Joachim Behnke · Nathalie Behnke Grundlagen der statistischen Datenanalyse
Grundwissen Politik Band 41 Begründet von ...
102 downloads
2830 Views
4MB Size
Report
This content was uploaded by our users and we assume good faith they have the permission to share this book. If you own the copyright to this book and it is wrongfully on our website, we offer a simple DMCA procedure to remove your content from our site. Start by pressing the button below!
Report copyright / DMCA form
Joachim Behnke · Nathalie Behnke Grundlagen der statistischen Datenanalyse
Grundwissen Politik Band 41 Begründet von Ulrich von Alemann Herausgegeben von Arthur Benz Susanne Lütz Georg Simonis
Joachim Behnke
Nathalie Behnke
Grundlagen der statistischen Datenanalyse Eine Einführung für Politikwissenschaftler
Bibliografische Information Der Deutschen Bibliothek
Die Deutsche Bibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;
detaillierte bibliografische Daten sind im Internet über abrufbar.
1. Auflage Mai 2006 Alle Rechte vorbehalten © VS Verlag für Sozialwissenschaften | GWV Fachverlage GmbH, Wiesbaden 2006 Lektorat: Frank Schindler Der VS Verlag für Sozialwissenschaften ist ein Unternehmen von Springer Science+Business Media. www.vs-verlag.de Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung außerhalb der engen Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlags unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Verarbeitung in elektronischen Systemen. Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen usw. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, dass solche Namen im Sinne der Warenzeichen- und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: KünkelLopka Medienentwicklung, Heidelberg Druck und buchbinderische Verarbeitung: MercedesDruck, Berlin Gedruckt auf säurefreiem und chlorfrei gebleichtem Papier Printed in Germany ISBN-10 3-531-14576-2 ISBN-13 978-3-531-14576-1
Inhaltsverzeichnis Vorwort der Reihenherausgeber ..........................................................................9
Über die Autoren..................................................................................................10
Einleitung..............................................................................................................11
Teil A: Wissenschaftstheorie 1
Wissen .......................................................................................................15
2
Wahrheit und Wirklichkeit ....................................................................20
3
Welt und Sprache ....................................................................................25
4
Messen.......................................................................................................31
4.1
Nominalskala .............................................................................................35
4.2
Ordinalskala...............................................................................................36
4.3
Intervallskala..............................................................................................37
4.4
Verhältnis- oder Ratioskala .......................................................................38
4.5
Absolutskala ..............................................................................................39
5
Deduktive Logik.......................................................................................43
5.1
Kurze Einführung in die Aussagenlogik....................................................43
5.2
Venn-Diagramme ......................................................................................49
5.3
Argumente und Argumentformen..............................................................53
6
Beweis, Erklärung und Prognose ...........................................................68
6.1
Beweis........................................................................................................69
6.2
Erklärung ...................................................................................................70
6.3
Prognose ....................................................................................................73
7
Induktive Logik und das Induktionsproblem .......................................76
7.1
Die induktive Logik Bacons und Mills......................................................76
7.2
Humes Formulierung des Induktionsproblems..........................................83
7.3
Beschreiben und Erklären oder das Wesen der Kausalität ........................85
8
Poppers Theorie der Bewährung von wissenschaftlichen Theorien ...88
9
Probabilistische Hypothesen und die Logik eines statistischen Tests.94
10
Erklären und Verstehen........................................................................101
Teil B: Statistik 11
Die Urliste, absolute und relative Häufigkeiten ..................................105
12
Die grafische Darstellung von Häufigkeitsverteilungen.....................110
6
Inhaltsverzeichnis
13
Maße zur Beschreibung von Verteilungen.......................................... 123
13.1
Maße der zentralen Tendenz ................................................................... 123
13.2
Streuungsmaße ........................................................................................ 130
13.3
Weitere Verteilungsparameter................................................................. 134
13.4
Lorenzkurve und Gini-Koeffizient.......................................................... 138
14
Bivariate Zusammenhänge................................................................... 144
14.1
Grafische Darstellung bivariater Zusammenhänge ................................. 146
14.2
Zusammenhangsmaße für nominalskalierte Variablen ........................... 150
14.3
Zusammenhangsmaße für ordinalskalierte Variablen............................. 169
14.4
Zusammenhangsmaße für intervallskalierte Variablen........................... 184
15
Grundbegriffe der Wahrscheinlichkeitstheorie ................................. 195
15.1 Der Wahrscheinlichkeitsbegriff der klassischen
Wahrscheinlichkeitstheorie...................................................................... 196
15.2
Der Frequentistische Wahrscheinlichkeitsbegriff ................................... 198
15.3
Die Propensity-Theorie der Wahrscheinlichkeit nach Popper ................ 200
15.4 Der Subjektive Wahrscheinlichkeitsbegriff nach Ramsey und de
Finetti ....................................................................................................... 201
15.5
Pluralistischer Wahrscheinlichkeitsbegriff.............................................. 202
16
Axiome und grundlegende Theoreme der Wahrscheinlichkeits-
theorie ..................................................................................................... 205
16.1
Die Axiome der Wahrscheinlichkeitstheorie .......................................... 205
16.2
Allgemeines Additionstheorem............................................................... 207
16.3
Bedingte Wahrscheinlichkeit .................................................................. 209
16.4 Multiplikationstheorem für die Wahrscheinlichkeit des gemeinsamen
Auftretens zweier Ereignisse ................................................................... 210
16.5
Satz der totalen Wahrscheinlichkeit ........................................................ 211
16.6
Statistische Unabhängigkeit .................................................................... 212
16.7 Multiplikationstheorem für die Wahrscheinlichkeit des gemeinsamen
Auftretens zweier statistisch unabhängiger Ereignisse............................ 214
16.8
Das Theorem von Bayes.......................................................................... 214
17
Kombinatorik......................................................................................... 219
17.1
Permutationen.......................................................................................... 220
17.2
Variationen .............................................................................................. 221
17.3
Kombinationen ........................................................................................ 225
18
Die Binomialverteilung ......................................................................... 229
18.1
Erwartungswert und Varianz der Binomialverteilung............................. 235
18.2
Varianz und Standardabweichung von Anteilswerten ............................ 244
19
Die Normalverteilung............................................................................ 248
Inhaltsverzeichnis
19.1
7
Approximation der Binomialverteilung durch die Normalverteilung .....252
19.2 Wahrscheinlichkeitsdichtefunktion und Verteilungsfunktion der
Normalverteilung .....................................................................................257
20
Das zentrale Grenzwerttheorem ..........................................................266
21
Stichprobe und Grundgesamtheit ........................................................279
21.1 Schätzung des Mittelwerts einer Grundgesamtheit mit Hilfe von
Stichproben ..............................................................................................284
21.2 Schätzung der Varianz einer Grundgesamtheit mit Hilfe von
Stichproben ..............................................................................................289
21.3
Standardnormalverteilung und T-Verteilung...........................................294
21.4
Das Konfidenzintervall............................................................................297
22
Wie "normal" ist die Normalverteilung? ............................................302
23
Die Logik eines statistischen Tests .......................................................316
24
Tests auf Unterschiede von Mittelwerten zweier Stichproben ..........326
24.1
Der T-Test für zwei unabhängige Stichproben........................................326
24.2
Der T-Test für zwei abhängige Stichproben............................................338
25
Verteilungen, die von der Standardnormalverteilung abgeleitet
werden können .......................................................................................344
25.1
Die F2-Verteilung.....................................................................................344
25.2
Die F-Verteilung......................................................................................349
25.3
Die T-Verteilung......................................................................................354
26
Die einfaktorielle Varianzanalyse ........................................................356
27
Der Chi2-Test..........................................................................................363
28
Die bivariate lineare Regressionsanalyse.............................................367
Anhang A: Ausgewählte Quantile theoretischer Verteilungen .....................381
A1
Z-Verteilung ............................................................................................381
A2
F2-Verteilung ...........................................................................................383
A3
F-Verteilung.............................................................................................384
A4
T-Verteilung ............................................................................................388
Anhang B: SPSS-Syntax zu den Beispielrechnungen .....................................389
B1
SPSS- Programm zur Berechnung des Flächenanteils eines Bereichs einer Binomialverteilung..........................................................................389
B2
SPSS-Programm zur Simulation von Stichproben ..................................392
B3
Berechnung von 'pid' ...............................................................................394
Literaturverzeichnis...........................................................................................395
Index....................................................................................................................399
Vorwort der Reihenherausgeber Der vorliegende Band ergänzt die Reihe "Grundwissen" um einen Themenbe reich, der dort bislang noch nicht berücksichtigt wurde. Mit einer methodischen Grundlegung statistischer Datenanalyse in der Politikwissenschaft wird hier ein Querschnittsthema aufgegriffen, das auf die allermeisten Teilbereiche der Politik wissenschaft zusehends Anwendung findet. Auch in vielen Bänden dieser Reihe werden Ergebnisse empirischer Forschung in Form von Tabellen, Grafiken oder Kennwerten dargestellt. Mit dieser Art von Information kritisch und kompetent umgehen zu können, ist heute für Politologinnen und Politologen in Forschung und Lehre eine unverzichtbare Voraussetzung. Diese kritische Lesekompetenz wird auch als "Statistical Literacy" bezeichnet. Dieses Buch vermittelt die "Statistical Literacy", indem es das Konzept der "Grundlagen" sehr wörtlich nimmt. Die Leserinnen und Leser werden an ein ech tes Verständnis der Annahmen und Vorgehensweisen in der Statistik herange führt. Zu diesem Zwecke sind große Teile des Buches der Erläuterung und Ein übung theoretischer Grundlagen des statistischen empirischen Arbeitens gewid met, wie der Messtheorie, der Argumentenlogik oder der Wahrscheinlichkeitsthe orie. Die Idee hinter diesem didaktischen Konzept ist, dass ein Verständnis dafür, wie und warum bestimmte Ergebnisse zustande kommen, auch die Kritikfähigkeit an diesen Ergebnissen erhöht. Zugleich ermöglicht ein solches Verständnis auch, über die reine Lesefähigkeit hinaus, eigene statistische Auswertungen problem adäquat durchzuführen. Zwar beschränkt sich der Lehrtext auf wenige für die politikwissenschaftliche Forschung zentrale Verfahren; diese werden aber sehr gründlich eingeführt und geübt. Darauf aufbauend sollten die Leser in der Lage sein, sich mit Hilfe weiterführender Literatur eigenständig weitergehende Kennt nisse anzueignen. Die beiden Autoren haben dieses Buch aus ihrer eigenen Lehrerfahrung heraus in mehrjähriger Arbeit geschrieben und das didaktische Konzept gezielt für die Be dürfnisse der Politikwissenschaft entwickelt. Die zum Buch gehörige CD erwei tert die Möglichkeiten zur autodidaktischen Aneignung der statistischen Verfah ren durch eine praxisorientierte Einführung in die Statistik-Software SPSS. Bei spiele und vertiefende Exkurse runden das Buch zu einem fundierten und zugleich praxisnahen Lehr- und Nachschlagewerk ab, das für Studierende und Forschende gleichermaßen geeignet ist. Arthur Benz Susanne Lütz Georg Simonis
Über die Autoren Joachim Behnke, Prof. Dr., geb. 1962; Studium der Kommunikationswissen schaft, Politikwissenschaft und Volkswirtschaftslehre an der Ludwig-Maxi milians-Universität München. Zur Zeit Vertretung der Professur 'Empirische Poli tikforschung und Politikfeldanalyse' an der Ludwig-Maximilians-Universität München. Forschungsschwerpunkte: Rational Choice, Social Choice, Spieltheorie, Wahl systeme, Wissenschaftstheorie, Empirische und Statistische Methoden Veröffentlichungen u.a.: mit Nina Baur und Nathalie Behnke (2006): Empirische Methoden der Politikwissenschaft. Paderborn: Schöningh (UTB); (2003) Über hangmandate: Ein (behebbarer) Makel im institutionellen Design des Wahlsys tems. In: Zeitschrift für Politikwissenschaft, 13; (2002) Colemans Theorie der Moderne. In: Carsten Stark / Christian Lahusen (Hg.): Theorien der Gesellschaft. Einführung in zentrale Paradigmen der soziologischen Gegenwartsanalyse. Mün chen, 37-65; (2001) Parteineigung als Fakt oder Parteineigung durch Fakten. Der Einfluss von Issues auf das Wahlverhalten. In: Kölner Zeitschrift für Soziolo gie und Sozialpsychologie, 53, 521-546; Nathalie Behnke, Dr. phil., geb. 1973; Studium der Politikwissenschaft an den Universitäten Bamberg und Bologna. Wissenschaftliche Mitarbeiterin am Lehrge biet Politikwissenschaft I der FernUniversität Hagen. Forschungsschwerpunkte: vergleichende Institutionenanalyse, formale Demo kratietheorie, Föderalismus, empirische Methoden, Ethik und Korruption Veröffentlichungen u.a.: (2006) Ethik-Maßnahmen für die öffentliche Verwal tung – Modeerscheinung oder Mauerblümchen? In: Jörg Bogumil / Werner Jann / Frank Nullmeier (Hg.): Politik und Verwaltung. PVS-Sonderheft; (2004) Ethik in Politik und Verwaltung. Entstehung und Funktionen ethischer Normen in Deutschland und den USA. Baden-Baden. (2002) A Nolan Committee for the German ethics infrastructure? In: European Journal of Political Research 51 (5), 675-708
Einleitung Grundkenntnisse der statistischen Datenanalyse gehören heute in den Curricula der Politikwissenschaft und anderer Sozialwissenschaften zum Standardpro gramm. Dies ist eine logische Konsequenz der Entwicklung dieser Disziplinen in den vergangenen Jahrzehnten, in denen das Instrumentarium der quantitativen Forschung immer weiter ausgefeilt wurde, und in denen daher mit Hilfe der quan titativen empirischen Forschung wichtige Erkenntnisse gewonnen werden konn ten. Die Wahl- und Einstellungsforschung, der internationale Vergleich makro ökonomischer Größen wie Arbeitslosigkeit, Bruttosozialprodoukt oder Lebens standard, die Demographie oder Politikfeldanalyse sind nur einige Beispiele für die fruchtbare Anwendung quantitativer Daten und deren statistischer Analyse. Die quantitative empirische Forschung mit Hilfe der Statistik ist somit ein wichti ger und verbreiteter Bestandteil des sozialwissenschaftlichen Instrumentariums geworden, die man zumindest passiv, möglichst aber auch aktiv, beherrschen soll te. Mit dem vorliegenden Buch wollen dieses Grundwissen, aber vor allem ein Grundverständnis vermitteln. Es sollte kein "Kochbuch" werden, nach dem Motto: "Wenn man die Fragestellung XY beantworten will, nehme man 2000 Befragte, 5 Variablen und drei multivariate Analyseverfahren, diese werden gründlich durch geschüttelt und zwei Stunden lang ausgekocht, dann werden die Ergebnisse mit Salz und Pfeffer gewürzt und dekorativ mit ein paar Basilikumblättchen angebo ten." Vielmehr sind wir überzeugt, dass ein echtes Verständnis für die Logik so wohl der generellen Vorgehensweise empirischer Forschung als auch einzelner statistischer Verfahren eine notwendige Voraussetzung ist, um vernünftige Ergeb nisse empirischer Forschung zu produzieren und diese aufgeklärt zu diskutieren oder zu kritisieren. Deswegen haben wir hier den wissenschaftstheoretischen Grundlagen, der Herleitung von Verfahren, der Erläuterung gedanklicher und his torischer Hintergründe und der praktischen Umsetzung sehr viel Platz eingeräumt. Darüber hinaus hoffen wir, mit dem Buch auch den Einen oder die Andere für die Materie zu interessieren. Auch wer etwas tiefer bohren will, mehr über das 'was', 'wie' und 'warum' wissen möchte, soll hier auf seine Kosten kommen Wir verfolgen mit dem Buch also eine dreifache Zielsetzung – die Vermittlung von Grundwissen, von Verständnis und von Interesse. Zu diesem Zwecke haben wir auch bei den Inhalten andere Schwerpunkte gesetzt, als man sie in den meis ten anderen Statistikbüchern findet. Den wissenschaftstheoretischen Grundlagen der empirischen Forschung ist der gesamte erste Teil gewidmet. Auch die um fangreiche Einführung in die Wahrscheinlichkeitstheorie, die ausführliche Herlei tung von Korrelationskoeffizienten und Verteilungsformen ist eher ungewöhnlich. Dafür stellen wir nur wenige Auswertungs- und Testverfahren dar, da wir auch hier wieder der Meinung sind, wenn man erst einmal die Logik eines statistischen Tests verstanden hat, kann man sich in die unterschiedlichen Verfahren leicht selbst einarbeiten.
12
Einleitung
Die Frage, warum und in welcher Form wir der Statistik eine Einführung in die wissenschaftstheoretischen Grundlagen des empirischen Arbeitens vorangestellt haben, bedarf vielleicht noch einiger Erläuterungen: In der Wissenschaftstheorie wird Forschung, Meta-Reflexion und Theoriebildung über das wissenschaftliche Arbeiten an sich betrieben. Es geht darum, die Prinzipien guten wissenschaftli chen Arbeitens zu beschreiben und zu systematisieren. Dabei verstehen wir wis senschaftliches Arbeiten als die Vorgehensweise, um Erkenntnisse über die Welt zu gewinnen, die in unserer physikalischen, biologischen und sozialen Umwelt besteht. Wie gewinnt man solche Erkenntnisse und wie kann man feststellen, ob sie wahr oder falsch sind? Was bedeutet es überhaupt, wenn man sagt, eine Er kenntnis sei wahr oder falsch? Was sind die Bausteine dieser Erkenntnis und wel chen Stellenwert haben sie in der wissenschaftlichen Gemeinschaft? Was versteht man unter Erkenntnisfortschritt? Dies sind Fragen, die im Rahmen der Wissen schaftstheorie beantwortet werden. Auf diese Fragen gibt es natürlich auch eine Menge denkbarer unterschiedlicher Antworten. Dementsprechend gibt es nicht nur die eine Wissenschaftstheorie. Vielmehr reklamieren viele wissenschaftliche Disziplinen, und in diesen Diszipli nen auch verschiedene Schulen oder Vertreter verschiedener Theorieansätze, eine eigene Wissenschaftstheorie entwickelt zu haben und zu vertreten. So wird bei spielsweise häufig die Meinung geäußert, allein der unterschiedliche Forschungs gegenstand mache es erforderlich, ja geradezu logisch zwingend, dass etwa die Naturwissenschaften, die Geisteswissenschaften und die Sozialwissenschaften unterschiedliche Wissenschaftstheorien verwenden. Diese Sichtweise ist durchaus plausibel und wird durch die Forschungspraxis bestätigt. In der Tat entwickelt etwa ein Historiker andere Vorgehensweisen als ein Atomphysiker. Aber auch innerhalb der empirischen Wissenschaften, und selbst innerhalb der empirisch arbeitenden Politikwissenschaft, gibt es Meinungsverschiedenheiten darüber, was als gutes wissenschaftliches Arbeiten anzusehen sei. Diese Streitigkeiten, so mei nen wir, verwechseln aber einen Disput über die Ziele wissenschaftlichen Arbei tens, die Techniken der Erkenntnisgewinnung und die Logik des wissenschaftli chen Argumentierens mit einem Disput über normative Vorentscheidungen und theoretische Standpunkte. In diesem Sinne sind die Ausführungen zur Wissen schaftstheorie in diesem Buch in der Tat als allgemeine Grundlagen einer empiri schen Wissenschaftstheorie zu verstehen. Die Auswahl und der Aufbau der hier vorgestellten Themen folgen aber der Zielsetzung, die wissenschaftstheoretischen Grundlagen speziell für die statistische Datenanalyse zu legen. Ziel dieses Buches ist es, die grundlegenden Konzepte und Begriffe empirischen wissenschaftlichen Arbeitens mit Hilfe der Statistik zu vermitteln. Zu diesem Zwecke greifen wir vor allem in der Wissenschaftstheorie häufig auf Beispiele aus der Naturwissenschaft zurück. Dies hat einen einfachen Grund: Der Erkenntnis gegenstand der (klassischen) Naturwissenschaft, typischerweise der Mechanik und der Astronomie, ist wesentlich weniger komplex und veränderlich als der der Politikwissenschaft. Es ist einfacher, monokausale Beziehungen zu finden, ein
Einleitung
13
zelne Einflussfaktoren experimentell zu isolieren und letztlich zu all gemeingültigen Gesetzen zu kommen, als dies eben möglich ist, wenn man als Forschungsgegenstand politische Akteure, prinzipiell veränderliche Institutionen und Institutionengefüge, Abstimmungsprozesse und individuelle oder komplexe Entscheidungen hat. Im Fall der Politikwissenschaft sind fast alle Gegenstände, die wir untersuchen, multikausal, interdependent und außerdem über die Zeit ver änderlich. Zur Illustration und auch zum Verständnis etwa des Konzepts der Mes sung oder eines logischen Schluss-Schemas ist es daher einfacher, zunächst weni ger komplexe Beispiele heranzuziehen, in denen sich wirklich die einzelnen Komponenten isolieren lassen. Wenn Sie also im Text von Spektrometern und Planetenbahnen lesen und sich wundern, was das mit Politikwissenschaft zu tun hat, dann sagen Sie sich, dass Sie sich, wenn Sie das Spektrometer und die Plane tenbahn verstanden haben, leichter tun werden, so einen abstrakten Begriff wie Problemlösungskompetenz zu messen oder ein sozialwissenschaftliches Gesetz aufzustellen. Wie die eingeführten Konzepte und Begriffe auf die Politikwissen schaft übertragen werden können, darauf finden Sie im Text immer wieder Hin weise. Zuletzt noch einige "technische" Hinweise: Neben dem Haupttext enthält das Buch einige Ergänzungen, so etwa den "Experten" und die "Beispiele". Die Ex perten sind in der Randspalte durch das Symbol des kleinen Professors gekenn zeichnet, die Beispiele durch die Glühbirne. Hierbei handelt es sich um Ausfüh rungen, die für die interessierten Leser Ausflüge, Illustrationen, Vertiefungen oder Formalisierungen des Stoffes im Haupttext darstellen. Sie können daher nach Be lieben gelesen, durchgearbeitet oder auch übersprungen werden. Eine Liste aus gewählter Literatur am Ende des Buches gibt Hinweise für Vertiefungen und Er gänzungen. Das Buch wird durch eine CD ergänzt. Sie enthält eine Einführung in die Statistik-Software SPSS mit einer Illustration des Programmablaufs. Die Ein führung in SPSS ist auf die Beispiele im Lehrtext abgestimmt, so dass Sie auf der CD auch ansehen können, wie Ergebnisse von Analysen, die im Text beschrieben werden, tatsächlich zustande kommen. Dieses Buch ist das Ergebnis einer mehrjährigen Arbeit und vieler Verbesserungs runden. Für inhaltliche Kommentare danken die Autoren Thorsten Faas sowie denjenigen Studierenden an der FernUniversität in Hagen, die zur ersten Version des Lehrtextes kritische Hinweise gegeben haben, für das Korrekturlesen Sarah Kleyer und Malo Kröning. Christa Bast gilt besonderer Dank für die technische Umsetzung der CD. Malo Kröning sei außerdem herzlich gedankt für die vielen Stunden Mühe, die sich hinter den SPSS-Simulationen verstecken.
(Experte)
(Beispiel)
Teil A 1
Wissenschaftstheorie
Wissen
Der Mensch, das "nicht festgestellte Tier", wie Nietzsche sagt, unterscheidet sich von allen anderen Lebewesen in erster Linie durch seine Lernfähigkeit. Der Er werb von Wissen ist und war schon immer für den einzelnen Menschen überle bensnotwendig, der wegen seiner mangelnden Instinkte ansonsten der Natur schutzlos ausgeliefert wäre. Nicht das Wissen ist dem Menschen angeboren, wohl aber die Fähigkeit und, mehr noch, der Drang, Wissen zu erwerben. So entsteht aus dem Wirken des Einzelnen schließlich ein überindividuelles Kulturwissen, das durch Tradition und Sozialisation den nachfolgenden Generationen übermittelt wird.
Individueller und gesellschaftlicher Wissensdrang
Wissen ist immer Wissen über die Welt, in der wir leben, und Wissenschaft ist ein System, mit dem versucht wird, diesen Wissenserwerb frei und unabhängig zu machen von den Irrtümern und Trugschlüssen, denen der Einzelne unterliegt. Definition: Wissenschaft Wissenschaft ist ein System von Regeln und Konventionen, über die innerhalb der so genannten 'Scientific community' Konsens besteht. Dieses System ver mag zu bestimmen, welche Sätze als adäquate Beschreibungen der Wirklich keit akzeptiert werden können, sowie welche Sätze zweiter Ordnung man aus diesen Sätzen ableiten darf. Was im ersten Augenblick vielleicht kompliziert klingen mag, soll kurz näher er läutert werden. Erstens: "Wissenschaft ist ein System von Regeln und Konventionen", d.h., es gibt nicht die Wissenschaft schlechthin, die wissenschaftliche Vorgehensweise ist lediglich eine scheinbar sinnvolle und plausible, die sich im günstigsten Fall durch ihren Erfolg in der Anwendung der gewonnenen Ergebnisse legitimieren kann. Es ist aber grundsätzlich unmöglich, den Charakter der Wissenschaft per se zu be gründen. Das ist unmittelbar einleuchtend, da die Maßstäbe, an denen sich die 'richtige' Wissenschaft messen lassen müsste, ihrerseits wieder wissenschaftlich begründungspflichtig wären. Die Grundlagen der Wissenschaft sind also vorwis senschaftlich, sie beruhen auf Übereinstimmung zwischen Fachleuten in Bezug auf Regeln, die als einleuchtend oder selbstevident empfunden werden.
Experte: Wissenschaftliche Erkenntnis Tatsächlich ist der Prozess, wie er in der Wirklichkeit abläuft, noch etwas komplizierter. Der Begriff der Wissenschaft entwickelt sich auch und gerade erst durch die Praxis, d.h. ein bestimmtes Vorgehen und eine bestimme Methode können in der Regel erst begrün-
Vorwissenschaftliche Grundlagen der Wissen schaft
16
Kapitel 1 Wissen
det werden, nachdem diese Methode schon lange angewendet wurde. Galilei und Newton z.B. gelten zwar als die Begründer der modernen experimentellen Naturwissenschaft, hat ten aber von sich selbst keineswegs das Selbstverständnis eines Naturwissenschaftlers. Newton, der mit den 'Principia Mathematica' 1687 das vermutlich einflussreichste natur wissenschaftliche Buch in der Geschichte der Menschheit veröffentlicht hat, war nicht nur der geniale Mathematiker und Physiker, sondern auch der (weniger geniale) Theo loge, der Jurist und der Alchemist. Newtons theologische und alchemistische Schriften übertreffen vom Umfang sein mathematisches Werk bei weitem. Man geht davon aus, dass Newton sich tatsächlich nur ungefähr zehn Jahre seines Lebens schwerpunktmäßig mit Mathematik und Physik beschäftigt hat. John Maynard Keynes (1988: 273) sah New ton daher so: "Newton was not the first of the age of reason. He was the last of the magi cians, the last of Babylonians and Sumerians, the last great mind which looked out on the visible and intellectual world with the same eyes as those who began to build our intellec tual inheritance rather less than 10 000 years ago."
Ende Experte
Korrespondenzproblem
Zweitens: Welche Sätze dürfen als eine 'adäquate Beschreibung der Wirklichkeit' akzeptiert werden? Damit wird das Grundproblem der empirischen Wissenschaft überhaupt berührt, das so genannte Korrespondenzproblem. Wenn sich zwei Sätze auf denselben Aspekt der Wirklichkeit beziehen und diesbezüglich verschiedene Aussagen machen, muss einer falsch sein. Etwas kann nicht der Fall sein und gleichzeitig nicht der Fall sein (Satz vom Widerspruch). Ziel der empirischen Wissenschaft ist es nun, den falschen bzw. den richtigen Satz herauszufinden. Das Credo des Empirikers lautet daher, dass es möglich ist, eine Tatsache, die sich in der Wirklichkeit ereignet, mit einem sprachlichen Satzgebilde treffend zu be schreiben (auch Mathematik ist eine Sprache). Wie könnte nun die elementarste Form eines Satzes lauten, der einen Aspekt der Welt beschreibt? Dabei handelt es sich wohl um die Zuschreibung einer Eigenschaft zu einem Gegenstand. Beispiel: "Dieser Gegenstand ist rot."
Aussagen
Sinneserfahrung als rudi mentäres Messverfahren
Sätze, die Tatsachenbehauptungen aufstellen, die also wahr oder falsch sind, be zeichnet man allgemein als Aussagen. Dies ist sinnvoll, um solche Sätze von an deren Sätzen wie Fragen oder Aufforderungen zu unterscheiden. Wenn wir im Folgenden allgemein von Sätzen sprechen, so meinen wir damit Aussagen. Eine Aussage besteht immer aus einem oder mehreren Subjekten, über die etwas ausge sagt wird, und einem oder mehreren Prädikaten, die eine bestimmte Aussage über die Subjekte machen. Subjekte können durch Eigennamen, aber auch durch Zei gerbegriffe wie 'das da' oder – wie in unserem Beispiel – 'dieser Gegenstand' iden tifiziert werden. Das Prädikat unseres Beispiels ist 'rot sein'. Um über den Wahrheitsgehalt des Beispielsatzes "Dieser Gegenstand ist rot." ent scheiden zu können, müssen wir über Verfahren verfügen, die uns erlauben zu sa gen, ob dieser Gegenstand rot ist oder nicht. Diese Verfahren nennen wir Mess operationen. Die einfachsten Messverfahren bestehen darin, dass wir die uns un mittelbar zur Verfügung stehenden Sinneserfahrungen heranziehen. Da wir mit einer gewissen Plausibilität davon ausgehen können, dass die Welt so ist, wie wir
Kapitel 1 Wissen
sie sehen, hören, fühlen, riechen etc., halten wir unsere Sinneserfahrungen auch für eine richtige Beschreibung der realen Welt. In der Regel trifft das zu, d.h., wir können mit gutem Recht davon ausgehen, dass ein Gegenstand, von dem wir selbst sagen, dass er die Farbe Rot hat, auch von anderen Menschen in dieser Far be gesehen wird. Grundsätzlich gilt für den Empiriker die Annahme: Jede tatsächlich vorhandene Qualität der Wirklichkeit lässt sich zumindest im Prinzip durch geeignete Mess verfahren abbilden, d.h. erfassen. Dabei spielt es keine Rolle, dass diese Messver fahren möglicherweise gar nicht existieren, oder (noch) nicht existieren, wichtig ist nur, dass sie zur Messung der betreffenden Eigenschaften eingesetzt werden könnten, wenn es sie gäbe. Anders ausgedrückt: "Die Welt zerfällt in Tatsachen." (Wittgenstein 1984: 11). Das heißt, sie zerfällt in eine zwar unvorstellbar große, aber – zumindest in Hin sicht auf den für uns relevanten Weltausschnitt – endliche Anzahl von messbaren Sachverhalten. Wir können daher sagen, der Begriff 'Welt' ist nichts anderes als der Name der Menge, die alle Sätze enthält, die den Tatsachen in der Welt ent sprechen. Ein Satz über eine Tatsache ist demnach genau dann wahr, wenn er in dieser Menge enthalten ist. Sätze, die eine Aussage über eine Tatsache in der Welt darstellen, nennt man auch singuläre Sätze oder Elementarsätze, da sie sich auf einen konkreten, einzelnen Sachverhalt beziehen. Drittens: Aus den durch Beobachtung und Messung gefundenen Sätzen lassen sich neue Sätze ableiten, die sich auf Tatsachen beziehen, die selbst nicht beo bachtet worden sind, oder auf allgemeine Gesetze, die so gar nicht beobachtet werden können. Man muss dabei mehrere Arten von Ableitungen unterscheiden. Wenn man unter 'Welt', wie oben ausgeführt, die Menge aller singulären Sätze verstehen will, die die Tatsachen in der Welt beschreiben, dann lässt sich diese Menge unterteilen in die Teilmenge der Sätze, die schon beobachtete Tatsachen beschreiben, und den Rest der noch nicht gemessenen Daten, die aber im Prinzip zu beobachten wären.
17
18
Kapitel 1 Wissen
Beispiel: Erdkugel Die Annahme, dass die Erde eine Kugel sei, ist schon in antiken Kulturen weit verbreitet gewesen. Eine der Beobachtungen, die zu dieser Annahme geführt hat, war die, dass man auf dem Meer von einem sich nähernden Schiff zuerst die Spitze des Mastes und nach und nach immer weiter unten liegende Teile des Schiffes gesehen hat. Dies ist aber nur möglich, wenn man sich auf einer gekrümmten Oberfläche befindet. Weiterhin galt dieser Effekt für jede Richtung. Der einzige geometrische Körper, der an jeder Stelle seiner O berfläche die gleiche Krümmung aufweist, ist aber die Kugel. Die Annahme, dass es sich bei der Erde um eine Kugel handeln müsse, war daher die einzige logische Schlussfolge rung, die dieses Phänomen erklären konnte.1
Ende Beispiel
Es handelt sich also bei dem singulären Satz, "Die Erde ist eine Kugel.", um die Ableitung aus einem singulären Satz, "Auf dem Meer sieht man von einem entge genkommenden Schiff zuerst die Mastspitze.", sowie einem allgemeinen Satz ü ber die geometrische Eigenschaften eines Kugelkörpers, "Alle Kugeln besitzen an jeder Stelle ihrer Oberfläche die gleiche Krümmung." Diese Art der Ableitung nennt man Deduktion. Allerdings benötigt man für bestimmte Deduktionen häu fig, wie man sieht, allgemeine bzw. universale Sätze. Allgemeine Sätze jedoch liegen niemals in der Wirklichkeit selbst vor, sie können daher nie direkt 'beo bachtet' werden. Analytische und empirische Sätze
Es gibt zwei Arten von allgemeinen Sätzen, analytische und empirische. Bei empirischen allgemeinen Sätzen, die also eine Aussage über den 'Charakter' der Wirklichkeit machen, spricht man auch von Gesetzen. Analytische universale Sät ze kommen in formalen Systemen wie der Mathematik vor. Sätze wie die über die geometrischen Eigenschaften von Kugeln z.B. zählen dazu, aber auch der Satz des Pythagoras. Das Hauptproblem jeder empirischen Wissenschaft aber besteht in der Gewin nung von universalen empirischen Sätzen. Hier spricht man vom Induktionsprob lem. Es besteht darin, wie sich eine Vielzahl von einzelnen Beobachtungen zu ei nem einzigen Satz zusammenfassen lässt, der das 'Wesen' all dieser Einzelbeo bachtungen beschreibt.
