Dopaminerge Belohnungssysteme:

• Mustererkennung aktiviert Belohnungsbahnen und verschafft beim Entdecken von Häufungen einen neurologischen „Kick“
• Das erzeugt eine positive Rückkopplung, die das Mustersuchverhalten verstärkt
• Die Freude am „Punkte verbinden“ motiviert dazu, weiter Muster zu erkennen, auch wenn sie falsch sind

Aufmerksamkeitssysteme:

• Forschung von Stian Reimers legt nahe, dass die Alternationsverzerrung auf Aufmerksamkeitssysteme zurückgehen könnte, die auf die Erkennung von Veränderungen abgestimmt sind
• In natürlichen Umgebungen signalisieren Veränderungen wichtige Ereignisse, auf die man reagieren muss
• Stabile Zustände (Häufungen) erhalten zusätzliche Aufmerksamkeit, weil sie von der erwarteten Abwechslung abweichen

3. Evolutionäre Ursprünge

Die Clustering-Illusion ist die Schattenseite einer unserer größten evolutionären Stärken: der Fähigkeit, Kausalzusammenhänge schnell zu erkennen.

Überlebensvorteil in der Urzeit: In der Umwelt unserer Vorfahren war die Fähigkeit, Muster zu erkennen, eine Voraussetzung fürs Überleben:

• Zu erkennen, dass ein Rascheln im hohen Gras mit einem Raubtier zusammenhängt, konnte Leben retten
• Zu erkennen, dass bestimmte Wolkenformen Stürme ankündigen, ermöglichte Vorbereitung
• Zu bemerken, dass bestimmte Pflanzen gehäuft in der Nähe von Wasserquellen wachsen, half beim Sammeln
• Zu erkennen, dass sich Tierspuren an Wasserstellen häufen, verbesserte den Jagderfolg

Die Asymmetrie von Kosten und Nutzen: Aus evolutionärer Sicht waren falsch positive Treffer (ein Muster sehen, das nicht da ist) weit weniger kostspielig als falsch negative (ein vorhandenes Muster übersehen):

• Falsch positiv: Sie fliehen vor einem Rascheln, das nur der Wind war → geringer Energieverlust
• Falsch negativ: Sie ignorieren ein Rascheln, das tatsächlich ein Raubtier war → Tod

Diese Asymmetrie erzeugte einen starken Selektionsdruck zugunsten mustersensibler Köpfe, auch wenn sie gelegentlich „Gespenster sahen“.

Die moderne Fehlanpassung: Dieselbe fein abgestimmte Empfindlichkeit für Strukturen wurde in der modernen Welt unzweckmäßig:

• Finanzmärkte, die einem Random Walk folgen
• Krankheitshäufigkeiten, die statistischen Verteilungen folgen
• Shuffle-Algorithmen, die mathematisch zufällige Folgen erzeugen
• Sportstatistiken, die der Wahrscheinlichkeitstheorie unterliegen

Unser Gehirn wendet urzeitliche Mustererkennungsalgorithmen auf moderne stochastische Daten an und sieht Kausalität im Zufall und Absicht im Unfall.

4. Wie sich diese Verzerrung zeigt

4.1. Im Alltag

Glücksspiel und Spiele:

• Glauben, ein Spielautomat sei nach einer Verlustserie „fällig“
• Meinen, die eigenen „Glückszahlen“ im Lotto seien bedeutsam, weil sie schon einmal gezogen wurden
• Strähnen in Kartenspielen als Beleg dafür wahrnehmen, dass man „einen Lauf hat“

Sportbegeisterung:

• Darauf bestehen, dass die eigene Mannschaft „immer“ verliert, wenn man sie ansieht
• Glauben, bestimmte Spieler seien aufgrund einprägsamer Leistungen „Clutch-Spieler“
• Eine Schiedsrichterbevorzugung aus einer Häufung von Entscheidungen gegen das eigene Team ableiten

Musik und Unterhaltung:

• Glauben, der eigene Streamingdienst sei zugunsten bestimmter Künstler „voreingenommen“, wenn der Zufallsmodus sie hintereinander abspielt
• Wahrnehmen, dass ein bestimmtes Genre „immer“ zu bestimmten Zeiten läuft

Aberglaube:

• Rituale entwickeln, die auf zufälligen Häufungen beruhen (das „Glücks“-Kleidungsstück tragen)
• An „Serien“ von Glück oder Pech glauben
• In zufälligen Alltagsereignissen bedeutsame Muster sehen

4.2. Am Arbeitsplatz

Leistungsbeurteilung:

• Führungskräfte, die Mitarbeitende aufgrund jüngster Ergebnishäufungen als „heiße“ oder „kalte“ Leistungsträger wahrnehmen
• Bewerbende nach „Serien“ in ihrem Lebenslauf statt nach der Gesamtbilanz beurteilen
• Glauben, bestimmte Teams oder Abteilungen hätten aufgrund jüngster Leistungshäufungen „Schwung“

Vertrieb und Geschäftsentwicklung:

• „Heißen“ Kontakten nachjagen, die bloß zufällige Erfolgshäufungen sind
• Vielversprechende Strategien nach zufälligen Misserfolgsserien aufgeben
• Glauben, bestimmte Zeiten, Orte oder Vorgehensweisen seien aufgrund zufälliger Ergebnisse von Natur aus besser

Projektmanagement:

• Projekten aufgrund von Ergebnishäufungen „Schwung“ zuschreiben oder sie als „verflucht“ ansehen
• Ressourcen aufgrund jüngster Leistungsserien verteilen
• Auf Häufungen von Verzögerungen oder Erfolgen überreagieren

4.3. In Wirtschaft und Marketing

Verbrauchermanipulation:

• Casinos nutzen die Clustering-Illusion, indem sie die zuletzt gezogenen Gewinnzahlen anzeigen und Spieler so zum Setzen auf „heiße“ oder „fällige“ Zahlen anregen
• „Erfolgsserien“ eines Produkts bewerben, um FOMO (Fear Of Missing Out, die Angst, etwas zu verpassen) zu erzeugen
• Künstliche Häufungen durch selektive Berichterstattung über Erfolge und Kundenstimmen erzeugen

Produktgestaltung:

• Spotify und Apple haben ihre Shuffle-Algorithmen so umgebaut, dass sie weniger zufällig sind, weil echter Zufall den Nutzern „kaputt“ vorkam
• Intelligente Shuffle-Algorithmen verhindern aktiv Häufungen, um die Erwartungen der Nutzer an „Zufall“ zu erfüllen
• Spieldesigner steuern den wahrgenommenen Zufall, damit er sich „fairer“ anfühlt

