Selection Bias (Stichprobenfehler) – Definition & Beispiel

Selection Bias – Definition

Der Selection Bias bezeichnet eine systematische Verzerrung von Analyseergebnissen. Diese entsteht, wenn die untersuchte Stichprobe nicht zufällig oder nicht vollständig aus der relevanten Grundgesamtheit stammt. In der Folge werden Analysen verzerrt und Schlussfolgerungen verlieren an Aussagekraft.

Wichtig ist die Abgrenzung zum allgemeinen Stichprobenfehler: Jede Stichprobe weicht in gewissem Maß zufällig von der Grundgesamtheit ab. Stichprobenverzerrung liegt jedoch nur dann vor, wenn diese Abweichung systematisch durch Auswahl-, Teilnahme- oder Ausfallprozesse verursacht wird.

Ursachen des Selection Bias

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

• Nicht-zufällige Auswahl der Stichprobe: Wenn die Auswahl der Untersuchungseinheiten nicht nach nachvollziehbaren und möglichst unverzerrten Kriterien erfolgt, kann sich die Stichprobe in wesentlichen Merkmalen von der Grundgesamtheit unterscheiden.
• Selbstselektion: Wenn Personen selbst entscheiden, ob sie an einer Studie, Umfrage oder Datenerhebung teilnehmen, können sich Teilnehmer systematisch von Nicht-Teilnehmern unterscheiden.
• Untererfassung oder Convenience Sampling: Werden vor allem leicht erreichbare, besonders sichtbare oder bequem verfügbare Beobachtungen einbezogen, kann dies dazu führen, dass bestimmte Gruppen überrepräsentiert sind, während andere kaum erfasst werden.
• Nonresponse Bias: Wenn ein Teil der ausgewählten Personen nicht antwortet und diese Ausfälle nicht zufällig sind, kann die verbleibende Stichprobe verzerrt sein.
• Abbruchverzerrung: Wenn während einer Langzeitstudie oder Analyse bestimmte Teilnehmer, Unternehmen oder Datensätze ausfallen und diese Ausfälle systematisch sind, kann dies die Ergebnisse ebenfalls verzerren.

Formen der Selection Bias

Selection Bias kann in der Praxis unterschiedliche Ausprägungen annehmen. Zu den wichtigsten Formen im Finanzkontext zählen insbesondere der Survivorship Bias und der Sample Selection Bias.

• Survivorship Bias: Diese Sonderform des Selection Bias entsteht, wenn Analysen nur auf aktuell existierende oder erfolgreiche Unternehmen, Fonds oder Strategien blicken, während gescheiterte, liquidierte oder vom Markt verschwundene Fälle unberücksichtigt bleiben. Die historische Durchschnittsperformance kann dadurch zu positiv erscheinen.
• Sample Selection Bias: Hierbei handelt es sich um eine direkte Form des Selection Bias. Er liegt vor, wenn die für eine Analyse verwendete Auswahl den relevanten Markt oder die Grundgesamtheit nur unzureichend abbildet. Beispielsweise kann eine Auswertung, die ausschließlich Technologieaktien umfasst, nicht ohne Weiteres Aussagen über den Gesamtmarkt erlauben.

Abgrenzung zu verwandten Verzerrungen und Fehlerquellen

Neben den eigentlichen Formen des Selection Bias gibt es weitere Verzerrungen und methodische Fehlerquellen, die in der Praxis häufig gemeinsam auftreten, fachlich jedoch davon zu unterscheiden sind.

• Look-Ahead Bias: Hierbei werden in Modellen oder Backtests Informationen verwendet, die zum betrachteten Entscheidungszeitpunkt tatsächlich noch nicht verfügbar waren. Das führt häufig zu unrealistisch guten Ergebnissen und ist fachlich vor allem ein Backtesting- bzw. Modellierungsproblem, nicht jedoch ein Selection Bias im engeren Sinn.
• Data Mining bzw. Data Snooping: Wenn große Datenmengen wiederholt nach Mustern durchsucht werden, können scheinbar attraktive Zusammenhänge gefunden werden, die in Wahrheit auf Zufall beruhen. Dies ist in erster Linie ein Problem multipler Tests bzw. der Überanpassung und kein Selection Bias im engeren statistischen Sinn.
• Confirmation Bias: Investoren neigen dazu, Informationen zu suchen, zu interpretieren und stärker zu gewichten, die ihre bestehenden Überzeugungen bestätigen. Dabei handelt es sich um eine kognitive Verzerrung aus der Behavioral Finance und nicht um einen Selection Bias im engeren statistischen Sinn.

Auswirkungen des Stichprobenfehlers auf Investoren

Der Selection Bias kann bei Investitionen dazu beitragen, dass Renditeerwartungen überschätzt, Risiken unterschätzt oder strategische Entscheidungen auf Basis verzerrter Datenausschnitte getroffen werden.

Insbesondere im Bereich der Finanzanalyse, wo die Qualität der Datengrundlage entscheidend ist, können verschiedene Auswahl- und Auswertungsfehler die Einschätzungen und das Verhalten von Investoren beeinflussen.