1 Allerdings war diese Schlussfolgerung mit anderen Widersprüchen verknüpft. Die Frage, wa rum Menschen oder Objekte am ‘Rand’ der Kugel nicht herunterrutschen oder an ihrer Unter seite herabfallen, konnte sich nur mit einer Relativitätstheorie wie der von Galilei erklären lassen, die damals den Menschen aber noch nicht zur Verfügung stand. Insofern gab es für den gesunden Menschenverstand durchaus gute Gründe, die Kugelhypothese abzulehnen.
Kapitel 1 Wissen
Die Logik des wissenschaftlichen Vorgehens lässt sich also wie folgt zusammen fassen: 1. Die uns empirisch zugängliche Welt lässt sich als eine Menge von singulären Sätzen auffassen, die die Tatsachen in der Welt be schreiben. 2. Die Wahrheit eines einzelnen solchen singulären Satzes lässt sich durch Beobachtung bzw. Messung der Tatsache, auf die sich die ser Satz bezieht, feststellen. 3. Mit Hilfe von Schlüssen lassen sich aus vielen einzelnen singulä ren Sätzen universale Sätze gewinnen, die eine Aussage über den Gesetzescharakter der Wirklichkeit machen. Diese universalen Sätze selbst sind nicht in der Wirklichkeit enthalten. Sie sind eine von uns gemachte Konstruktion, die wir der Wirklichkeit über stülpen. 4. Die Prüfung des Wahrheitsgehaltes eines Gesetzes kann daher nicht unmittelbar durch Konfrontation mit der Wirklichkeit voll zogen werden, sondern bezieht sich auf die Schlussweise und den Wahrheitsgehalt der abgeleiteten Elementarsätze. 5. Mit Hilfe von universalen Sätzen lassen sich singuläre Sätze ab leiten, die Tatsachen der noch nicht beobachteten Welt entspre chen.
19
20
Kapitel 2 Wahrheit und Wirklichkeit
2 Korrespondenztheorie der Wahrheit
Wahrheit und Wirklichkeit
Die empirische Vorgehensweise unterstellt einen bestimmten Bezug zwischen wissenschaftlichen Theorien bzw. deren Komponenten – Begriffen, Definitionen, Aussagen und logischen Verknüpfungen – und der Wirklichkeit. Dieser Bezug wurde im vorhergehenden Kapitel als 'Korrespondenz' bezeichnet. Ein empiri scher Forscher geht üblicherweise davon aus (und muss das sinnvollerweise auch tun, da er andererseits kein Fundament und keine Kriterien für die Güte seiner Forschungsergebnisse hat), dass sich erstens die Wirklichkeit in Aussagen abbil den lässt, und dass es zweitens möglich ist zu entscheiden, ob eine Aussage die Wirklichkeit adäquat oder inadäquat abbildet, ob sie also wahr oder falsch ist. Diese Grundannahme wird auch als 'Korrespondenztheorie der Wahrheit' bezeich net und liegt üblicherweise der empirischen Forschung zugrunde. Abbildung 2.1: Wirklichkeit und Sprache Wirklichkeit
Tatsache ȕ Tatsache į
Sprache
Satz a
Satz Nicht-a Satz x
Tatsache ȟ Satz d
…
Satz Nicht-d
…
Tatsachen der Wirklichkeit und ihre sprachlichen Ent sprechungen
…
Die Wirklichkeit (die physikalische Welt) lässt sich als die Gesamtheit der Tatsa chen verstehen. Um noch einmal Wittgenstein (1984: 11) zu zitieren: "Die Welt ist durch die Tatsachen bestimmt und dadurch, dass es alle Tatsachen sind." Al lerdings erkennen wir nicht alle Tatsachen gleichermaßen. Aus der unvorstellbar großen aber zugleich begrenzten Menge der Tatsachen, die zusammen die Wirk lichkeit bilden, finden wir einige heraus, betrachten sie wie mit dem Vergrö ßerungsglas. Mit der Sprache andererseits verfügen wir über eine Form der sym bolischen Repräsentation von Dingen und Ereignissen, die sich in der Wirklich keit abspielen. Tatsachen der Wirklichkeit, die wir entdecken, können wir durch sprachliche Sätze ausdrücken. Zugleich gibt es aber Tatsachen, die keine sprachli che Entsprechung haben (weil noch niemand sie ausgedrückt hat). Und umge kehrt, was noch wichtiger ist, die sprachliche Form ist nicht durch die Form der Wirklichkeit gebunden. Wir sind in der Lage, sprachliche Aussagen zu formulie ren, die keine Entsprechung unter den Tatsachen der Wirklichkeit haben oder die diese sogar negieren. Das heißt, anders ausgedrückt, wir können auch Unsinn von uns geben, wir können lügen oder uns auch nur täuschen. Am einfachsten wäre es
Kapitel 2 Wahrheit und Wirklichkeit
21
sicherlich, es gäbe eine Vorrichtung, die uns jedes Mal einen Knoten in die Zunge macht, sobald wir etwas sagen wollen, was so nicht den Tatsachen der physikali schen Wirklichkeit entspricht. Der Preis, den wir für eine solche 'Wahrheitsma schine' zu zahlen hätten, bestünde aber in der Abschaffung jeglicher Art von Kunst, ganz abgesehen von den lebensnotwendigen Flunkereien und Ausreden, wenn wir eine Verabredung verpassen. Die durch die Sprache geschaffene Welt reicht weit über die wirkliche Welt hinaus, die Phantasiewelt des Münchhausen ist allein von ihrer sprachlichen Form her nicht weniger zulässig als die nüchternste Aufstellung des Lagerbestands eines Supermarkts. Während das Gegenteil einer Tatsache nicht gleichzeitig mit seinem Urbild existieren kann, ein Stein nicht fal len und gleichzeitig steigen kann, können in der Welt der Sprache beide 'Tatsa chen' ausgedrückt werden, nämlich die richtige und die 'falsche', die aber im ei gentlichen Sinn gar keine Tatsache ist, da sie ja in der Wirklichkeit gar nicht auf tritt. Es gibt z.B. zur Tatsache G nur einen Satz, der sie adäquat beschreibt, näm lich den Satz d. Obwohl es uns möglich ist, sprachlich auch das Gegenteil von d (Nicht-d) auszudrücken, existiert in der physikalischen Welt eben keine korres pondierende Tatsache, die diesem Satz entsprechen würde. Die Existenz einer sol chen Korrespondenzbeziehung aber ist es, was den Satz wahr werden lässt. So einleuchtend die Korrespondenztheorie der Wahrheit auch klingt, so enthält sie doch einige Voraussetzungen, über die kurz einmal nachgedacht werden sollte. So wird erstens eine Annahme über die Wirklichkeit gemacht. Man geht davon aus, dass es eine objektiv existierende Wirklichkeit gibt, die, sofern sie angemessen wahrgenommen und erfasst werden könnte, sich auch jedem Betrachter gleich darstellen müsste. Die Unterstellung einer objektiv existierenden Wirklichkeit ist durchaus nicht trivial und wird von vielen ernstzunehmenden Philosophen und Wissenschaftstheoretikern bestritten. Denn schließlich können wir nicht wissen, ob es diese Wirklichkeit gibt, geschweige denn, wie sie aussieht. Daran hindert uns der unvermeidliche Übersetzungsmechanismus, durch den wir die Wirklich keit wahrnehmen. Alles, was wir von der Wirklichkeit wissen, ist bereits durch unsere Wahrnehmung, Beobachtung, Messinstrumente oder ähnliches gefiltert, die wiederum durch unser Wissen, unsere Theorien und unseren spezifischen Blickwinkel beeinflusst sind. Wir arbeiten also lediglich mit Abbildern der Wirk lichkeit, niemals mit der Wirklichkeit selbst. Die wahrheitsgenerierende Korres pondenz unserer Sätze mit den Tatsachen kann also gar nicht hergestellt werden, das Einzige, was uns möglich ist, ist die Herstellung einer Korrespondenz unserer Sätze mit unseren Sinneseindrücken.
Voraussetzungen der Kor respondenztheorie: 1. objektiv existierende Wirklichkeit
22
Kapitel 2 Wahrheit und Wirklichkeit
Abbildung 2.2: Wirklichkeit, Sinneseindrücke und Sprache Wirklichkeit
Sinneseindrücke
Tatsache ȕ
Tatsache į
Tatsache ȟ
Sprache
Satz a Konglomerat von Sinnesein drücken
Satz Nicht-a Satz c Satz x Satz d Satz Nicht-d
… …
Der Tatsache G entspricht also bestenfalls ein Konglomerat von Sinneseindrücken, das wiederum mit dem Satz d korrespondiert. Die Entsprechung unserer Sinnes eindrücke mit den Tatsachen ist aber nicht beweisbar, sondern eine pragmatische Annahme, die wir als 'naiven Realismus' bezeichnen könnten. D.h., trotz des un vermeidlichen Filters unserer Wahrnehmung gehen wir davon aus, dass diese Ü bersetzung nicht systematisch fehlgeleitet ist, da sie es uns ermöglicht, uns im Großen und Ganzen in der Welt einigermaßen störungsfrei zurechtzufinden und über unsere Anschauungen auch mit anderen Menschen zu kommunizieren. Wenn uns das nicht möglich wäre, wäre auf der Welt überhaupt kein intentionales und zielgerichtetes Handeln möglich. Schließlich liegen all unserem Handeln implizite Kausalvermutungen zugrunde, etwa, dass in einem Zimmer das Licht angeht, wenn wir den Lichtschalter betätigen, oder dass unser Magen aufhört zu knurren, wenn wir etwas essen. Dass wir einigermaßen unfallfrei Auto fahren können und ein geübter Dartspieler häufig die Mitte der Scheibe trifft, sind weitere Indizien dafür, dass die Übersetzung zwischen der Wirklichkeit außerhalb unseres Wahr nehmungsapparates und dem, was tatsächlich bei uns ankommt, offensichtlich zielgerichtet ist und nicht rein zufällig oder willkürlich abläuft. Voraussetzungen der Kor respondenztheorie: 2. Sinneswahrnehmungen werden durch sprachliche Konventionen ausgedrückt
Des Weiteren nehmen wir an, dass wir überhaupt in der Lage sind, über die Wirk lichkeit, wie wir sie wahrnehmen, auch entsprechende sprachliche Aussagen zu formulieren, die dazu dienen, unsere Wahrnehmungen anderen mitzuteilen. Über die Wahrheit oder Falschheit dieser Aussagen kann dann ein Urteil getroffen wer den. Das heißt, dass es möglich ist, sprachliche Konventionen zu bilden, mit deren Hilfe wir untereinander über unsere Wahrnehmung der Wirklichkeit kommunizie ren können. Wenn ein Kind lernt, was ein Apfel ist, und daraufhin auf dem Spiel platz auf einen roten Ball zeigt und 'Apfel' sagt, wird die Mutter es korrigieren und ihm erklären, worin der Unterschied zwischen einem Ball und einem Apfel besteht. Ebenso ist es uns möglich, die Richtigkeit der Aussage "Es regnet." zu überprüfen, indem wir aus dem Fenster schauen oder vor die Türe gehen, um zu sehen, ob wir nass werden. Ohne diese Form von 'naiven Realismus', wie wir es genannt haben, könnten wir überhaupt nicht mehr sinnvoll miteinander reden.
Kapitel 2 Wahrheit und Wirklichkeit
23
Demgegenüber gibt es eine Form von Skeptizismus, die für die empirische Wis senschaft wie für den realen Alltag schlicht irrelevant ist. Fragen danach, ob ein Baum im Wald auch dann umfällt, wenn keiner dabei ist, der es sieht oder hört, mögen vielen von uns eher ermüdend denn tiefschürfend erscheinen und können als wissenschaftstheoretische Haltung mit Bertrand Russell als 'frivole Unernst haftigkeit' (Russell 1997: 9) bezeichnet werden. Wenn wir von den erläuterten Grundannahmen ausgehen, stellt sich aber als nächstes die Frage, welche Kriterien angelegt werden können, um zu entscheiden, ob ein Satz, eine Aussage oder schließlich eine Theorie wahr oder falsch ist. Diese Frage der Beurteilung des Wahrheitsgehalts von sprachlichen Äußerungen ist das Grundproblem der Wissenschaft überhaupt. Logisch lassen sich zwei Qualitäten der Wahrheit von sprachlichen Äußerungen unterscheiden: Erstens stellt sich die Frage nach der Wahrheit von Äußerungen im Zusammenhang mit ihrer empiri schen Wahrheit, also ob sie mit der Wirklichkeit korrespondiert. Die Aussage "Es regnet." ist eben genau dann wahr, wenn es tatsächlich regnet, und dann falsch, wenn es nicht regnet. Zweitens stellt sich die Frage nach der Wahrheit von Äuße rungen aber auch im Hinblick auf ihre logische Konsistenz, also ob sie keine inne ren Widersprüche enthält. Der Satz "Das Auto bewegt sich nach vorne und rück wärts zugleich." z.B. ist schon aus rein logischen Gründen falsch. Beide Aspekte, der der empirischen Wahrheit und der logischen Konsistenz, dienen der Prüfung wissenschaftlicher Ergebnisse und stehen miteinander in Wechselbeziehung. Ist eine Aussage logisch falsch, kann sie empirisch nicht wahr sein. Die Untersu chung der logischen Konsistenz von Aussagen folgt logischen Gesetzen, die in Kap. 5 ausführlicher dargestellt werden.
Zwei Kriterien/Begriffe der
Für die Feststellung der empirischen Wahrheit einer sprachlichen Aussage, also für ein Urteil darüber, ob eine sprachliche Aussage mit der Wirklichkeit korres pondiert, gibt es keine wirklich harten Kriterien. Wie Alfred Tarski (1972) zeigte, ist es für die Untersuchung der Wahrheit von Aussagen hilfreich, wenn man zwi schen einer so genannten 'Objektsprache' und einer 'Metasprache' unterscheidet. In der Objektsprache bildet man unmittelbar Tatsachen der Wirklichkeit ab. In der Metasprache trifft man Aussagen über die Aussagen der Objektsprache. Objekt sprachliche Aussagen können durch Beobachtung der Wirklichkeit (mit den oben genannten Einschränkungen) überprüft werden. Wenn ich etwa die (objektsprach liche) Aussage mache: In diesem Raum ist ein Rhinozeros, dann kann ich die Wahrheit dieser Aussage überprüfen, indem ich nachsehe, ob sich in diesem Raum wirklich ein Rhinozeros befindet. Danach kann ich in der Metasprache eine Aussage darüber treffen, ob die Aussage "In diesem Raum befindet sich ein Rhi nozeros" wahr oder falsch ist. Um zwischen Objekt- und Metasprache zu unter scheiden, kann man beispielsweise objektsprachliche Aussagen, über die in der Metasprache gesprochen wird, in Anführungszeichen setzen. Dieser Konvention folgen wir auch in diesem Buch.
Unterscheidung von Ob
Wahrheit: 1. empirische Wahrheit 2. logische Konsistenz
jektsprache und Meta sprache nach Alfred Tarski
24
Kapitel 2 Wahrheit und Wirklichkeit
Indem wir Aussagen direkt an der Wirklichkeit überprüfen, können wir einen Eindruck ihrer Wahrheit oder Falschheit gewinnen. Allerdings ist dieser Eindruck aufgrund des Übersetzungsproblems zwischen der Wirklichkeit und unserer Wahrnehmung immer fehlerbehaftet, so dass wir niemals genau wissen können, ob unser Eindruck, ein Satz sei wahr, tatsächlich der Realität entspricht. Wir sind also mit zwei Arten von Problemen konfrontiert, was das Verhältnis von Sätzen und Wirklichkeit angeht. Bei singulären Sätzen können wir nie eindeutig ent scheiden, ob dieser Satz genau in dieser Form einer Tatsache entspricht, wie sie sich 'wirklich' abspielt. Und auch bei allgemeinen Sätzen stoßen wir auf eine problematische Beziehung zwischen der Wirklichkeit und den sie repräsentieren den Sätzen. Allerdings kommen allgemeine Sätze niemals als solche direkt in der Wirklichkeit vor. Allgemeine Gesetze sind lediglich eine Beschreibung der Ge setzmäßigkeiten, von denen wir glauben, dass sich die Konstitution der Wirk lichkeit nach ihnen vollzieht. Auch hier besteht wieder nur ein indirekter Zugang von den Sätzen zur Wirklichkeit und umgekehrt. Allgemeine Sätze können immer nur auf den Umweg von singulären Sätzen untersucht werden, denn die Brücke zwischen Wirklichkeit und Sprache kann nur mit Hilfe des Rohmaterials der sin gulären Sätze geschlagen werden. Wissenschaftlicher Fort schritt als Annäherung an die Wahrheit
Im Hinblick auf die Fortentwicklung von Wissen und Wissenschaft ist es uns nach Karl Popper deshalb nie möglich, die absolute Wahrheit zu erfahren, bestenfalls können wir eine Annäherung an die Wahrheit erzielen. Das bedeutet, dass wir zwar Sätze und Theorien an der Wirklichkeit überprüfen und dementsprechend als bewährt ansehen oder verwerfen können, und dass wir über den Prozess des Ver werfens und Verbesserns von Sätzen und Theorien zu relativ 'wahreren' Aussagen kommen, dass wir jedoch niemals wissen können, ob und wann wir die Wirklich keit in unserer Sprache vollständig wahr abbilden. Mit dieser grundlegenden Skepsis müssen wir bei allem Streben nach wissenschaftlichem Fortschritt leben. Wie dieser Prozess des Prüfens und Verwerfens von Theorien vor sich geht, wird ausführlich in Kap. 8 beschrieben.
Kapitel 3 Welt und Sprache
3
25
Welt und Sprache
Aussagen oder Sätze werden hier also als sprachliche Gebilde verstanden, die mit Tatsachen (Sachverhalten) der Welt (Wirklichkeit) korrespondieren. Für jede Tat sache in der Wirklichkeit gibt es einen Satz, der eben diese Tatsache repräsentiert. Sprache ist daher nichts anderes als eine symbolische Repräsentation der Welt in unseren Köpfen. Dies erleichtert uns in vielerlei Hinsicht die Auseinandersetzung mit der Welt. Wir müssen eine Tatsache, um sie uns vor Augen zu führen, nicht als solche in echt reproduzieren, sondern können durch einen Satz auf sie verwei sen, also eine Referenz zu ihr herstellen, die stellvertretend für sie stehen kann. Der besondere Vorteil der Sprache gegenüber anderen möglichen symbolischen Repräsentationen besteht darin, dass sie sich besonders gut zur Kommunikation mit anderen Menschen eignet. Erfahrungen über die Welt können so ausgetauscht werden und die Konsequenzen aus diesen Erfahrungen, d.h. das erworbene Wis sen, kann so weitergegeben werden, ohne dass diese Erfahrungen selbst von neu em gemacht werden müssen. Es ist daher schlechthin unvorstellbar, dass wir ohne Sprache überhaupt zu einem tieferen Verständnis der Welt gelangen könnten. Auch wenn wir unsere Erfahrungen letztlich nur in der Welt machen können, so können wir Wissen über die Welt im eigentlichen Sinn immer nur in der Form ei ner symbolischen Repräsentation besitzen.
Sprache als Schlüssel zum
Wegen der fundamentalen Bedeutung der Sprache wollen wir uns kurz etwas ein gehender mit ihrer Struktur beschäftigen. Aussagen entsprechen Tatsachen in der Welt. Eine elementare Tatsache ist wiederum die Verbindung eines Objekts mit einer Eigenschaft. Um Sätze überhaupt formulieren zu können, brauchen wir da her eine sprachliche Repräsentation von Objekten, von Eigenschaften und von Beziehungen, Verknüpfungen zwischen Objekten und Eigenschaften im Sinne von Zugehörigkeit usw. Alle diese sprachlichen Repräsentationen in ihrer Ge samtheit wollen wir als Begriffe bezeichnen. Jede sprachliche Repräsentation kann wiederum als ein Komplex von symbolischen Zeichen betrachtet werden. Da der Vorrat an symbolischen Zeichen in den meisten Sprachen begrenzt ist und we sentlich mehr Begriffe benötigt werden als Zeichen vorhanden sind, werden Beg riffe meist durch eindeutige geordnete Kombinationen von Zeichen, die wir Wör ter nennen, dargestellt. Das, worauf der Begriff verweist, soll Designat oder Vor stellungsinhalt genannt werden. Die Verknüpfung von Begriffen und Designata geschieht mit Hilfe so genannter semantischer Regeln, oder Korrespondenzregeln. Die Bedeutung eines Begriffs liegt in der Möglichkeit seiner Zuordnung zu einem Designat. Die einfachste Form von Begriffen sind so genannte empirische oder deskriptive Begriffe, die einem Objekt oder Gegenstand der Wirklichkeit oder ei nem seiner Merkmale entsprechen. Beispiele für deskriptive Begriffe wären dem nach 'Mond', aber auch 'Trabant', 'Venus', aber auch 'Planet', 'Blume', 'rot' etc. Wir können deskriptive Begriffe daher noch einmal in solche zerlegen, die die Identi fikation bestimmter einzelner Objekte ermöglichen, und solche, die die Identifika tion einer Gruppe von Objekten ermöglichen. Wir können stattdessen auch von 'Namen' und 'Eigenschaften' sprechen, oder von 'proper names' und 'class names'
Struktur von Sprache
Verständnis der Welt
26
Kapitel 3 Welt und Sprache
(Russell 1997: 87ff.). Etwas Ähnliches meint auch Popper mit seiner Unterschei dung zwischen 'Individualien' und 'Universalien' (Popper 1989: 36ff.). Namen sind die Bezeichnungen konkreter einzelner, individueller Objekte, anhand derer diese eindeutig identifizierbar sind, also 'Mars' als Name des Planeten Mars, 'Herr Müller', 'Gerhard Schröder' etc. Da 'Namen' alles umfassen, das eine eindeutige Identifizierung ermöglicht, sind in einem weiten Sinn auch 'Zeiger-Begriffe' wie 'dieser da', 'das Objekt in meiner Hand' etc. als 'Namen' zu verstehen. Eigenschaf ten oder Prädikate dagegen sind Begriffe, die Objekten zugeordnet werden kön nen. Die Eigenschaft 'Planet' z.B. kann verschiedenen Objekten mit den Namen 'Mars', 'Venus', 'Erde' und so weiter zugeordnet werden. Das Prädikat 'Trabant' kann dem Objekt 'Mond' zugeordnet werden, solange wir diesen Begriff zur Be zeichnung des Objekts Erdenmond verwenden und nicht zur Bezeichnung einer Klasse von Objekten mit der Eigenschaft 'bewegen sich um Planeten'. Der Begriff 'Mond' ist daher zweideutig, da er sowohl in der Namensbedeutung als auch in der Trabantenbedeutung verwendet wird. Genauso können wir den Objekten 'BRD', 'USA' oder 'Frankreich' das Prädikat 'demokratisch' zuordnen. Allerdings ist auch dieser Fall nicht ganz trivial, weil die Bildung der Entität (also der Einheit), die wir z.B. mit dem Eigennamen 'BRD' bezeichnen, auf einer Eigenschaft beruht, die man z.B. 'Nationalstaat' nennen kann. Elementare Sätze bestehen in der Regel aus der Zuordnung eines Prädikats zu einem Objekt, wie "Der Mond (als Objekt) ist eine Kugel" oder "Napoleon war ein Feldherr". Begriff als Menge von Objekten mit gleicher Eigenschaft
Es erleichtert die wissenschaftliche Auseinandersetzung mit Begriffen oft, wenn wir sie uns als Mengen vorstellen. Der Begriff 'Rot' kann dann einfach als die Menge aller roten Objekte definiert werden. Mengen können grundsätzlich auf zweierlei Art und Weise gebildet werden. Zum einen können wir eine Menge bil den, indem wir alle Elemente aufzählen, d.h. die Objekte, die in der Menge ent halten sind. Dies nennen wir die Extension des Begriffs oder der Menge. Zur Be stimmung der Extension eines Begriffs müssen wir auf Namen zurückgreifen, um so die einzelnen Objekte eindeutig zu erfassen. Der Begriff 'Feldherr' entspräche in der extensionalen Mengendarstellung einer Menge 'Feldherr', die wir als {'Ale xander der Große', 'Perikles', 'Julius Cäsar', ... 'Moltke', 'Hindenburg', 'Patton' ...} darstellen könnten. Die Extension der Menge der geraden Zahlen wäre {2, 4, 6, 8 ....}. Die vollständige extensionale Darstellung eines Begriffs oder einer Menge ist nur möglich, wenn die Anzahl der Objekte, die dem Prädikat zugeordnet werden, endlich ist. Das Prädikat 'Begründer einer Weltreligion' lässt sich (je nach Kultur verständnis) durchaus vollständig extensional darstellen als {Buddha, Konfuzius, Moses, Christus, Mohammed}. Bei weniger spezifischen Prädikaten wie 'Rot' o der 'Gerade Zahl' jedoch ist die Anzahl der Objekte unendlich und daher durch Aufzählen nicht vollständig darstellbar. Man kann aber im Prinzip unendliche Ob jektmengen für einen beschränkten Bereich extensional darstellen, z.B. die roten Gegenstände, die sich im Raum x zur Zeit y befinden oder die geraden Zahlen, die kleiner als 100 sind.
Kapitel 3 Welt und Sprache
27
Da die Klassennamen in der Regel nicht vollkommen willkürlich sind, sondern ja etwas bedeuten, ist auch die Extension eines Begriffs in der Regel nicht willkür lich. Vielmehr existiert in den meisten Fällen eine Art von Zuordnungsvorschrift, die bestimmt, wann ein bestimmtes Element zu der dem Begriff entsprechenden Menge gehört. Dies nennen wir die Intension eines Begriffs. Die Intension eines Begriffs gibt also die Bedingungen an, denen ein Objekt genügen muss, um zur Menge zu gehören, oder bestimmte Merkmale bzw. Eigenschaften, die das Objekt besitzen muss. Die intensionale Darstellung der Menge der geraden Zahlen sähe z.B. so aus: {x: x ist ohne Rest durch 2 teilbar.}, also die Menge aller Elemente x, für die gilt, dass x durch 2 ohne Rest teilbar ist. Die Intension einer Menge stellt eine Art von Konstruktionsvorschrift ihrer Extension dar. Insbesondere können wir aufgrund der Intension eines Begriffs entscheiden, ob ein bestimmtes Objekt zu seiner Extension gehört oder nicht. Dies ist von Bedeutung, da wir über die Wahrheit eines elementaren Satzes, der ja in der Zuordnung eines Prädikats zu ei nem Objekt besteht, unter Hinzuziehung der Extension des Prädikats entscheiden. Der Satz "x ist ein A" ist z.B. genau dann wahr, wenn x ein Element der Extension von A ist. Wenn wir die Extension in ihrem gesamten Umfang nicht kennen, kön nen wir für x aber dennoch entscheiden, ob es in ihr enthalten ist, indem wir x den Anforderungen unterziehen, die in der Intension des Begriffs genannt sind. Neh men wir z.B. an, wir sollen entscheiden, ob der Satz "x ist eine Primzahl" wahr ist. Wenn x '7' oder '11' oder '13' ist, können wir dies unmittelbar bejahen, da wir wis sen, dass '7', '11' und '13' zur Extension des Begriffs 'Primzahl' gehören. Aller dings ist uns diese Extension nur partiell bekannt. Wenn wir jetzt entscheiden sollten, ob '12371' eine Primzahl ist, werden dies die meisten von uns nicht mehr durch ihre partielle Kenntnis der Extension von 'Primzahl' entscheiden können. Wir kennen jedoch die Intension von 'Primzahl', die heißt, dass eine Zahl lediglich durch sich selbst und durch 1 ohne Rest teilbar ist. Dies können wir nun für die Zahl '12371' untersuchen. Trifft die Bedingung zu, dann ist x eine Primzahl. Gleichzeitig wissen wir aber, dass x damit zur Extension von 'Primzahl' gehört und erhöhen damit unsere partielle Kenntnis derselben.
Extension und Intension von Begriffen
Die meisten Begriffe lernen wir in der Phase des Spracherwerbs auf natürliche Weise. In der Wissenschaft benötigen wir jedoch häufig neue Begriffe oder es ist notwendig, dass bestimmte Begriffe für den wissenschaftlichen Gebrauch präzi siert werden. In diesem Fall müssen diese neu eingeführten oder mit einer neuen Bedeutung versehenen Begriffe definiert werden. Definitionen sind dabei nichts anderes als Konventionen bezüglich der Verwendung bestimmter sprachlicher Ausdrücke, auf die man sich innerhalb der wissenschaftlichen Gemeinschaft ei nigt. Damit sind Definitionen aber niemals wahr oder falsch, bestenfalls können sie mehr oder weniger zweckmäßig sein. Wir unterscheiden verschiedene Formen von Definitionen:
Definitionen
28
Kapitel 3 Welt und Sprache
Definition: Nominaldefinition Unter Nominaldefinition versteht man die Festsetzung darüber, dass ein be stimmter Ausdruck, das Definiendum, gleichbedeutend sein soll mit einem an deren Ausdruck, dem Definiens, dessen Bedeutung bekannt ist. Nominaldefinition
Bei der Nominaldefinition handelt es sich also um eine Bedeutungsübertragung oder Bedeutungstransformation vom Definiens zum Definiendum. Es werden kei ne neuen Bedeutungen geschaffen. Die Definition ist daher aus rein ökonomi schen Gründen sinnvoll. Im Prinzip könnte man in jedem Satz, in dem das Defi niendum vorkommt, dieses genauso gut durch das Definiens ersetzen, ohne den Sinn des Satzes in irgendeiner Weise zu verändern. Die Nominaldefinition von 'Schimmel' beispielsweise lautet 'weißes Pferd'. Jeder Satz, in dem das Wort 'Schimmel' vorkommt, bleibt in seiner Bedeutung unberührt, wenn man 'Schim mel' durch 'weißes Pferd' ersetzt. Die Erfindung von Wörtern wie 'Schimmel' oder 'Rappe' oder 'Stute' dient in erster Linie der Bequemlichkeit, da man so mit insge samt weniger Wörtern auskommt, um eine bestimmte Aussage zu machen. Aller dings vergrößert sich dadurch der zur Kommunikation benötigte Wortschatz. Sät ze, die lediglich eine sprachliche Umformulierung der Definition sind, wie z.B. "Ein Schimmel ist ein weißes Pferd." sind immer wahr und daher tautologisch. Dies ist unmittelbar klar, denn die Bedeutung des Satzes und damit auch sein Wahrheitswert bleiben ja unberührt, wenn man das Definiendum durch das Defi niens ersetzt. Der obige Satz ist daher gleichbedeutend mit "Ein weißes Pferd ist ein weißes Pferd.", eine Aussage, die ebenso wahr wie unnötig, da ohne jeglichen Informationsgehalt ist. Da Nominaldefinitionen somit immer nur schon vorhan dene Bedeutungen neuen Wörtern zuweisen, kann durch Nominaldefinitionen niemals neues Wissen entstehen. Nominaldefinitionen schlagen keine Brücke zur realen Welt der Objekte. Die Extension von 'Schimmel' ist durch und durch iden tisch mit der Extension von 'weißes Pferd', es handelt sich lediglich um zwei ver schiedene Bezeichnungen derselben Menge. Was uns als Empiriker interessiert, ist ja, wann ein bestimmtes Objekt x mit Recht als 'Schimmel' oder 'weißes Pferd' bezeichnet werden darf, bzw. wann der Satz "x ist ein Schimmel" als wahr be zeichnet werden darf. Da Sätze die sprachlichen Repräsentationen von Sach verhalten sind, können wir Begriffe auch so definieren, dass ein Satz der Form "x ist ein A" immer dann wahr ist, wenn wir in Bezug auf x eine bestimmte Art von Beobachtung bzw. Erfahrung machen. Dies nennen wir die operationale Defini tion von Begriffen, die von Opp daher auch als "Übersetzung eines Begriffs in be obachtbare Ereignisse" (Opp 1995: 119) bezeichnet wird.
