Selection Bias (Stichprobenfehler) – Definition & Beispiel

Was ist der Selection Bias? – Definition

Als Selection Bias (Stichprobenfehler) bezeichnet man die Verzerrung von Analyseergebnissen, die auf die Auswahl einer nicht repräsentativen Stichprobe zurückzuführen ist. Da die Stichprobe nur eine Teilmenge des Datensatzes darstellt, können die in der Stichprobe gefundenen Ergebnisse nicht auf die Grundgesamtheit übertragen werden.

Stichprobenfehler treten bei jeder Analyse, die auf Stichproben beruht, in unterschiedlichem Ausmaß auf. Dies liegt einfach daran, dass Stichproben niemals die Gesamtheit der untersuchten Daten repräsentieren können. Dennoch ist es möglich, durch geschickte Auswahl einer repräsentativen Teilmenge den Stichprobenfehler zu minimieren. Es gibt jedoch auch Stichprobenfehler, die ihren Ursprung entweder im Prozess oder in der Person des Prozessdurchführenden haben.

Ursachen des Selection Bias

Der Selection Bias ist vor allem aus wissenschaftlichen Studien bekannt und kann auf verschiedene Weise entstehen, beispielsweise durch:

• Nicht-zufällige Auswahl der Stichprobe: Wenn die Auswahl der Studienteilnehmer nicht nach dem Zufallsprinzip erfolgt, kann dies zu einer Stichprobe führen, die sich in wesentlichen Merkmalen von der Grundgesamtheit unterscheidet.
• Selbstselektion: Die Teilnehmer entscheiden selbst, ob sie an der Studie teilnehmen oder nicht, was dazu führen kann, dass die Gruppe bestimmte Merkmale oder Verhaltensweisen aufweist, die sie von Nicht-Teilnehmern unterscheiden.
• Verfügbarkeitsverzerrung (Availability Bias): Teilnehmer können aufgrund ihrer leichteren Erreichbarkeit oder Verfügbarkeit überrepräsentiert sein, was nicht unbedingt die Merkmale der Gesamtpopulation widerspiegelt.
• Abbruchverzerrung: Wenn während einer Langzeitstudie bestimmte Teilnehmer ausfallen, z.B. aufgrund von Krankheit, und diese Ausfälle nicht zufällig sind, kann dies die Ergebnisse verzerren.

Auswirkungen des Stichprobenfehlers auf Investoren

Der Selection Bias ist eine am Kapitalmarkt häufig zu beobachtende kognitive Verzerrung (cognitive bias), so dass in der Börsenpsychologie auch von einem „Investor Bias“ gesprochen wird. Er kann als Folge von oder komplementär zu den folgenden Heuristiken der Verhaltensökonomie (Behavioral Finance) auftreten.

• Survivorship Bias: Dieser entsteht, wenn sich Analysen bspw. nur auf aktuell erfolgreiche oder noch existierende Unternehmen konzentrieren, während gescheiterte oder vom Markt verschwundene Unternehmen ignoriert werden. Dies kann zu einer Überschätzung der durchschnittlichen Aktienrenditen führen, da nur die „Überlebenden“ betrachtet werden.
• Look-Ahead Bias: Dieser Bias entsteht, wenn Investoren oder Analysten Informationen in ihre Modelle oder Analysen einbeziehen, die zum Zeitpunkt der tatsächlichen Investitionsentscheidung noch nicht verfügbar waren. Dies führt zu einer unrealistisch positiven Bewertung von Anlagestrategien.
• Confirmation Bias: Investoren neigen dazu, Informationen zu suchen, zu interpretieren, zu bevorzugen und zu erinnern, die ihre früheren Entscheidungen oder bestehenden Überzeugungen bestätigen (Bestätigungsfehler). Dies kann dazu führen, dass sie widersprechende Beweise ignorieren und sich nur auf ausgewählte Daten konzentrieren, die ihre Hypothesen stützen.
• Data Mining: Darunter versteht man das Phänomen, dass Analysten und Investoren große Datenmengen nach Mustern durchsuchen, z.B. mit Stockscreener. Manchmal führt dies zur Entdeckung von „Mustern“, die eher auf Zufall als auf einer tatsächlichen, reproduzierbaren Finanzmarktlogik beruhen. Ohne strenge statistische Validierung können solche Ergebnisse irreführend sein.
• Sample Selection Bias: Dies ist der Fall, wenn die Stichprobe einer Analyse oder eines Investitionsmodells nicht repräsentativ für das gesamte Marktverhalten ist. Beispielsweise kann eine Analyse, die sich auf Technologieaktien beschränkt, die Marktdynamik anderer Sektoren nicht widerspiegeln.