Verkaufstaktiken:

• Häufungen jüngster Käufe anzeigen, um auf Trendprodukte hinzuweisen
• „Zeitlich begrenzte“ Angebote einsetzen, nachdem Häufungen von Verkäufen gezeigt wurden
• Gebündelte Kundenstimmen präsentieren, um allgemeine Zufriedenheit nahezulegen

4.4. In Politik und Medien

Umfragen und Wahlen:

• In Umfragedaten „Schwung“ wahrnehmen, der nur auf zufälligen Schwankungen innerhalb der Fehlermarge beruht
• Glauben, bestimmte Regionen oder Bevölkerungsgruppen „kippten“, weil Ergebnisse gehäuft auftreten
• Medienberichte, die zufällige Häufungen zu bedeutsamen Trends aufbauschen

Nachrichtenberichterstattung:

• Berichte über „Verbrechenswellen“, die auf zufälligen Häufungen von Vorfällen beruhen
• „Epidemie“-Vokabular für statistisches Rauschen in Gesundheitsdaten
• Erzählungen um zufällige Ereignishäufungen herum konstruieren

Verschwörungstheorien:

• Unzusammenhängende Ereignisse zu bedeutsamen Mustern verknüpfen
• In zufälliger zeitlicher Nähe absichtliche Koordination sehen
• Zufällige Datenhäufungen als Beleg verborgener Kräfte deuten

4.5. Im Gesundheitswesen

Krebscluster:

• Panik in der Bevölkerung, wenn in Wohngegenden zufällige Häufungen von Krebsfällen auftreten
• Untersuchungen zu Umweltursachen für statistisches Rauschen fordern
• Das Long Island Breast Cancer Study Project (1990er) gab $30 Millionen aus, um eine vermeintliche Häufung zu untersuchen, die sich weitgehend durch demografische Faktoren und Entdeckungsverzerrung erklären ließ

Diagnosefehler:

• Ärztinnen und Ärzte, die aufgrund jüngster Patientenhäufungen Krankheits-„Muster“ wahrnehmen
• Zu viele Untersuchungen anordnen, weil es zuletzt „Serien“ positiver Befunde gab
• Zufällige Symptomhäufungen bestimmten Ursachen zuschreiben

Beurteilung von Behandlungen:

• Patienten, die Behandlungen für wirksam halten, weil zufällig mehrere Symptomverbesserungen zusammenfallen
• Medikamente absetzen, weil zufällig mehrere Nebenwirkungen auftreten
• Alternativmedizin, die von der Fehlzuschreibung zufälliger Besserungshäufungen lebt

4.6. In Finanzen und Geldanlage

Technische Analyse:

• In zufälligen Kursdaten „Kopf-Schulter-Formationen“, „Doppelhochs“ und andere Muster erkennen
• Studien zeigen, dass Analysten dieselben Muster in computergenerierten Random-Walk-Charts erkennen
• Handelsstrategien auf Muster aufbauen, die statistisches Rauschen sind

Trendjagd:

• Anleger, die eine Häufung positiver Renditen als „heiße“ Aktie mit grundlegend verändertem Wert deuten
• Am Höhepunkt zufälliger Häufungen kaufen (nachdem die Serie schon eingetreten ist)
• Das finanzielle Gegenstück zum Hot-Hand-Fehlschluss

Herdenverhalten:

• Dem gebündelten Verhalten anderer Anleger folgen statt der Fundamentalanalyse
• Untersuchungen weisen darauf hin, dass dies in Märkten mit geringerer Finanzbildung besonders stark ausgeprägt ist
• Sich selbst verstärkende Blasen auf Grundlage wahrgenommenen Schwungs erzeugen

Verlustwahrnehmung:

• Eine Häufung von Verlusttagen wird als „Crash“ wahrgenommen, der Panikverkäufe erfordert
• Zufällige Schwankungen innerhalb der Standardabweichung lösen unverhältnismäßig starke Angstreaktionen aus
• Verlusthäufungen fühlen sich bedeutsamer an als gleich große Gewinnhäufungen

5. Fallstudien aus der Praxis

Fallstudie 1: Die V-2-Raketenangriffe auf London (1944-1945)

• Kontext: Im Zweiten Weltkrieg beschoss Nazi-Deutschland London mit V-1-Flugbomben und V-2-Raketen. Die V-2 war im Wesentlichen ein ungelenktes Geschoss mit großer Streuung, gedacht für den wahllosen Beschuss der Stadt.

• Was geschah: Die Londoner beobachteten, dass Bomben in Häufungen zu fallen schienen. Bestimmte Stadtteile in Südlondon wurden wiederholt getroffen, während angrenzende Bezirke verschont blieben. Panik breitete sich aus, dazu Theorien über deutsche Spione in den getroffenen Vierteln, über gezielte Angriffe auf die Armen oder über eine Lenkung auf bestimmte Wahrzeichen.

• Die Verzerrung bei der Arbeit: Die Bewohner erwarteten, dass wahlloser Beschuss eine gleichmäßige Verteilung über die Stadt erzeugen würde. Als sie stattdessen Häufungen sahen, mit manchen mehrfach getroffenen und anderen unberührten Gebieten, verwarfen sie den Zufall und suchten nach ursächlichen Erklärungen.

• Folgen: Die Clustering-Illusion löste Panik aus, Abwanderung aus „anvisierten“ Gebieten, Groll zwischen den Stadtvierteln und eine Fehlsteuerung der Ressourcen des Zivilschutzes. Es wurde Energie darauf verschwendet, nach nicht existierenden Spionen zu suchen.

• Gewonnene Erkenntnisse: R.D. Clarkes statistische Analyse von 1946 bewies, dass das Einschlagsmuster der Poisson-Verteilung entsprach, also genau dem, was reiner Zufall hervorbringt. In jeder Zufallsverteilung ist Gleichförmigkeit unmöglich; manche Gebiete müssen mehrfach getroffen werden, während andere völlig verschont bleiben.

Fallstudie 2: Das Long Island Breast Cancer Study Project (1990er-2000er)

• Kontext: Frauen in den Countys Nassau und Suffolk auf Long Island, New York, bemerkten, dass die Brustkrebsraten ungewöhnlich hoch zu sein schienen. Basisbewegungen wie „1 in 9“ drängten auf eine Untersuchung und vermuteten Umweltgifte (Pestizide, elektromagnetische Felder, Industrieabwässer) als Ursache.