Kapitel 3 Welt und Sprache
29
Definition: Operationale Definition Unter der operationalen Definition eines Begriffs A versteht man die präzise Festsetzung bestimmter Operationen an einem Objekt x, deren Ergebnisse eine eindeutige Aussage darüber ermöglichen, ob dem Objekt x der Begriff A zuge ordnet werden darf oder nicht. Eine operationale Definition des Begriffs 'Gerade Zahl' haben wir eben schon kennen gelernt. Sie besteht zuerst in der Festsetzung der Operationen, die an ei nem Objekt vorgenommen werden sollen, in unserem Beispiel entspräche diese Operation der Modulo-Funktion bezüglich der Zahl 2, d.h. der Ermittlung des Rests nach der Division durch 2. Wenn dieser Wert gleich Null ist, dann ist die Zahl gerade.
Operationale Definition
Operationale Definitionen spielen in den empirischen Wissenschaften eine heraus ragende Rolle. Die entsprechenden Operationen werden dann auch Messungen oder Messverfahren genannt. Da operationale Definitionen einen Bezug zu be stimmten Beobachtungen herstellen, kann mit ihrer Hilfe die Korrespondenz von Beobachtungen und Sätzen hergestellt werden. Die operationale Definition des Begriffs 'Rot' kann man sich z.B. so vorstellen, dass der Begriff dann und nur dann einem Objekt zugeschrieben werden darf, wenn die Wellenlänge des von diesem Objekt reflektierten Lichts einem bestimmten Bereich entspricht, wobei diese Wellenlänge durch eine Apparatur gemessen wird, die wir z.B. Spektrome ter nennen. Genauer gesagt besteht die operationale Definition von 'rot' in der Bauanleitung einer solchen Apparatur, dem Aussetzen des Objekts durch die Ap paratur und dem Bewerten des Ergebnisses dieser Operationen. In der Regel wird diese Apparatur so konstruiert sein, dass sie eine Art Skala und eine Art Zeiger enthält, an denen die Ergebnisse der Prozedur abgelesen werden können. Bei einfachen Merkmalen wie der Farbe ist es möglich, einen direkten Bezug zwi schen einer Beobachtung und der Ausprägung des Merkmals herzustellen. Oft un tersuchen wir jedoch gerade in den Sozialwissenschaften Eigenschaften, die nicht direkt mit bestimmten Beobachtungen korrespondieren, sondern für deren Vorlie gen bestimmte Beobachtungen lediglich als Indiz dienen können. Beobachtungen, die nur einen indirekten Schluss auf ein Merkmal zulassen, nennen wir Indikato ren. Beispiel: Intelligenzmessung Nehmen wir einmal den Begriff der Intelligenz. Leider (oder zum Glück) gibt es keine di rekte Methode, die Intelligenz eines Menschen zu ermitteln, wie sich z.B. die Farbe einer Blume ermitteln lässt. Andererseits haben wir eine bestimmte Vorstellung davon, dass 'intelligente' Menschen sich dadurch auszeichnen, dass sie zu gewissen Dingen in der La ge sind, zu denen weniger 'intelligente' Leute nicht fähig sind, z.B. zum Lösen abstrakter Probleme. Tests, die solche Probleme enthalten, können dann als Indikator für 'Intelli genz' herangezogen werden. Wird aus mehreren Indikatoren ein zusammenfassender Wert berechnet, so wird diese neue Dimension ein Index genannt. Der so genannte Intel ligenzquotient ist ein solcher Index, der – je nach Test – die Zusammenfassung ver-
Indikatoren zur indirekten Messung
30
Kapitel 3 Welt und Sprache
schiedener Testbatterien darstellt. Die operationale Definition von 'Intelligenz' wäre dem nach der Wert, den ein Intelligenztest misst. Eine solche Definition kann aber völlig be liebig und somit noch weniger informationshaltig sein als eine Nominaldefinition. Tat sächlich ist hier der Willkür Tür und Tor geöffnet, und gerade Erfahrungen im Miss brauch des 'Intelligenztests' sollten zur Vorsicht im Umgang mit operationalen Definitio nen mahnen (Gould 1999). Das Problem besteht darin, dass wir oft schon vor der Einfüh rung von operationalen Definitionen ein Vorverständnis des zu definierenden Begriffs haben und auch haben müssen, denn sonst könnten wir uns keine Operationen ausdenken, die unserem Verständnis nach in der Lage sind, die dem Begriff entsprechende Eigen schaft zu messen. Dieses Vorverständnis lässt sich auch mit Hilfe von Bedeutungsanaly sen untersuchen. Der Begriff Intelligenz hatte auch schon vor der Einführung des Intelli genztests eine Bedeutung, auch wenn der Begriff nicht quantifizierbar war. Eine operati onale Definition ist daher nur dann wirklich angemessen, wenn das Messverfahren oder Messinstrument tatsächlich Ergebnisse im Sinne des zu messenden Konzepts liefert. Am Beispiel des oben eingeführten Spektrometers ist der Fall relativ einfach zu erläutern: Man kann ohne größere Schwierigkeiten ein Gerät bauen, dessen Zeiger sich immer in einem bestimmten Bereich einer Skala befindet, wenn ein Gegenstand rot ist (also wenn jeder beliebige Beobachter diesen Gegenstand auch als 'rot' bezeichnen würde). Die Mes sung einer Farbe ist deswegen so einfach, weil sie an bestimmte physikalische Eigen schaften gekoppelt ist, über die unter einer Vielzahl von Beobachtern in der Regel Kon sens zu erzielen ist. Ein 'Intelligenztest' wäre dementsprechend ein guter Test bzw. eine gute operationale Definition des Begriffs Intelligenz, wenn der Test immer dann und nur dann einen hohen Wert bei einer getesteten Person erzielen würde, wenn sich auch alle Beobachter darüber einig wären, dass diese Person tatsächlich intelligent ist (im Falle ei nes so vagen Konzepts wie 'Intelligenz' mit Sicherheit ein mehr als frommer Wunsch). Der Vorteil eines standardisierten Intelligenztests liegt darin, dass er diese Vagheit besei tigt und ein eindeutiges Ergebnis liefert. Der Nachteil liegt allerdings darin, dass, was immer der Test misst, mit dem, was 'man' gemeinhin unter Intelligenz versteht, unter Um ständen wenig gemeinsam hat. Man könnte nun der Genauigkeit halber einen neuen Beg riff 'T-Intelligenz' einführen, um klarzumachen, dass es sich hierbei nur um die in einem Test ermittelte Intelligenz handelt. Wenn wir allerdings operationale Definitionen immer als neue Begriffe einführen, verhindern wir zwar damit eine eventuell missverständliche Zuordnung, andererseits sinkt die Verwertbarkeit des Tests bzw. des Messergebnisses. Wenn es keine Möglichkeit mehr gibt, die Testergebnisse in Bezug zu Größen und Beg riffen außerhalb des Tests zu setzen, dann wissen wir in keiner Weise, was wir mit einem solchen Testergebnis anfangen sollen. Intelligenztests sind ja nur deshalb interessant, weil sie vorgeben, das, was wir üblicherweise unter Intelligenz verstehen, tatsächlich auch ob jektiv messen zu können. Wir können über 'Intelligenz' in einem wesentlich weiteren Rahmen sinnvoll sprechen als wir darüber objektive wissenschaftliche Aussagen machen können. Die 'Objektivierung' des Intelligenzbegriffs macht diesen einerseits wissenschaftlich handhabbar, aber mögli cherweise unter dem Verlust 'unscharfer' Komponenten, die man zwar im Gespräch mit führen kann, die sich aber nicht quantifizieren, d.h. messen, lassen.
Ende Beispiel Operationale Definitionen sind unsere unverzichtbare Brücke zur empirischen Welt. Sie sind aber nur dann wertvoll, wenn die Ergebnisse der beschriebenen Prozeduren im Sinne von Bedeutungen interpretiert werden können, die der Beg riff außerhalb der Prozeduren hat. Denn diese Bedeutungen sind es in der Regel, die den Begriff überhaupt als untersuchenswert erscheinen lassen. Wenn ein Test in diesem Sinn auch tatsächlich misst, was er messen soll, so nennen wir diesen Test valide.
Kapitel 4 Messen
4
31
Messen
Unter Messen verstehen wir die Zuschreibung einer Eigenschaft zu einem Objekt. Allerdings ist es nötig, den Begriff 'Eigenschaft' noch etwas zu präzisieren. In der Umgangssprache unterscheiden wir in der Regel nicht genau zwischen der Eigen schaft selbst und der Ausprägung dieser Eigenschaft. Es ist z.B. eine Eigenschaft eines Quaders, eine räumliche Ausdehnung zu besitzen, oder, anders ausgedrückt, eine Länge, eine Höhe und eine Breite. Die konkrete Länge, Höhe und Breite in Metern sind die Ausprägungen der Ausdehnung in den drei Dimensionen des Raums. Jedes Objekt ist durch die Eigenschaften, die es besitzt, charakterisiert. Jedes Objekt liegt also in einem Eigenschaftsraum, und die Koordinaten in diesem Raum entsprechen den Ausprägungen der einzelnen Eigenschaften.
Messen: Zuschreibung ei
Zwei Einschränkungen sind zu machen. Erstens: Wir können nur die Eigenschaf ten eines Objektes messen, die wir kennen und für deren Messung wir die geeig neten Verfahren zur Verfügung stehen haben. D.h. es mag beispielsweise sein, dass das Objekt eine vierte Dimension im Raum besitzt, da wir aber keinen Zu gang zu dieser Dimension haben, können wir die Ausprägung des Objekts bezüg lich dieser Eigenschaft nicht messen. Bei der Messung eines Objekts berücksich tigen wir also nur einen reduzierten Raum von beobachtbaren und für uns relevan ten, d.h. uns interessierenden Eigenschaften. Wenn uns die räumliche Ausdeh nung eines Quaders interessiert, dann messen wir eben nur Länge, Breite und Hö he und nicht außerdem noch seine Farbe, die Beschaffenheit seiner Oberfläche u.ä.
Nur prinzipiell bekannte Ei
Zweitens: Der Begriff, den wir uns von den internen Eigenschaften eines Objekts machen, ist von den externen Eigenschaften aller Objekte, die diese interne Eigen schaft besitzen, abgeleitet. Das heißt: Wir wissen, dass ein räumlicher Körper eine Länge besitzt. Dies wissen wir auch dann, wenn wir die exakte Länge des Körpers nicht kennen. Der Begriff der Länge aber entsteht durch die Erfahrungen, die wir gemacht haben, indem wir die konkrete Länge verschiedener Körper gemessen haben. Wir wissen, dass ein Gegenstand eine Farbe haben muss, auch dann, wenn wir die Farbe selbst gar nicht kennen. Der Begriff der 'Farbe' aber, die Vorstel lung, die wir uns vom Wesen der Farbe machen, hängt ab von unserer Erfahrung, die wir mit konkreten Farben wie 'Rot', 'Grün', 'Blau' usw. gemacht haben. Die Vorstellung der Eigenschaft, die wir messen wollen, ändert sich also mit dem Ver fahren der Messung selbst. Im gleichen Maße, wie wir eine Messmethode verfei nern, verfeinern wir auch unseren Begriff von der zu messenden Eigenschaft.
Vorstellung der zu messen den Eigenschaft ist erfah
Die Messung eines Objekts ist also in zweierlei Hinsicht beschränkt, zum einen durch die Auswahl der Eigenschaften, zum anderen durch die Form der Messung dieser Eigenschaften. Durch die Messung einer Eigenschaft von Objekten unterteilen wir die Menge al ler Objekte in mehrere distinkte Mengen, wobei jede Teilmenge einer Ausprägung der Eigenschaft entspricht. Messen wir z.B. die Farbe aller Gegenstände, dann
ner Eigenschaft zu einem Objekt
genschaften können ge messen werden
rungsgetränkt und daher prinzipiell veränderlich
32
Kapitel 4 Messen
können wir unter anderem eine Menge bilden, die wir mit dem Namen 'ROT' ver sehen, in die alle Dinge gehören, deren Farbe die Ausprägung rot hat. Auf die gleiche Art und Weise bilden wir eine Menge mit dem Namen 'BLAU', eine mit dem Namen 'GRÜN' usw. Symbole zur Bezeichnung der Ausprägung von Eigen schaften: zumeist Zahlen oder Wörter
Reduktion der Dimensionen der Wirklichkeit durch das Messinstrument
Für die Bezeichnung der Ausprägung einer Eigenschaft werden symbolische Zei chen verwendet. Häufig ist es sinnvoll, numerische Zeichen, also Zahlen, zu ver wenden, da diese – je nach Art der Verwendung – in der Lage sind, ihrem Wesen nach unterschiedliche Charakteristika der Eigenschaften von Objekten abzubilden. So können wir je nach Kontext entscheiden, auf welche Eigenschaften von Zahlen wir bei der Kennzeichnung bestimmter Objekte mit bestimmten Merkmalsausprä gungen zurückgreifen wollen. So kann durch Zahlen etwa unmittelbar eine Rang ordnung oder das Verhältnis von Abständen zwischen einzelnen Ausprägungen einer Eigenschaft veranschaulicht werden. Aber wir können Zahlen auch einfach als symbolische Zeichen verwenden. Gerade in den Sozialwissenschaften haben wir es häufig mit Ausprägungen von Merkmalen zu tun, die sich am besten durch verbale Zeichen, also Worte, kennzeichnen lassen. So wie im obigen Beispiel die Ausprägungen der Eigenschaft von Objekten 'eine Farbe haben' mit den Begriffen 'ROT', 'GRÜN' und 'BLAU' gekennzeichnet wurden, werden beispielsweise die Ausprägungen der Eigenschaft 'Wahlsystem' durch die Begriffe 'Proportional wahlsystem', 'Mehrheitswahlsystem' oder 'Mischwahlsystem' gekennzeichnet. Zahlen können dann im Sinne von Zeichen als ökonomische Abkürzungen der längeren Begriffe verwandt werden. Bei der Messung der Ausprägung einer oder mehrerer Eigenschaften eines Ob jekts 'stauchen' wir also das reale Objekt, wie es in der Wirklichkeit vorhanden ist, auf wenige Maßzahlen zusammen, die uns interessierende Eigenschaftsausprä gungen repräsentieren. Messen ist also nichts anderes als eine Projektion der viel schichtigen, komplexen, nahezu unendlich dimensionalen Wirklichkeit auf weni ge Dimensionen ihrer symbolischen Repräsentation. Man spricht daher auch von der Abbildungstheorie der Wirklichkeit durch die Messung. Tatsächlich leben wir natürlich schon immer in einer auf wenige Dimensionen 'gestauchten' Reprä sentation der Wirklichkeit. Um es in Kants Terminologie zu sagen, die Welt, wie wir sie wahrnehmen, ist die Welt 'für uns' aber nicht die Welt 'an sich.' Auch unse re Wahrnehmungsorgane transformieren die 'wirkliche' Wirklichkeit in eine Wirk lichkeit, deren Aufbau und Erscheinungen lediglich die Struktur unserer Sin nesorgane und die Art unseres Gehirns, Sinneseindrücke zu verarbeiten, wider spiegeln. Sowenig es das symbolische Zeichen 'rot' in der Wirklichkeit gibt, so wenig gibt es in ihr den Sinneseindruck, den wir mit der Farbe Rot verbinden. Al le unsere Sinneseindrücke sind nicht in der Realität vorhanden, sondern entstehen durch komplexe Erregungsmuster in unserem Gehirn. Wir können daher den Vor gang der Messung ganz analog zum Einsatz eines Sinnesorgans betrachten. So wie uns unsere Augen die Projektion der Wirklichkeit auf die optische Ebene vermitteln, so gibt uns die Messung die Abbildung der Wirklichkeit auf die Ebene des Messinstruments wieder.
Kapitel 4 Messen
33
Natürlich wollen wir, dass bei dieser Abbildung die Struktur der Wirklichkeit, zumindest in den uns interessierenden Aspekten, möglichst erhalten bleibt. Diese Struktur besteht in den Beziehungen zwischen den Objekten bzw. deren Eigen schaften. Die Eigenschaften eines Objekts können immer nur insoweit wahrge nommen werden, wie sie sich von den Eigenschaften eines anderen Objekts unter scheiden. Es gibt keine 'absoluten' Ausprägungen der Eigenschaften eines Ob jekts, sondern immer nur Ausprägungen dieser Eigenschaften in Relation zu ande ren Ausprägungen, wie sie bei anderen Objekten vorkommen. Dieses Diffe renzprinzip ist es, was uns überhaupt erst Eigenschaften von Objekten wahrneh men lässt. Die Aussage, dass ein bestimmter Gegenstand rot ist, hat nur dann ei nen Sinn, wenn es auch nicht-rote Gegenstände gibt, so dass wir den roten Ge genstand von den nicht-roten Gegenständen abgrenzen können. Gäbe es nur die Farbe Rot, dann würden wir niemals die Eigenschaft 'Farbe eines Gegenstands' entdecken. Die Messung einer Eigenschaft eines bestimmten Objekts ist daher im eigentlichen Sinn immer die Angabe der Relation der gemessenen Ausprägung zu den gemessenen Ausprägungen anderer Objekte. Ein solches System von Bezie hungen bezeichnen wir auch als Relativ.
Differenzprinzip: Eigen schaften von Objekten wer
Da die Struktur des empirischen Relativs somit das ist, was uns eigentlich interes siert, muss gewährleistet sein, dass diese Struktur auch in der Messung wiederge geben wird. D.h., den Beziehungen zwischen den Objekten, wie sie in der Wirk lichkeit bestehen, sollen Beziehungen zwischen den symbolischen Repräsentatio nen dieser Objekte entsprechen. Die Messverfahren sind also so zu konstruieren, dass diese Beziehungen nicht verloren gehen, wenn wir statt der Gegenstände selbst nur noch ihre symbolische Repräsentation in Zahlen besitzen. Eine Abbil dung, die die Struktur des Abgebildeten erhält, wird ein Morphismus genannt. Die ideale und hundertprozentig strukturtreue Messung wäre dem ersten Augenschein nach eine, die jeden Unterschied im empirischen Relativ auf einen Unterschied im numerischen bzw. symbolischen Relativ abbildet, d.h. für jede Ausprägung einer Eigenschaft in der Wirklichkeit müsste eine entsprechende Messzahl existieren. Eine solche Abbildung wäre eineindeutig, da nicht nur jeder Ausprägung einer Eigenschaft ein symbolischer Wert zugeordnet werden könnte, sondern umge kehrt auch jedem symbolischen Wert genau die ursprüngliche Ausprägung der Ei genschaft. In einem solchen Fall sprechen wir von einem Isomorphismus. Bei ei ner isomorphen Abbildung kann das Original also vollkommen fehlerfrei aus sei ner Abbildung rekonstruiert werden. Man denke dabei an die nette Idee einiger Science fiction Autoren, den 'Inhalt' eines menschlichen Gehirns auf einer Art Festplatte zu speichern, so dass im Falle der Zerstörung des Gehirns dieses aus der 'Sicherungsdatei' wiederhergestellt werden kann. Aber auch analoge Verfahren der Tonaufnahme entsprechen einer isomorphen Abbildung. Allerdings ist eine solche Eins-zu-Eins Abbildung in den meisten Fällen nicht nur vollkommen un möglich, sondern auch gar nicht wünschenswert. Die Feinheit des Messinstru ments soll meistens gar nicht der Feinheit des gemessenen Objekts entsprechen, eine gewisse 'Vergröberung' durch die Messung ist aus praktischen Gründen durchaus erwünscht. Wenn es um die Körpergröße eines Menschen geht, so wol-
Beziehung zwischen zwei
den im Unterschied zu Ei genschaften anderer Objek te wahrgenommen
Objekten: Relativ
Abbildung durch Messung: Morphismus
Eineindeutige Abbildung: Isomorphismus
34
Kapitel 4 Messen
Eindeutige Abbildung: Homomorphismus
len wir diese nicht auf ein Atom genau bestimmen, sondern eine Angabe in Zen timetern reicht uns in den meisten Fällen durchaus. Um homomorphe oder eindeutige Abbildungen handelt es sich, wenn zwar jeder Eigenschaftsausprägung des realen Objekts eindeutig ein Messwert zugeordnet wird, umgekehrt aus dem Messwert jedoch nicht mehr der exakte Originalwert re konstruiert werden kann, also mehrere Originalwerte auf denselben Wert abgebil det werden. Bei einer Messung der Körpergröße in Zentimetern mit Rundung wird z.B. allen Personen mit einer Körpergröße im Intervall von 177,5 cm bis 178,5 cm eine Körpergröße von 178 cm zugeordnet, d.h. in Wirklichkeit verschiedene Kör pergrößen wie 177,645343 cm und 178,00005 cm bekommen denselben Wert. Die Struktur des empirischen Relativs wird im numerischen Relativ nur vergrö bert wiedergegeben, aber die Verzerrungen fallen so klein aus, dass für uns rele vante Unterschiede erhalten bleiben. Wenn wir über Körpergrößen reden, macht es eben in den wenigsten Fällen Sinn, zu behaupten, die Person A sei größer als die Person B, weil sie diese in der Körpergröße um 0,0000045 cm übertrifft. Nach diesen Ausführungen ist nun eine etwas genauere Definition des Messvor gangs möglich, als es am Anfang des Kapitels möglich war. Definition: Messung Unter Messung verstehen wir die homomorphe Abbildung eines empirischen Relativs auf ein numerisches Relativ.
Messung durch Paarver gleich oder durch Vergleich mit Normgrößen
Beziehungen zwischen den Objekten lassen sich durch den paarweisen Vergleich von Objekten, d.h. durch die Untersuchung auf Unterschiede bezüglich der rele vanten Eigenschaft, erfassen. Die Struktur der Beziehungen ist also hinreichend beschrieben, wenn für jedes Paar von Objekten das Verhältnis ihrer Eigenschafts ausprägungen genau und eindeutig angegeben werden kann. Um die Beziehungen zwischen allen Objekten zu erfassen, müssen wir allerdings nicht alle diese Ob jekte jeweils paarweise miteinander vergleichen, ein Unterfangen, das mehr als herkulisch zu nennen wäre, sondern wir können die Beziehungen zwischen je weils zwei beliebigen Objekten indirekt erschließen, indem wir die jeweiligen Be ziehungen der beiden Objekte zu einem dritten Objekt miteinander vergleichen. Dieses dritte Objekt können wir dann das 'typische' Objekt, oder Normobjekt oder Eichobjekt nennen. Um zu ermitteln, ob eine Person größer als eine andere ist, müssen wir nicht diese beiden Personen nebeneinander stellen, sondern es genügt, wenn wir ein genormtes Metermaß zur Verfügung haben. Die Normung des Me termaßes – wie fast alle modernen Maße – stellt eine Folgeerscheinung der Fran zösischen Revolution dar und geht auf den so genannten 'Urmeter' zurück, der 1795 in Paris aus einer Metall-Legierung angefertigt wurde. Anhand dieses Me termaßes kann man nun vergleichen, ob eine Person größer oder kleiner als eine andere ist, ohne dass man sie nebeneinander stellen muss. Wir können also auch Vergleiche der Körpergröße auf Distanz durchführen, solange nur an jedem Ort
Kapitel 4 Messen
35
der Messung derselbe Maßstab vorhanden ist. Vergleiche anhand von Norm- oder Eichobjekten sind immer dann möglich, wenn für jedes Objekt tatsächlich ein konkreter Messwert besteht und dieser Wert eindeutig bestimmt ist. Je nachdem, welche Art von Beziehung zwischen den realen Objekten, genauer, zwischen den Ausprägungen der im Blickpunkt stehenden Eigenschaft der Objek te, besteht, die sich in der Beziehung zwischen den Messzahlen widerspiegeln soll, sprechen wir von verschiedenen Mess-Skalen. Es wird unterschieden zwi schen Nominal-, Ordinal-, Intervall-, Verhältnis- und Absolutskala.
4.1
Unterscheidung der Ska lenniveaus
Nominalskala
Eine Nominalskala wird dann zur Messung einer Eigenschaft eingesetzt, wenn zwei Objekte hinsichtlich ihrer Eigenschaftsausprägungen nur daraufhin vergli chen werden, ob sie beide dieselbe Ausprägung dieser Eigenschaft besitzen oder eine unterschiedliche. Anders ausgedrückt: Beide Gegenstände besitzen im Eigen schaftsraum entweder die gleiche Argumentstelle bzw. Koordinate, zumindest in Bezug auf das Raster unserer Messung, oder eine unterschiedliche. Wir können dementsprechend für jedes einzelne Objekt angeben, ob es eine bestimmte Eigen schaftsausprägung besitzt oder nicht. Eine Nominalskala wird z.B. bei der Mes sung der Farbe eines Gegenstandes benutzt. Für jedes einzelne Ding ist es mög lich anzugeben, ob es rot ist oder nicht. Ebenso kann für jedes Paar von Objekten angegeben werden, ob sie dieselbe Farbe haben oder nicht. Die Form der Messung bestimmt dabei, welche Farbwerte überhaupt möglich sind, bzw. welches Farb spektrum wir sozusagen bei der Messung einsetzen. Das minimal mögliche Farb spektrum wäre ein dichotomes, bei dem es nur zwei Ausprägungen gibt, z.B. 'rot' und 'nicht rot'. Vergeben wir numerische Werte für die Ausprägungen einer Eigenschaft, so könnte die Mess-Skala für Farbe z.B. folgendermaßen aussehen. Tabelle 4.1: Mess-Skala 1 rot 2 blau 3 gelb 4 grün 5 braun 6 andere Farbe
Die Restkategorie '6' ist notwendig, da es möglich sein muss, jedem Objekt auf grund des Messergebnisses eine Ausprägung der Eigenschaft Farbe zuzuordnen, d.h. die Mess-Skala muss erschöpfend sein. Darüber hinaus muss das Kategorien
Nominalskala: Gleichheit oder Ungleichheit von Ei genschaften
36
Kapitel 4 Messen
system trennscharf sein, d.h. die einzelnen Kategorien dürfen sich nicht über schneiden, da es sonst keine eindeutige Zuordnung des Messergebnisses zu einem Messwert mehr geben würde. In unserem Beispiel erhält ein Objekt den Messwert '1', wenn es die Farbe rot besitzt, den Wert '2', wenn es blau ist usw. Wichtig ist es hier, sich zu verdeutlichen, mit welchem Verständnis man in die sem Zusammenhang die Zahlen benutzt. Obwohl die verwendeten Zahlen diejeni gen sind, die der natürlichen Menge entsprechen, verwenden wir sie hier nicht als natürliche Zahlen, sondern ausschließlich in ihrer Funktion als Zeichen. Die ein zige Eigenschaft der Zahlen, die uns in diesem Zusammenhang interessiert, ist die ihrer Unterscheidbarkeit oder Identität in Hinsicht auf ihren Zeichencharakter, '1' ist eine andere Zahl als '2' oder '3'. Die Zahl '1' unterscheidet sich aber von der Zahl '2' nicht anders, als sie sich von der Zahl '3' unterscheidet. Das Ergebnis des Vergleichs von '1' mit '2' ist also äquivalent zum Ergebnis des Vergleichs von '1' mit '3'.
4.2 Ordinalskala: Rangplatzvergleich
Ordinalskala
Ordinalskalen werden für die Messung von Eigenschaften eingesetzt, wenn beim Vergleich zweier Objekte festgestellt werden soll, ob das eine Objekt diese Eigen schaft in einem stärkeren oder schwächeren Maß besitzt als das andere oder ob beide diese Eigenschaft im genau gleichen Ausmaß haben. Es existiert also in der 'realen' Welt, im empirischen Relativ, eine Rangordnung zwischen den Objekten bezüglich ihrer Ausprägungen der kritischen Eigenschaft. Die Messdaten müssen nun so beschaffen sein, dass sie ihrerseits eine solche Rangordnung darstellen können. Wenn also das Objekt A bezüglich der Eigenschaft X eine stärkere Aus prägung besitzt als das Objekt B, d.h. in der Rangordnung 'vor' ihm steht, dann muss auch der Messwert xA in der Rangordnung aller Messwerte vor dem Mess wert xB stehen. Die Rangordnung der zur Verwendung freigegebenen Messwerte muss also schon wohldefiniert sein. Genau dieses Kriterium erfüllen z.B. wieder die natürlichen Zahlen, die sich daher hier aus gutem Grund als Grundmenge der möglichen Messwerte eignen. Wir greifen in diesem Fall auf die Eigenschaft der natürlichen Zahlen zurück, dass die Reihenfolge ihres Auftretens eindeutig defi niert ist, 1 kommt vor 2, bzw. 123 kommt vor 10145 usw. Wir verzichten aber darauf, weitergehende Eigenschaften (wie z.B. Messung der Abstände) zu ver wenden. Wir nutzen die natürlichen Zahlen also lediglich im Sinne einer geord neten Indexmenge. Beispiele für Ordinalskalen sind Schulnoten oder jegliche Form von Ranglisten. So gibt der Korruptionsindex von 'Transparency International' eine Rangliste der untersuchten Länder nach dem Ausmaß ihrer Korruption. Daran lässt sich ablesen, dass Schweden weniger korrupt ist als Deutschland und Japan weniger korrupt als Russland. Genauso zeigt die Rangliste im ATP-Tennis an, dass der Spieler Num mer 1 besser ist als der Spieler Nummer 2, bzw. der Spieler Nummer 23 besser ist als die Nummer 87 der Weltrangliste. Allerdings gibt es in der Wirklichkeit keine Tatsache 'Rangplatz der Weltrangliste im Tennis', die so unmittelbar gemessen
Kapitel 4 Messen
37
werden könnte. Gemessen werden können nur die Ergebnisse eines einzelnen Spielers bei allen Turnieren, die ATP-Punkte vergeben dürfen. Für jeden Spieler existiert also ein n-Tupel aller ATP-Turniere, der alle seine Ergebnisse dieser Turniere enthält. Aufgrund eines bestimmten Punktesystems ist es nun möglich, diese verschiedenen n-Tupel der Spieler Sampras, Agassi, Becker und aller ande ren in eine bestimmte Reihenfolge zu bringen, oder, anders ausgedrückt, zu indi zieren. Der Rangplatz eines Spielers ist dann nichts anderes als seine Indexnum mer. Der Wert eines Objekts, den dieses bei einer Messung mit einer Ordinalskala erhält, gibt also nicht die tatsächliche Ausprägung des Objekts an, sondern den Rangplatz dieser Ausprägung in der geordneten Reihenfolge aller möglichen Ausprägungen.
4.3
Intervallskala
Eine Intervallskala wird dann zur Messung einer Eigenschaft eingesetzt, wenn beim Vergleich zweier Objekte hinsichtlich dieser Eigenschaft nicht nur festge stellt werden soll, welches der Objekte diese Eigenschaft in höherem oder niedri gerem Grade besitzt, sondern auch das Ausmaß dieses Unterschieds im Vergleich zum Unterschied eines anderen Paares von Objekten angegeben werden soll. Auch hier kann wieder ausschließlich auf die Menge der natürlichen Zahlen als Grundmenge der möglichen Messwerte zurückgegriffen werden.2 Zusätzlich zu den Eigenschaften der Menge der möglichen Messwerte, wie sie für die Ordi nalskala gelten, kann man mit Messwerten, die auf Intervallskalenniveau erhoben wurden, das Verhältnis der Differenzen der Messwerte zweier Paare angeben. Be zieht man sich immer auf die Differenz eines bestimmten Referenzpaares und normiert diese Differenz als die Einheit der Messskala, dann heißt das nichts an deres, als dass man auf Intervallskalen die absolute Differenz zwischen einem Paar von Messwerten angeben kann. So gilt für die Zahlengerade üblicherweise, dass die Einheit der Messskala der 'Abstand' von einer Zahl zur darauf folgenden ist, der für alle aufeinander folgenden Paare von Zahlen als gleich angenommen wird. So ist es möglich, für den Unterschied der Messwerte '8' und '6' angeben zu können, dem Wievielfachen des Unterschiedes zwischen '2' und '1' er entspricht.
2 Wie später noch zu sehen sein wird, reicht die Menge der natürlichen Zahlen prinzipiell für jede Art des Messens als Menge für die möglichen Messwerte aus, da jede Messung immer diskret ist, d.h. als ganz bestimmte Anzahl von Einheiten zu verstehen ist. Bestenfalls tauchen Brüche auf, doch sind diese immer als rationale Zahlen zu verstehen, d.h. also als Zahlen, die sich als Verhältnis von ganzen natürlichen Zahlen darstellen lassen. Auch die Länge 1,34 m z.B. lässt sich mit Hilfe natürlicher Zahlen darstellen, wenn man auf die Einheit cm zurück greift. Es gibt in der Messung keine irrationalen Werte wie z.B. die Zahl ʌ oder die Eulersche Zahl e. Solche Zahlen können nur analytisch gewonnen und behandelt werden. Als Ergebnis konkreter Messungen kann man nur Annäherungen, allerdings beliebig genaue, an die tat sächlichen Werte erreichen. Die Zahl ʌ beispielsweise lässt sich durch Messung empirisch ermitteln, indem man untersucht, das Wievielfache der Fläche eines Quadrats die Fläche ei nes Kreises enthält, dessen Radius der Kantenlänge des Quadrats entspricht. Dieses Problem ist eine Reformulierung der berühmten 'Quadratur des Kreises', die bekanntermaßen nicht ex akt lösbar ist. Nichtsdestoweniger kann aber ʌ auf diese Weise empirisch beliebig genau, d.h. auf beliebig viele Kommastellen, geschätzt werden.