Beispiel für den Selection Bias an der Börse

Ein Anleger möchte wissen, welche Fondsmanager überdurchschnittliche Ergebnisse erzielen, indem er die durchschnittliche Rendite aller aktiven Aktienfonds über die letzten 10 Jahre analysiert. Wenn die Daten jedoch nur die noch aktiven Fonds enthalten und die wegen schlechter Performance liquidierten Fonds nicht berücksichtigt werden, ergibt sich ein verzerrtes Bild. Der durchschnittliche Erfolg der untersuchten Fonds erscheint höher als er tatsächlich ist, da die gescheiterten Fonds, die wahrscheinlich geringere Renditen erzielt haben, nicht berücksichtigt werden.

Dies kann dazu führen, dass Anleger die Leistung von Fondsmanagern zu optimistisch einschätzen, da sie nur die Daten der noch übrigen Fonds sehen (Survivorship Bias). Eine solche Verzerrung kann Anlageentscheidungen beeinflussen und Anleger dazu verleiten, mehr in Fonds zu investieren, als sie normalerweise tun würden, weil sie davon ausgehen, dass die Fondsbranche insgesamt erfolgreicher ist, als sie es tatsächlich ist.

Selection Bias beim Investieren überwinden – 2 Tipps

Investitionsentscheidungen, die auf einem Selection Bias beruhen, haben keine solide Entscheidungsgrundlage. Sie können daher zu teilweise erheblichen Verlusten führen. Dem Stichprobenfehler kann jedoch entgegengewirkt werden, indem u.a. folgende Hinweise beachtet werden

Tipp Nummer 1 – Systematisiertes Investieren

Systematisierte Investitionsansätze ermöglichen es Investoren, ihre Investitionsentscheidungen auf der Grundlage eines festen Regelwerks zu treffen. Dabei kann auch der Prozess der Datenerhebung systematisiert werden, um das Auftreten von Stichprobenfehlern zu minimieren.

So kann beispielsweise festgelegt werden, dass die Fundamentaldaten der analysierten Unternehmen immer direkt aus den Jahresabschlüssen entnommen werden. Dies sollte dann auch für weiterführende Analysen wie z.B. Wettbewerbsanalysen gelten. Die eigene Datenerhebung ist zwar etwas aufwendiger, jedoch hat man den Prozess in der eigenen Hand, wodurch statistischen Fehlern wie dem Selection Bias entgegengewirkt werden kann.

Tipp Nummer 2 – Bottom-Up-Ansatz

Der Bottom-up-Ansatz beginnt die Analyse immer auf der kleinsten Ebene. In der Kapitalmarktanalyse beginnt die Analyse daher auf der Ebene des einzelnen Unternehmens. Da sich der Investor in diesem Fall auf die Fundamentaldaten des Unternehmens konzentriert, werden seine Investitionsentscheidungen nicht von Stichprobenfehlern beeinflusst, die auf einer höheren Ebene auftreten. Der Investor kann somit die Renditechancen und das Risiko für jede einzelne Investition belastbar einschätzen und qualifizierte Entscheidungen treffen.