• Was geschah: Politischer Druck führte zu einem Auftrag des Kongresses für das Long Island Breast Cancer Study Project (LIBCSP), ein riesiges Vorhaben aus mehreren Studien für $30 Millionen, das über mehr als ein Jahrzehnt vom National Cancer Institute koordiniert wurde.

• Die Verzerrung bei der Arbeit: Die Bewohnerinnen und Bewohner nahmen eine bedeutsame Häufung von Krebsfällen wahr und nahmen an, dass sie eine lokale Umweltursache haben müsse. Das ist der „Texas-Scharfschützen-Fehlschluss“: die Zielscheibe um eine Häufung von Datenpunkten zu zeichnen, nachdem man sie beobachtet hat.

• Folgen: Nach einer erschöpfenden Untersuchung von Boden-, Wasser-, Staub- und Blutproben:

  • Zwischen Organochlorverbindungen (DDT/PCB) und Brustkrebs wurde kein Zusammenhang gefunden
  • Mit Stromleitungen wurde kein Zusammenhang gefunden
  • Nur ein schwacher, nicht eindeutiger Zusammenhang mit polyzyklischen aromatischen Kohlenwasserstoffen
  • Die „Häufung“ ließ sich weitgehend durch demografische Faktoren (wohlhabende Bevölkerung mit später erster Geburt, einem bekannten Risikofaktor) und Entdeckungsverzerrung (hohe Mammografie-Raten fanden mehr Krebsfälle) erklären

• Gewonnene Erkenntnisse: Nicht hinter jeder Häufung steckt ein Umweltfaktor als rauchender Colt. Demografische Faktoren und Entdeckungsraten können scheinbare Häufungen erzeugen, die statistische Artefakte sind und keine Belege für lokale Ursachen.

Historisches Beispiel: Die Krebs-„Häufung“ im Marin County

Ein ähnlicher Fall ereignete sich im Marin County in Kalifornien, einer weiteren wohlhabenden Gegend mit erhöhten Brustkrebsraten. Während die Bewohner Umweltursachen fürchteten:

• Spätere Forschung zeigte, dass die „Häufung“ teilweise auf die hohe Anwendung der Hormonersatztherapie (HRT) in der wohlhabenden Bevölkerung zurückging
• Als der Einsatz der HRT zurückging (nach Studien, die sie mit Krebsrisiko in Verbindung brachten), sanken die Raten
• Es gab einen ursächlichen Zusammenhang, aber nicht den umweltbedingten, den die Clustering-Illusion nahegelegt hatte
• Der Fall zeigt, wie die Clustering-Illusion Ermittelnde in die falsche Richtung schicken kann

6. Die Kosten dieser Verzerrung

6.1. Persönliche Kosten

Finanzielle Verluste:

• „Heißen“ Anlagetrends nachjagen, die zufällige Häufungen sind
• Solide Strategien nach zufälligen Verlustserien aufgeben
• Glücksspielverluste, weil man an „fällige“ Ergebnisse oder „Glückssträhnen“ glaubt

Seelische Belastung:

• Angst, weil man persönliche „Pechsträhnen“ wahrnimmt
• Aberglaube, der alltägliche Entscheidungen einengt
• Irrationale Ängste aufgrund zufälliger Häufungen negativer Ereignisse

Beziehungsschäden:

• Verhaltensmuster bei Partnern aus zufälligen Ereignissen herauslesen
• Unbegründeten Verdacht aus zufälligen Häufungen von Beobachtungen entwickeln
• Der Bestätigungsfehler verfestigt Schlussfolgerungen, die auf Häufungen beruhen

Opportunitätskosten:

• Vielversprechende Vorhaben nach zufälligen frühen Misserfolgen aufgeben
• Chancen verpassen, weil man auf den vermeintlich „richtigen Zeitpunkt“ wartet
• Vergeudeter Aufwand für abergläubische Rituale

6.2. Berufliche Kosten

Anlageverluste:

• Studien zeigen, dass Privatanleger wegen ihres Trendjagd-Verhaltens die Indizes durchweg unterbieten
• Gewinner zu früh verkaufen und Verlierer zu lange halten, aufgrund wahrgenommener Muster
• Transaktionskosten durch übermäßigen Handel auf Grundlage trügerischer Signale

Karriereentscheidungen:

• Stellen verlassen oder Karrierewege aufgeben, weil kurzfristige Ergebnisse sich häufen
• Führungskräfte, die schlechte Einstellungsentscheidungen aufgrund von „Serien“ in Vorstellungsgesprächen treffen
• Leistungsangst durch wahrgenommene negative Leistungsmuster

Fehlschläge in der Unternehmensstrategie:

• Unternehmen, die solide Strategien nach zufällig schlechten Quartalen aufgeben
• Fehlverteilung von Ressourcen aufgrund des wahrgenommenen „Schwungs“ von Abteilungen
• Marktforschung, die durch Mustersuche in Verbraucherdaten verfälscht wird

6.3. Gesellschaftliche Kosten

Mittel für die öffentliche Gesundheit:

• Millionen Dollar, die für die Untersuchung statistischen Rauschens ausgegeben werden (z. B. $30M für die Long-Island-Studie)
• Ressourcen, die von echten Gesundheitsgefahren abgezogen werden
• Besorgnis und Misstrauen in der Bevölkerung, wenn Untersuchungen keine Ursache finden

Fehlsteuerung der Politik:

• „Verbrechenswellen“-Reaktionen auf zufällige Häufungen von Straftaten
• Umweltvorschriften, die auf statistischen Artefakten beruhen
• Ressourcenzuteilung an Nicht-Probleme, während echte Probleme unbeachtet bleiben

Marktineffizienz:

• Kollektive Trendjagd, die Blasen und Crashs erzeugt
• Herdenverhalten, das die Marktschwankungen verstärkt
• Fehlgeleitetes Kapital in „heiße“ Branchen, die nur zufällig heiß sind

6.4. Statistische Auswirkungen

Forschungsergebnisse:

• Die Hot-Hand-Studie ergab, dass 91 % der Basketballfans an die Clustering-Illusion glaubten
• Wagenaar und Bar-Hillel stellten fest, dass Menschen „zufällige“ Folgen mit einer Wechselrate von ~60-70 % erzeugen (echter Zufall = 50 %)
• Die Korrektur von Miller und Sanjurjo zeigt, dass bei einem Werfer mit 50 % Trefferquote und 100 Würfen nach drei Treffern in Folge nur etwa 46 % Treffer zu erwarten sind, eine Verzerrung, die die ursprüngliche Hot-Hand-Analyse übersehen hatte
• Clarkes V-2-Analyse zeigte, dass die öffentliche Wahrnehmung trotz folgenschwerer Umstände systematisch falsch lag