Intervallskala: Verhältnis der Differenzen zweier Messwerte
38
Kapitel 4 Messen
Dazu können wir die arithmetischen Operationen der Differenzbildung auf ein Paar von Messwerten, also Subtraktion (bzw. Addition), sowie die Multiplikation bzw. Division in Bezug auf den Vergleich zweier Differenzen von Messwerten anwenden. Der Unterschied von '8' und '6' entspricht der Differenz von '8-6', der Unterschied von '2' und '1' der Differenz von '2-1', erstere ist 2, zweite 1, damit ist auch die Differenz von '8' und '6' zweimal so groß wie die Differenz von '2' und '1'. Eigenschaften, die mit Intervallskalen gemessen werden, sind z.B. die Temperatur oder die Intelligenz. Im ersten Fall benutzt man dabei die °Celsius oder °Fahrenheit-Skala, im zweiten Fall den Intelligenzquotienten. Vergleicht man z.B. die Temperaturen von 10° Celsius und 5° Celsius, so kann man nicht nur sagen, dass 10° wärmer ist als 5°, diese Aussage wäre auch mit einer Ordinalskala er laubt, sondern dass die Temperaturdifferenz 5° Celsius beträgt. Man kann auch sagen, dass diese Differenz fünfmal so groß ist wie die Temperaturdifferenz zwi schen 6° Celsius und 5° Celsius oder auch die zwischen 32° Celsius und 31° Cel sius. Allerdings darf man nicht schließen, dass 10° Celsius doppelt so warm ist wie 5° Celsius. Verhältnisse zwischen Ausprägungen einer Variablen darf man nur bilden, wenn sie auf dem nächsthöheren Skalenniveau erhoben worden sind.
4.4 Ratioskala: Verhältnis der absoluten Eigenschafts ausprägungen
Verhältnis- oder Ratioskala
Will man bei dem Vergleich zweier Objekte hinsichtlich der Ausprägungen einer Eigenschaft nicht nur eine Aussage über die Größe des Unterschiedes, also die Differenz, machen, sondern die Ausprägungen selbst zueinander in Verhältnis setzen, so bedarf es dazu eines absoluten Bezugspunktes, des Nullpunktes. Einen Nullpunkt benötigt man also dann, wenn man eine Aussage über das Größenver hältnis zweier Eigenschaftsausprägungen machen will, etwa der Art: "Objekt A besitzt die Eigenschaft X doppelt so sehr wie Objekt B". Eine Ratioskala verfügt über eine Art von 'natürlichem' Nullpunkt. Ratioskalen werden typischerweise eingesetzt beim Messen von Eigenschaften wie Körpergröße, Gewicht oder dem Bruttosozialprodukt eines Landes. Tatsächlich kann man jetzt zum ersten Mal von einer Übereinstimmung der Ei genschaften der Menge der möglichen Messwerte mit den Eigenschaften der Menge der natürlichen Zahlen, die wir für deren Darstellung benutzen, sprechen. Denn jetzt sind auch die Operationen der Multiplikation und der Division mit den Messwerten selbst erlaubt. Der Messwert '8' entspricht also jetzt der 'doppelten' Ausprägung des Messwertes '4' hinsichtlich der gemessenen Eigenschaft.3
3 Ebenso wie die Menge der natürlichen Zahlen enthält die Menge der möglichen Messwerte einer Verhältnisskala allerdings nicht selbst den Wert 0. Dieser ist lediglich als Bezugspunkt zu verstehen, ist aber selbst kein Element dieser Menge. Das leuchtet auch unmittelbar ein. Es gibt keine Körpergröße 0, die man messen könnte. Es gibt keine räumlichen Körper ohne Ausdehnung in den drei Dimensionen. Aber es ist möglich, unter Bezug auf die imaginäre
Kapitel 4 Messen
4.5
39
Absolutskala
Wie zu sehen war, nahm mit steigendem Skalenniveau die Anzahl der Eigen schaften der Menge der möglichen Messwerte zu, so dass sie bei der Intervall skala schließlich der der Menge der natürlichen Zahlen entsprach, die wir auch zur Darstellung unserer Messwerte benutzen. Tatsächlich wurde aber bisher immer noch nicht auf die umfassendste und zugleich ursprünglichste Eigenschaft der na türlichen Zahlen zurückgegriffen, diejenige Eigenschaft nämlich, dass eine natür liche Zahl eine eindeutig bestimmte Anzahl von unterscheidbaren Quantitäten be zeichnet. Die ursprünglichste Eigenschaft deswegen, weil die natürlichen Zahlen 'erfunden' wurden, um einen Vergleich zwischen verschiedenen Mengen von Ge genständen hinsichtlich ihrer Anzahl zu ermöglichen.
Absolutskala: abzählbare Menge von Einheiten
Absolutskalen sind daher einzusetzen, wenn es um die Bezifferung der tatsächli chen Anzahl von Einheiten geht, und nicht nur um Größenordnungen, Differenzen oder Größenverhältnisse. Die Anzahl der Personen in einem Raum, die Anzahl der Gasmoleküle in einem Kubikmeter Luft sind demnach Eigenschaften, die mit einer Absolutskala gemessen werden können. Der Wert der Messung ist hier inso fern absolut, als er kein anderer Wert sein kann. Nicht nur die Beziehungen zwi schen den verschiedenen Messwerten müssen stimmen, sondern auch die Bezie hung zwischen dem Gemessenen und dem Messwert ist eindeutig, die Messung hat nur einen einzigen möglichen Wert. Wenn drei Personen in einem Raum sind, dann sind es nicht vier, auch nicht zwei, sondern eben genau drei, und keine ande re Zahl gibt diesen Sachverhalt wirklichkeitsgetreu wieder. Der Aufbau der hier kurz vorgestellten Skalenniveaus war folgendermaßen, dass jeweils beim folgenden Skalenniveau eine zusätzliche Eigenschaft der Menge der möglichen Messwerte aufgetreten ist, die beim vorherigen Skalenniveau noch nicht gefordert war. Messungen auf Nominalskalenniveau können nur etwas über die Unterschiedlichkeit bzw. Identität der Messwerte aussagen, Messungen auf Ordinalskalenniveau lassen sich in eine geordnete Reihenfolge bringen, zwischen Messwerten, die auf einer Intervallskala erhoben wurden, lassen sich Differenzen angeben, für Messwerte einer Verhältnisskala die Verhältnisse, und die Mess-
Körpergröße 0 die Aussage zu machen: 'Jemand, der 1,80 m groß ist, ist doppelt so groß, wie jemand, der 90 cm groß ist.' Ebensowenig wie die Null als realer Messwert existiert, gibt es bei Verhältnisskalen negative Messgrößen. Es gibt keinen Körper, der die Länge -30 cm besitzt. Es ist zwar möglich, je nach Skala, die ursprünglichen Messwerte so zu transformieren, dass auch negative Werte bzw. die 0 als Messwerte auftauchen; die transformierten Zahlen sind vollkommen äquivalent zu den ursprünglichen Zahlen und aus Darstellungsgründen in dem einen oder anderen Fall sicherlich sinnvoll. Diese Transformationen sind allerdings nicht nötig, da die Menge der na türlichen Zahlen für die Darstellung der möglichen Messwerte vollkommen ausreicht. Trans formiert man eine Verhältnisskala auf eine neue Skala, die auch negative Werte enthält, so geht damit die Eigenschaft verloren, Aussagen über Verhältnisse von Messwerten machen zu können. Die absolute °-Kelvin-Skala z.B. ist eine Verhältnisskala, da sie sich auf den absolu ten Temperaturnullpunkt bezieht. °-Celsius und °-Fahrenheit hingegen sind Transformationen dieser Skala mit einem neuen Nullpunkt und dem Vorkommen negativer Werte, die aber deswegen auch keine Verhältnisskalen, sondern nur noch Intervallskalen darstellen.
Je höher das Skalenniveau, desto genauer die Informa tion
40
Kapitel 4 Messen
werte einer Absolutskala entsprechen unmittelbar dem betreffenden Sachverhalt. Wegen der Zunahme der Eigenschaften sprechen wir von einer Zunahme des Ska lenniveaus von der Nominal- bis zur Absolutskala. Dabei gilt, dass alle Eigen schaften eines niedrigeren Skalenniveaus auch beim höheren noch vorhanden sind, d.h. eine Absolutskala ist auch immer eine Ratioskala, eine Ratioskala im mer auch eine Intervallskala, diese immer ebenfalls eine Ordinalskala und die Or dinalskala ist immer auch eine Nominalskala. Verwendet man Messwerte auf ei nem niedrigeren Skalenniveau als dem, auf dem sie gemessen worden sind, geht demnach Information verloren. Wenn ich Messwerte, die auf einer Ordinalskala erhoben worden sind, nur auf ihre Identität oder Nicht-Identität hin untersuche, al so als Nominalskala, dann verzichte ich darauf, mir ihre Eigenschaft zunutze zu machen, dass ihr Wert etwas über ihren Rang in der geordneten Folge der mögli chen Messwerte aussagt. Typischerweise wird etwa in der Umfrageforschung der Bildungsabschluss erfragt, der nach der Höhe des Abschlusses (kein Abschluss, Hauptschule, Realschule, Abitur, Universitätsabschluss) ordinal geordnet werden kann. Diese Information verschenke ich, wenn ich für eine Untersuchung nur un terscheide, ob der Befragte einen Abschluss hat oder nicht. Oft ist es allerdings aus pragmatischen Gründen sinnvoll oder gar notwendig, einen solchen Informa tionsverlust hinzunehmen. Die gängigen statistischen Auswertungsmethoden be ziehen sich in der Sozialwissenschaft in erster Linie auf Messwerte, die auf dem Nominal- oder auf dem Intervallskalenniveau erhoben worden sind. Statistische Verfahren für Ordinalskalen oder Verhältnisskalen hingegen sind wenig verbrei tet.
Experte: Information und Restriktion Je höher das Messniveau, desto höher der Informationswert, den mir der Messwert liefert, d.h. desto genauere Aussagen über die Struktur, genauer gesagt über die Form der Struk tur der Tatsachen in der Wirklichkeit kann ich mit Hilfe der Messungen machen. Je höher das Messniveau, desto mehr Eigenschaften der Menge der Messwerte kann ich mir zunut ze machen, um damit Beziehungen zwischen den Messwerten zu modellieren, die den Beziehungen zwischen den Eigenschaftsausprägungen der Objekte in der Wirklichkeit strukturähnlich sind. Der Informationswert eines Zeichens oder einer Zahl ist aber immer abhängig von den Restriktionen, d.h. den Beschränkungen, die bei der Verwendung dieses Zeichens oder dieser Zahl beachtet werden müssen. D.h., je informativer ein Zeichen ist, desto weniger beliebig ist seine Verwendung, oder, anders ausgedrückt, je informativer ein Zeichensys tem (oder Zahlensystem), desto geringer ist der Spielraum für mögliche Variationen bzw. Transformationen des Zeichen- oder Zahlensystems. Die Anzahl der zulässigen Transformationen nimmt daher mit steigendem Skalenniveau ab. Die natürlichen Zahlen in ihrer wohldefinierten Reihenfolge sind in der Regel nicht das einzige Zeichensystem, das wir für unsere Messwerte verwenden dürfen, sie sind aber ein Zeichensystem, das für alle Skalenniveaus verwendet werden kann. Wir können daher auch sagen, die geordnete Folge der natürlichen Zahlen ist eine mögliche Transformation aller möglichen Zeichensysteme, die wir für die Messung benutzen können, und zwar gilt das für alle Skalenniveaus. Wir können daher die Darstellung der Messwerte mit natürli chen Zahlen als eine Indexmenge begreifen, bei der der einzelne Messwert der Index
Kapitel 4 Messen
41
nummer eines n-Tupels entspricht, der die n Werte von n anderen, für die Messung äqui valenten Zeichensystemen, enthält. Um ein Beispiel zu geben: Für die Messung der Parteizugehörigkeit zur SPD, zur CDU und zur FDP können wir die Zahlen '1', '2' und '3' verwenden, wir könnten aber auch das Zeichensystem mit den Wörtern 'SPD', 'CDU' und 'FDP' anwenden, oder eines mit den Wörtern 'rot', 'schwarz' und 'gelb', ja sogar eines mit 'weiblich', 'männlich' und 'zwittrig', wenn wir uns darauf verständigen wollten, die SPD als 'weiblich', die CDU als 'männlich' und die FDP als 'zwittrig' zu bezeichnen. Die einzige Eigenschaft, die unser Zeichensys tem haben muss, ist die der Unterscheidbarkeit verschiedener Zeichen, die verschiedene Ausprägungen der Eigenschaft darstellen sollen. Keines der oben verwendeten Zeichen systeme ist also in seiner Messfunktion besser oder schlechter, nur würde das eine zu mehr, das andere zu weniger Sprachverwirrung führen. Tabelle E 1: Zulässige Transformationen auf Nominalskalenniveau f(xo)
f1
f2
f3
f4
f5
f6
f7(x0)= -2+3xo
f8(x0)= -3-4xo
f9(x0)= 19xo
f10(x0)=x o
1
SPD
rot
weibl b
87
-4
1
-7
19
1
2
CDU
schwarz männl e
111
-2
4
-11
38
2
3
FDP
2045
3
7
-15
57
3
xo
gelb
zwittr f
Alle Zeichensysteme in der Tabelle, die eine willkürliche Auswahl aus allen möglichen Zeichensystemen darstellen, sind äquivalent zu dem der natürlichen Zahlen, d.h. sie sind gültige Transformationen, wobei die transformierten Werte aus den 'Original-Werten', die den natürlichen Zahlen entstammen, durch die Transformationsfunktionen fi gewonnen werden. Bei Ordinalskalen sind nur solche Transformationen zulässig, bei denen die Größer- bzw. Kleiner-Relation zwischen einem Paar von Objekten erhalten bleibt. Dabei darf sich diese Relation durchaus auch umkehren, nur muss dann diese Umkehrung für alle Paare ge währleistet sein. In diesem Fall ändert sich lediglich die inhaltliche Interpretation des Messwertes insofern, als jetzt die gegenteilige Eigenschaft gemessen wird. Jedes Zei chensystem ist erlaubt, bei dem eine eindeutige Reihenfolge der Zeichen definiert ist. Das trifft auf die Zahlen zu, aber zum Beispiel auch auf die Buchstaben des Alphabets. Aus der Auswahl von Zeichensystemen in Tabelle 2 bleiben nur diejenigen übrig, die diese Eigenschaft erfüllen. Tabelle E 2: Zulässige Transformationen auf Ordinalskalenniveau f(xo) f4
f4
f6 f7(x0)=-2+3x0 f8(x0)=-3-4x0 f9(x0)=19x0 f10(x0)=x0
x0
1
b
87
-4
1
-7
19
1
2
e
111
-2
4
-11
38
2
3
f
2045
3
7
-15
57
3
Bei Intervallskalen sind alle Transformationen erlaubt, bei denen das Verhältnis zwischen den einzelnen Abständen, die zwischen zwei Messwerten bestehen, gleich bleibt. Da die Berechnung von Differenzen und Verhältnissen arithmetische Operationen benötigt, sind
42
Kapitel 4 Messen
für Intervallskalen nur Zeichensysteme zulässig, die Zahlencharakter haben, denn nur für Zahlen sind diese arithmetischen Operationen definiert. Die Konstanz der Verhältnisse von Abständen ist gewährleistet, wenn die Ausgangsmesswerte mit einer linearen Glei chung der Form f(x0)=a+bx0 transformiert werden. Tabelle E 3: Zulässige Transformationen auf Intervallskalenniveau f(x0) f7(x0)=-2+3x0 f8(x0)=-3-4x0 f9(x0)=19x0 f10(x0)=x 0
x0 1
1
-7
19
1
2
4
-11
38
2
3
7
-15
57
3
Für Ratioskalen sind nur solche Transformationen zulässig, bei denen das Verhältnis zweier Messwerte konstant bleibt. Dies trifft für jede lineare Transformation zu, bei der die Konstante gleich Null ist, also die Form xt=bxo hat. Tabelle E 4: Zulässige Transformationen auf Ratioskalenniveau
f(x0) f9(x0)=19 f10(x0)=x x0 0 x0 1
19
1
2
38
2
3
57
3
Die einzige gültige Transformation für eine Absolutskala ist die identische Abbildung auf sich selbst, also xt=xo. Tabelle E 5: Zulässige Transformationen auf Absolutskalenniveau f(x0) f10(x0)=x 0
x0 1
1
2
2
3
3
Wie man sieht, sind für ein bestimmtes Skalenniveau sämtliche Transformationen, die für ein höheres Skalenniveau erlaubt sind, ebenfalls erlaubt. Nur umgekehrt gilt dies natür lich nicht.
Ende Experte
Kapitel 5 Deduktive Logik
43
"Die Logik hat wie jede Wissenschaft die Aufgabe, der Wahrheit nachzujagen. Was wahr ist, sind gewisse Sätze; und der Wahr heit nachjagen heißt sich bemühen, die wah ren Sätze von den anderen, die falsch sind, zu sondern. Wahres ist so zahlreich wie Fal sches; denn zu jedem Falschen gibt es eine Negation, die wahr ist. Aber wissenschaftli che Arbeit besteht nicht in blindem Anhäu fen von Wahrem; Wissenschaft ist selektiv und sucht nach dem Wahren, das am meis ten zählt - entweder gemäß seinem eigenen Gewicht oder als Werkzeug, um es mit der Welt aufzunehmen." Willard V.O. Quine (1974: 17)
5
Deduktive Logik
Im ersten Kapitel war von zwei Arten von Sätzen die Rede, von empirischen und von analytischen Sätzen. Dementsprechend begegnet uns das Wahrheitsproblem in zwei verschiedenen Zusammenhängen. Zum ersten, inwiefern wir den Wahr heitsgehalt von Sätzen durch den Vergleich mit der Realität ermitteln können, und zum zweiten, wie wir die Wahrheit von Sätzen durch den Vergleich mit anderen Sätzen, deren Wahrheitsgehalt schon feststeht oder vorausgesetzt wird, beurteilen können. Das Wahrheitsproblem der ersten Art bezieht sich auf unseren Zugang zur Welt mit Hilfe unserer Wahrnehmung und des Vermessens dieser Welt, das zweite bezieht sich auf die Problematik des Schließens.
Logisches Wahrheitsprob lem: Ermitteln der Wahrheit
Zwei Arten des Schließens sind zu unterscheiden, deduktives und induktives Schließen. In vielen Einführungen oder Nachschlagewerken wird dieser Unter schied oft kurz auf folgenden Nenner gebracht: Deduktion sei der Schluss vom Allgemeinen auf das Besondere und Induktion umgekehrt der Schluss vom Be sonderen auf das Allgemeine. Diese Unterscheidung ist allerdings mit Vorsicht zu genießen, da damit zum einen ein Eindruck der Symmetrie der beiden Schlussverfahren erweckt wird, der nicht angemessen ist, zum anderen das charakteristi sche Merkmal der jeweiligen Schlussweise nicht hinreichend erfasst wird.
Unterschied zwischen De
Unter deduktivem Schließen ist diejenige Art des Schließens zu verstehen, die sich ausschließlich der Regeln der Logik bedient, induktives Schließen hingegen schließt psychologische und pragmatische Aspekte mit ein. Logik, genauer, for male Logik, kann man als die "Lehre von der Folgerichtigkeit" (Menne 1991: 1) bezeichnen, es geht hierbei ausschließlich um die formalen Beziehungen zwischen Sätzen und nicht um deren inhaltliche Komponenten.
Deduktives Schließen: Schließen mit Hilfe der Re
5.1
von Sätzen durch Vergleich mit anderen Sätzen Æ logi sches Schließen
duktion und Induktion liegt nicht nur in der Richtung des Schlusses zwischen Allgemeinem und Besonde rem
geln der formalen Logik
Kurze Einführung in die Aussagenlogik
In der Aussagenlogik geht es um die Verknüpfung einfacher Sätze. Diese werden in der Regel symbolisch mit kleinen Buchstaben dargestellt. In der Logik interes siert weder der spezifische Inhalt des Satzes noch seine mehr oder weniger kom plexe Struktur, entscheidend ist lediglich, dass jeder Aussage ein Wahrheitswert
Zuordnung von Wahrheits werten zu Sätzen und de ren Verknüpfungen
Kapitel 5 Deduktive Logik
43
"Die Logik hat wie jede Wissenschaft die Aufgabe, der Wahrheit nachzujagen. Was wahr ist, sind gewisse Sätze; und der Wahr heit nachjagen heißt sich bemühen, die wah ren Sätze von den anderen, die falsch sind, zu sondern. Wahres ist so zahlreich wie Fal sches; denn zu jedem Falschen gibt es eine Negation, die wahr ist. Aber wissenschaftli che Arbeit besteht nicht in blindem Anhäu fen von Wahrem; Wissenschaft ist selektiv und sucht nach dem Wahren, das am meis ten zählt - entweder gemäß seinem eigenen Gewicht oder als Werkzeug, um es mit der Welt aufzunehmen." Willard V.O. Quine (1974: 17)
5
Deduktive Logik
Im ersten Kapitel war von zwei Arten von Sätzen die Rede, von empirischen und von analytischen Sätzen. Dementsprechend begegnet uns das Wahrheitsproblem in zwei verschiedenen Zusammenhängen. Zum ersten, inwiefern wir den Wahr heitsgehalt von Sätzen durch den Vergleich mit der Realität ermitteln können, und zum zweiten, wie wir die Wahrheit von Sätzen durch den Vergleich mit anderen Sätzen, deren Wahrheitsgehalt schon feststeht oder vorausgesetzt wird, beurteilen können. Das Wahrheitsproblem der ersten Art bezieht sich auf unseren Zugang zur Welt mit Hilfe unserer Wahrnehmung und des Vermessens dieser Welt, das zweite bezieht sich auf die Problematik des Schließens.
Logisches Wahrheitsprob lem: Ermitteln der Wahrheit
Zwei Arten des Schließens sind zu unterscheiden, deduktives und induktives Schließen. In vielen Einführungen oder Nachschlagewerken wird dieser Unter schied oft kurz auf folgenden Nenner gebracht: Deduktion sei der Schluss vom Allgemeinen auf das Besondere und Induktion umgekehrt der Schluss vom Be sonderen auf das Allgemeine. Diese Unterscheidung ist allerdings mit Vorsicht zu genießen, da damit zum einen ein Eindruck der Symmetrie der beiden Schlussverfahren erweckt wird, der nicht angemessen ist, zum anderen das charakteristi sche Merkmal der jeweiligen Schlussweise nicht hinreichend erfasst wird.
Unterschied zwischen De
Unter deduktivem Schließen ist diejenige Art des Schließens zu verstehen, die sich ausschließlich der Regeln der Logik bedient, induktives Schließen hingegen schließt psychologische und pragmatische Aspekte mit ein. Logik, genauer, for male Logik, kann man als die "Lehre von der Folgerichtigkeit" (Menne 1991: 1) bezeichnen, es geht hierbei ausschließlich um die formalen Beziehungen zwischen Sätzen und nicht um deren inhaltliche Komponenten.
Deduktives Schließen: Schließen mit Hilfe der Re
5.1
von Sätzen durch Vergleich mit anderen Sätzen Æ logi sches Schließen
duktion und Induktion liegt nicht nur in der Richtung des Schlusses zwischen Allgemeinem und Besonde rem
geln der formalen Logik
Kurze Einführung in die Aussagenlogik
In der Aussagenlogik geht es um die Verknüpfung einfacher Sätze. Diese werden in der Regel symbolisch mit kleinen Buchstaben dargestellt. In der Logik interes siert weder der spezifische Inhalt des Satzes noch seine mehr oder weniger kom plexe Struktur, entscheidend ist lediglich, dass jeder Aussage ein Wahrheitswert
Zuordnung von Wahrheits werten zu Sätzen und de ren Verknüpfungen
44
Kapitel 5 Deduktive Logik
zugeordnet werden kann. Die Aussage a ist entweder wahr, dann erhält sie den Wahrheitswert w, oder sie ist falsch, dann erhält sie den Wahrheitswert f. Elementare Aussagen
Komplexe Aussagen
Elementare Aussagen sind solche, die nicht weiter zerlegt werden können, der Wahrheitswert einer elementaren Aussage bezieht sich direkt auf diese selbst und kann nicht weiter begründet werden. Komplexe Aussagen, die auch verknüpfte Aussagen genannt werden, setzen sich aus mehreren elementaren Aussagen zu sammen. Der Wahrheitswert einer verknüpften Aussage ist abhängig von den Wahrheitswerten der verknüpften elementaren Aussagen und kann aus diesen ein deutig abgeleitet werden. Quine spricht daher in diesem Zusammenhang von der Wahrheitsfunktion der Verknüpfung. "Allgemein wird ein zusammengesetzter Satz eine Wahrheitsfunktion von seinen Bestandteilen genannt, wenn sein Wahr heitswert in jedem Fall durch den Wahrheitswert der Bestandteile bestimmt ist" (Quine 1974: 33). Die Wahrheitsfunktion sagt also nichts darüber aus, ob der ent sprechende Satz tatsächlich wahr oder falsch ist, er gibt lediglich an, unter wel chen Umständen der Satz wahr oder falsch ist.
Wahrheitsfunktionen
Es gibt drei elementare Verknüpfungen bzw. Wahrheitsfunktionen: Negation, Konjunktion und Disjunktion. Sie werden meistens symbolisch durch die Zeichen bzw. Schlüsselwörter, '' ('NICHT', 'NOT'), '' ('UND', 'AND') und '' ('ODER', 'OR') dargestellt, die man auch Junktoren oder wahrheitsfunktionale Verknüp fungszeichen nennt. Junktoren sind formale Begriffe.
Wahrheitswerttabelle zur
Am übersichtlichsten gestaltet sich die Illustration einer solchen Wahrheitsfunk tion mit Hilfe einer so genannten Wahrheitswerttabelle, in der die Wahrheitswerte der elementaren Sätze sowie des verknüpften Satzes in verschiedenen Spalten dargestellt werden.
Darstellung von Wahr heitswerten
5.1.1 Negation Die Negation eines Satzes a ist genau dann wahr, wenn dieser Satz falsch ist, und genau dann falsch, wenn dieser Satz wahr ist. a
a
w
f
f
w
Wenn der Satz "Der Mond ist eine Kugel." wahr ist, dann ist der Satz "Der Mond ist keine Kugel." falsch und umgekehrt. 5.1.2 Konjunktion Die Konjunktion zweier Sätze a und b ist nur dann wahr, wenn jeder einzelne der Sätze auch wahr ist.
Kapitel 5 Deduktive Logik
45
a
b
ab
w
w
w
w
f
f
f
w
f
f
f
f
Quine bemerkt, dass sich der Wahrheitswert 'w' bei einer Konjunktion ähnlich verhält wie ein rezessives Merkmal bei der Vererbung. D.h., der Wahrheitswert 'w' kann nur 'vererbt' werden, wenn beide 'Eltern' ihn ebenfalls besitzen. Der Satz "Der Mond ist eine Kugel und kreist um die Erde." ist nur dann wahr, wenn sowohl die Behauptung "Der Mond ist eine Kugel." als auch die Aussage "Der Mond kreist um die Erde." wahr sind. 5.1.3 Disjunktion Die Disjunktion ist in formaler Hinsicht so etwas wie die Umkehrung der Kon junktion. Die Disjunktion zweier Sätze ist nur dann falsch, wenn beide Sätze falsch sind, oder, anders ausgedrückt, die Disjunktion ist dann wahr, wenn min destens einer der beiden Sätze wahr ist. Das logische 'ODER' entspricht nicht dem 'ENTWEDER ODER' des allgemeinen Sprachgebrauchs, (lateinisch 'autem'), sondern das 'ODER' der Disjunktion ist als 'ODER AUCH', manchmal auch etwas missverständlich als 'ODER UND' bezeichnet, zu interpretieren und entspricht dem lateinischen 'vel' (von diesem leitet sich auch das Zeichen des Junktors ab). Um beim vorherigen Beispiel zu bleiben: Die Behauptung "Der Mond ist eine Kugel oder er kreist um die Erde." klingt zwar erst einmal ziemlich komisch. Aus sagenlogisch ist er aber genau dann wahr, wenn mindestens einer seiner Teilsätze wahr ist, wenn es also entweder wahr ist, dass der Mond eine Kugel ist oder dass er um die Erde kreist oder wenn beides wahr ist. a
b
ab
w
w
w
w
f
w
f
w
w
f
f
f
Greift man die Analogie von vorhin wieder auf, so verhält sich der Wahrheitswert 'w' bei der Disjunktion wie ein dominantes Merkmal in der Vererbungslehre. Bei der Disjunktion setzt sich das 'stärkere' 'w' immer gegen das 'schwächere' 'f' durch.
Analogie von Wahrheits funktionen und Verer bungslehre
46
Kapitel 5 Deduktive Logik Zerlegung von Verknüpfungen
Verknüpfungen von mehr als zwei Sätzen können zerlegt werden in mehrere Schritte von dyadischen Verknüpfungen. Dabei muss lediglich durch Klammern angegeben werden, in welcher Reihenfolge die Sätze bzw. deren Verknüpfungen miteinander verbunden werden sollen. So lässt sich etwa der Ausdruck '(ab) (b)' disjunktiv zerlegen in die beiden Bestandteile '(ab)' und '(b)', deren Wahrheitswerte unmittelbar bestimmt werden können. Der 'Gesamtwahrheitswert' des Ausdrucks ist dann der, der sich durch die Kombination der Wahrheitswerte der Teilausdrücke ergibt. a
b
ab
b
(ab) (b)
w
w
w
f
w
w
f
f
w
w
f
w
f
f
f
f
f
f
w
w
Grundsätzlich genügen diese drei Verknüpfungsarten, um jede weitere mögliche Verknüpfungsart darzustellen. Aus Gründen der leichteren Handhabbarkeit logi scher Verknüpfungen ist es aber sinnvoll, zumindest noch zwei weitere Wahr heitsfunktionen vorzustellen. 5.1.4 Implikation oder (materiales) Konditional oder Subjunktion Das symbolische Zeichen für die Darstellung der Implikation ist der nach rechts gerichtete Pfeil 'o' (manchmal auch ''). Sprachlich wird sie durch 'WENN ... DANN' oder 'IF' ausgedrückt. Im Gegensatz zu Konjunktion und Disjunktion ist die Implikation nicht kommutativ, d.h. sie ist abhängig von der Reihenfolge der zusammengesetzten Sätze. Der Satz 'WENN a DANN b' oder 'aob' ist etwas an deres als der Satz 'WENN b DANN a' bzw. 'boa'. Den Teil einer Implikation, der vor dem Pfeil steht, nennt man Antezedens, Vordersatz oder Vorderglied, den Teil rechts davon Konsequens, Hintersatz oder Hinterglied. Eine Implikation ist dann und nur dann falsch, wenn aus einem wahren Antezedens ein falsches Konsequens gefolgert wird. a
b
aob
w
w
w
w
f
f
f
w
w
f
f
w
Kapitel 5 Deduktive Logik
47
Die Implikation ist diejenige Verknüpfung, die von der spontanen Intuition her wahrscheinlich am schwersten nachzuvollziehen ist. Insbesondere die dritte und die vierte Zeile der Tabelle dürften dabei Schwierigkeiten bereiten. Am einfachs ten ist es vielleicht, sich vorzustellen, dass aus einer falschen Annahme alles Be liebige abgeleitet werden kann. 'Wenn der Mond ein Quadrat ist, dann ist die Son ne grün.' ist daher ein wahrer Satz, da sowohl das Antezedens als auch das Konse quens falsch sind, und dies ist auch nicht so unsinnig, wie es auf den ersten Blick scheinen mag, denn in einer Welt, in der der Mond ein Quadrat ist, ist alles mög lich. Allgemeiner ausgedrückt heißt dies: Aus einer Kontradiktion, d.h. einem Satz, der immer falsch ist, lässt sich jede beliebige Schlussfolgerung ziehen. Der relevante Anwendungsbereich der Implikation liegt aber bei den ersten beiden Zeilen der Tabelle, und das sind diejenigen, die auch mit der Intuition nicht so leicht in Konflikt geraten sollten. Wie oben erwähnt, ließe sich die Implikation durch die schon bekannten Verknüpfungsarten gleichwertig ersetzen. Der Aus druck 'aob' erhält für jede Kombination der Wahrheitswerte von a und b das glei che Ergebnis wie der Ausdruck'(a)b', wie sich leicht überprüfen lässt.
Implikation als logische Verknüpfung entspricht nicht umgangssprachlichem Verständnis!
5.1.5 Äquivalenz oder (materiales) Bikonditional oder Bisubjunktion Zwei Sätze sind genau dann äquivalent, wenn entweder beide Sätze wahr oder beide Sätze falsch sind, einfacher gesagt, wenn beide Sätze denselben Wahrheits wert besitzen. Das symbolische Zeichen für die Äquivalenzverknüpfung zweier Sätze ist 'l' (manchmal auch '{'). a
b
alb
w
w
w
w
f
f
f
w
f
f
f
w
Sprachlich wird die Äquivalenz mit 'GENAU DANN WENN' oder 'WENN UND NUR DANN WENN' oder auch 'IFF' ausgedrückt. Die Äquivalenz elementarer Sätze ist trivial. Interessanter und aufschlussreicher hingegen ist die Äquivalenz komplexer Sätze Wie z.B. schon gezeigt ist die Implikation 'aob' äquivalent zum Ausdruck '(a)b'. Genauso ist das Bikonditional 'alb' äquivalent zum Aus druck '(ab)((a)(b))'. 5.1.6 Vorfahrtsregeln Um sich unnötige Arbeit beim Setzen von Klammern zu sparen, existieren in der Logik genau wie in der Algebra 'Vorfahrtsregeln' hinsichtlich der Verwendung von Verknüpfungszeichen. So gilt der Vorrang des Negationszeichens gegenüber der Konjunktion und der Disjunktion. Die Konjunktion genießt wiederum Prioriät gegenüber der Disjunktion. Der Ausdruck abc ist also eindeutig insofern, als erst der Wahrheitswert der Verknüpfung von a und b berechnet werden muss und
Prioritäten analog zur Al gebra, aber Klammerset zung ist sicherer
48
Kapitel 5 Deduktive Logik
anschließend der Wahrheitswert der Oder-Verknüpfung dieses Wertes mit dem Wahrheitswert von c. Der in der Äquivalenz verwendete Ausdruck (ab)((a)(b)) ist demnach gleichbedeutend mit abab und hätte sich ganz ohne Klammern schreiben lassen. Es ist jedoch empfehlenswert, im prakti schen Umgang mit logischen Operationen dennoch Klammern zu setzen, da man so leichter den Überblick behält.
