Selection Bias (Stichprobenfehler) – Definition & Beispiel

Selection Bias – Definition

Der Selection Bias bezeichnet eine systematische Verzerrung in Analyseergebnissen, die durch die Auswahl einer nicht repräsentativen Stichprobe entsteht. Da die Stichprobe nur eine Teilmenge der Grundgesamtheit darstellt, können die gewonnenen Ergebnisse nicht uneingeschränkt auf die gesamte Population übertragen werden.

Diese Verzerrung bei jeder Untersuchung auf, die auf Stichproben basiert – wenn auch in unterschiedlichem Ausmaß. Der Grund dafür ist, dass eine Stichprobe niemals die gesamte Population perfekt widerspiegeln kann. Durch eine gezielte Auswahl einer möglichst repräsentativen Stichprobe können die Auswirkungen jedoch reduziert werden.

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 eine Stichprobe ergeben, die sich in wesentlichen Merkmalen von der Grundgesamtheit unterscheidet.
• Selbstselektion: Die Teilnehmer entscheiden selbst, ob sie an der Studie teilnehmen oder nicht. Das trägt dazu bei, 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 Stichprobenfehler kann bei Investitionen dazu beitragen, dass Renditeerwartungen überschätzt, Risiken unterschätzt oder strategische Entscheidungen auf Basis falscher Annahmen getroffen werden.

Insbesondere im Bereich der Finanzanalyse, wo die Interpretation von Daten eine zentrale Rolle spielt, können verschiedene Formen von Stichprobenfehlern – bewusst oder unbewusst – die Einschätzungen und das Verhalten von Investoren stark beeinflussen. Einige der häufigsten Verzerrungen aufgrund von Selection Bias sind:

• 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. Durchschnittliche Aktienrenditen werden dadurch überschätzt, 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. Dadurch werden Anlagestrategien unrealistisch positiv bewertet.
• Confirmation Bias: Investoren neigen dazu, Informationen zu suchen, zu interpretieren, zu bevorzugen und zu erinnern, die ihre früheren Entscheidungen oder bestehenden Überzeugungen bestätigen (Bestätigungsfehler). Widersprüchliche Beweise werden ignoriert und der Fokus wird auf ausgewählte Daten gelegt, die die Hypothese stützen.
• Data Mining: Darunter versteht man das Phänomen, dass Analysten und Investoren große Datenmengen nach Mustern durchsuchen, z.B. mit Stockscreener. Dabei werden Muster entdeckt, 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 herausfinden, welche Fondsmanager überdurchschnittliche Renditen erzielen. Dazu analysiert er die durchschnittliche Performance aller aktiven Aktienfonds der letzten zehn Jahre. Allerdings berücksichtigt er dabei nur die noch existierenden Fonds – nicht jedoch diejenigen, die aufgrund schlechter Performance aufgelöst wurden.

Diese Form des Selection Bias wird als Survivorship Bias (Überlebensverzerrung) bezeichnet. Sie kann Anleger dazu verleiten, die Fähigkeiten von Fondsmanagern zu überschätzen und beispielsweise mehr Kapital in Fonds zu investieren, obwohl viele aktiv gemanagte Fonds langfristig unterdurchschnittlich abschneiden.

Zusätzlich kann diese Verzerrung durch selektive Werbung verstärkt werden. Fondsgesellschaften neigen dazu, ihre besten Fonds gezielt zu bewerben, während Fonds mit unterdurchschnittlicher Performance kaum oder gar nicht beworben werden. Unerfahrene Anleger sind davon besonders betroffen, aber auch erfahrene Anleger sind nicht immun, insbesondere wenn die Werbung die Selektivität der präsentierten Daten geschickt verschleiert.​

Selection Bias beim Investieren überwinden

Investitionsentscheidungen, die auf einem Selection Bias beruhen, sind fehleranfällig und können zu erheblichen Verlusten führen. Um Verzerrungen zu vermeiden, helfen systematische Ansätze und eine gezielte Datenerhebung.

Systematisiertes Investieren

Ein strukturierter Investitionsansatz reduziert Verzerrungen, indem Entscheidungen auf klaren Regeln basieren. Besonders wichtig ist eine konsistente Datenerhebung – etwa durch die direkte Analyse von Unternehmensbilanzen und Finanzberichten. Auch weiterführende Analysen, wie Wettbewerbsvergleiche, sollten auf neutralen und umfassenden Daten beruhen. Zwar ist die eigene Datenerhebung aufwendiger, doch sie minimiert Fehlerquellen wie den Selection Bias.

Bottom-Up-Ansatz

Beim Bottom-Up-Ansatz beginnt die Aktienanalyse auf Unternehmensebene, anstatt von übergeordneten Markttrends auszugehen. Da die Entscheidungen auf den Fundamentaldaten einzelner Unternehmen basieren, werden Verzerrungen durch selektive oder unvollständige Stichproben vermieden. So lassen sich Renditechancen und Risiken präziser bewerten und fundierte Investitionsentscheidungen treffen.