7. Die verborgenen Vorteile

Trotz ihrer Kosten kann die Clustering-Illusion anpassungsfähigen Zwecken dienen:

Schnelle Mustererkennung:

• In Umgebungen, in denen es tatsächlich Muster gibt, verschafft schnelles Erkennen einen Überlebensvorteil
• Die Verzerrung könnte eine optimale Kalibrierung für urzeitliche Umgebungen darstellen, in denen Muster häufig waren
• „Vorsicht ist besser als Nachsicht“ gilt, wenn die Kosten für das Übersehen echter Muster hoch sind

Beschleunigtes Lernen:

• Muster wahrzunehmen, auch wenn sie gelegentlich falsch sind, kann das Lernen in tatsächlich gemusterten Umgebungen beschleunigen
• Die Bereitschaft, Zusammenhänge zu vermuten, ermöglicht die Entwicklung kausalen Denkens
• Auch Wissenschaftler selbst stützen sich auf Mustererkennung, um Hypothesen zu bilden

Soziale Koordination:

• Geteilte Überzeugungen über Muster (Mannschaftsschwung, Glücksbringer) können durch placeboähnliche Mechanismen echte Wirkungen entfalten
• Der Hot-Hand-Glaube kann die Koordination im Team verbessern, auch wenn er statistisch unbegründet ist
• Das Selbstvertrauen aus wahrgenommenen „Erfolgsserien“ kann die Leistung über psychologische Mechanismen steigern

Motivationale Effekte:

• Zu glauben, man sei „auf einem Lauf“, kann den Einsatz in schwierigen Phasen aufrechterhalten
• Fortschrittsmuster wahrzunehmen, bietet emotionale Belohnungen, die das Durchhalten stützen
• Eine vollständige Akzeptanz des Zufalls könnte zielgerichtetes Verhalten untergraben

Wichtiger Vorbehalt: Diese Vorteile gelten in bestimmten Kontexten. In modernen, datenreichen Umgebungen mit bekannten Zufallsprozessen (Märkte, Shuffles, statistische Verteilungen) überwiegen die Kosten der Clustering-Illusion in der Regel ihren Nutzen.

8. Selbsteinschätzung: Haben Sie diese Verzerrung?

8.1. Checkliste der Warnsignale

• Ich glaube, dass manche Spielautomaten „fällig“ für eine Auszahlung sind
• Ich denke, dass Spieler im Sport tatsächlich „heiß“ und „kalt“ laufen
• Ich habe abergläubische Rituale entwickelt, die auf zufälligen Erfolgen beruhen
• Ich habe mich beschwert, dass Shuffle-Algorithmen „kaputt“ seien, weil sie Künstler wiederholen
• Ich glaube, dass bestimmte Tage, Zeiten oder Bedingungen für mich Glück bringen
• Ich habe in Aktiencharts „Trends“ gesehen und danach gehandelt
• Ich habe in zufälligen Ereignissen Muster wahrgenommen und danach gehandelt
• Ich bin sicher, dass ich vorhersagen kann, wann jemand „einen Lauf hat“
• Ich glaube, dass „aller guten Dinge drei sind“ oder ähnliche Häufungsannahmen stimmen
• Ich habe Strategien nach kurzen Serien schlechter Ergebnisse aufgegeben

Auswertung:

• 0-2 angekreuzt: Geringe Anfälligkeit
• 3-5 angekreuzt: Mäßige Anfälligkeit
• 6-8 angekreuzt: Hohe Anfälligkeit
• 9-10 angekreuzt: Sehr hohe Anfälligkeit

8.2. Fragen zur Selbstreflexion

1. Wenn Sie in der Vergangenheit „einen Lauf hatten“: Hat sich Ihr zugrunde liegendes Können tatsächlich verändert, oder haben Sie nur eine zufällige Erfolgshäufung erlebt?

2. Haben Sie schon einmal eine solide Strategie (Diät, Anlageansatz, Arbeitsmethode) wegen einer kurzen Serie schlechter Ergebnisse aufgegeben? War die Strategie im Rückblick fehlerhaft oder unterlag sie nur zufälliger Schwankung?

3. Haben Sie das Gefühl, dass wirklich zufällige Ereignisse „gleichmäßiger verteilt“ sein sollten, als sie es üblicherweise sind? Fühlt sich unmittelbare Wiederholung für Sie „falsch“ an?

4. Haben Sie in Zufallsprozessen (Lottozahlen, Spielergebnisse, Börsenbewegungen) Muster bemerkt, denen Sie Vorhersagekraft zugeschrieben haben?

5. Wie reagieren Sie üblicherweise, wenn Freunde oder Kollegen darauf hinweisen, dass Ihr wahrgenommenes Muster Zufall sein könnte? Abwehrend? Offen?

8.3. Kurzes Diagnoseszenario

Szenario: Sie sehen sich ein Basketballspiel an. Ein Spieler hat 5 Würfe in Folge getroffen. Der Kommentator sagt, er „läuft heiß“. Noch 30 Sekunden sind zu spielen, Ihr Team liegt mit 2 Punkten zurück und hat den Ball.

Wie würden Sie über die Situation denken?

• A) „Er ist heiß, gebt ihm den Ball! Er trifft diesen Wurf viel wahrscheinlicher, als sein Saisondurchschnitt vermuten lässt.“ → Hohe Anfälligkeit

• B) „Er hat 5 in Folge getroffen, das fühlt sich bedeutsam an, aber ich weiß, dass seine tatsächliche Wahrscheinlichkeit beim nächsten Wurf wohl nahe an seinem Saisondurchschnitt liegt. Allerdings könnte ihm sein Selbstvertrauen etwas helfen.“ → Mäßige Anfälligkeit

• C) „Seine letzten 5 Würfe spielen für diesen Wurf keine Rolle. Der Ball sollte zu dem gehen, der von dort, wo er sich freilaufen kann, die beste erwartete Quote hat, unabhängig davon, was gerade passiert ist.“ → Geringe Anfälligkeit

9. Diese Verzerrung bei anderen erkennen

9.1. Verhaltenshinweise

In der Sprache:

• Häufige Verwendung von Wörtern wie „Serie“, „Schwung“, „heiß“, „fällig“, „Muster“
• Erzählungen um zufällige Ereignisse herum („seit ich angefangen habe, …“)
• Sicherheit bei Vorhersagen, die auf jüngsten Beobachtungen beruhen

Bei Entscheidungen:

• Jüngsten Gewinnern nachjagen (Geldanlagen, Strategien, Ansätze)
• Ansätze nach kurzen negativen Serien aufgeben
• Entscheidungen nach dem wahrgenommenen „Timing“ oder „Gefühl“ treffen

Im Alltag:

• Aufwendige Rituale vor ungewissen Ereignissen
• Starke Meinungen über „Glück“ und seine Muster
• Neigung, in Zufällen einen Sinn zu sehen

9.2. Warnzeichen im Gespräch

Sätze, die Menschen unter dem Einfluss dieser Verzerrung sagen:

• „Er läuft heiß, spielt ihm weiter den Ball zu!“
• „Ich bin fällig für einen Sieg; ich habe zu oft hintereinander verloren.“
• „Das ist das dritte Mal diese Woche, da muss doch etwas dahinterstecken.“
• „Der Algorithmus ist eindeutig voreingenommen; er spielt immer dieselben Künstler.“
• „Aller guten Dinge sind drei.“

Arten von Argumenten, die sie vorbringen:

• Kurzfristige Ergebnisse als Beleg für zugrunde liegende Veränderungen anführen
• Statistische Erklärungen als „am Thema vorbei“ abtun
• Sich auf „Gefühl“ oder Intuition statt auf Daten berufen

Fragen, die sie meiden:

• „Wie sähe reiner Zufall hier eigentlich aus?“
• „Wie viele Beobachtungen bräuchte ich, um sicher zu sein, dass es kein Zufall ist?“

9.3. Situative Auslöser

Umstände:

• Beobachtung aufeinanderfolgender Ergebnisse (Sport, Glücksspiel, Märkte)
• Betrachtung räumlicher Daten (Karten von Ereignissen, Verteilungen)
• Beurteilung jüngster Leistungen (eigener, beruflicher, fremder)

Umweltfaktoren:

• Zeitdruck, der schnelles Mustererkennen begünstigt
• Emotionale Beteiligung am Ergebnis
• Begrenzte Rückmeldung über tatsächliche Basisraten

Emotionale Zustände:

• Angst, die nach Erklärung und Kontrolle sucht
• Hoffnung, die nach positiven Zeichen Ausschau hält
• Furcht, die die Wahrnehmung negativer Muster verstärkt

Soziale Kontexte:

• Gruppensituationen, in denen Mustergläubigkeit bestärkt wird
• Expertengemeinschaften (Handel, Sport) mit festgefahrenen Überzeugungen
• Medienberichte, die Serien und Muster hervorheben

10. Strategien gegen die Verzerrung (Debiasing)

10.1. Sofort anwendbare Techniken

Die Basisratenfrage: Bevor Sie ein Muster akzeptieren, fragen Sie: „Was würde ich erwarten, wenn dies reiner Zufall wäre?“ Liegt das beobachtete Muster innerhalb der Zufallserwartung, urteilen Sie vorerst nicht.

Die Prüfung der Stichprobengröße: Fragen Sie: „Wie viele Beobachtungen habe ich?“ Denken Sie daran, dass kleine Stichproben von Natur aus Serien enthalten. Verlangen Sie größere Stichproben, bevor Sie Muster akzeptieren.

Die Korrektur der Alternationsverzerrung: Rufen Sie sich in Erinnerung, dass echter Zufall mehr Serien erzeugt, als Sie intuitiv erwarten. Folgen wie „KKKKKK“ sind nicht ungewöhnlich. Mathematisch müssen sie von Zeit zu Zeit auftreten.

Der kontrafaktische Test: Fragen Sie: „Hätte ich das entgegengesetzte Muster ebenso stark bemerkt, wenn es aufgetreten wäre?“ Oft achten wir selektiv auf Muster, die unsere Erwartungen bestätigen.

Der Texas-Scharfschützen-Alarm: Wenn jemand ein Muster präsentiert, fragen Sie: „Wurde dieses Muster vor oder nach dem Betrachten der Daten vermutet?“ Nachträglich gefundene Muster sollten mit äußerster Skepsis betrachtet werden.

10.2. Langfristige Strategien

Statistische Kompetenz:

• Grundlagen der Wahrscheinlichkeitstheorie und die Poisson-Verteilung lernen
• Verstehen, wie zufällige Folgen tatsächlich aussehen
• Den Spielerfehlschluss und den Hot-Hand-Fehlschluss gezielt studieren

Entscheidungstagebuch:

• Vorhersagen und die Überlegungen dahinter festhalten
• Ergebnisse über die Zeit verfolgen, um Ihre Mustererkennung zu kalibrieren
• Frühere von Ihnen wahrgenommene „Muster“ überprüfen. Wie viele waren echt?

Wahrscheinlichkeitsdenken:

• Üben, in Wahrscheinlichkeiten statt in Gewissheiten zu denken
• Unsicherheit als festen Bestandteil von Zufallsprozessen akzeptieren
• Zwischen „wahrscheinlicher“ und „sicher“ unterscheiden

Widerlegende Belege suchen:

• Aktiv nach Daten suchen, die wahrgenommenen Mustern widersprechen
• Skeptische Quellen befragen, wenn Sie ein Muster wahrnehmen
• Bestätigende und widerlegende Belege mit derselben Sorgfalt prüfen

10.3. Gestaltung der Umgebung

Stichprobengrößen erhöhen:

• Systeme bauen, die Daten zusammenfassen, bevor sie präsentiert werden
• Echtzeit-Feeds meiden, die kurzfristige Schwankungen hervorheben
• Dashboards einrichten, die langfristige Trends statt jüngster Serien betonen

Statistischen Kontext ergänzen:

• Konfidenzintervalle neben den Daten anzeigen
• Historische Verteilungen zum Vergleich zeigen
• Vergleichswerte einbauen, die zeigen, „wie Zufall aussähe“

Abkühlphasen einführen:

• Entscheidungen verzögern, nachdem man Muster wahrgenommen hat
• Eine ausdrückliche Begründung für musterbasierte Handlungen verlangen
• Kontrollpunkte einbauen, die Mustervermutungen hinterfragen

Selbstbindung nutzen:

• Entscheidungsregeln festlegen, bevor man Ergebnisse beobachtet
• Sich für festgelegte Zeiträume auf Strategien verpflichten, unabhängig von kurzfristigen Ergebnissen
• Reibung gegen reaktive, musterbasierte Änderungen schaffen

10.4. Wann man externen Rat einholen sollte

Statistische Expertise suchen, wenn:

• Sie folgenreiche Entscheidungen aufgrund wahrgenommener Muster treffen
• Sie Behauptungen über bedeutsame Häufungen bewerten (Gesundheit, Leistung, Märkte)
• Sie Systeme entwerfen, in denen Zufall eine Rolle spielt

Fachliche Begutachtung (Peer Review) suchen, wenn:

• Sie großes Vertrauen in ein Muster entwickelt haben
• Andere Ihrer Mustererkennung skeptisch gegenüberstehen
• Das Muster erhebliche Verhaltensänderungen antreibt

Fachleute des Gebiets hinzuziehen, wenn:

• Sie beurteilen, ob ein Bereich tatsächlich Muster aufweist (manche tun es!)
• Sie Basisraten und erwartete Schwankungen verstehen wollen
• Sie in Spezialgebieten Signal und Rauschen unterscheiden wollen

11. Praktische Übungen

Übung 1: Die Münzwurf-Herausforderung

• Ziel: Erleben, wie „nicht zufällig“ echter Zufall aussieht
• Benötigte Zeit: 15 Minuten
• Benötigtes Material: Eine Münze, Papier, Stift
• Schwierigkeitsgrad: Anfänger
• Anleitung:
  1. Werfen Sie eine Münze 100-mal und notieren Sie jedes Ergebnis (K oder Z)
  2. Sagen Sie vor dem Blick auf die Daten voraus: Wie lang ist die längste Serie, die Sie beobachten werden?
  3. Kreisen Sie jede Serie von 4 oder mehr gleichen Ergebnissen ein
  4. Zählen Sie die Gesamtzahl dieser Serien
  5. Vergleichen Sie das mit Ihrer Intuition. Hatten Sie mehr oder weniger Serien erwartet?
• Reflexionsfragen:
  • Hat Sie die Anzahl oder Länge der Serien überrascht?
  • Wie „fühlte“ sich die Folge im Vergleich zu dem an, was Sie als „zufällig“ betrachten würden?
  • Hätten Sie ein Muster vermutet, wenn Sie diese Folge gesehen hätten, ohne zu wissen, dass sie von Münzwürfen stammt?
• Häufigkeit: Einmal, danach immer wieder, wenn Sie sich dabei ertappen, in Zufallsdaten Muster wahrzunehmen

Übung 2: „Zufällige“ Folgen erzeugen

• Ziel: Die eigene Alternationsverzerrung erleben
• Benötigte Zeit: 10 Minuten
• Benötigtes Material: Papier, Stift
• Schwierigkeitsgrad: Anfänger
• Anleitung:
  1. Schreiben Sie ohne Münzwurf eine Folge von 50 „zufälligen“ K und Z auf
  2. Zählen Sie die Wechsel (Übergänge K→Z oder Z→K)
  3. Berechnen Sie Ihre Wechselrate: Wechsel ÷ 49 (mögliche Übergänge insgesamt)
  4. Vergleichen Sie sie mit der echten Zufallserwartung von 50 %
  5. Halten Sie fest, wie viel höher Ihre Wechselrate ist
• Reflexionsfragen:
  • Warum haben Sie beim Erzeugen „zufälliger“ Folgen längere Serien vermieden?
  • Wie verändert diese Übung Ihre Wahrnehmung von Zufall?
  • Was verrät das über Ihr intuitives Modell des Zufalls?
• Häufigkeit: Üben Sie, wann immer Sie Ihre Zufallsintuition kalibrieren müssen

Übung 3: Das Audit historischer Muster

• Ziel: Frühere musterbasierte Entscheidungen bewerten
• Benötigte Zeit: 30 Minuten
• Benötigtes Material: Tagebuch oder Notizen zu früheren Entscheidungen
• Schwierigkeitsgrad: Fortgeschritten
• Anleitung:
  1. Listen Sie 5 Entscheidungen auf, die Sie aufgrund wahrgenommener Muster getroffen haben (Geldanlagen, Beziehungen, berufliche Schritte)
  2. Halten Sie für jede fest: Welches Muster haben Sie wahrgenommen? Wie viele Beobachtungen stützten es?
  3. Recherchieren Sie das Ergebnis: Hat sich das Muster wie erwartet fortgesetzt?
  4. Schätzen Sie: Was hätte der Zufall vorhergesagt?
  5. Berechnen Sie Ihre „Mustertrefferquote“
• Reflexionsfragen:
  • Waren Sie bei Mustern, die nicht Bestand hatten, übermäßig überzeugt?
  • Was wäre geschehen, wenn Sie stattdessen Zufall angenommen hätten?
  • Wie können Sie diese Erkenntnis auf aktuelle Entscheidungen anwenden?
• Häufigkeit: Vierteljährliche Überprüfung

Tägliche Übung

Die Gewohnheit „Zufallscheck“: Halten Sie einmal täglich, wenn Sie bemerken, dass Sie ein Muster wahrnehmen (in den Nachrichten, bei der Arbeit, im Privatleben), kurz inne und fragen Sie sich: „Würde ich das erwarten, wenn es Zufall wäre?“ Überlegen Sie 2 Minuten lang, was der Zufall in diesem Zusammenhang tatsächlich hervorbringen würde.

• Empfohlene Dauer: 2-3 Minuten
• Beste Tageszeit: Immer dann, wenn Sie sich beim Mustervergleichen ertappen
• So verfolgen Sie Ihren Fortschritt: Führen Sie eine Strichliste, wie oft das Muster Ihrer Prüfung standhält

Wöchentliche Herausforderung

Woche der Musterskepsis: Führen Sie eine Woche lang ein Protokoll über jedes Muster, das Sie wahrnehmen. Notieren Sie zu jedem Eintrag:

• Das wahrgenommene Muster

• Die Anzahl der Beobachtungen, die es stützen

• Was der Zufall vorhersagen würde

• Ihr Vertrauen (1-10), dass es ein echtes Muster ist

• Erwartete Ergebnisse nach 4 Wochen: Deutlich verbesserte Musterskepsis und Kalibrierung

• Impulse für das Journaling zur Reflexion:

  • Wie viele Muster haben der statistischen Prüfung standgehalten?
  • Was habe ich über meine eigenen Mustererkennungstendenzen gelernt?
  • Wie hat sich mein Verhalten dadurch verändert?