Experte: Analogie zu Multiplikation und Addition Manchmal werden die Wahrheitswerte statt mit 'w' und 'f' auch mit den Zahlen '1' und '0' dargestellt, wobei '1' dem Wahrheitswert 'wahr' entspricht und '0' dem Wahrheitswert 'falsch'. Wenn man Zahlen für die Wahrheitswerte verwendet, dann kann man auch die Verknüpfung von mehreren Wahrheitswerten als einen Rechenvorgang verstehen. Tat sächlich lassen sich die Verknüpfungen 'UND' und 'ODER' durch zwei Rechenregeln für 'Multiplikation' und 'Addition' ersetzen, die wir in Analogie zur Algebra mit den Zeichen '*' und '+' durchführen, und die den algebraischen Rechenregeln für Multiplikation und Addition sehr ähnlich sind. Wie in der Algebra kann bei der 'Mulitplikation' von Wahr heitswerten das Zeichen '*' ausgelassen werden, 'a*b' kann daher auch als 'ab' geschrieben werden (und bedeutet immer noch dasselbe wie 'ab').
a
b
a*b
1
1
1
1
0
0
0
1
0
0
0
0
Wie wir sehen, entsprechen die Wahrheitswerte der verknüpften Aussage 'a*b' oder 'ab' tatsächlich genau den Werten, die wir durch algebraische Multiplikation erzielen. Das ist darauf zurückzuführen, dass wir nur mit den Werten '0' und '1' rechnen. Dabei ist '1' be züglich der Multiplikation ein neutrales, d.h. werterhaltendes Element. Daher kann von den vier möglichen Kombinationen von '0' und '1' sich '1' sich nur dann als das 'Produkt' ergeben, wenn beide 'Faktoren' auch den Wert '1' hatten.
a
b
a+b
1
1
1
1
0
1
0
1
1
0
0
0
Bezüglich der Addition von Wahrheitswerten, wenn wir diese als Zahlen '0' oder '1' dar stellen, gelten die algebraischen Regeln unmittelbar, solange mindestens einer der beiden Werte '0' ist. Eine Abweichung ergibt sich bezüglich der 'Addition' von '1' und '1', die wiederum '1' ergibt.
Kapitel 5 Deduktive Logik
a
-a
1
0
0
1
49
Da der Zahlenraum nur die '0' und '1' enthält, entspricht die Negation eines Wertes immer dem anderen Wert. Auch dies stellt eine größere Abweichung von den echten algebrai schen Rechenregeln dar. Am klarsten lässt sich dies erkennen am Ausdruck a+(-a), der nach dem rein algebraischen Sinn '0' ergeben müsste, in den hier abgeänderten 'Rechen regeln für Wahrheitswerte' jedoch den Wert '1' erhält. Ein noch etwas komplexeres Bei spiel ist in der folgenden Tabelle aufgeführt.
a
b
a*b
b
(a*b)+(b)
1
1
1
0
1
1
0
0
1
1
0
1
0
0
0
0
0
0
1
1
Besonders Mathematiker neigen häufiger zur Verwendung der 'Multiplikation' und der 'Addition' für die logische Verknüpfung von Sätzen und, wie wir später sehen werden, auch für die Bildung von Schnitt- und Vereinigungsmengen. Da daher nicht ausgeschlos sen werden kann, dass man in manchen Texten dieser Zeichenwahl begegnet, wurde sie hier dargestellt. Im Prinzip stellt die Verwendung mathematischer Zeichen in logischen Operationen kein Problem dar, solange der Verwendungskontext eindeutig ist. Ist man im Umgang mit diesen Zeichen jedoch wenig geübt, treten leicht Verwechslungen auf. Des halb sind gerade für Anfänger die logischen Zeichen den mathematischen vorzuziehen.
Ende Experte
5.2
Venn-Diagramme
Wie schon in Kapitel 2 angesprochen wurde, lassen sich Begriffe, d.h. Prädikate, als Mengen darstellen. Die Menge 'Rot' z.B. enthält alle Objekte, die die Eigen schaft 'rot' besitzen, bzw. alle Objekte x, für die der Satz "x ist rot" wahr ist. Men gen können daher auch als Repräsentation von Aussagen betrachtet werden, ge nauer als die Repräsentation all der Objekte, die eine Aussage wahr machen. Mengen lassen sich graphisch auch als so genannte Venn-Diagramme darstellen. In Abbildung 5.1 ist beispielsweise die Menge A aller roten Gegenstände abgebil det. Die Menge selbst wird meist als Kreis dargestellt, der sich in einem Rechteck befindet. Das Rechteck stellt die so genannte Grundmenge dar, von der die ent sprechende Menge eine Teilmenge ist. In unserem Fall wäre die Grundmenge ein fach die Menge aller Objekte. In der Regel jedoch wird durch die Grundmenge der für eine bestimmte Fragestellung relevante Objektbereich bestimmt, z.B. die Gegenstände, die sich im Raum x zur Zeit y befinden. Die entsprechende Menge A, bezogen auf diese Grundmenge, wäre dann eben die Menge aller roten Objekte im Raum x zum Zeitpunkt y.
50
Kapitel 5 Deduktive Logik
Abbildung 5.1: Menge A der roten Gegenstände
Analogie von Wahrheits funktionen und bestimmten Typen von Mengen
Logische Verknüpfungen von Aussagen lassen sich ebenfalls mengentheoretisch in Form von Venn-Diagrammen abbilden. Sie entsprechen dann bestimmten Ope rationen, die man auf Mengen anwenden kann. Wenn die Menge A der Menge al ler Objekte x entspricht, die die Aussage a "x ist rot" wahr machen, dann ist es einfach, die Menge aller x zu finden, die die Negation der Aussage, a, "x ist nicht rot" wahr machen. Dies ist logischerweise die Menge all der Objekte in der Grundmenge, die nicht in A enthalten sind. Diese Menge nennt man die komple mentäre Menge von A und schreibt sie als CA. Abbildung 5.2: Komplementärmenge von A
Aussagen sind durch kleine, Mengen durch große Buchstaben gekennzeichnet
Manchmal wird die Komplementärmenge auch als A dargestellt. Wegen der Analogie zur Aussagenlogik ist dies zwar unproblematisch; um Verwechslungen auszuschließen, sollten für mengentheoretische Operationen aber spezifische Zei chen für die Operatoren verwendet werden. Im weiteren Text folgen wir der Kon vention, Aussagen durch kleine römische Buchstaben zu kennzeichnen und Men gen durch große. Die Menge der roten Gegenstände wird daher als A bezeichnet und die ihr entsprechende Aussage "x ist rot" als a. Die mengentheoretische Entsprechung der UND-Verknüpfung ist die Schnitt menge zweier Mengen. Die Konjunktion "Dieses Objekt ist rot und eine Kugel." ist dann wahr, wenn das Objekt sowohl rot als auch eine Kugel ist. Die Menge,
Kapitel 5 Deduktive Logik
die das gleichzeitige Gelten beider Eigenschaften realisiert, ist demnach die Men ge der roten Kugeln, bzw. die Schnittmenge der Menge aller roten Objekte mit der Menge aller kugelförmigen Objekte. Die Schnittmenge zweier Mengen wird mit dem Symbol '' dargestellt, die Schnittmenge von A und B ist demnach AB. Abbildung 5.3: Schnittmenge von A und B
Für die ODER-Verknüpfung zweier Aussagen gilt, dass sie wahr ist, wenn we nigstens eine der beiden Aussagen wahr ist. In der Mengentheorie entspricht das der Vereinigungsmenge zweier Mengen, die mit Hilfe des Symbols '' dargestellt wird. Die Menge AB ist demnach die Menge aller Objekte, die entweder in A oder in B oder in beiden zugleich enthalten sind. Abbildung 5.4: Vereinigungsmenge von A und B
Die mengentheoretische Darstellung entspricht immer den x, für die eine Aussage wahr ist. Da es für die UND-Verknüpfung, die ODER-Verknüpfung und die NE GATION einer Aussage entsprechende mengentheoretische Operatoren über Mengen gibt, gilt dies natürlich auch für jede andere logische Verknüpfungsart von Sätzen, da diese immer auf diese Grundoperationen zurückgeführt werden können.
51
52
Kapitel 5 Deduktive Logik
Experte: Aussagenlogik und Schaltalgebra Logische Ausdrücke lassen sich nicht nur als Venn-Diagramme darstellen, sondern auch als Schaltungen. Die Übersetzung logischer Ausdrücke in entsprechende Schaltungen stellt den Kern der so genannten Schaltalgebra dar, die ihrerseits wiederum die 'techni sche' Grundlage aller Computer verkörpert. Die Wahrheitswerte logischer Ausdrücke ent sprechen in Schaltungen dem Fließen bzw. Nicht-Fließen des Stroms. Ein geschlossener Stromkreis entspricht dem Wahrheitswert 'w' bzw. '1', und ein unterbrochener bzw. offe ner Stromkreis entspricht dem Wahrheitswert 'f' bzw. '0'. Der Wahrheitswert einer ele mentaren Aussage kann daher durch einen geschlossenen bzw. offenen Schalter darge stellt werden. Eine logische UND-Verknüpfung zweier Aussagen entspricht in der Schaltalgebra einer Reihenschaltung zweier Schalter, da der (Gesamt-)Stromkreis nur dann geschlossen ist, wenn beide Schalter geschlossen sind. Ist nur einer der beiden Schalter geöffnet, ist der Stromkreis unterbrochen. In Abbildung E 1 wird die UNDVerknüpfung illustriert. Abbildung E 1: Reihenschaltung
Eine logische ODER-Verknüpfung wird in der Schaltalgebra durch eine Parallelschaltung abgebildet. Der Strom kann fließen, wenn nur einer der beiden Schalter geschlossen ist. Abbildung E 2 entspricht der ODER-Verknüpfung einer falschen mit einer wahren Aus sage. So wie die Wahrheit nur einer einzigen Aussage in einer ODER-Verknüpfung die Wahrheit des gesamten Ausdrucks garantiert, genügt in einer Parallelschaltung ein einzi ger geschlossener Schalter, um den Stromfluss zu gewährleisten. Abbildung E 2: Parallelschaltung
Die Negation einer Aussage wird in der Schaltalgebra durch die Änderung der Schalter stellung umgesetzt, ein geschlossener Schalter wird ein geöffneter, ein offener Schalter wird geschlossen. Da sich jeder komplexe logische Ausdruck auf die elementaren Ver
Kapitel 5 Deduktive Logik
53
knüpfungen elementarer Ausdrücke zurückführen lässt, kann dementsprechend auch jeder noch so komplexe logische Ausdruck durch eine entsprechende Schaltung realisiert wer den.
Ende Experte
5.3
Argumente und Argumentformen
Empirische Wissenschaft ist nichts anderes als eine Systematisierung des AusErfahrung-Lernens. "Science is organized knowledge" – ein Ausspruch, der übri gens sowohl Immanuel Kant als auch Herbert Spencer nachgesagt wird. Aber na türlich lernen wir ebenso außerhalb der Wissenschaft. Für die meisten Menschen übertrifft der Teil des Wissens, den sie auf alltägliche Weise gelernt haben, den auf wissenschaftliche Weise erworbenen bei weitem, insbesondere, wenn wir komplexe, unbewusst verlaufende Lernprozesse wie den Spracherwerb in der Kindheit berücksichtigen. Allen Formen des Lernens und Wissenserwerbs ist ge meinsam, dass sie unsere Erwartungshaltungen verändern. Diese Erwartungen können sich auf das Eintreten von Ereignissen oder auf den Erfolg von Handlun gen zur Erreichung bestimmter Ziele beziehen. Wenn sich der Himmel bewölkt, ist dies ein Anzeichen dafür, dass es möglicherweise bald regnen wird, und wenn wir im Schach gewinnen wollen, so sollten wir zumindest offensichtlich schlechte Züge vermeiden, wie die Dame schutzlos dem Gegner auszuliefern.4 Wenn wir dazu aufgefordert würden zu verbalisieren, warum wir bestimmte Handlungen in einem bestimmten Kontext ergriffen haben oder warum wir das Auftreten be stimmter Ereignisse erwartet haben, so würden wir dafür Gründe anführen, die aus unserem Hintergrundwissen stammen. In der Umgangssprache werden solche Begründungen oft mit Worten wie 'weil', 'da' oder 'deshalb' explizit gemacht. "Ich habe den Regenschirm mit ins Büro genommen, weil es heute früh bewölkt war." Sprachliche Strukturen, die einen derartigen Aufbau haben, werden Argumente genannt. Jedes Argument besteht aus begründenden Sätzen und einem begründe ten Satz. Erstere nennen wir die Prämissen des Arguments, letztere die Folgerung oder Konklusion des Arguments. Den spezifischen Aufbau des Arguments nennen wir seine Form, bestimmte Typen von Argumenten werden daher als Argumentformen oder auch Schlussschemata bezeichnet. Schematisch stellen wir ein Ar gument dar, indem wir die Prämissen nacheinander auflisten und unter die Prä missen die Konklusion schreiben. Zusätzlich heben wir die Konklusion auf ein deutige Weise von den Prämissen ab. Dies kann geschehen, indem wir sie durch einen Querstrich oder einen Doppelpfeil voneinander trennen, oder die Prämissen und die Konklusion oder auch die Konklusion allein durch ein bestimmtes Zei chen kennzeichnen. Folgende Darstellungsformen des Arguments sind gleichwer tig und werden alle in Texten über Logik verwendet.
4
Dies gilt zumindest für Amateur-Spieler. Legendär ist ein berühmtes Damenopfer oder Da mengambit des Schachgenies Bobby Fisher.
Logische Argumente als Systematisierung der Denkschemata des Alltags verstandes
54
Kapitel 5 Deduktive Logik
Unterschiedliche Darstel lungsformen für Argumente
Heute früh war es bewölkt. _________________________________________________ Ich habe heute den Regenschirm mit ins Büro genommen.
Heute früh war es bewölkt. Ich habe heute den Regenschirm mit ins Büro genommen.
P: Heute früh war es bewölkt.
K: Ich habe heute den Regenschirm mit ins Büro genommen.
Heute früh war es bewölkt.
? Ich habe heute den Regenschirm mit ins Büro genommen.
Diese verschiedenen Möglichkeiten der Darstellung wurden hier aufgezeigt, da sie in unterschiedlichen Lehrbüchern so verwendet werden. Wir werden uns im Fol genden jedoch lediglich der ersten beiden Darstellungsformen bedienen. Vollständige und unvoll ständige Argumente
Argumente beantworten 'Warum-Fragen', sie geben also in den Prämissen die Gründe an, warum wir die Folgerung für wahr halten sollten. Diese Argument struktur ist uns aus dem Alltag so vertraut, dass wir oft einzelne Bestandteile gar nicht explizit äußern müssen, da sie aus dem Zusammenhang erschlossen werden können. Lassen wir einige der Prämissen implizit, so sprechen wir von einem un vollständigen Argument. Beispiel für ein unvollständiges Argument: Wenn ich die Dame auf E1 gestellt hätte, dann hätte sie vom gegnerischen Bauern geschlagen werden können. Offensichtlich handelt es sich hierbei um eine Begründung, warum ich die Dame nicht auf E1 gestellt habe, die aber nicht extra verbalisiert werden muss, genauso wenig wie die weiteren unausgesprochenen Prämissen, die sich auf den Zusam
Kapitel 5 Deduktive Logik
55
menhang zwischen Spielzügen und meinen Gewinnchancen und auf meine Moti vation beziehen. Beispiel für ein vollständiges Argument: Wenn ich die Dame auf E1 stelle, dann kann sie vom gegnerischen Bauern ge schlagen werden. Wenn ich meine Dame verliere, erhöht sich die Wahrscheinlichkeit dramatisch, dass ich auch das Spiel verliere. Ich möchte das Spiel gewinnen. _________________________________________________________________ Ich sollte meine Dame nicht auf E1 stellen. Auch das Regenschirmbeispiel war nicht vollständig und müsste eigentlich so aussehen: Heute früh war es bewölkt.
Wenn es bewölkt ist, folgt häufig Regen.
Ich möchte nicht gerne nass werden.
Ein Regenschirm schützt bei Regen davor, nass zu werden.
_____________________________________________________ Ich habe heute den Regenschirm mit ins Büro genommen. Wie man sieht, macht die Aufführung aller impliziten Prämissen ein Argument oft unelegant und bläht es unnötig auf. Man hätte im obigen Beispiel noch weitere Prämissen einfügen können, wie die, dass ein Regenschirm nur vor Regen schützt, wenn man ihn aufspannt usw. Implizite Prämissen können daher weggelassen werden, solange man ihre Kenntnis allgemein voraussetzen kann. Das obige Argument ist ein so genannter praktischer Syllogismus. Praktische Syl logismen enthalten als Konklusion eine Handlung und als Prämissen bestimmte Ziele sowie die Beschreibung, welche Mittel zur Erreichung dieser Ziele geeignet sind. Praktische Syllogismen sind nicht ganz unproblematisch, da sie des Weite ren implizit voraussetzen, dass man tatsächlich die Handlungen ergreift, die zur Erreichung unserer Ziele führen. Dies ist zwar eine plausible Annahme, aber nicht
Praktischer Syllogismus
56
Kapitel 5 Deduktive Logik
logisch zwingend5. Eine andere Möglichkeit, das unvollständige Argument zu ei nem vollständigen zu ergänzen, wäre folgende: Heute früh war es bewölkt.
Immer wenn es morgens bewölkt ist, nehme ich den Regenschirm mit in das Bü ro.
_________________________________________________________________ Ich habe heute den Regenschirm mit ins Büro genommen.
Dieses Argument ist vollständig, da die Schlussfolgerung aus den Prämissen ein deutig abgeleitet werden kann, ohne dass weitere implizite Annahmen getroffen werden müssen. Als Quintessenz halten wir fest, dass die impliziten Annahmen, die ein unvollständiges Argument zu einem vollständigen Argument ergänzen, nicht immer eindeutig sind. Gültigkeit eines Arguments ist nicht gleich der Wahrheit seiner Bestandteile
Hintergrundwissen, um un vollständige Argumente "richtig" interpretieren zu können
Ein (deduktives) Argument wird als gültig bezeichnet, wenn wir aus der Wahrheit der Prämissen die Wahrheit der Konklusion ableiten können. Die Gültigkeit des Arguments bezieht sich nur auf seine Struktur, bzw. auf seine Form. Ein gültiges Argument sagt lediglich "Wenn die Prämissen wahr sind, dann muss auch die Konklusion wahr sein.", es sagt nichts über den Wahrheitsgehalt der Prämissen oder der Konklusion aus. Wird mit einem gültigen Argument eine falsche Folgerung abgeleitet, so gilt um gekehrt, dass die Prämissen nicht wahr gewesen sein können. Es ist allerdings nicht immer ganz einfach, zu entscheiden, welche der Prämissen denn genau zu rückgewiesen werden muss. (Wir werden auf dieses Problem später noch einmal in Kapitel 8 als Duhem-Quine-Problem stoßen.) Oft benötigen wir für die Aus wahl der unzutreffenden Prämisse zusätzliches Hintergrundwissen. Beispiel: Schachspiel Wir wollen dazu noch einmal auf unser Schachbeispiel zurückgreifen, das wir zu diesem Zweck leicht umformulieren. Um die einzelnen Prämissen eindeutig identifizieren zu können, nummerieren wir sie durch. Das Argument war folgendermaßen aufgebaut:
5 So selbstverständlich diese Annahme auf den ersten Blick zu sein scheint, so ist sie auch em pirisch nicht unproblematisch, wie man am Problem der Willensschwäche erkennen kann. Je der, der sich einmal vorgenommen hat, frühmorgens aufzustehen, um eine wichtige Sache zu erledigen und sich trotzdem quälen muss, um aus den Federn zu kommen, wird der Annahme mit gewisser Skepsis gegenüberstehen, dass wir automatisch immer die Handlungen ergrei fen, die der Erreichung unserer Ziele am dienlichsten sind. Von den Heerscharen von Leuten, die abnehmen wollen und trotzdem an keinem Stück Schokolade vorbeikommen, ohne die sem Gewalt anzutun, wollen wir hier gar nicht sprechen.
Kapitel 5 Deduktive Logik
57
P1: Wenn ein Schachspieler in einer bestimmten Konstellation die Dame auf E1 stelle, dann kann sie vom gegnerischen Bauern geschlagen werden. P2: Wenn man die Dame verliert, erhöht sich die Wahrscheinlichkeit dramatisch, dass man auch das Spiel verliert. P3: Jeder Spieler möchte das Spiel gewinnen. _________________________________________________________________ Der betreffende Spieler sollte seine Dame nicht auf E1 stellen. Beobachten wir nun, wie jemand etwas scheinbar Dummes tut, wie seine Dame zu op fern, dann muss eine unserer Prämissen falsch sein. Handelt es sich bei dem Spieler um einen Schachgroßmeister, verfügt dieser vermutlich über Wissen, das ich nicht habe. Of fensichtlich kann man manchmal seine Gewinnchancen durch ein Damenopfer sogar er höhen. Das bedeutet, dass unsere Prämisse P2 falsch war, dass man durch den Verlust der Dame seine Gewinnchancen verringert. An der Prämisse, dass der Spieler das Spiel ge winnen will, halten wir dabei fest. Handelt es sich bei dem Spieler um den Bekannten, von dem wir uns schon immer ge fragt haben, wie er eigentlich das Abitur geschafft hat, dann vermuten wir eher, dass der Zusammenhang elementarer Züge im Schach mit den Gewinnchancen lediglich einen kleinen weiteren Baustein in dem schillernden Mosaik seiner Ignoranz darstellt. Formal ausgedrückt, er verfügt über weniger Wissen als ich und kennt offensichtlich die Prämisse P1 nicht, sie ist somit in der Anwendung auf diesen Bekannten falsch. Beobachten wir den Fehler schließlich bei einem Erwachsenen, der mit einem Kind spielt, so würden wir wahrscheinlich vermuten, dass der Erwachsene den Fehler mit Ab sicht begeht, um das Kind gewinnen zu lassen. In diesem Fall wäre die Prämisse P3 falsch.
Ende Beispiel Die Gültigkeit eines Arguments besagt nur, dass die Konklusion wahr ist, wenn die Prämissen stimmen. Damit ist aber nicht ausgeschlossen, dass die Konklusion auch wahr sein kann, wenn die Prämissen falsch sind. Das Argument "Wenn es regnet, wird die Straße nass. Heute früh hat es geregnet. Deshalb ist die Straße nass." ist gültig. Allerdings kann die Straße auch nass sein, wenn es nicht geregnet hat, z.B. wenn jemand die Straße mit einem Wasserschlauch bespritzt hat. Ein gültiges Argument erlaubt uns das Ziehen der Schlussfolgerung, wenn die Bedin gungen der Prämissen erfüllt sind, aber es ist gut möglich, dass die gleiche Schlussfolgerung in anderen Argumenten aus anderen Prämissen gezogen werden kann. Die Wahrheit der Prämissen ist somit eine hinreichende Bedingung, um die Wahrheit der Konklusion behaupten zu können, aber keine notwendige Bedin gung. Von einer hinreichenden Bedingung des Auftretens eines Ereignisses spre chen wir, wenn das Vorliegen der Bedingung das Ereignis in jedem Fall nach sich zieht. Von einer notwendigen Bedingung hingegen sprechen wir, wenn ein Ereig nis ohne, dass diese Bedingung erfüllt ist, gar nicht auftreten kann. Es ist z.B. eine hinreichende Bedingung für eine Partei, um nach einer Bundestagswahl an der Sitzverteilung nach den Zweitstimmenanteilen teilzunehmen, mehr als fünf Pro zent der abgegebenen gültigen Zweitstimmen erzielt zu haben. Dies ist aber keine notwendige Bedingung, denn nach der Grundmandatsklausel kann die Partei auch an dem Verteilungsverfahren teilnehmen, wenn sie mindestens drei Direktman date errungen hat. Es ist aber z.B. eine notwendige Bedingung, um überhaupt
Notwendige und hinrei chende Bedingungen
58
Kapitel 5 Deduktive Logik
wählen zu dürfen, mindestens 18 Jahre alt zu sein. Dies ist aber wiederum keine hinreichende Bedingung, denn wenn jemand schwere Straftaten begangen hat o der in klinischer, psychiatrischer Behandlung ist, kann ihm das Wahlrecht auch entzogen werden. Überprüfung der Gültigkeit eines Arguments mit Hilfe von Wahrheitstafeln
Es ist wichtig, die Gültigkeit des Arguments von der Wahrheit der in ihm enthal tenen Sätze zu unterscheiden. Die Beurteilung der Gültigkeit eines Arguments ist eine Sache der deduktiven Logik, die Beurteilung der Wahrheit der Prämissen und Konklusion hingegen ist oft eine empirisch abzuhandelnde Angelegenheit. Die Gültigkeit eines deduktiven Arguments lässt sich am besten illustrieren, indem man das Argument auf seine formale logische Struktur zurückführt und dann mit einem Vergleich der Werte von Wahrheitstafeln arbeitet. Dazu wählen wir fol gendes Beispiel: (ab)(ab) a b
Die erste Prämisse des Arguments besagt, dass entweder a oder b wahr ist, das 'o der' ist hier ausschließend gemeint. Die zweite Prämisse besagt, dass a wahr ist. Daraus kann gefolgert werden, dass nicht auch b wahr sein kann. Ein Argument ist gültig, wenn die Konklusion wahr ist und wenn alle Prämissen wahr sind. Dies lässt sich leicht mit einer Wahrheitstafel überprüfen. 1. Prämisse
2. Prämisse
Konklusion
a
b
(ab)(ab)
a
b
w
w
f
w
f
w
f
w
w
w
f
w
w
f
f
f
f
f
f
w
Nur in der zweiten Zeile sind beide Prämissen wahr. Da auch die Konklusion in dieser Zeile wahr ist, ist das Argument damit gültig.
Experte: Implikation und Argument Offenkundig besteht eine gewisse Ähnlichkeit zwischen der Form eines gültigen Argu ments und einer Implikation. Dies zeigt sich auch daran, dass man das Symbol '' für das Ziehen eines Schlusses in einem Argument verwendet, das dem Symbol 'o' einer Impli kation nicht nur zufällig ähnlich ist. Inwiefern unterscheidet sich dann das logische Ar
Kapitel 5 Deduktive Logik
59
gument '(ab)(ab), a b' von der Implikation '((ab)(ab)a)ob'. Tat sächlich ist das Argument gültig, wenn die Implikation eine Tautologie, also immer wahr ist. Dies trifft zu, wie man an der folgenden Wahrheitstafel zeigen kann. Unabhängig von den Kombinationen der Wahrheitswerte der elementaren Aussagen a und b, ist die Impli kation immer wahr. 1. Prämisse
2. Prä misse
Konjunktion der Prämissen
Kon klusion
Implikation der Konklu sion aus der Konjunktion der Prämissen
(ab)(ab)
a
(ab)(ab) a
b
((ab)(ab)a)ob
f
w
f
f
w
w
w
w
w
w
w
f
f
f
w
f
f
f
w
w
Wenn wir wissen, dass die Implikation eine Tautotologie ist, dann können wir auch dar aus folgern, dass das Konsequens der Implikation wahr sein muss, wenn das Antezedens wahr ist. Da das Konsequens der Implikation der Konklusion des Arguments entspricht und das Antezedens der Konjunktion der Prämissen des Arguments, heißt das auch, das die Konklusion wahr sein muss, wenn die Prämissen wahr sind, was ja genau unserer De finition der Gültigkeit eines Arguments entspricht. Wenn wir wollen, können wir die tau tologische Implikation auch als ein logisches Gesetz bezeichnen. Trotz der großen Ähn lichkeit zwischen der Struktur des Arguments und der Implikation, müssen beide streng voneinander unterschieden werden und damit auch die Verwendung der Zeichen '' und 'o'. Betrachten wir die Implikation, dann entscheiden wir über den Wahrheitsgehalt des Satzes, indem wir – sozusagen simultan – sowohl den Wahrheitsgehalt des Antezedens als auch den des Konsequens untersuchen. Beim Argument jeodch gehen wir in gewisser Weise sequentiell vor, indem wir die Konklusion aus den Prämissen ableiten. Über den Wahrheitsgehalt einer Implikation können wir nur entscheiden, wenn sämtliche Bestand teile vorliegen. Bei dem Argument hingegen gehen wir schrittweise vor und es kann sein, dass wir nach gewissen Schritten erst einmal 'innehalten', um uns über unsere weitere Vorgehensweise Gedanken zu machen. Argumente können daher abgebrochen und später fortgesetzt werden, eine 'unvollständige' Implikation hingegen ist nicht unvollendet, son dern existiert schlichtweg einfach nicht. Nicht nur die Implikation gewährleistet, dass, wenn sie selbst wahr ist und einer ihrer beiden Bestandteile, nämlich der erste, auch der zweite Bestandteil wahr sein muss. Diese Bedingung wird auch von der Äquivalenz erfüllt. Die rechte Seite einer wahren Äquiva lenzbeziehung ist immer wahr, wenn die linke Seite wahr ist. Darüber hinaus gilt sogar, dass die rechte Seite nur dann wahr ist, wenn auch die linke Seite wahr ist. Entspricht ein Argument daher einer Äquivalenzbeziehung zwischen der Konjunktion der Prämissen und der Konklusion, dann stellt die Konklusion eine Schlussfolgerung dar, die nur aus genau diesen Prämissen gezogen werden darf. Die Prämissen sind in diesem Fall sowohl eine hinreichende als auch notwendige Bedingungen für das Vorliegen der Konklusion. Das Argument "Ich war auf dem Gipfel des höchsten Bergs der Welt, da ich auf dem Gip fel des Mount Everest war." ist sicherlich gültig, denn, wenn ich auf dem Gipfel des Mount Everest war, diese Aussage also wahr ist, dann war ich auch auf dem Gipfel des höchsten Berges der Welt, da der Mount Everest ebendieser Berg ist. Umgekehrt kann ich nur dann auf dem Gipfel des höchsten Berges der Welt gewesen sein, wenn ich tatsäch lich auf dem Mount Everest gewesen bin. Die Prämisse 'Auf dem Gipfel des Mount Eve rest' ist sowohl hinreichend als auch notwendig für die Konklusion 'auf dem Gipfel des höchsten Berges der Welt'. Bei Argumenten, die einer Äquivalenzbeziehung zwischen der Konjunktion der Prämissen und der Konklusion entsprechen, können wir für die Ablei tung des Schlusses das Symbol '' verwenden. Wir wollen den Unterschied zwischen
60
Kapitel 5 Deduktive Logik
Argument und tautologischem Gesetz an einem einfachen Beispiel aus der Mathematik aufzeigen. Die arithmetische Reihe der natürlichen Zahlen von 1 bis n werde sn genannt. sn = 1+2+3+4+ ... + (n-1)+n Eine einfache Formel zur Berechnung dieser Summe sieht folgendermaßen aus: sn =
n(n 1) 2
Die Behauptung lautet also, dass wir jede Summe natürlicher Zahlen von 1 bis n durch diese Formel schnell und elegant berechnen können. Anders ausgedrückt, behaupten wir, dass beide Ausdrücke äquivalent sind, wobei die Äquivalenz zweier arithmetischer Aus drücke in der Mathematik mit dem '=' Zeichen ausgedrückt wird. Behauptung: 1+2+3+4+ ... + (n-1)+n =
n(n 1) 2
So einfach das Beispiel auch sein mag, so lassen sich grundlegende Problem hiermit gut erkennen. Die Äquivalenz zweier Ausdrücke ist häufig nicht unmittelbar zu erkennen. Ein erster Schritt der Überprüfung der Behauptung besteht vielleicht darin, sie für einzelne Fälle nachzuprüfen, indem wir für n einmal 2, 5 oder beliebige andere Zahlen einsetzen. Trifft die Behauptung für einen Einzelfall nicht zu, dann haben wir sie schon erfolgreich widerlegt. Tatsächlich aber sehen wir, dass sie für alle diese Einzelfälle gilt. Dies erhöht zwar unseren Glauben daran, dass die Formel stimmen könnte, von einem Beweis, dass sie für alle beliebigen Werte gilt, sind wir aber immer noch weit entfernt. Ein einfacher Beweis sieht nun folgendermaßen aus: Beweis: In einem ersten Schritt gruppieren wir die Summanden so um, dass wir sie zu Gruppen aus dem ersten und dem letzten Wert, dem zweiten und dem vorletzten usw. zusammen fassen. Der Einfachheit halber beweisen wir die Formel nur für gerade n. Der Beweis für ungerade n kann fast identisch mit einer trivialen Abänderung geführt werden. 1+2+3+ ... +(n-2)+(n-1)+n = (1+n) + (2+ (n-1)) + (3+(n-2)) + (
n 2
+(
n 2
+1))
Jedes dieser Paare von zwei Summanden ergibt die Teilsumme n+1. Außerdem erhalten n n wir offensichtlich genau solcher Paare, also ist die Summe aller Paare gleich (n+1). 2 2 Wir wollen die Argumentationsstruktur im Einzelnen aufzeigen: sn = 1+2+3+ ... +(n-2)+(n-1)+n sn = (1+n) + (2+ (n-1)) + (3+(n-2)) + (
n 2
sn = (n+1) + (n+1) + (n+1) + ... + (n+1) sn =
n 2
(n+1)
+(
n 2
+1))
Kapitel 5 Deduktive Logik
61
Jede einzelne der Umformungen des arithmetischen Ausdrucks in einen äquivalenten ent spricht einem Argument. Diese Argumente sind wiederum erlaubt, weil die Äquivalenz des umgeformten Ausdrucks mit dem ursprünglichen Ausdruck auf der Anwendung be stimmter Rechengesetze wie dem Kommutativ- und dem Assoziativgesetz beruht, die wiederum per definitionem gelten. Das Gleichheitszeichen in der Arithmetik wird von uns, ohne dies ausdrücklich zu erwähnen, auf zweierlei Weise benutzt. Zum einen, um die Äquivalenz bestimmter Ausdrücke festzulegen, zum anderen aber, um zu zeigen, dass be stimmte rechnerische Umformungen im Zuge eines Beweises erlaubt sind, weil sie einen bestimmten Ausdruck durch einen äquivalenten ersetzen. Der Beweis besteht darin, die Äquivalenz des ersten Ausdrucks in der Beweiskette mit dem letzten Ausdruck zu zeigen, indem wir eine Brücke von Zwischengliedern bilden, die jeweils alle untereinander äqui valent sind. Dabei machen wir uns die Eigenschaft der Äquivalenzrelation zunutze, dass sie, genau wie die Implikation, transitiven Charakter hat. Das heißt, wenn a äquivalent zu b und b äquivalent zu c ist, dann ist auch a äquivalent zu c, bzw. wenn a b impliziert und b c impliziert, dann impliziert a auch c. Das Gesamtargument ist also eine Abfolge von mehreren Teilargumenten, der Beweis zerfällt in mehrere Etappenbeweise. Die Kreativität desjenigen, der einen solchen Beweis führt, besteht darin, dass er den richtigen Weg des Beweises über die notwendigen Etap pen erkennt. Jede einzelne Umformung ist trivial, trotzdem wäre es wohl den meisten von n uns schwer gefallen, die Äquivalenz der Ausdrücke 1+2+3+...+n und (n+1) unmittelbar 2 zu erkennen. Die einfachen Beispiele mit Wahrheitstafeln erwecken den Eindruck, de duktive Argumente könnten stur nach einem bestimmten Schema untersucht werden. Dies ist bei aussagenlogischen Ausdrücken in der Tat der Fall, da wir nach einem bestimmten Verfahren den Wahrheitswert jedes noch so komplexen Ausdrucks ermitteln und ihn mit dem Wahrheitswert jedes beliebigen anderen komplexen Audrucks vergleichen können, um so zu überprüfen, ob beide Ausdrücke äquivalent sind. Wie das einfache Beispiel der arithmetischen Reihe gezeigt hat, ist die Untersuchung der Äquivalenz z.B. von arithmeti schen Ausdrücken schon wesentlich schwieriger. Wir müssen bestimmte 'Tricks', wie die Paarbildung aus dem ersten und dem letzten Glied, dem zweiten und dem vorletzten ..., anwenden, um zum gewünschten Ergebnis zu gelangen. Kennen wir den Trick, ist es ein Leichtes, den Beweis nachzuvollziehen, ohne den Trick ist es schwierig, wenn nicht na hezu unmöglich. Das Genie von Mathematikern liegt darin, dass sie diese Tricks 'sehen'. So soll das mathematische Wunderkind Carl Friedrich Gauss eben die erwähnte Formel der arithmetischen Reihe genau auf dem beschriebenen Weg als sechsjähriges Schulkind gefunden haben. Fast alle von uns können ein Motiv aus einer Beethovensymphonie nachsummen, einige von uns können seine Sonaten auf dem Klavier spielen, aber die al lerwenigsten unter uns hätten diese Stücke komponieren können. Genauso verhält es sich mit mathematischen Beweisen. So einfach sie mitunter nachzuvollziehen sind, so schwer sind sie oft zu finden. Genauso wie der Komponist aus bestimmten Gründen 'weiß', wel chen Ton er als nächsten setzen muss, und genau dieses Wissen macht sein Genie aus, genauso wie der Legende nach Michelangelo seinen David in einem Steinblock 'gesehen' hat, genauso erkennen mathematische Genies, auf welchem Weg sie ihren Beweis zu su chen haben, und weder künstlerische noch mathematische Genies sind auch nur annä hernd in der Lage, die Gründe zu nennen, warum sie über dieses Wissen verfügen.