Beispiel für den Selection Bias an der Börse

Ein Finanzportal möchte herausfinden, wie erfolgreich Privatanleger mit Einzelaktien investieren. Dazu startet es eine offene Online-Umfrage, an der jeder freiwillig teilnehmen kann. Besonders aktive und erfolgreiche Anleger beteiligen sich jedoch eher als Anleger mit schwachen Ergebnissen oder geringer Handelsaktivität. Die ausgewerteten Antworten vermitteln dadurch den Eindruck, dass Privatanleger im Durchschnitt höhere Renditen erzielen, als dies in der Gesamtgruppe tatsächlich der Fall ist.

In diesem Fall entsteht der Selection Bias durch Selbstselektion: Nicht die gesamte relevante Anlegerpopulation wird erfasst, sondern vor allem diejenigen, die sich freiwillig beteiligen. Die Stichprobe ist daher systematisch verzerrt.

Beispiel für den Selection Bias im Backtesting

Ein Analyst testet eine Aktienstrategie für den S&P 500 über die letzten 15 Jahre. Dabei verwendet er jedoch die heutigen Indexmitglieder als historisches Anlageuniversum, anstatt die jeweils damaligen Indexbestandteile zu berücksichtigen.

Dadurch enthält der Backtest überproportional Unternehmen, die sich später gut entwickelt haben und deshalb heute im Index sind, während ausgeschiedene oder gescheiterte Unternehmen fehlen. Die Strategie erscheint so erfolgreicher, als sie unter realistischen historischen Bedingungen gewesen wäre.

Beispiel für Survivorship Bias als Sonderform des Selection Bias

Ein Anleger möchte herausfinden, welche Fondsmanager überdurchschnittliche Renditen erzielen. Dazu analysiert er die durchschnittliche Performance aktiver Aktienfonds über einen längeren Zeitraum. Allerdings berücksichtigt er dabei nur die Fonds, die heute noch existieren – nicht jedoch jene, die wegen schwacher Wertentwicklung geschlossen oder mit anderen Fonds verschmolzen wurden.

Diese Form des Selection Bias wird als Survivorship Bias (Überlebensverzerrung) bezeichnet. Sie kann Anleger dazu verleiten, die Fähigkeiten von Fondsmanagern zu überschätzen und die historische Erfolgsquote aktiver Fonds zu positiv einzuschätzen.

Zusätzlich kann diese Verzerrung durch selektive Darstellung verstärkt werden. Fondsgesellschaften neigen dazu, vor allem besonders erfolgreiche Produkte hervorzuheben, während schwächere Fonds deutlich weniger Aufmerksamkeit erhalten. Dadurch kann bei Anlegern ein verzerrter Eindruck der durchschnittlichen Qualität des Angebots entstehen, insbesondere wenn die Auswahl der gezeigten Beispiele nicht offengelegt wird.

Selection Bias beim Investieren überwinden

Investitionsentscheidungen, die auf einer verzerrten Datenauswahl beruhen, sind fehleranfällig und können zu falschen Bewertungen von Chancen und Risiken führen. Um Selection Bias und verwandte Auswertungsfehler zu reduzieren, helfen systematische Ansätze, belastbare Datenquellen und klar definierte Auswahlregeln.

Systematisiertes Investieren

Ein strukturierter Investitionsansatz reduziert Verzerrungen, indem Entscheidungen auf nachvollziehbaren Regeln und möglichst vollständigen Daten beruhen. Besonders wichtig ist eine konsistente Datenerhebung – etwa durch die Auswertung von Unternehmensberichten, regulatorischen Veröffentlichungen und breit angelegten Datenbanken.

Ebenso sollten Ein- und Ausschlusskriterien für Analysen vorab festgelegt werden. Zwar ist eine präzise Datenerhebung aufwendiger, doch sie reduziert Fehlerquellen wie Selection Bias, Survivorship Bias und andere Verzerrungen in der Analyse.

Saubere Datenbasis und robuste Auswertung

Um Selection Bias zu vermeiden, sollte die betrachtete Datenbasis die relevante Marktgesamtheit möglichst vollständig abdecken. Dazu gehört, dass auch ausgeschiedene Unternehmen, eingestellte Fonds oder historische Indexmitglieder berücksichtigt werden, wenn sie für die Fragestellung relevant sind.

Darüber hinaus sollten Backtests mit zeitpunktgerechten Daten arbeiten und Ergebnisse nach Möglichkeit außerhalb der ursprünglichen Stichprobe überprüft werden. So lässt sich besser einschätzen, ob eine Strategie tatsächlich robust ist oder nur auf einer verzerrten Auswahl beruht.

Bottom-Up-Ansatz

Beim Bottom-Up-Ansatz beginnt die Aktienanalyse auf Unternehmensebene, anstatt primär von allgemeinen Markttrends auszugehen. Das kann helfen, einzelne Unternehmen gründlicher zu verstehen. Entscheidend bleibt, dass die Auswahl der untersuchten Unternehmen, Kennzahlen und Vergleichsgruppen nach konsistenten und transparenten Kriterien erfolgt. Nur dann lassen sich Renditechancen und Risiken fundiert bewerten.