12. Für bestimmte Zielgruppen

Für Führungskräfte und Manager

Folgen für die Führung:

• Mitarbeitende nicht nach jüngsten Leistungsserien beurteilen
• Anerkennen, dass Quartalsergebnisse erhebliche zufällige Schwankungen enthalten
• Nicht dem „Schwung“ in Märkten, Strategien oder Abteilungen nachjagen

Maßnahmen im Team:

• Teams in grundlegendem statistischem Denken schulen
• Mindeststichprobengrößen festlegen, bevor man schließt, dass Muster existieren
• Kulturen schaffen, die musterbasiertes Schlussfolgern hinterfragen

Entscheidungsprozesse:

• Pre-Mortems einführen, die fragen: „Was, wenn dieses Muster Zufall ist?“
• Für jede musterbasierte Strategieänderung einen Vergleich mit Basisraten verlangen
• Überprüfungsphasen einbauen, bevor man auf wahrgenommene Trends reagiert

Organisationsgestaltung:

• Rückmeldesysteme mit längeren Zeithorizonten schaffen
• Kennzahlen entwerfen, die über sinnvolle Zeiträume mitteln
• Echtzeit-Dashboards meiden, die kurzfristige Schwankungen hervorheben

Für Eltern und Lehrkräfte

Altersgerechtes Lehren:

• Mit Münzwurf-Experimenten Zufall veranschaulichen (ab 8 Jahren)
• Den Unterschied zwischen Können und Glück in Spielen besprechen (ab 10 Jahren)
• Wahrscheinlichkeitskonzepte anhand von Sport und Spielen einführen (ab 12 Jahren)

Aktivitäten im Unterricht:

• Schülerinnen und Schüler „zufällige“ Folgen erzeugen lassen und mit tatsächlich zufälligen Folgen vergleichen
• „Erfolgsserien“ in Daten des Schulsports analysieren
• Besprechen, warum Casinos die zuletzt gezogenen Gewinnzahlen anzeigen

Bewusstsein für Verzerrungen vorleben:

• Wenn Kinder Muster wahrnehmen, gemeinsam Kalibrierungsfragen stellen
• Die eigene Unsicherheit zeigen, wenn Muster Zufall sein könnten
• Die Fähigkeit loben, Zufall zu erkennen

Für Fachkräfte im Gesundheitswesen

Klinische Folgen:

• Erkennen, dass Krankheitshäufungen statistische Artefakte sein können
• Keine Überdiagnosen aufgrund jüngster „Muster“ bei Patientenvorstellungen stellen
• Die Besorgnis der Bevölkerung über wahrgenommene Gesundheitshäufungen verstehen

Kommunikation mit Patienten:

• Patienten helfen zu verstehen, dass Symptomhäufungen nicht auf zugrunde liegende Muster hindeuten müssen
• Basisraten und erwartete Schwankungen bei Gesundheitsergebnissen erklären
• Sorgen über Krebshäufungen mit statistischem Kontext begegnen

Diagnostische Überlegungen:

• Der Verfügbarkeitsheuristik widerstehen, die jüngste Patientenmuster verstärkt
• Strukturierte Diagnoseprotokolle verwenden, die nicht auf wahrgenommenen Trends beruhen
• Bei Untersuchungen von Häufungen statistische Beratung hinzuziehen

Für Fachkräfte im Finanzwesen

Anwendungen in der Geldanlage:

• Kundinnen und Kunden über den Unterschied zwischen Signal und Rauschen bei Renditen aufklären
• Mindesthaltedauern einführen, um dem Hinterherlaufen von Serien vorzubeugen
• Historische Daten zur Misserfolgsquote technischer Analysemuster zeigen

Kundenkommunikation:

• Kunden auf unvermeidliche Verlusthäufungen innerhalb normaler Schwankungen vorbereiten
• Jüngste Wertentwicklung in den Kontext langfristiger Erwartungen stellen
• Wünsche nach „heißen“ Aktien oder Fonds mit Aufklärung über Basisraten beantworten

Risikomanagement:

• Zwischen echten Risikosignalen und zufälligen Häufungen unterscheiden
• Portfolios aufbauen, die keine Musterprognose erfordern
• Systematisches Rebalancing unabhängig von kurzfristigen Trends umsetzen

13. Wechselwirkungen mit anderen Verzerrungen

Verzerrungen, die die Clustering-Illusion verstärken

Verzerrungen, die dieser entgegenwirken können

Häufige Verzerrungsketten

Die Hot-Hand-Kaskade: Clustering-Illusion → Bestätigungsfehler → Selbstüberschätzung → Schlechte Entscheidung

Beispiel: Ein Händler nimmt eine „heiße“ Aktie wahr (Clustering-Illusion), bemerkt bestätigende Nachrichten und ignoriert widersprechende Signale (Bestätigungsfehler), wird zuversichtlich, dass sich das Muster fortsetzt (Overconfidence), und erhöht die Positionsgröße am Höhepunkt (Schlechte Entscheidung).

Die Krebscluster-Kaskade: Clustering-Illusion → Verfügbarkeitsheuristik → Texas-Scharfschütze → Attributionsfehler

Beispiel: Eine Gemeinde bemerkt mehrere Krebsfälle (Clustering-Illusion), diese Fälle beherrschen Aufmerksamkeit und Gedächtnis (Verfügbarkeit), um sie wird nachträglich eine geografische Grenze gezogen (Texas-Scharfschütze), und Umweltursachen werden ohne Beleg verantwortlich gemacht (Attributionsfehler).

Die Kaskade unterbrechen:

• Basisraten verlangen, bevor man Muster akzeptiert
• Vorab festgelegte Hypothesen verlangen, bevor man Daten analysiert
• Bei folgenreichen Musterbehauptungen statistische Beratung hinzuziehen

14. Kulturelle Perspektiven

Die Forschung zu kulturellen Unterschieden bei der Clustering-Illusion ist begrenzt, doch es zeichnen sich mehrere Muster ab:

Universelle Aspekte:

• Die grundlegende Neigung, in Zufallsdaten Muster wahrzunehmen, scheint kulturübergreifend universell zu sein
• Das passt zu ihren evolutionären Ursprüngen als Grundmerkmal menschlichen Denkens
• Alle untersuchten Bevölkerungsgruppen zeigen beim Erzeugen „zufälliger“ Folgen die Alternationsverzerrung

Kulturelle Unterschiede:

Auswirkungen der Finanzbildung:

• Forschung in Pakistan legt nahe, dass die Effekte der Clustering-Illusion in Märkten dort stärker sind, wo die Finanzbildung geringer ist
• Besser gebildete Bevölkerungsgruppen erkennen Zufall möglicherweise besser, sind aber bei Weitem nicht immun
• Selbst Nobelpreisträger (Kahneman) beschreiben die Clustering-Illusion als überzeugend, auch wenn sie wissen, dass sie falsch ist

Kulturelle Aberglauben:

• Verschiedene Kulturen entwickeln unterschiedliche Mustergläubigkeiten (Glückszahlen, -tage, Rituale)
• Diese Überzeugungen sind kulturelle Ausdrucksformen der universellen Clustering-Illusion
• Sie zeigen, wie die Verzerrung mit kulturellen Erzählungen zusammenwirkt

15. Mythen und Missverständnisse

16. Expertenstimmen

Thomas Gilovich argumentiert, dass Menschen unterschätzen, wie oft Serien und Häufungen in Zufallsdaten vorkommen, und deshalb in Muster, die der Zufall allein hervorbringt, eine verborgene Ursache hineinlesen. — Zusammenfassung von Thomas Gilovich, How We Know What Isn't So (1991), Kapitel 2, „Something Out of Nothing“

„Das Problem ist, dass sich für Menschen echter Zufall nicht zufällig anfühlt. Deshalb bekamen wir massenhaft Beschwerden von Nutzern, es sei nicht zufällig.“ — Mattias Petter Johansson, ehemaliger Spotify-Entwickler, Quora-Antwort zur Frage, ob Spotifys Shuffle wirklich zufällig ist (berichtet von Tech Xplore, Februar 2015)

„Menschen erwarten, dass eine Ereignisfolge, die von einem Zufallsprozess erzeugt wurde, die wesentlichen Merkmale dieses Prozesses abbildet, selbst wenn die Folge kurz ist.“ — Amos Tversky & Daniel Kahneman, „Judgment under Uncertainty: Heuristics and Biases“, Science (1974) https://doi.org/10.1126/science.185.4157.1124

17. Wichtigste Erkenntnisse

1. Zufall ist klumpig. Echte Zufallsverteilungen enthalten Häufungen, und mathematisch müssen sie das auch. Eine gleichmäßige Verteilung wäre tatsächlich ein Beleg für Nicht-Zufälligkeit.

2. Unsere Mustererkennung ist ein Überlebensmerkmal, kein Fehler. Die Clustering-Illusion ist die Schattenseite des schnellen kausalen Schließens, das unseren Vorfahren beim Überleben half.

3. Kleine Stichproben sind unzuverlässig. Das „Gesetz der kleinen Zahlen“ ist ein Fehlschluss. Wir können nicht erwarten, dass kurze Folgen langfristige Durchschnitte abbilden.

4. Auch Experten fallen darauf herein. Miller und Sanjurjo zeigten, dass die Forscher, die die Clustering-Illusion untersuchten, in ihrer ursprünglichen Analyse statistische Fehler machten.

5. Technik passt sich unserer Verzerrung an. Spotify und Apple machen ihre Shuffles absichtlich weniger zufällig, weil sich echter Zufall für Nutzer kaputt anfühlt.

6. Folgenreiche Bereiche sind anfällig. Die Clustering-Illusion verzerrt Untersuchungen im öffentlichen Gesundheitswesen, Finanzmärkte und strategische Entscheidungen gleichermaßen.

7. Bewusstsein hilft, beseitigt aber nichts. Statistische Schulung kann die Verzerrung verringern, aber nicht ausrotten. Neben dem individuellen Bewusstsein braucht es strukturelle Schutzvorkehrungen und Entscheidungsprozesse.

18. Weiterführende Quellen

Wissenschaftliche Artikel

• Gilovich, T., Vallone, R., & Tversky, A. (1985). The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology, 17(3), 295-314. https://doi.org/10.1016/0010-0285(85)90010-6
• Miller, J. B., & Sanjurjo, A. (2018). Surprised by the hot hand fallacy? A truth in the law of small numbers. Econometrica, 86(6), 2019-2047. https://doi.org/10.3982/ecta14943
• Miller, J. B., & Sanjurjo, A. (2021). Is it a fallacy to believe in the hot hand in the NBA three-point contest? European Economic Review, 138, 103771. https://doi.org/10.1016/j.euroecorev.2021.103771
• Clarke, R. D. (1946). An application of the Poisson distribution. Journal of the Institute of Actuaries, 72(3), 481. https://doi.org/10.1017/s0020268100035435
• Wagenaar, W. A. (1972). Generation of random sequences by human subjects: A critical survey of the literature. Psychological Bulletin, 77(1), 65-72. https://doi.org/10.1037/h0032060
• Falk, R., & Konold, C. (1997). Making sense of randomness: Implicit encoding as a basis for judgment. Psychological Review, 104(2), 301-318. https://doi.org/10.1037/0033-295x.104.2.301

Bücher

• Gilovich, T. (1991). How We Know What Isn't So: The Fallibility of Human Reason in Everyday Life. Free Press.
• Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.
• Mlodinow, L. (2008). The Drunkard's Walk: How Randomness Rules Our Lives. Pantheon Books.
• Taleb, N. N. (2005). Fooled by Randomness: The Hidden Role of Chance in Life and in the Markets. Random House.

Buchkapitel

• Tversky, A., & Kahneman, D. (1971). Belief in the law of small numbers. In Judgment under Uncertainty: Heuristics and Biases (pp. 23-31). Cambridge University Press.

19. Übersichtskarte

20. Glossar der verwendeten Begriffe

21. Diskussionsfragen

Für Lesekreise, Unterricht oder zur Selbstreflexion:

1. Die Studie von Miller und Sanjurjo zeigte, dass selbst die Forscher, die die Clustering-Illusion untersuchten, Fehler beim Verständnis von Zufall machten. Was sagt uns das über die Grenzen von Expertise bei der Überwindung kognitiver Verzerrungen?

2. Spotify entschied sich, seinen Shuffle-Algorithmus weniger zufällig zu machen, um die Nutzer zufriedenzustellen. Ist das der richtige Ansatz? Sollte Technik unsere Verzerrungen berücksichtigen oder uns helfen, sie zu überwinden?

3. Die Long Island Breast Cancer Study gab $30 Millionen aus, um ein statistisches Artefakt zu untersuchen. War das Ressourcenverschwendung oder eine notwendige Antwort auf die Sorgen der Bevölkerung? Wie sollten Gesundheitsbehörden auf wahrgenommene Häufungen reagieren?

4. Wenn die Hot Hand existiert (laut der Korrektur von Miller und Sanjurjo), aber nur schwach, sollten Trainer ihre Strategien dennoch anpassen? Ab welcher Effektstärke wird ein Muster praktisch bedeutsam?

5. In welchen Bereichen Ihres eigenen Lebens könnten Sie der Clustering-Illusion zum Opfer fallen? Wie würden Sie einen Test entwerfen, um das zu prüfen?

Zuletzt aktualisiert: 7 November 2026