Ende Experte
Argumente sind sprachliche Figuren, bei denen Gründe angegeben werden, wa rum wir bestimmte Aussagen für wahr halten sollen. Wenn uns das Argument nicht überzeugt und wir die Richtigkeit der Schlussfolgerung bezweifeln, so kön nen wir wiederum unsere Ablehnung der Konklusion auf zweierlei Weise begrün den. Die eine Möglichkeit, unseren Zweifel mit guten Gründen zu untermauern,
Zwei Möglichkeiten für Ab lehnung einer Konklusion:
1. Ablehnung der Prämis sen
62
Kapitel 5 Deduktive Logik
besteht darin, zwar die Gültigkeit des Arguments zuzugestehen, aber die Prämis sen nicht zu akzeptieren. Zwar muss ein gültiges Argument mit falschen Prämis sen keineswegs zu einer falschen Konklusion führen, aber die Wahrheit der Kon klusion kann nicht mehr durch die Prämissen gestützt werden. Alle Menschen mit drei Augen haben zwei Beine. Gerhard Schröder hat drei Augen. _________________________________________ Gerhard Schröder hat zwei Beine. Das Argument ist ohne Zweifel gültig und die Konklusion ist wahr, aber die zwei te Prämisse ist eindeutig falsch. Wenn wir die Konklusion eines gültigen Ar guments, das auf falschen Prämissen beruht, für nicht gerechtfertigt halten, dann sagen wir nicht, dass sie notwendig falsch sein muss, sondern dass die Prämissen nicht hinreichend für die Annahme der Wahrheit der Konklusion sind. In einem gültigen Argument sind nur wahre Prämissen hinreichend für die Wahrheit der Konklusion, falsche Prämissen sind aber keine hinreichender Grund, auf die Falschheit der Konklusion zu schließen. 2. Gültigkeit des Arguments selbst bezweifeln
Die zweite Möglichkeit, die Schlussfolgerung eines Arguments in Frage zu zie hen, bezweifelt die Gültigkeit des Arguments selbst. In diesem Fall können die Prämissen sogar durchaus wahr sein, sie stellen aber keine hinreichende Bedin gung für die Wahrheit der Schlussfolgerung dar. Kanzlerkandidat A wird in Umfragen eine geringere wirtschaftliche Kompetenz zugestanden als Kanzlerkandidat B. _________________________________________________________________ Kanzlerkandidat A wird nicht zum Bundeskanzler gewählt werden.
Das Argument ist ungültig, da die Konklusion nicht zwingend durch die Prämisse gestützt wird. Auch jemand, dem die geringere wirtschaftliche Kompetenz zuge standen wird, kann durchaus zum Kanzler gewählt werden, d.h. größere wirt schaftliche Kompetenz ist keine notwendige Bedingung, um Kanzler zu werden. Schlussfolgerungen, die auf wahren Prämissen beruhen, aber ein ungültiges Ar gument benutzen, werden als Fehlschlüsse (oder auch 'non sequitur') bezeichnet. Typische Argumentformen: Modus Ponens und Modus Tollens
Das Erkennen eines ungültigen Arguments ist neben dem Erkennen falscher Prä missen die schärfste Waffe des Kritikers. Umgekehrt kann der Verfechter einer bestimmten Schlussfolgerung einen gewissen Teilerfolg erzielen, wenn er uns zumindest von der Gültigkeit eines Arguments überzeugen kann. In einem zwei
Kapitel 5 Deduktive Logik
ten Schritt hat er dann 'nur' noch die Wahrheit der Prämissen zu zeigen. Unter den praktisch unendlich vielen Formen eines Arguments gibt es gewisse Standardfor men gültiger und ungültiger Argumente. Wir wollen die wichtigsten dieser Argu mentformen kurz vorstellen. 5.3.1 Der Modus Ponens Der Modus Ponens, auch 'Bejahung des Antezedens' genannt, ist wohl die bekann teste Argumentform. Er ist unserem 'Alltagsschließen' so immanent, dass wir ihn ständig verwenden, ohne uns darüber im Besonderen noch bewusst zu sein. Die Prämissen des Modus Ponens bestehen erstens aus einer Implikation sowie zweitens aus dem Antezedens der Implikation. Die Folgerung ist das Konsequens der Implikation. Formal lässt sich der Modus Ponens daher wie folgt darstellen. aob
a
b
Wenn 'b' aus 'a' gefolgert werden kann, außerdem bekannt ist, dass 'a' wahr ist, dann kann gefolgert werden, dass auch 'b' wahr sein muss. Der Modus Ponens wird intuitiv noch verständlicher, wenn man sich die Implika tion im Sinne einer Kausalverknüpfung, einer Ursache-Wirkungs-Beziehung, vor stellt. Dann entspricht das Antezedens der Ursache, das Konsequens der Wirkung, und der Satz 'aob' bedeutet, dass die Ursache a die Wirkung b nach sich zieht. So betrachtet leuchtet das Schlussschema des Modus Ponens unmittelbar ein. Wenn die Ursache a die Wirkung b nach sich zieht (1. Prämisse) und außerdem bekannt ist, dass die Ursache a vorliegt (2.Prämisse), dann muss zwangsläufig das Auftre ten der Wirkung b beobachtet werden können (Folgerung). Es ist jedoch Vorsicht geboten, Implikationen grundsätzlich als Kausalrelationen zu interpretieren, wie es oft fälschlich getan wird. Die Implikation sagt nur etwas aus über das gleichzeitige Vorliegen zweier Bedingungen, d.h. wenn a gilt, muss auch b gelten. Sie sagt nichts aus über den inneren Zusammenhang zwischen die sen beiden Bedingungen. Kausalrelationen können zwar immer vollkommen un problematisch als Implikationen dargestellt werden, das heißt aber noch lange nicht, dass jede Implikation auch einer Kausalrelation entspricht. Dies wird sofort klar, wenn man Implikationen betrachtet, die lediglich Umformungen von Nomi naldefinitionen sind. Die Implikation "Wenn etwas ein weißes Pferd ist, dann ist es ein Schimmel." ist eine Tautologie, und aus der Prämisse 'weißes Pferd' kann korrekt auf die Konklusion 'Schimmel' geschlossen werden, aber offensichtlich handelt es sich hier um keinen kausalen Zusammenhang. Tatsächlich werden wir im Zusammenhang mit der Problematik der Erklärung sehen, dass die Frage, ob
63
64
Kapitel 5 Deduktive Logik
einer bestimmten Implikation ein kausaler Charakter zugeschrieben werden darf, grundlegend für den Wert wissenschaftlicher Theorien ist. 5.3.2 Der Modus Tollens Wie der Name dem kundigen Lateiner schon verrät, handelt es sich beim Modus Tollens um eine Art von 'Umkehrschluss'. Er wird auch 'Verneinung des Konse quens' genannt. Seine formale Darstellung sieht so aus: aob
b
a
Auch im Modus Tollens ist die Implikation aob als Prämisse enthalten. Gleich zeitig wird jedoch hier vorausgesetzt, dass das Konsequens der Implikation nicht zutrifft. Daraus kann aber auf das Nicht-Vorliegen des Antezedens geschlossen werden, denn wenn dieses tatsächlich wahr wäre, dann müsste ja auch das Konse quens der Implikation wahr sein, was ja aber bekanntermaßen nicht der Fall ist. Aus dem Vorliegen der Implikation "Wenn es geregnet hat, dann ist hinterher die Straße nass." und der Feststellung der Tatsache, dass die Straße nicht nass ist, kann gefolgert werden, dass es nicht gerade geregnet haben kann. 5.3.3 Der Fehlschluss der Bejahung des Konsequens Modus Ponens und Modus Tollens bestehen in den Prämissen jeweils aus einer Implikation und aus dem Antezedens der Implikation, bzw. der Negation des Konsequens. Rein kombinatorisch ergeben sich zwei weitere Argumentformen, die berühmten Fehlschlüssen entsprechen. Die erste wird der Fehlschluss der Be jahung des Konsequens genannt. aob
b
a
Aus der Wahrheit der Implikation und dem Vorliegen des Konsequens wird auf das Vorliegen des Antezedens geschlossen. Aus dem Vorliegen der Implikation "Wenn es geregnet hat, dann ist hinterher die Straße nass." und der Feststellung der Tatsache, dass die Straße nass ist, wird fälschlicherweise gefolgert, dass es ge regnet haben muss. Beim Fehlschluss der Bejahung des Konsequens wird eine hinreichende Bedingung unkorrekt für eine notwendige Bedingung gehalten. Die Bedingung 'Regen' ist zwar hinreichend für 'Straße nass', aber nicht notwendig, da auch andere Gründe dazu geführt haben können, dass die Straße nass ist.
Kapitel 5 Deduktive Logik
65
5.3.4 Der Fehlschluss der Verneinung des Antezedens Der Fehlschluss der Verneinung des Antezedens besteht aus der bekannten Impli kation und der Negation des Antezedens als Prämissen und folgert daraus die Ne gation des Konsequens. aob
a
b
Der Fehlschluss der Verneinung des Antezedens beruht im Prinzip auf demselben Fehler wie der Fehlschluss der Bejahung des Konsequens. Eine hinreichende Be dingung wird für eine notwendige gehalten. Liegt diese Bedingung nicht vor, dann kann auch die Wirkung nicht vorliegen, von der man fälschlicherweise un terstellt, dass sie eben nur durch genau diese Bedingung hervorgerufen werden kann. "Wenn es regnet, wird die Straße nass. Es hat nicht geregnet. Also kann die Straße nicht nass sein." Man kann den Fehler auch so beschreiben, dass die Implikation für eine Äquiva lenz gehalten wird, denn in einer Äquivalenzrelation ist der eine Bestandteil im mer sowohl hinreichende als auch notwendige Bedingung für den anderen. 5.3.5 Quantoren Quantoren sind formale Begriffe, die den Geltungsbereich bestimmter Aussagen festlegen. In der Logik von fundamentaler Bedeutung sind der All-Quantor, der symbolisch durch das Zeichen '' dargestellt wird, und der Existenz-Quantor, des sen symbolische Darstellung in einem seitenverkehrten großen E, also '', besteht. Sprachlich werden Quantoren durch 'Alle ...' bzw. 'Es gibt ...' ausgedrückt. So ge nannte kategoriale Sätze sind Aussagen, die Quantoren enthalten. Man unter scheidet dementsprechend zwischen Allaussagen, wie z.B. "Alle Pilze kann man essen.", und Existenzaussagen, wie z.B. "Es gibt lila Schwäne." Beide Aussageformen können negiert werden, dabei gilt, dass die Verneinung einer Allaussage eine Existenzaussage und die Verneinung einer Existenzaussage eine Allaussage ist. Die Verneinung der obigen Allaussage wäre demnach "Nicht alle Pilze kann man essen." oder "Es gibt Pilze, die man nicht essen kann.", die Verneinung der obigen Existenzaussage "Es gibt keine lila Schwäne." bzw. "Alle Schwäne sind nicht-lila." 5.3.6 Syllogismen Ein Syllogismus im klassischen Sinn ist eine Argumentform, bei der alle Prämis sen und die Folgerung aus kategorialen Sätzen bestehen.
Existenz-Quantor und AllQuantor: formale Begriffe für den Geltungsbereich von Aussagen
Syllogismus: Spezialfall ei ner Argumentform
66
Kapitel 5 Deduktive Logik
Alle Katzen sind Säugetiere. Alle Säugetiere sind Wirbeltiere. ______________________________ Alle Katzen sind Wirbeltiere. Der bekannteste aller 'Syllogismen' enthält allerdings nicht nur kategoriale son dern auch singuläre Sätze. Alle Menschen sind sterblich.
(Formal: x(Wenn x ein Mensch ist, dann ist x sterblich.)
Sokrates ist ein Mensch.
_______________________________________________
Sokrates ist sterblich. Hempel-OppenheimSchema
Streng genommen handelt es sich deshalb um einen 'Quasi-Syllogismus'. Wir werden im Weiteren jedoch auch Quasi-Syllogismen als Syllogismen bezeichnen. Die obige Argumentform kann man als syllogistische Form eines Modus Ponens verstehen. Handelt es sich bei dem All-Satz in den Prämissen um ein empirisches Gesetz, dann bezeichnen wir diese Argumentform auch als Hempel-OppenheimSchema. Analog sieht die syllogistische Form des Modus Tollens wie folgt aus: Alle Menschen sind sterblich. Apollo ist unsterblich. ________________________ Apollo ist kein Mensch.
Deduktives Vorgehen nicht zur Erschließung neuen, sondern zur Verfügbarma chung vorhanden Wissens
Syllogismen sind die wohl wichtigste deduktive Methode zur Begründung be stimmter Aussagen. Schlussfolgerungen, die aus gültigen Syllogismen und Argu mentformen gewonnen werden, können wir als risikofrei bezeichnen, da sie not wendig wahr sein müssen. Allen deduktiven Verfahren ist gemeinsam, dass durch sie kein neues Wissen dem schon vorhandenen zugefügt wird, lediglich werden die Implikationen des vorhandenen Wissens explizit gemacht. Deduktion ist also eine Methode zur Entdeckung und Offenlegung 'versteckter', bzw. 'verborgener' Information, aber keine Methode zur Generierung von neuer Information. Hans
Kapitel 5 Deduktive Logik
Albert spricht in diesem Zusammenhang sehr bildlich vom 'Melken' einer Aussa genmenge (Albert 1991:13).
67
68
Kapitel 6 Beweis, Erklärung und Prognose
6 Unterscheidungsmerkmale zur Verwendung von Argumenten
1. Typen von Sätzen im Argument: analytische oder synthetische Sätze
Beweis, Erklärung und Prognose
Argumente dienen der Begründung bestimmter Aussagen. Wir verwenden Argu mente jedoch in verschiedenen Zusammenhängen. Wir greifen auf Argumentfor men zurück, wenn wir in der Mathematik oder Logik einen Beweis führen, wir verwenden Argumente aber auch, um die Beobachtung bestimmter Ereignisse z.B. in den Naturwissenschaften zu erklären oder vorauszusagen. Wir können die ver schiedenen Verwendungszusammhänge von Argumenten anhand von zwei Di mensionen mit jeweils zwei Ausprägungen darstellen. Das erste Unterscheidungsmerkmal bezieht sich auf die Sätze, die als Prämissen im Argument enthalten sind. Diese können entweder analytischer oder syntheti scher Natur sein. Die Wahrheit analytischer Sätze ergibt sich entweder per defini tionem oder aufgrund logischer Regeln. Der Satz "Die kürzeste Verbindung zwi schen zwei Punkten (im euklidischen Raum) ist eine Gerade." ist ein analytischer Satz aufgrund bestimmter definitorischer Festlegungen. Jeder Satz, der mit Hilfe eines gültigen Arguments aus analytischen Sätzen abgeleitet werden kann, ist e benfalls wieder ein analytischer Satz, so z.B. der Satz "Jede Verbindung zwischen zwei Punkten, die keine Gerade darstellt, ist nicht die kürzestmögliche Ver bindung zwischen diesen zwei Punkten." Analytische Sätze beziehen sich auf eine symbolische Welt. Wenn wir uns mit Phänomenen der realen Welt befassen, können wir daher nicht mit analytischen Sätzen arbeiten. Zur Beschreibung von in der Wirklichkeit vorhandenen Phäno menen brauchen wir so genannte synthetische Sätze. Synthetische Sätze sind nie mals allein aufgrund ihrer Struktur wahr oder falsch, sondern können im Prinzip beides sein – wenn auch nicht gleichzeitig. Unter rein logischen Gesichtspunkten ist – im Gegensatz zu analytischen Sätzen – sowohl ihre Wahrheit als auch ihre Falschheit möglich. In der Regel beziehen sich synthetische Sätze auf Tatsachen, die sich in der realen Welt ereignen. Sätze wie "Der Ball fällt.", "Das Haus ist rot." sind synthetischer Natur. Es ist nicht möglich, durch die Betrachtung des Satzes an sich, eine Aussage über seinen Wahrheitsgehalt zu machen. Vielmehr bedarf es dazu gewisser Regeln, die eine Zuordnung bestimmter Beobachtungen zu den Wahrheitswerten bestimmter Sätze erlauben. Diese Zuordnungsregeln werden auch als Korrespondenzregeln bezeichnet. Im Sinne eines naiven Sensua lismus bezeichnen wir einen Satz dann als wahr, wenn er den von uns gemachten Beobachtungen entspricht. Synthetische Sätze können aber nicht nur besondere sondern auch allgemeine Sätze sein, d.h. sie können außer Tatsachenaussagen auch Gesetzesaussagen sein, aber auch Tendenzaussagen oder probabilistische Aussagen. Auch über die Wahrheit eines allgemeinen synthetischen Satzes wird aufgrund bestimmter gemachter Beobachtungen und bestimmter Regeln, die diese Beobachtungen mit dem Satz in Beziehung setzen, entschieden. Es kann aber durchaus sein, dass wir nicht in der Lage sind, ein abschließendes Urteil über den Wahrheitsgehalt eines synthetischen Satzes zu fällen.
Kapitel 6 Beweis, Erklärung und Prognose
69
Das zweite Unterscheidungskriterium bezieht sich auf die zeitliche Ausrichtung der Konklusion des Arguments. Die Konklusion kann sich auf die Gegenwart oder die Vergangenheit beziehen, oder sie kann eine Aussage über die Zukunft ma chen. Besteht ein Argument nur aus analytischen Sätzen, dann ergibt die Zeitdi mension keinen Sinn, da logische Argumente 'ewig' und unvergänglich sind. Das zweite Unterscheidungskriterium gelangt daher nur zu Anwendung, wenn es sich um ein Argument handelt, das als Prämissen synthetische Sätze enthält. Aufgrund der zwei Dimensionen kann jetzt ein Klassifizierungsschema für Argumente ent worfen werden.
2. Zeitliche Ausrichtung der Konklusion: auf Gegenwart bzw. Vergangenheit oder auf Zukunft
Tabelle 6.1: Klassifikation von Argumenten Bezug der Kon klusion auf Gegenwart oder Ver gangenheit Art der Prämissen analytische Sätze synthetische Sätze
6.1
Zukunft
Beweis Erklärung
Prognose
Beweis
Mathematische oder logische Gleichungen sind nichts anderes als die Umformung wohldefinierter Ausdrücke durch ebenso wohldefinierte zulässige Operationen. Sie sind tautologische bzw. analytische Sätze. Sie sind immer wahr, und ihre Wahrheit ergibt sich daraus, dass die Umformungen, die sie vornehmen, durch Regeln bestimmt sind. Diese Regeln sind auf so genannte Axiome zurückzufüh ren. Axiome sind 'letzte', nicht weiter begründbare Sätze, die entweder schlicht festgelegt werden oder auf so genannten selbstevidenten Erkenntnissen beruhen, die durch den Gebrauch der Vernunft unmittelbar erkannt werden können. Man spricht daher oft auch vom so genannten Offenbarungsmodell der Erkenntnis. Die Axiome müssen, da sie ja nicht bewiesen werden können, über jeden Zweifel er haben sein. Eine in sich geschlossene Theorie, die sich nur deduktiver Beweisver fahren bedient, ist daher in der Regel axiomatisch begründet6.
6
Die wohl berühmteste und weiterhin vielleicht auch eleganteste und bestechendste axiomati sche Darstellung eines Teilgebiets der Mathematik sind Euklids opus magnum der Geometrie in den 'Elementen'. Zwei Seiten von Definitionen, Postulaten und Axiomen genügen, um auf weiteren dreißig Seiten des ersten Buches 48 Beweise zu liefern, deren zwei letzte dem Satz des Pythagoras entsprechen. Die Information des Satzes des Pythagoras ist allerdings schon allein in den ersten zwei Seiten der Axiome und Definitionen enthalten, nur ist sie nicht direkt sichtbar, zumindest nicht für uns mit unseren beschränkten kognitiven Fähigkeiten. Ein 'ma
Mathematische Beweise beruhen auf Axiomen
70
Kapitel 6 Beweis, Erklärung und Prognose
Axiomatisches Vorgehen in den Sozialwissenschaften
Unstrittig ist die axiomatische deduktive Methode als Vorgehensweise in den formalen Wissenschaften wie Logik und Mathematik. Aber auch in den Sozial wissenschaften findet die axiomatische Herangehensweise vielfältige Anwendun gen. Zumeist gehen diese von der Ökonomie aus, wurden aber in den vergangenen Jahrzehnten in zunehmendem Maße auch in der Politikwissenschaft mit großem Erfolg eingesetzt. Beispiele hierfür sind die formale Entscheidungstheorie, wie sie etwa in den Axiomen von Kenneth Arrow Anwendung findet, die Spieltheorie, die vor allem hilft, Möglichkeiten kooperativen Handelns systematisch zu erfor schen, oder die axiomatische Gerechtigkeitstheorie, für die John Rawls ein promi nenter Vertreter ist. Auch hier geht man so vor, dass man möglichst evidente und schwache Prämissen sucht, aus denen mit Hilfe formal-logischer Schlüsse norma tiv bedeutende Konsequenzen abgeleitet werden können. Von Beweisen sprechen wir im Zusammenhang mit gültigen Argumenten, deren Prämissen ausschließlich aus analytischen Sätzen oder Festlegungen in Form von Definitionen und Axio men bestehen.
6.2 Hempel-OppenheimSchema
Erklärung
Ein Schlussschema, das als Prämisse eine gesetzesartige Aussage enthält sowie mindestens eine Tatsachenaussage, wird als nomologisch-deduktive Erklärung bezeichnet, oder auch als Hempel-Oppenheim-Schema. Erklärt wird hierbei die Konklusion unter Bezug auf die Gültigkeit der Prämissen. Eine wissenschaftliche Erklärung ist somit eine Begründung durch die Prämissen, warum wir eine be stimmte Beobachtung gemacht haben. Alle (schweren) Gegenstände fliegen nach unten, wenn sie nicht festoder aufgehalten werden. ____________________________________________________________ Das Kreidestück, das ich eben losgelassen habe, ist nach unten gefallen. Die Prämisse im obigen Argument können wir grob umgangssprachlich als Schwerkraft bezeichnen. Die Schwerkraft ist somit die Erklärung dafür, warum die Kreide nach unten gefallen ist.
Münchhausen-Trilemma und seine drei möglichen "Lösungen"
In Zusammenhang mit empirischen Theorien stellt uns das deduktive Vorgehen jedoch vor ein Problem, wollten wir den All-Satz, der im Beispiel die Prämisse darstellt, selbst begründen. Da durch Deduktion nicht neue Erkenntnis gewonnen werden kann, sondern nur die in den Prämissen wohnende Erkenntnis öffentlich gemacht werden kann, gelangt jeder Versuch, wissenschaftliche Theorien selbst durch Deduktion zu begründen, unweigerlich in das so genannte Münchhausen
thematischer Gott' müsste lediglich diese zwei Seiten lesen und würde schlagartig alle Infor mation, die in den 48 Konstruktionen und Lehrsätzen enthalten ist, kennen.
Kapitel 6 Beweis, Erklärung und Prognose
71
Trilemma (Albert 1991: 13ff.). D.h. die deduktive Methode führt bei der Begrün dung einer Theorie bzw. eines All-Satzes unausweichlich zu einer von drei glei chermaßen unattraktiven Konsequenzen: Die erste Möglichkeit besteht darin, dass wir die Wahrheit der zu begründenden Sätze auf die Wahrheit noch 'tieferer', d.h. allgemeinerer Sätze zurückführen, die wiederum durch noch grundlegendere Prämissen begründet werden können und so fort. Dieser infinite Regress führt offensichtlich in eine Sackgasse und kann daher nicht zu einer echten letzten Fundierung wissenschaftlicher Erkenntnis he rangezogen werden.
1. "Lösung": infiniter Re-
Die zweite mögliche Sackgasse, in die die deduktive Methode führen kann, ist der logische Zirkelschluss. Er tritt dann auf, wenn wir die Wahrheit einer der Prämis sen ihrerseits mit der Konklusion begründen. Zirkelschlüsse sind zumeist die Konsequenz unpräziser Definitionen und führen dadurch selbst wiederum häufig zu banalen Tautologien. Der Satz "Menschen mit einer internalisierten Wahlnorm beteiligen sich besonders häufig an Wahlen." scheint im ersten Augenblick nicht automatisch sinnlos zu sein. Wenn wir aber des weiteren davon ausgehen, dass Normen, die ein bestimmtes Verhalten als erwünscht darstellen, dann als interna lisiert gelten, wenn sie dieses erwünschte Verhalten tatsächlich hervorrufen, dann ist die häufige Teilnahme an Wahlen eine notwendige Bedingung dafür, dass wir überhaupt von einer internalisierten Norm sprechen können. Wenn sich bestimmte Leute nicht an Wahlen beteiligen, dann gehen wir davon aus, dass diese Leute e ben keine internalisierte Wahlnorm besitzen. Der ursprüngliche Satz reduziert sich also auf die triviale Tautologie "Leute, die sich besonders häufig an Wahlen betei ligen, beteiligen sich besonders häufig an Wahlen." Nur dann, wenn wir das Kon zept der Wahlnorm auf eine Weise sinnvoll definieren könnten, ohne dass ihre In ternalisierung notwendig auch eine Tendenz zu ihrer Umsetzung beinhaltet, nur dann wäre der obige Satz synthetisch und damit empirisch sinnvoll.
2. "Lösung": logischer Zirkel
Experte: Definition und Zirkelschluss Trotz seiner so offensichtlichen Unangemessenheit ist der Zirkelschluss in der wissen schaftlichen Forschung verbreiteter ist, als man vermuten möchte. Dies ist deshalb der Fall, da die Zirkularität nicht immer ohne weiteres erkannt werden kann. Dies soll an ei nem Beispiel illustriert werden: Alle Planeten bewegen sich auf ellipsenförmigen Bahnen um die Sonne. Mars ist ein Planet. ___________________________________________________________ Mars bewegt sich auf einer ellipsenförmigen Bahn um die Sonne.
Die Prämissen bestehen aus einer gesetzesmäßigen Aussage, dem so genannten 'ersten Kepler'schen Gesetz', und einer Tatsachenaussage über Mars, einer Randbedingung. Dar aus können wir die Form der Umlaufbahn von Mars ableiten. Durch diese Ableitung, d.h.
gress
72
Kapitel 6 Beweis, Erklärung und Prognose
unsere Erkenntnis, dass es sich bei der Form der Umlaufbahn von Mars um einen Spezial fall eines allgemeingültigen Gesetzes handelt, 'vertieft' sich unser Bewusstsein der abge leiteten Aussage. Das ist es unter anderem, was wir damit meinen, wenn wir die abgelei tete Aussage durch das Gesetz als 'erklärt' betrachten. Doch inwiefern ist dies tatsächlich der Fall? Das Problem wird schnell offensichtlich, wenn wir uns klarzumachen versu chen, was wir unter dem Begriff 'Planet' verstehen wollen. Am einfachsten ist es, den Begriff extensional zu definieren, indem wir einer Klasse, die aus den Elementen 'Mer kur', 'Venus', 'Erde', 'Mars', 'Jupiter', 'Saturn', 'Uranus', 'Neptun' und 'Pluto' besteht, den Namen 'Planeten' geben. Dann besagt das Gesetz, dass die Elemente der Klasse alle eine bestimmte Eigenschaft teilen. Das gilt natürlich auch für ein spezifisches Element der Klasse wie Mars. Es handelt sich bei dieser Ableitung zwar um keinen Zirkelschluss, aber um eine doch sehr banale Angelegenheit, die kaum ein weitergehendes Interesse verdient. Die Extension eines Begriffs wird jedoch üblicherweise durch seine Intension erst gebil det. Als Definition von Planeten im Lexikon werden wir daher vor einer reinen Aufzäh lung in der Regel eine Aussage ungefähr der Art 'Himmelskörper, die sich nach dem ers ten Keplerschen Gesetz in einer ellipsenförmigen Umlaufbahn um die Sonne bewegen' finden. Wenn der Begriff 'Planet' aufgrund des Umlaufbahnkriteriums erst gebildet wird, dann handelt es sich bei dem Gesetz natürlich um eine Tautologie und bei der Schlussfol gerung jetzt tatsächlich um einen Zirkelschluss, da aus der Konklusion "Mars bewegt sich auf einer ellipsenförmigen Bahn um die Sonne" überhaupt erst die Gültigkeit der Rand bedingung "Mars ist ein Planet" folgt. Doch mit Sicherheit handelt es sich beim ersten Keplerschen Gesetz um alles andere als eine Banalität, sondern um eine im Wortsinn welterschütternde Erkenntnis. Wodurch kommt dieser scheinbare Widerspruch zustande? Die Lösung besteht darin, dass es eine intensionale Bedeutung des Begriffs 'Planeten' gab, die 'vorkeplerisch', 'vorkopernikanisch', ja sogar 'vorptolemäisch' war. Selbst für die Frühmenschen müssen die Himmelskörper zuerst einmal in die – zumindest in Kinderlie dern auch heute noch übliche – Trias 'Sonne, Mond und Sterne' zerfallen sein. Sonne und Mond unterscheiden sich aufgrund von Helligkeit und Größe so eindeutig von allen ande ren Himmelskörpern, dass ihnen eine individuelle Bedeutung, d.h. in der Regel als Gott heit, zugeschrieben wurde. Alle anderen Himmelskörper waren in erster Linie Lichtpunk te, die wir der Einfachheit halber als 'Sterne' bezeichnen wollen. Zumindest aber schon den Babyloniern war klar, dass es unter diesen Sternen eine Mehrheit gab, deren relative Position zueinander gleich blieb, die 'Fixsterne', aber auch einige wenige, deren relative Position sich am sonst so stetigen 'Firmament' ständig änderte. Der Begriff 'Planeten' stammt aus dem Griechischen und bedeutet 'die Umherschweifenden', womit dieses selt same Phänomen bestimmter Himmelskörper treffend beschrieben wurde. Auf die gleiche Eigenschaft bezieht sich der im Deutschen übliche historische Begriff für Planeten, 'Wandelsterne'. So wirr diese Bewegungen zuerst auch scheinen mochten, weshalb sie als Willkürakte bestimmter Gottheiten gedeutet wurden, sobald mehrjährige Aufzeichnungen über ihre Bahn vorlagen, offenbarte sich eine überraschende Regelmäßigkeit und Periodi zität der Vorgänge. Insofern handelte es sich bei den Planetenbahnen um ein Phänomen, das der täglichen Wiederkehr der Sonne ähnlich war. Die nahe liegende Lösung bestand darin, diese wiederkehrende Erscheinung durch eine kreisförmige Bewegung um die Erde zu erklären. Ebenso nahe liegend war es, die Erde als Fixpunkt anzunehmen, da dies ja der unmittelbaren Wahrnehmung entsprach. Geozentrisches Weltbild sowie kreisförmige Umlaufbahnen müssen als der 'natürliche' Ausgangspunkt jeglicher Astronomie betrachtet werden. Von Aristoteles wurde diese Anschauung mit Argumenten, die auf seiner Meta physik beruhten, philosophisch untermauert. Das ptolemäische Modell ging darüber schon weit hinaus, da es bestimmte Beobachtun gen, die mit diesem Basismodell nicht zu erklären waren, durch Modifikationen des Mo dells aufzufangen versuchte, nämlich durch die Einführung des Exzenters und der soge nannten Epizykeln. Um 'die Phänomene zu retten' – im speziellen Fall unterschiedliche Bewegungsgeschwindigkeiten und Helligkeit der Planeten – war Ptolemäus gezwungen, als Zentrum der Bewegungen eben nicht die Erde, sondern einen davon abweichenden Punkt anzunehmen. Bei Epizykeln handelt es sich um in Kreisbahnen eingeschriebene Kreisbahnen, wie sie z.B. auch durch Spirographen erzeugt werden, die wiederum die
Kapitel 6 Beweis, Erklärung und Prognose
73
Beobachtungen erklären sollten, dass sich manche Planeten in gewissen Abschnitten ihrer Umlaufbahn vor und zurück bewegten. Entscheidend ist, dass es im Sinne dieser 'umherschweifenden' Bewegungen eine histori sche Begründung des Begriffs der Klasse der Planeten gab, die nicht auf die Umlaufbah nen bezogen war, so dass das Keplersche Gesetz in diesem Sinn tatsächlich als eine neue Erkenntnis gedeutet werden kann. Allerdings kann dieser historische Planetenbegriff streng genommen nur auf die fünf in der Antike bekannten Planeten, Merkur, Venus, Mars, Jupiter und Saturn angewandt werden und – wesentlich gravierender –nicht auf die Erde. Die Einbeziehung der Erde zur Klasse der Planeten setzt einerseits schon ein helio zentrisches Weltbild voraus und gleichzeitig eine Definition des Begriffs 'Planet' auf grund der Umlaufbahn. Im gleichen Maße, wie sich die Definition von 'Planet' aus ihrem historischen Umfeld löste und der modernen Erkenntnis von Kepler näherte, wandelte sich das Keplersche Gesetz von einer substantiellen Erkenntnis zu einer Tautologie. Es gibt sogar Wissenschaftstheoretiker wie Poincaré, die der Ansicht sind, dass Naturgesetze immer Tautologien darstellen. Wichtig ist, dass zum Zeitpunkt der Formulierung des Ge setzes eine Definition der Klasse der Objekte, auf die sich die Aussage bezieht, unabhän gig von der gesetzesmäßigen Aussage selbst existiert. Diese 'unabhängige' Definition kann dabei oft in einer unzulänglichen oder sogar falschen Annahme über das Wesen der Objekte bestehen.
Ende Experte Der dritte Weg im Münchhausen-Trilemma, das Begründungsproblem zu lösen, besteht im Abbruch des Verfahrens durch Bezugnahme auf ein Dogma. Die Prä missen werden dann als nicht weiter begründungsbedürftig dargestellt, oder die Gültigkeit der Prämissen wird auf eine andere Form der Begründung als durch Deduktion zurückgeführt. Ein Beispiel für den Abbruch des Begründungsprob lems durch Rekurs auf selbstevidente Axiome haben wir schon im Zusammen hang mit dem formalen Beweis kennen gelernt. Im Fall von empirischen Erklä rungsschemata treten zwei Arten des Abbruchs auf, je nachdem, ob sich die Evi denz des nicht weiter begründeten Satzes auf einen besonderen oder allgemeinen Satz bezieht. Zur Letztbegründung von Beobachtungsaussagen (besonderen Sät zen) wird oft die Erfahrung selbst herangezogen. Dies ist die Position von klassi schen Empiristen wie Bacon, Hume oder Locke bis hin zu den Positivisten aus dem Umfeld des Wiener Kreises um Rudolf Carnap oder auch eines Realisten wie Bertrand Russell. Problematisch jedoch auch aus der Sicht der Empiristen bleibt die Begründung von gesetzesartigen Aussagen (allgemeinen Sätzen). Dies stellt das so genannte Induktionsproblem dar, das im nächsten Kapitel eingehender er läutert wird.
6.3
3. "Lösung": dogmatischer Abbruch
Prognose
Der Wert einer wissenschaftlichen Theorie wird an ihrer Erklärungskraft gemes sen, d.h. an dem Umfang der beobachtbaren Phänomene, die aus der Theorie ab geleitet und somit aus dieser erklärt werden können. Die Beobachtung der peri odischen Wiederkehr bestimmter Himmelskörper z.B. kann mit einer Theorie, in der sich die Planeten auf einer elliptischen Umlaufbahn befinden, erklärt werden. Aber genauso ist dies mit einer Theorie kreisförmiger Planetenbahnen möglich. Diese – wörtlich zu nehmende – Vieldeutigkeit der Phänomene zieht eine entspre
Prognosefähigkeit als Gü tekriterium einer wissen schaftlichen Theorie
74
Kapitel 6 Beweis, Erklärung und Prognose
chende Vielzahl möglicher – d.h. mit den Beobachtungen zu vereinbarender – Theorien nach sich. Da Theorien in der Regel ex post zur Erklärung schon beo bachteter Tatsachen gebildet werden, und sich umgekehrt zu jeder Beobachtung immer eine Theorie finden lässt, mit der diese erklärt werden kann, ist allein die Fähigkeit einer Theorie, bestimmte Phänomene erklären zu können, offensichtlich noch kein besonders gutes Indiz für ihren wissenschaftlichen Wert. Ein weiteres wichtiges Kriterium zur Beurteilung der Güte einer Theorie stellt daher ihre Fä higkeit dar, die Formulierung von Prognosen zu erlauben. Die formale Struktur der Prognose entspricht der schon vom Beweis und der Erklärung her bekannten des allgemeinen Schlussschemas. Während bei der Erklärung die Konklusion eine schon gemachte Beobachtung ist, zu deren Erklärung die Prämissen herangezogen werden, stellt die Konklusion bei der Prognose eine zukünftige, noch zu machen de Beobachtung dar, die aufgrund der in den Prämissen festgelegten Randbedin gungen und Gesetze zu erwarten ist. So konnten z.B. Adams und Le Verrier auf grund der Beobachtung bestimmter 'Störungen' in den Planetenbahnen von Jupi ter, Saturn und Uranus und der Annahme der Gültigkeit des Newtonschen Gravi tationsgesetzes voraussagen, dass diese Abweichungen durch einen noch unbe kannten Planeten verursacht sein mussten. Darüber hinaus konnten sie sogar An gaben machen, an welcher Stelle sich dieser Planet ungefähr befinden müsste. Diese Prognose wurde am 23. September 1846 von Galle und d'Arrest durch die Entdeckung des Neptun bestätigt. Da Prognosen durch ihre Zukunftsbezogenheit nie mit dem Makel der Ex-Post-Rationalisierung belegt sind, gelten sie als beson ders gewichtige Argumente für die Akzeptanz einer Theorie. Schwierigkeit der Formulie rung von Prognosen in den Sozialwissenschaften
Allerdings ist es gerade in den Sozialwissenschaften sehr schwierig, auf der Basis bekannter Kausalzusammenhänge eindeutige deterministische Prognosen zu for mulieren. Dies liegt zum einen daran, dass der Forschungsgegenstand der Sozial wissenschaften – Gesellschaft, Staat und soziale Interaktion – wesentlich kurz fristigeren Veränderungen unterliegt als etwa der Forschungsgegenstand der klas sischen Physik. Zum anderen sind die meisten sozialen Phänomene in ihren Wir kungszusammenhängen sehr komplex, multikausal und interdependent. Daher ist es selten möglich, soziale Gesetze desselben Allgemeinheitsgrades zu formulie ren, wie dies etwa für die Gesetze der Mechanik oder der Astronomie der Fall ist. Die Schwierigkeiten der Wahlforscher und Umfrageinstitute, Wahlergebnisse ei nigermaßen präzise vorauszusagen, illustrieren die Veränderungsanfälligkeit sozi alwissenschaftlicher Prognosen nachdrücklich. So gelten Regelmäßigkeiten wie die sozialstrukturelle Prägung der Wahlentscheidung, die in den 40er-Jahren von Wahlforschern an der University of Columbia entdeckt wurden, heute nur noch eingeschränkt, da sich die Sozialstruktur der Gesellschaft stark verändert hat. Und die Komplexität und Multikausalität sozialer Phänomene zeigt sich beispielsweise an der Unfähigkeit aller Revolutionsforscher, die 'Revolution' des Volkes in der DDR vorherzusagen, die letztlich zur Wiedervereinigung des geteilten Deutsch lands führte. Selbst diejenigen 'Gesetze' der Politikwissenschaft, die als weitge hend bestätigt gelten, wie die auf Kant zurückgehende Theorie, dass Demokratien gegeneinander keine Kriege führen oder die 'Cleavage-Theorie' von Lipset und
Kapitel 6 Beweis, Erklärung und Prognose
75
Rokkan (Lipset / Rokkan 1967) erlauben es allenfalls, Ereignisse, Zustände und Entwicklungen der Gegenwart und Vergangenheit zu erklären. So zeigt sich im Rückblick, dass in der Tat die meisten Länder, die heute als Demokratien westli cher Prägung eingeordnet werden, keine Angriffskriege gegeneinander führen. Ähnlich erscheint die Entstehung der Partei der 'GRÜNEN' als eine Bestätigung der Cleavage-Theorie, da sie als Reaktion auf eine neue Konfliktlinie in der Ge sellschaft interpretiert werden kann, die sich zwischen Materialisten und Postma terialisten ergeben hat. Eindeutige Prognosen über Kriegsentscheidungen demo kratischer Staaten oder die Entstehung neuer Parteien erlauben diese Theorien je doch nicht. Da sozialwissenschaftliche Gesetze und Theorien selten deterministische Aussa gen erlauben, ist die übliche Form der sozialwissenschaftlichen Prognose die pro babilistische Prognose, die vorhersagt, dass bestimmte Ereignisse mit einer ge wissen Wahrscheinlichkeit eintreffen werden. Solche Prognosen können durch die Realität nicht direkt bewiesen oder widerlegt werden, die relative Häufigkeit des Eintreffens bestimmter Ereignisse erlaubt aber in der langfristigen Betrachtung, solche probabilistischen Theorien und Gesetze als mehr oder minder gut bestätigt anzusehen. Der Umgang mit probabilistischen Hypothesen wird ausführlich in Kapitel 9 vorgestellt.
Daher Übergang von de terministischen zu pro babilistischen Prognosen
76
Kapitel 7 Induktive Logik und das Induktionsproblem
7 Induktionsproblem als zent rales Problem der empiri schen Wissenschaft
Das Hauptproblem der empirischen Wissenschaft besteht im Finden allgemeiner Sätze, gesetzesähnlicher Aussagen, die nur aufgrund der Beobachtungen von ein zelnen Tatsachen ermittelt werden können. Ein Verfahren, das diesen 'Schluss' von besonderen Sätzen auf einen allgemeinen Satz beschreibt, wird als Indukti onsprinzip bezeichnet, der Schluss selbst als Induktion. Die Regeln des Schließens sind Gegenstand der induktiven Logik.
7.1 Das wissenschaftliche Programm Francis Bacons
Induktionsverfahren nach Bacon
Induktive Logik und das Induktionsproblem
Die induktive Logik Bacons und Mills
Francis Bacon7 muss das Verdienst zugeschrieben werden, als erster das Indukti onsprinzip in einer modernen Fassung formuliert zu haben. Auch wenn eines der Hauptwerke Bacons in Anlehnung an Aristoteles 'Novum Organon' heißt, sein Anliegen war nicht die Entwicklung einer neuen (deduktiven) Logik, sondern ei ner (induktiven) 'Logik' der wissenschaftlichen Entdeckung. Bacons Programm war nicht philosophischer Art, sondern ein gesellschaftspolitisches. Es ging dar um, die von Gott in der Bibel in Aussicht gestellte Herrschaft des Menschen über die Natur Wirklichkeit werden zu lassen. Es geht um den Einsatz wis senschaftlicher Erkenntnis zu ihrer technischen Anwendung zur Mehrung des Fortschritts zum Wohle der Menschheit. In dieser Sichtweise liegt das Moderne und Bahnbrechende Bacons8. Das geeignete Mittel, dieses hehre Prinzip zu erreichen, sah Bacon in seinem Ver fahren der Induktion. Nach diesem Verfahren werden zunächst Beobachtungsda ten gesammelt, die auf 'Tafeln' festgehalten werden. Die Beobachtungen auf den Tafeln werden dann in drei Gruppen unterteilt: Die erste Tafel enthält alle Beo bachtungen, bei denen das Phänomen, das erklärt werden soll, tatsächlich auftritt, sowie die dabei auftretenden Bedingungen. Die zweite Tafel enthält die Fälle, in denen ähnliche oder gleiche Bedingungen vorliegen, das Phänomen aber nicht
7 Bacon lebte von 1561 bis 1626. Er stammte aus einer politisch einflussreichen Familie, sein Vater war Großsiegelbewahrer. Im Alter von 23 wurde er Berater von Essex, dem Günstling der Königin. Als Essex des Hochverrats beschuldigt wurde, wechselte er allerdings die Partei. 1617, zur Zeit Jacobs I, wurde Bacon selbst Großsiegelbewahrer, 1618 sogar Lordkanzler. Schon zwei Jahre später wurde er der Bestechung angeklagt und verurteilt und "war gezwun gen, sich aus dem öffentlichen Leben zurückzuziehen und den Rest seiner Tage damit zu verbringen, bedeutende Bücher zu schreiben" (Russell 1988: 551). Ironischerweise wurde Bacon ein Opfer seiner eigenen Experimentierlust: Er starb bei einem Kälteexperiment mit einem Huhn, das er mit Eis ausstopfte. Dabei holte er sich eine für ihn tödlich verlaufende Erkältung. 8 Die erste formale Wissenschaftsorganisation der westlichen Zivilisation, die 1660 gegründete Royal Society, war bei ihrer Gründung stark von Bacon beeinflusst. Ganz im Sinne seines wissenschaftlichen Programms hatte sie sich dem Ziel des systematischen Wissenserwerbs verschrieben. War ihr Name in der ihr 1662 von Charles II verliehenen "Charter of incorpora tion" noch einfach "The Royal Society", so erweiterte sie den Namen in ihrer zweiten Charter von 1663 zu "The Royal Society of London for promoting Natural Knowledge". Durch die Charter von 1662 war die Royal Society die erste verfasste Körperschaft in der Geschichte, deren Aufgabe explizit in der Forschung lag.
Kapitel 7 Induktive Logik und das Induktionsproblem
77
auftritt. Die dritte Tafel wiederum enthält die Fälle, in denen das Phänomen und die Bedingungen in verschiedenen Graden vorliegen. Da es sehr aufwendig und zeitraubend ist, lediglich solche Beobachtungsdaten zu sammeln, die einem sozu sagen auf 'natürliche' Weise in den Schoß fallen, müssen die Beobachtungen dar über hinaus künstlich erzeugt werden. Bacon ist vermutlich der erste neuzeitliche Denker, der ein ausgeklügeltes experimentelles Design beschreibt. Induktion und Experiment sind für Bacon im Grunde nur zwei verschiedene Seiten derselben Medaille9. Aus den durch das Experiment gewonnenen Daten soll nun durch die eigentliche Induktion die Beziehung zwischen dem Phänomen, der interessieren den 'Eigenschaft', und den vorliegenden Bedingungen, den 'Bestimmungen', her ausdestilliert werden. "Erstes Anliegen der wahren Induktion zur Erforschung der Formen ist, alle Bestimmungen zurückzuweisen oder auszuschließen, die in den Fällen fehlen, wo die betreffende Eigenschaft vorhanden ist, oder die noch da sind, obwohl die Eigenschaft fehlt. Dahin gehören auch die Fälle, wo die Bestim mung zunimmt, während die gegebene Eigenschaft abnimmt oder umgekehrt. Ist so das Zurückweisen und Ausschließen Schritt für Schritt geschehen, wird an zweiter Stelle, gleichsam als fester Grund, die bejahende, wahre und scharf umris sene Form zurückbleiben, während die flüchtigen Meinungen in Rauch aufgegan gen sind." (Bacon 1990: 351). Wir können uns das Prinzip folgendermaßen veran schaulichen. Tabelle 7.1: Induktionsprinzip nach Bacon Bestimmungen
interessierende Ei genschaft
B1:
a
b
c
d
B2:
a
b
c
d
B3:
a
b
c
d
a
d
Die Beobachtung B1 sagt aus, dass die Eigenschaft d auftritt und gleichzeitig die 'Bestimmungen' a, b und c vorliegen. Da die Eigenschaft d auch in der zweiten Beobachtung festzustellen ist, obwohl die Bedingung b dort nicht vorliegt, kann b nicht die Ursache von d sein. Ebenfalls wird durch die dritte Beobachtung ausge schlossen, dass c die Ursache von d sein kann, da c zwar vorliegt, aber d nicht.
9
Da sich Bacon bei der Beschreibung seines Designs – aus heutiger Sicht unglücklicherweise – auf chemische, um nicht zu sagen alchemistische, Vorgänge bezieht, sind seine Beispiele nicht nur umständlicher und weniger überzeugend, als es Beispiele aus der Astronomie und der Mechanik wären, sondern sie schließen damit leider genau diejenigen Wissensgebiete aus, auf denen die wichtigsten Entdeckungen seiner Zeit gemacht wurden.
78
Kapitel 7 Induktive Logik und das Induktionsproblem
Daraus wäre nach Bacon nun zu schließen, dass nur a die Ursache von d sein kann, ja, dass a die Ursache von d sein muss. Induktionsverfahren nach Mill
Methode der Übereinstim mung bei Vorliegen einer Bedingung
Bacons einfaches Design wurde wesentlich verfeinert und präzisiert durch John Stuart Mill. In seinem 'System of Logic' (1995) stellt Mill ebenfalls mehrere expe rimentelle Anordnungen vor, die einen induktiven Schluss erlauben sollen. Insbe sondere drei davon sollen hier herausgegriffen und kurz erläutert werden, die so genannte 'Methode der Übereinstimmung', die 'Umgekehrte Methode der Überein stimmung' und die 'Methode der Differenz'. Die 'Methode der Übereinstimmung' behauptet, dass wenn ein bestimmtes Phä nomen unter mehreren Bündeln von Bedingungen auftritt, aber nur eine Bedin gung in jedem dieser Bündel vorhanden ist, dann diese Bedingung die Ursache des beobachteten Phänomens darstellen muss. Tabelle 7.2: Methode der Übereinstimmung (Vorliegen einer Bedingung) Bestimmungen
interessierende Ei genschaft
B1:
a
b
c
d
B2:
a
b
c
d
a
d
Durch die Methode der Übereinstimmung können notwendige Bedingungen aus geschlossen werden. Wenn d der Fall sein kann, ohne dass b und c vorliegen, wie in der zweiten Beobachtung in Tabelle 7.2, dann können beide keine notwendige Bedingung des Vorliegens von d sein. Jede Bedingung, die in irgendwelchen Be obachtungen nicht vorliegt, obwohl d vorliegt, kann als notwendige Bedingung von d ausgeschlossen werden. Beispiel: Meisterdetektiv (I) Man kann sich die Methode der Übereinstimmung am Vorgehen eines Meisterdetektivs veranschaulichen, der auf ähnliche Weise den Kreis der Verdächtigen in einem Mordfall einengt. Nach der Erfahrung unseres Meisterdetektivs sind Motiv und Gelegenheit not wendige Bedingungen, dieses Verbrechen zu verüben. Wenn für bestimmte Personen de finitiv ausgeschlossen werden kann, dass sie sowohl Motiv als auch Gelegenheit hatten, also wenn bei ihnen nur eine der beiden Bedingungen nicht gegeben ist, dann kommen sie als Täter nicht mehr in Frage. Auf diese Weise kann der Kreis der Verdächtigen einge schränkt werden. Da häufig mehrere Personen übrig bleiben, die sowohl ein Motiv als auch eine Gelegenheit gehabt hätten, führt diese Methode zwar nicht zu einem eindeuti gen Ergebnis, sie hilft aber, die Anzahl der Verdächtigen zu reduzieren.
Ende Beispiel
Kapitel 7 Induktive Logik und das Induktionsproblem
79
Ein Mangel der originalen Mill'schen Analyse besteht darin, dass er sich nur auf die 'positive' Ausprägung von Eigenschaften bezieht. Tatsächlich aber kann die Abwesenheit einer Bedingung genauso für das Eintreten eines Ereignisses not wendig oder hinreichend sein. Es ist zum Beispiel eine notwendige Bedingung, um Präsident der Vereinigten Staaten zu werden, dass man nicht während des Wahlkampfs ermordet wird. Ähnlich ist es eine hinreichende Bedingung, um zu vermeiden, jemals Opfer eines Flugzeugabsturzes zu werden, einfach nie ein Flugzeug zu besteigen. Dies wird im folgenden Beispiel in Tabelle 7.3 deutlich. Möglicherweise ist f eine notwendige Bedingung für das Zustandekommen von d. Damit wäre dann f eine hinreichende Bedingung für das Nicht-Vorhandensein von d. Indirekt lässt sich in unserem Beispiel auf diese Weise erschließen, dass auch f und a keine notwendigen Bedingungen von d sein können.
Methode der Übereinstim mung bei Fehlen einer Be dingung
Tabelle 7.3: Methode der Übereinstimmung (Fehlen einer Bedingung) Bestimmungen
interessierende Ei genschaft
B1:
a
b
f
d
B2:
a
b
f
d
f
d
a
Beispiel: Meisterdetektiv (II) Wir wollen dies näher erläutern, indem wir noch einmal auf unser Bild des Meis terdetektivs zurückkommen. Wenn der Meisterdetektiv nicht gerade zuviel Oscar Wilde gelesen hat, dann geht er davon aus, dass man niemanden tötet, den man liebt. Die Liebe zu einem Menschen wird allgemein als hinreichender Grund angesehen, seinen Tod nicht zu wünschen. Die Menschen, die das Opfer geliebt haben, können somit aus dem Kreis der Verdächtigen gestrichen werden. Der Mörder kann das Opfer nicht geliebt haben, da er es sonst nicht umgebracht hätte, die Abwesenheit von Liebe zum Opfer ist eine not wendige Bedingung, um einen Mord zu begehen. (Literaturkenner merken, dass wir hier mehr der konventionellen englischen Tradition des Kriminalromans folgen. Komplexere psychologische Konstellationen, wie sie bei dem Mord aus Leidenschaft oder Verzweif lung auftreten, wollen wir hier beiseite lassen.)
Ende Beispiel Auf analoge Weise, wie bei der Methode der Übereinstimmung notwendige Be dingungen ausgeschlossen werden, können mit der umgekehrten Methode der Ü bereinstimmung hinreichende Bedingungen ausgeschlossen werden.
Umgekehrte Methode der Übereinstimmung
80
Kapitel 7 Induktive Logik und das Induktionsproblem
Tabelle 7.4: Umgekehrte Methode der Übereinstimmung Bestimmungen
interessierende Ei genschaft
B1:
a
b
c
d
B2:
a
b
c
d
B3:
a
b
c
d
b
d
Jede Bedingung, die vorliegt, obwohl d nicht eintritt, kann keine hinreichende Be dingung für d sein. Durch die zweite Beobachtung in Tabelle 7.4 fällt damit a, durch die dritte Beobachtung fällt c als potenziell hinreichender Grund für das Eintreten von d aus. Ebenfalls fallen durch die erste Beobachtung a und c als hinreichende Bedingung für d aus. Durch alle drei Beobachtungen wird zudem b als möglicher hinreichender Grund für das Eintreten von d eliminiert. Als einziger womöglich hinreichender Grund verbleibt demnach b. Methode der Differenz
Die wichtigste, weil aufschlussreichste, Methode bestand für Mill in der 'Methode der Differenz'. In ihr geht es um den Vergleich zweier Beobachtungen, bei denen jeweils nahezu identische Bündel von Bedingungen vorliegen, die sich nur in ei ner einzigen Bedingung unterscheiden. Tritt das kritische Phänomen in der einen Beobachtung auf und nicht in der anderen, so muss die Bedingung, die sich als einzige ändert, auch für den Wechsel des Zustands der kritischen Eigenschaft ver antwortlich sein. Tabelle 7.5. Methode der Differenz Bestimmungen
interessierende Ei genschaft
B1:
a
b
c
d
B2:
a
b
c
d
a
d
Mit der Methode der Differenz kann in unserem Beispiel allerdings nicht zuver lässig ausgeschlossen werden, dass b oder (auch) c durchaus notwendige Bedin gungen für d sein können. Ebenfalls möglich ist darüber hinaus, dass b oder c hinreichende Bedingungen für d sein könnten. Nehmen wir an, d kennzeichne die Entscheidung, an einer Wahl teilzunehmen. a sei schönes Wetter, b sei die Abwe senheit attraktiver Kandidaten und c die Abwesenheit eines attraktiven Pro gramms. Danach behauptet die Beobachtung B1, dass eine Person bei schönem
Kapitel 7 Induktive Logik und das Induktionsproblem
81
Wetter wählen geht, auch wenn Kandidaten und Programm der Parteien schlecht sind. Ist allerdings auch noch das Wetter schlecht (B2), sinkt die Bereitschaft des potenziellen Wählers, sich überhaupt noch die Mühe zu machen, zum Wahllokal zu gehen, und er bleibt zu Hause. Wären aber z.B. attraktive Kandidaten aufge stellt (b), dann würde dies allein den Wähler schon genügend motivieren, unab hängig von Wetter und Programm der Parteien, zur Wahl zu gehen und seine Stimme abzugeben. Die von Bacon und Mill beschriebenen Designs entsprechen vermutlich im Wesentlichen vielen historischen experimentellen oder 'quasi-experimentellen' An ordnungen, aber die gezogenen Schlüsse sind in keinem Fall zwingend. Die be schriebenen Anordnungen haben schwerwiegende logische Mängel. Sowohl Ba con als auch Mill gehen bei ihrer Methode der Induktion davon aus, dass es möglich ist, alle Bestimmungsfaktoren, die eventuell für das Auftreten des Phänomens bedeutend sein könnten, zu erfassen. D.h., es wird suggeriert, dass die von Bacon aufgestellten Tabellen vollständig sind in dem Sinn, dass sie zumindest alle Daten enthalten, die für einen Schluss notwendig sind. Daher sind beide Verfahren auch Ausschlussverfahren, die die richtige Lösung durch den Ausschluss logisch nicht möglicher Lösungen finden. Diese Vollständigkeit kann aber nur konstatiert und nie bewiesen werden.
Logische Mängel der Ver
Des Weiteren wird davon ausgegangen, dass diese verschiedenen potenziellen oder tatsächlichen Ursachen voneinander unabhängig ihre Wirkung auf das Phä nomen ausüben, der Einfluss jeder Ursache lässt sich vom Einfluss anderer Fakto ren isolieren und für sich allein beschreiben. Welche falschen Schlüsse daraus entstehen, lässt sich leicht zeigen, wenn man an das ursprüngliche Schema, das Bacons Induktionsprinzip veranschaulichen sollte, eine vierte Beobachtung hinzu fügt.
Nicht zulässige Annahme
Tabelle 7.6: Erweitertes Beobachtungsschema Bestimmungen
interessierende Ei genschaft
B1:
a
b
c
d
B2:
a
b
c
d
B3:
a
b
c
d
B4:
a
b
c
d d
Durch die vierte Beobachtungsaussage wird deutlich, dass unser zuerst gefasster Schluss nicht richtig sein kann, da a in der vierten Beobachtung vorliegt, ohne dass d eintritt. Entweder gibt es eine weitere Bedingung, die d verursacht, die wir
fahren:
Keine vollständige Erfas sung aller möglichen Be stimmungsfaktoren
der Unabhängigkeit der einzelnen Faktoren
82
Kapitel 7 Induktive Logik und das Induktionsproblem
in unser Beobachtungsschema aber nicht aufgenommen haben, oder d wird durch eine komplexe Beziehung von Bedingungen hervorgerufen. Für keinen einzelnen Bestimmungsfaktor können wir nach der Methode der Differenz ein Muster der Veränderungen erkennen, das sich gleichsinnig zum Muster der Veränderungen von d verhält. Nach den vorliegenden Beobachtungsdaten ist es allerdings mög lich, dass a und c zusammen, d.h. wenn sie gemeinsam vorliegen, d verursachen können. Kausalprinzip
Die wichtigste und stillschweigende Voraussetzung dafür, notwendige oder hin reichende Bedingungen für d erkennen zu wollen, ist jedoch die, dass d überhaupt verursacht sein muss, eine Annahme, die man als Kausalprinzip bezeichnen kann. Diese Annahme behauptet, dass nichts geschieht, ohne dass es Gründe dafür gibt. Wenn d tatsächlich gilt, so muss es Ursachen dafür geben, warum dies der Fall ist und nicht das Gegenteil d. Ohne Annahme dieses Kausalprinzips wäre die 'Me thode der Übereinstimmung' ohne jeglichen Aussagewert, denn d könnte dann ja 'grundlos' vorliegen.
Verfahren sind zwar
Das Bacon'sche und das Mill'sche Induktionsprinzip sollten jedoch nicht über Maßen kritisch begutachtet werden. Auch wenn sie unvollständig, also nur unter bestimmten zusätzlichen Bedingungen anzuwenden sind, so ist es doch auch Tat sache, dass diese Bedingungen in vielen klassischen Experimenten vorgelegen haben, auch wenn es den Experimentatoren selbst nicht bewusst war. Dies liegt an der besonders 'einfachen' Struktur vieler naturwissenschaftlicher Gesetze, insbe sondere der Mechanik. Je komplexer jedoch die Struktur der relevanten Zusam menhänge wird, und das ist üblicherweise in den Sozialwissenschaften der Fall, desto schwerwiegender werden die Mängel des Designs. Das Design ist aber sehr wohl in der Lage, zwischen alternativen Theorien zu entscheiden, wenn eine von ihnen wahr sein muss und nur eine von ihnen wahr sein kann. Solange es um den Ausschluss notwendiger und hinreichender Bedingungen geht, ist auch die 'induk tive' Logik vom Wesen her deduktiv. Dies ist jedoch nur ein Bestandteil des in duktiven Vorgehens bei Bacon und Mill. Wesentlicher ist für sie der zweite Be standteil der induktiven Logik, bei dem es darum geht, aus einer Menge poten zieller Ursache-Kandidaten die 'wahren' Ursachen herauszufinden. Diesen wird unterstellt, dass sie die kausale Ursache des Auftretens der Eigenschaft seien. Wenn durch systematische Modifikation einer Ausgangsbedingung eine Modifi kation einer Beobachtungsgröße hervorgerufen wird, dann muss die erste auf die zweite ursächlich gewirkt haben. Vor allem bei Bacon geht die Sammlung der Da ten allem anderen voraus. Die Hypothesen entsteigen den Daten dann gewis sermaßen zwangsläufig, wenn man die Methode der Induktion in seinem Sinne anwendet. Bacons Methodismus führt zu Annahmen, Hypothesen, über die Natur, die das Resultat der Forschung darstellen. Die Hypothesen folgen der Forschung zeitlich nach, sie gehen ihr nicht voraus.
unvollständig, aber dennoch nützlich
Kapitel 7 Induktive Logik und das Induktionsproblem
Bacons Induktionsprinzip ist in der Lage, gewisse Faktoren als Ursachen auszu schließen. Die Hypothese über die verbleibende Ursache jedoch beruht immer nur auf einer endlichen Zahl von Beobachtungen. Wenn tatsächlich nur eine endliche Zahl von Hypothesen zur Erklärung der Wirkung zur Verfügung stände und eine nach der anderen ausgeschaltet werden könnte, müsste die letzte verbleibende Hypothese die wahre sein. In Wirklichkeit aber gibt es immer unendlich viele mögliche Hypothesen, die vielleicht nicht sehr plausibel sein mögen, die aber dennoch logisch möglich sind. Die allgemeine Hypothese gründet sich daher bei Bacon nicht wirklich auf den Ausschluss aller anderen Hypothesen, sondern auf die Verallgemeinerung einzelner Beobachtungen. Wenn ein Ereignis der Klasse a in allen beobachteten Fällen ein Ereignis der Klasse b nach sich zieht, ein Ereignis der Klasse c aber nicht, dann kann zwar nur überhaupt ein Ereignis der Klasse a und nicht der Klasse c die Ursache eines Ereignisses der Klasse b sein, aber dies muss nicht der Fall sein. Wir nennen a nur dann eine Ursache von b, wenn jedes Ereignis der Klasse a ein Ereignis der Klasse b nach sich zieht. Diese Induktion ist aber logisch nicht zwingend. Dieser Sachverhalt wird das Induktionsproblem ge nannt.
7.2
83 Schwierigkeiten des Ba con'schen Verfahrens lie gen letztlich im Indukti onsproblem begründet
Humes Formulierung des Induktionsproblems
Die scharfsinnigste Formulierung des Induktionsproblems stammt von David Hume (1711-1776), dessen Fassung mehr oder weniger unverändert auch heute noch gilt. Hume ist ein Empiriker reinsten Wassers, alle Vorstellungen ('ideas') können seiner Meinung nach nur aus den Erfahrungen gewonnen werden. Die in haltliche Verknüpfung solcher Vorstellungen erfolgt bei Hume mit Hilfe von 'As soziationen', die bewirken, dass bei der Erinnerung der einen Vorstellung auch die Erinnerung der anderen ins Bewusstsein gerufen wird. Diese Assoziationen sind daher ein Mittel, die Konsistenz bzw. innere Kohärenz eines Textes zu gewähr leisten. Ohne sie wäre es nicht möglich, auch nur in irgendeiner Weise zusam menhängend zu argumentieren. Drei solcher Assoziationen nennt Hume: Ähn lichkeit, Berührung in Raum und Zeit und die Verknüpfung von Ursache und Wirkung, die Kausalität.
Assoziationen bei David
Nach Hume gibt es keinen inneren Zusammenhang zwischen Ursache und Wir kung. Lediglich ist es möglich, eine regelmäßig auf die gleiche Weise auftretende zeitliche Abfolge des einen Ereignisses nach dem anderen zu konstatieren. Stößt z.B. eine Kugel auf eine zweite ruhende Kugel, so setzt sich diese in Bewegung. Dadurch, dass diese Beobachtung immer wieder und wieder gemacht werden kann, wird diese Wahrnehmung zur Gewohnheit, und wir bilden Erwartungen da hingehend, dass sich diese Abfolge der zwei Ereignisse beim nächsten Mal wieder auf die gleiche Weise ereignen wird. Da wir bisher jeden Tag von neuem beo bachten konnten, dass am Morgen die Sonne aufgeht und es hell wird, erwarten wir, dass es auch am nächsten Tag so sein wird. Diese Erwartungshaltung gerinnt schließlich zum Glauben an das Auftreten des zweiten Ereignisses, wenn das erste schon eingetreten ist.
Keine Möglichkeit, Kausa lität zu beweisen
Hume
84
Kapitel 7 Induktive Logik und das Induktionsproblem
Die Wirkung ist also nach Hume etwas von ihrer Ursache vollkommen verschie denes. "Sie kann daher in der Ursache nicht entdeckt werden, und was man sich zuerst a priori von ihr erfindet oder vorstellt, muss gänzlich willkürlich sein." (Hume 1973: 40). Humes Philosophie kann daher leicht als Bankrotterklärung jeglicher systematischer empirischer Wissenschaft verstanden werden und wurde genau so auch häufig verstanden. "Gibt die Ursache an sich keinen Hinweis auf die Wirkung, so dass jedes Aussinnen derselben völlig willkürlich sein muss, dann folgt daraus unmittelbar, dass Wissenschaft unmöglich ist, es sei denn, sie stelle völlig willkürliche Zusammenhänge her, die durch nichts im inneren Wesen der Ursache oder der Wirkung belegt sind. Irgendeine Spielart der Hume'schen Philosophie hat sich bei den Wissenschaftlern im allgemeinen immer durchge setzt. Aber der wissenschaftliche Glaube war der Situation gewachsen und hat den philosophischen Berg stillschweigend versetzt." (Whitehead 1988: 14) Zwei Interpretationen des Induktionsproblems nach Hume
Es gibt zwei grundsätzliche Interpretationsarten des Hume'schen Problems. Die erste sähe so aus: Der Schluss von besonderen Sätzen, in denen ein Ereignis der Klasse a einem Ereignis der Klasse b vorausging, auf einen allgemeinen Satz, dass jedes Ereignis der Klasse a ein Ereignis der Klasse nach sich zieht, ist nicht mög lich, da a nicht wirklich die Ursache sein muss, sondern diese auch ein anderes Ereignis c sein kann, das wir nicht in unsere Beobachtungsdaten aufgenommen haben. In dieser Interpretation gibt es Naturgesetze, aber aufgrund des unvollstän digen Beobachtungsdatensatzes lässt sich nicht eindeutig und ein für allemal er kennen, welche Beobachtungsbestandteile die Ursachen der beobachteten Wir kungen sind. Der zweiten Interpretation zufolge gibt es möglicherweise überhaupt keine Geset ze, oder, was gestern noch wie ein Gesetz gewirkt haben mag, kann morgen schon keines mehr sein. Diese Interpretation sagt aus, dass wir aus logischen Gründen die Konstanz und zeitliche Gleichförmigkeit von Naturgesetzen nicht vorausset zen dürfen. Die zweite Interpretation scheint auf den ersten Blick zwar radikaler, ist tatsäch lich aber wesentlich unbedeutender. Wenn es keine konstanten Naturgesetze gibt, wenn sich die Natur jeden Tag nach neuen Gestaltungsregeln offenbart, dann be steht überhaupt keine Möglichkeit des Lernens aus unseren Erfahrungen und Wis senschaft im Speziellen ist von vorneherein ein nutzloses Unterfangen, das nie mals zu verwertbaren Ergebnissen gelangen kann. Die Annahme der Uniformität der Natur, dass die Zukunft der Vergangenheit ähnlich ist, ist grundlegend für jede noch so primitive Form intentionalen Handelns. Der abweichenden Haltung eines fundamentalen Skeptizismus, der behauptet, dass sicheres Wissen überhaupt un möglich ist, ist zwar mit logischen Argumenten nicht beizukommen, doch sollte man sich hier einfach auf den gesunden Menschenverstand berufen und – noch einmal ganz im Sinne Bertrand Russells – eine solche Haltung als 'frivol' betrach ten.
Kapitel 7 Induktive Logik und das Induktionsproblem
85
Die eigentliche harte Nuss, die Hume der empirischen Wissenschaft zu knacken gegeben hat, ist daher die erste Interpretationsart. Es gibt Naturgesetze und sie führen zu regulären Erscheinungen. Aber nicht jede Beobachtung von Regulari täten ist auf ein Naturgesetz zurückzuführen und es ist logisch nicht möglich, zwi schen 'echten' Regularitäten, die auf kausalen Gesetzen beruhen, und zufälligen oder artifiziellen mit hundertprozentiger Sicherheit zu unterscheiden.
7.3 Beschreiben und Erklären oder das Wesen der Kausa lität Welcher Art sind nun die Zusammenhänge zwischen Ursache und Wirkung, wenn die zweite nach Hume nicht aus der ersten hervorgeht, und inwiefern ist dann die Ursache noch eine Erklärung des Auftretens der Wirkung? Beschränkt sich die Aufgabe des Wissenschaftlers dann nicht nur auf die Beschreibung der äußeren, sichtbaren Form des Zusammenhangs, der beobachteten Regularität oder kann man dennoch von einer kausalen Erklärung sprechen? Ich möchte das Problem der Induktion anhand des klassischen Beispiels für in duktives Vorgehen überhaupt, der Entdeckung der Planetenbahnen, näher erläu tern. Kopernikus' Hauptwerk De Revolutionibus Orbium Coelestium, in dem erstmals in der Neuzeit10 die heliozentrische Idee vertreten wurde, erschien 1543 (Koperni kus ahnte die weitreichenden theologischen Konsequenzen seines Werkes und ließ es daher erst posthum veröffentlichen). Kepler veröffentlichte seine Gesetze über die Planetenbahnen 1609 und 1619, Newton schließlich seine Principia Ma thematica 1687. Kopernikus ging noch fälschlich von Kreisbahnen aus, in denen sich die Planeten um die Sonne bewegen, wofür er auf die Annahme von Epi zykeln zurückgreifen musste, wie sie auch Ptolemäus verwendet hatte. Da die An zahl der Kopernikanischen Epizykeln die des Ptolemäischen Weltbildes sogar noch übertraf, ist die Überlegenheit des neuen Weltbildes in der Tat schwer zu er kennen gewesen. Für die Gegner des heliozentrischen Weltbildes gab es keinen logisch zwingend notwendigen Grund, das neue Weltbild anzuerkennen, denn in nerhalb ihrer eigenen Argumentation des geozentrischen, ptolemäischen Systems gab es keinen logischen Widerspruch , der sie zur Annahme der neuen Theorie hätte bewegen können. Auch gab es keine objektive Möglichkeit, die eine der bei den Sichtweisen als der anderen überlegen zu erweisen, sie stehen mehr oder we niger gleichberechtigt nebeneinander. Die Annahme der neuen Theorie konnte sich nicht als ein Schritt von der alten weg vollziehen, sondern nur als ein mutiger Sprung.11
10 Heliozentrische Theorien gab es sowohl schon bei den Ägyptern als auch bei den Griechen in der Antike. 11 Kuhn (1976) spricht daher in solchen Zusammenhängen von einem "Paradigmenwechsel".
Beispiel für induktives Vor gehen: Entdeckung der Planetenbahnen
86
Kapitel 7 Induktive Logik und das Induktionsproblem
1609 publizierte Kepler sein erstes Gesetz über die Planetenbahnen, das sich auf die immensen Aufzeichnungen des Tycho von Brahe stützt, und das besagt, dass sich alle Planeten auf einer elliptischen Umlaufbahn um die Sonne bewegen, wo bei die Sonne die Position eines der beiden Brennpunkte einnimmt.12 Diese durch die bekannte Theorie geprägte Wahrnehmung ist uns so selbstverständlich gewor den, dass es uns daher geradezu absurd erscheint, dass Kepler tatsächlich erst 22 andere Hypothesen über die Form der Planetenbahnen ausprobierte, bevor auf die scheinbar so offensichtliche richtige stieß.13 Der immense Vorteil der Keplerschen Planetenbahnen gegenüber der Epizykelntheorie der Ptolemäer, aber auch des Kopernikus, lag offensichtlich darin, dass damit alle Planetenbahnen mit demsel ben Typ einer geometrischen Kurve beschrieben werden konnten, sein Sonnen system war einheitlicher als jedes zuvor konzipierte und daher überschaubarer und ästhetisch ansprechender. Allerdings konnte Kepler keine Erklärung angeben, wa rum die Bahnen genau dieser geometrischen Funktion entsprachen. Alle Planeten gehorchten der gleichen mathematischen Beziehung, aber über diesen Status der Beschreibung konnte Kepler nicht hinausgelangen. Keplers insgesamt drei Geset ze sind daher rein deskriptiv, sie geben keinen Kausalzusammenhang wieder. Erst 70 Jahre später konnte dieser Zusammenhang – zumindest scheinbar – herge stellt werden. In Newtons Principia Mathematica wurde die Kraft der Mas senanziehung zwischen zwei Körpern beschrieben, die man als Gravitation be zeichnet, und die in der Lage ist, die elliptischen Bahnen Keplers zu 'erklären.' Denn, wenn die Anziehungskraft zwischen zwei Körpern genau so wirkt, wie von Newton beschrieben, dann, und nur genau dann wirkt sich die permanente Be schleunigung eines Trabanten, der sich mit einer bestimmten Geschwindigkeit durch das Weltall bewegt, zu seinem Gravitationszentrum so aus, dass er auf eine Umlaufbahn gezwungen wird, die genau einer elliptischen Kurve entspricht. Kausalität als gedankliche Brücke
Inwiefern aber ist die Gravitation tatsächlich eine kausale Ursache der Planetenbahnen, oder, anders ausgedrückt, was meint man damit, wenn man sagt, dass die Kraft der Gravitation auf die Planeten wirkt? Ist durch die bekannte Formel etwas ausgesagt über das Wesen dieser Kraft? Newton selbst hätte dies strikt verneint.14
12 Die Leistung Keplers ist in ihrer Einschätzung oft etwas herablassend behandelt worden. So sagt Russell "Kepler ist ein höchst bemerkenswertes Beispiel dafür, wieviel man allein durch Geduld und ohne besondere Genialität erreichen kann" (Russell 1988: S.539). 13 Charles Sanders Peirce, der früher diesen Suchprozess noch als ein "unbegreifliches Herum tapsen" von einer "irrationalen Hypothese" zur nächsten bezeichnet hatte, sprach später nur noch hochachtungsvoll von dieser Leistung Keplers. "Es ist nun meine wohlbedachte Mei nung, dass es das wunderbarste Beispiel induktiven Denkens ist, das ich je gefunden habe" (Peirce 1975: S.86). 14 "Die Benennung: Anziehung, Stoss oder Hinneigung gegen den Mittelpunkt nehme ich ohne Unterschied und unter einander vermischt an, indem ich diese Kräfte nicht im physischen, sondern nur im mathematischen Sinne betrachte (Hervorhebung hinzugefügt). Der Leser mö ge daher aus Bemerkungen dieser Art nicht schließen, dass ich die Art und Weise der Wir kung oder die physische Ursache erkläre, oder auch dass ich den Mittelpunkten (welche geo metrische Punkte sind) wirkliche und physische Kräfte beilege, indem ich sage: die Mittel punkte ziehen an, oder es finden Mittelpunktskräfte statt" (Newton 1963: 25).
Kapitel 7 Induktive Logik und das Induktionsproblem
87
Auch Newton beschreibt, genau wie Kepler, lediglich mathematische Beziehun gen zwischen verschiedenen Größen wie Massen und Entfernungen. Was aber ist dann die Gravitationskraft? Sie ist in gewisser Weise nichts anderes als eine Me tapher, eine Art Bild, das benötigt wird, um das zu beschreiben, was die mathema tischen Beziehungen bewirkt bzw. hervorruft, sie kann aber selbst nicht direkt er fasst werden. Begriffe wie 'Kraft' sind sozusagen die animistischen kognitiven A tavismen unseres Gehirns, die wir benötigen, um uns eine Vorstellung von der Welt zu machen. Das Beispiel Newtons veranschaulicht die grundsätzliche Beschränkung jeglicher empirischer Kenntnis: Das einzig mögliche Ergebnis empirischer Forschung ist die Beschreibung der äußerlich erfassbaren Beziehungen zwischen Objekten oder Größen. Es ist nur möglich, die Form dieser Beziehungen zu beschreiben, im Ide alfall in mathematischen Termini, niemals aber kann der innere Wirkungszusam menhang bis ins Letzte aufgeklärt werden. Allerdings, und das ist das eigentliche Ziel einer auf Gesetzen aufbauenden Wissenschaft, können solche Beschreibun gen von Beziehungen auf ein immer allgemeineres Niveau gehoben werden. Kep lers Gesetze beschreiben die Beziehung vieler einzelner Messwerte zueinander, indem dadurch alle Messwerte als Punkte auf einer einzigen bestimmten geomet rischen Kurve angeordnet werden. Das heißt nichts anderes, als dass jeder einzel ne Punkt, ist die Kurve einmal bekannt, daraus 'abgeleitet' werden kann. Damit haben wir das ureigenste Wesen der Induktion erfasst: Eine Vielzahl von einzel nen empirischen Daten wird zu einer allgemeinen abstrakten Form 'verdichtet', aus der theoretisch alle einzelnen Daten 'entstanden' sein könnten, wenn die abs trakte Form sich extern realisiert, bzw. von der sie 'logisch' abgeleitet werden könnten. In diesem Sinne beschreibt Newtons Gravitationsgesetz einen allgemei nen Zusammenhang zwischen den Massen verschiedener Körper, aus dem, zu sammen mit dem Trägheitsgesetz, die Kepler'schen Gesetze abgeleitet werden könnten. Das Induktionsproblem könnte also ganz einfach folgendermaßen definiert wer den: Finde für eine Anzahl von singulären Sätzen einen allgemeinen Satz, aus dem alle singulären Sätze deduktiv abgeleitet werden können.
Grundsätzliche Beschrän kung empirischer Erkennt nis: nur Form, aber nicht Wesen von Beziehungen kann erforscht werden
88
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
"Soweit es sich um Wissen handelt, können wir für die Gesamtheit unserer Behauptun gen nicht mehr beanspruchen, als dass sie ein umwegreiches aber bequemes System ist, um Erfahrungen mit Erfahrungen zu ver knüpfen. Das System als ganzes ist bezüg lich Erfahrung unterbestimmt; aber es liefert zu gewissen, gegebenen Erfahrungen ge wisse andere als zu erwartende Folgen. Wenn sich solche Voraussagen über Erfah rungen als falsch herausstellen, muß das System irgendwie geändert werden. Aber es bleibt uns große Freiheit in der Wahl, wel che Sätze des Systems erhalten bleiben und welche verändert werden sollen." Willard V. O. Quine (1974: 19) "There is a tradition of opposition between adherents of induction and of deduction. In my view it would be just as sensible for the two ends of a worm to quarrel." Alfred North Whitehead15
8 Poppers Theorie der Bewährung von wissenschaftli chen Theorien Deduktion oder Induktion? – Ein alter Streit
Wie ein erkenntnistheoretisches Schisma zieht sich die Trennung zweier philoso phischer Ansätze durch die Jahrhunderte, hier die kontinentaleuropäische Tradi tion eines Descartes und eines Leibniz, dort die angelsächsische eines Locke und Hume, hier Deduktion, dort Induktion, hier Erkenntnis a priori, dort a posteriori, hier der Rationalismus eines reinen Geistes, dort der ausschließlich auf Sinnes wahrnehmungen fußende Empirismus. Beide philosophischen Traditionen lassen sich in ihren unterschiedlichen Konsequenzen in viele Bereiche hinein verfolgen16. In der Praxis war diese Unterscheidung allerdings nie so streng vorhanden, wie man vermuten könnte und wie das Zitat von Whitehead untermauert. Ein Ratio nalist wie Descartes verfolgte mit regem Interesse die Ergebnisse seiner empirisch und experimentell forschenden Kollegen, ein 'Induktionist' wie Kepler verhielt sich bei der Ablehnung seiner falschen Hypothesen intuitiv wie ein 'Deduktionist'. Vermutlich lässt sich überhaupt keine bedeutende empirische Theorie aufstellen ohne dabei sowohl auf deduktive als auch auf induktive Methoden zurückzugrei fen.
15 Zitiert nach Newman (1988: 1319). 16 Dies zeigt sich beispielsweise auch an dem Unterschied zwischen einem positiven Recht, das analytisch begründet wird und auf festen unverrückbaren Rechtsgrundsätzen basiert einerseits und dem angelsächsischen Typus des Common Law andererseits.
88
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
"Soweit es sich um Wissen handelt, können wir für die Gesamtheit unserer Behauptun gen nicht mehr beanspruchen, als dass sie ein umwegreiches aber bequemes System ist, um Erfahrungen mit Erfahrungen zu ver knüpfen. Das System als ganzes ist bezüg lich Erfahrung unterbestimmt; aber es liefert zu gewissen, gegebenen Erfahrungen ge wisse andere als zu erwartende Folgen. Wenn sich solche Voraussagen über Erfah rungen als falsch herausstellen, muß das System irgendwie geändert werden. Aber es bleibt uns große Freiheit in der Wahl, wel che Sätze des Systems erhalten bleiben und welche verändert werden sollen." Willard V. O. Quine (1974: 19) "There is a tradition of opposition between adherents of induction and of deduction. In my view it would be just as sensible for the two ends of a worm to quarrel." Alfred North Whitehead15
8 Poppers Theorie der Bewährung von wissenschaftli chen Theorien Deduktion oder Induktion? – Ein alter Streit
Wie ein erkenntnistheoretisches Schisma zieht sich die Trennung zweier philoso phischer Ansätze durch die Jahrhunderte, hier die kontinentaleuropäische Tradi tion eines Descartes und eines Leibniz, dort die angelsächsische eines Locke und Hume, hier Deduktion, dort Induktion, hier Erkenntnis a priori, dort a posteriori, hier der Rationalismus eines reinen Geistes, dort der ausschließlich auf Sinnes wahrnehmungen fußende Empirismus. Beide philosophischen Traditionen lassen sich in ihren unterschiedlichen Konsequenzen in viele Bereiche hinein verfolgen16. In der Praxis war diese Unterscheidung allerdings nie so streng vorhanden, wie man vermuten könnte und wie das Zitat von Whitehead untermauert. Ein Ratio nalist wie Descartes verfolgte mit regem Interesse die Ergebnisse seiner empirisch und experimentell forschenden Kollegen, ein 'Induktionist' wie Kepler verhielt sich bei der Ablehnung seiner falschen Hypothesen intuitiv wie ein 'Deduktionist'. Vermutlich lässt sich überhaupt keine bedeutende empirische Theorie aufstellen ohne dabei sowohl auf deduktive als auch auf induktive Methoden zurückzugrei fen.
15 Zitiert nach Newman (1988: 1319). 16 Dies zeigt sich beispielsweise auch an dem Unterschied zwischen einem positiven Recht, das analytisch begründet wird und auf festen unverrückbaren Rechtsgrundsätzen basiert einerseits und dem angelsächsischen Typus des Common Law andererseits.
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
89
Das erkenntnistheoretische Grundproblem, wie wir Wissen über die reale Welt er langen können, bleibt jedoch bestehen. Die Deduktion ist ein Verfahren, das nicht zum Erkenntnisgewinn taugt. Sie kann lediglich etwas darüber aussagen, ob ein bestimmter Satz aus anderen Sätzen abgeleitet werden darf, sie kann aber keine Aussagen über die Wirklichkeit selbst machen. Letzteres, darüber besteht heutzu tage ein allgemeiner 'empiristischer' Konsens, ist nur mit Hilfe von Sinnesdaten möglich. Sinneswahrnehmungen sind aber immer nur in singulären Sätzen be schreibbar, d.h. sie beziehen sich auf eine bestimmte Tatsache, die zu einem be stimmten Zeitpunkt an einem bestimmten Ort stattgefunden hat. Der induktive 'Schluss' von solchen singulären Sätzen auf einen allgemeinen, gesetzesmäßigen Satz, der diese gleichsam 'verdichtet', ist aber nicht logisch begründbar und immer mit einem Rest von Willkür behaftet. Die Brisanz des Induktionsproblems liegt daher nicht darin, dass es einfach irgendein erkenntnistheoretisches Problem dar stellt, nein, die Formulierung des Induktionsproblems stellt die Frage nach der Legitimation von Wissenschaft schlechthin.
Zentrale Bedeutung des In duktionsproblems
Gerade auf diese Frage versucht Karl Popper mit seiner Theorie der Falsifikation von wissenschaftlichen empirischen Theorien eine Antwort zu geben. Der Kern der gesamten Popper'schen Argumentation liegt darin, dass er den Schwerpunkt bei der Beurteilung einer Theorie nicht auf die Begründung dieser Theorie son dern auf ihre Prüfung legt. Popper geht es nicht um eine systematische Anleitung zur Gewinnung von wissenschaftlichen Theorien über die Welt, wie es noch das Bestreben Bacons war, sondern um ein Kriterium, das die Beurteilung und den Vergleich schon formulierter und aufgestellter Theorien ermöglicht. Die ganze Induktionsproblematik entsteht nämlich nach Popper nur in dieser unzulässigen Vermischung von psychologischen (Wie gelangt ein Wissenschaftler zu seinen Theorien?) und logischen (Wie überprüft man eine Theorie?) Aspekten. Die Pop per'sche 'Lösung' des Induktionsproblems besteht also schlicht in dieser 'Aus schaltung des Psychologismus', d.h. in der gänzlichen Missachtung des Entste hungsprozesses von Theorien. "Das Aufstellen der Theorien scheint uns einer lo gischen Analyse weder fähig noch bedürftig zu sein: An der Frage, wie es vor sich geht, dass jemandem etwas Neues einfällt– sei es nun ein musikalisches Thema, ein dramatischer Konflikt oder eine wissenschaftliche Theorie –, hat wohl die em pirische Psychologie Interesse, nicht aber die Erkenntnislogik" (Popper 1989: 6). Es ist für Popper also vollkommen unerheblich, wie eine Theorie zustande ge kommen ist, wichtig ist einzig und allein, dass sie der Prüfung standhält. Selbst wenn eine Theorie auf vollkommen aberwitzigen Annahmen über das Wirken von Luftgeistern, Hexen oder anderen Fabelgestalten fußen würde, so wäre das nach Popper allein kein Grund, diese Theorie abzulehnen, solange sie durch Überprü fung bestätigt werden kann. Vermutlich aber wird sie einer Prüfung anhand der Realität nicht lange standhalten und so bald verworfen werden müssen.17
Poppers Theorie der Falsi fikation: Prüfung statt Be
17 Dies ist ein, vielleicht der entscheidende Unterschied in der Popper'schen Argumentation zu einem modernen Positivisten wie z.B. Rudolf Carnap. Carnap würde Hypothesen, in denen
gründung
90
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
Falsifizierung mit Hilfe des Modus Tollens
Dieses Popper'sche Prüfkriterium ist die Falsifizierbarkeit einer Theorie. Eine Theorie gilt dann als falsifiziert, wenn aus ihr (singuläre) Sätze abgeleitet werden können, die in Widerspruch zu anderen (singulären) Sätzen stehen, die durch die unmittelbare Beobachtung der Wirklichkeit gewonnen wurden. Das logische Schlussschema, dessen sich Popper bedient, ist also dasjenige des Modus Tollens. To S1 S2 S3 S4 … Sk … Sn Sk [Sko (S1 S2 S3 S4 … Sk … Sn)] ________________________________________ T Aus einer Theorie T können n singuläre Sätze abgeleitet werden. Anders ausge drückt: Ist die Theorie T gültig, dann sind die Sätze S1 bis Sn wahr. Ist ein einzi ger dieser Sätze falsch, dann muss die Theorie verworfen werden. Die Theorie besteht aus allgemeinen, gesetzmäßigen (nomothetischen) Aussagen über die Welt. Diese Gesetze bestehen nur in den Theorien, sie kommen nicht in der Welt vor, im (für die Theorie) besten Fall gestaltet sich aber die Welt in ihren Tatsachen nach diesen Gesetzen. Aus den Gesetzen können singuläre Sätze abge leitet werden, die nichts anderes sind als Aussagen über das Eintreffen oder NichtEintreffen von Tatsachen. Steht eine Tatsache im Widerspruch zu einer solchen abgeleiteten singulären Aussage, dann ist das Gesetz, aus dem diese Aussage ab geleitet wurde, falsch.
Verifikation, Falsifikation und Bewährung
Gesetze können somit zwar nicht induktiv bewiesen bzw. verifiziert werden, sie können aber auf deduktivem Wege widerlegt, d.h. falsifiziert werden. Widersetzt sich eine Theorie solchen Prüfungen durch die Konfrontation mit den Tatsachen erfolgreich, so gilt sie zumindest als bewährt in dem Sinne, dass es bisher nicht gelungen ist, sie zu widerlegen. Die Gültigkeit eines Gesetzes bzw. einer Theorie kann daher immer nur eine vorläufige sein, d.h. Gesetze verlieren im Popper'schen Sinne ihren ewigen, unverrückbaren Charakter. Dass dies für die praktische For schung schon immer gegolten hat, belegt ein Zitat des wohl bedeutendsten Natur wissenschaftlers aller Zeiten. "In der Experimentalphysik muss man die, aus den Erscheinungen durch Induction geschlossenen Sätze, wenn nicht entgegengesetzte Voraussetzungen vorhanden sind, entweder genau oder sehr nahe für wahr halten,
Luftgeister vorkommen, von vorneherein nicht zulassen, da sie keine "sinnvollen" Sätze dar stellen, weil in ihnen "sinnlose" Begriffe wie "Luftgeister" auftauchen. Der "Sinn" eines Sat zes besteht nach Carnap in der Möglichkeit seiner Verifizierbarkeit, d.h. darin, dass es mög lich ist, Kriterien anzugeben, unter welchen Umständen ein Satz als bestätigt, d.h. wahr ange sehen werden soll.
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
91
bis andere Erscheinungen eintreten, durch welche sie entweder grössere Genauig keit erlangen, oder Ausnahmen unterworfen werden" (Newton 1963: 381). Die Annäherung an die Wahrheit im Sinne einer adäquaten Beschreibung der Wirklichkeit kann bei Popper also nur 'negativ' erreicht werden. Es werden nicht immer mehr 'wahre' Aussagen über die Welt gewonnen, sondern es werden immer mehr 'unwahre' Aussagen ausgesondert. Die Ähnlichkeit zu Induktionslogikern wie Bacon und Mill ist dabei nicht zu übersehen. Der entscheidende Unterschied zwischen diesen Induktionisten und Popper besteht darin, dass erstere glauben, durch den Prozess des Aussonderns mit einer gewissen Zwangsläufigkeit auf die 'wahren', nämlich verbleibenden Theorien zu stoßen, während Popper betont, dass jede Theorie immer nur vorläufig sein kann. Gehen Bacon und Mill von einer endlichen Menge an Theorie-Kandidaten aus, von denen nur einige die entspre chenden Methoden der Überprüfung überstehen, so setzt Popper immer eine ein zelne Theorie der Bewährungsprobe aus, die als aktueller Kandidat gehandhabt wird. Während das Vorgehen von Bacon und Mill eher eine simultane Prüfung mehrerer Theorien und somit ein statisches ist, findet bei Popper eine sukzessive Abfolge von Theorienprüfungen statt. Dabei sind neue Kandidaten oft erst im Prozess der Prüfung älterer Kandidaten entstanden, die den Kriterien nicht stand gehalten haben. Dies ist der dynamische Aspekt des Popper'schen Vorgehens.
Negative Annäherung an die Wirklichkeit durch suk zessiven Ausschluss fal scher Theorien
Durch die sukzessive Ausschaltung falscher Theorien existiert auch bei Popper ein Fortschritt des Wissens, man spricht oft in diesem Zusammenhang von einer linearen Annäherung an die Wahrheit. Es gibt die Wahrheit, nur nicht die Sicher heit ihres Besitzes. Popper zufolge gibt es die absolute, objektive Wahrheit in dem Sinne, dass es eine absolute, objektive Wirklichkeit gibt, d.h. die Sätze, die diese Wirklichkeit adäquat abbilden, sind damit auch absolut wahr. Nur gibt es un glückseligerweise keine sichere Methode, diese Sätze zweifelsfrei zu erkennen. Allerdings werden sich diese absolut wahren Sätze sämtlichen Prüfungen durch die Wirklichkeit erfolgreich widersetzen, sie sind prüfungsresistent, sie sind 'im mun' gegen die Tatsachen, da sie ja selbst die sprachliche Repräsentation dieser Tatsachen sind. Der Wissenschaftler bei Popper verhält sich nicht anders als A schenputtel ('Die guten ins Töpfchen, die schlechten ins Kröpfchen.'), er verwirft die widerlegten Theorien und behält die bewährten. Man könnte auch sagen, die 'Wahrheitsdichte' aller verbleibenden Theorien steigt somit ständig an. Folgt man der Logik des Falsifikationismus, wie sie von Popper entwickelt wurde, so hat das große Auswirkungen auch für das eigene wissenschaftliche Vorgehen. Getreu dem Credo, dass man zwar die Wahrheit suchen, aber niemals Sicherheit darüber haben kann, und dass umgekehrt, wer Sicherheit sucht, niemals die Wahrheit finden kann, sollte man eigene wie fremde Forschungsergebnisse kon sequent und kritisch hinterfragen. Das wissenschaftliche Vorgehen sollte nicht darauf gerichtet sein, die eigenen Vermutungen zu bestätigen. Vielmehr sollte man sich die größte Mühe geben, Tatsachen zu finden, die im Widerspruch zu den eigenen Vermutungen stehen, da man nur so eine Chance hat, sich der Wahrheit
Konsequenzen des Falsifi kationismus für wissen schaftliches Arbeiten
92
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
anzunähern. Auch die Betrachtung jeder wissenschaftlichen Erkenntnis als dezi diert vorläufig ist keine intellektuelle Spielerei, sondern Grundlage jeder soliden empirischen Forschung. Auch wenn Forschungsergebnisse, Theorien und Gesetze noch so gut bestätigt scheinen, können sie doch immer nur eine augenblicklich denkbar gute Repräsentation unseres Wissens über die Wirklichkeit sein, sie sind jedoch jederzeit der Herausforderung durch neue und bessere Erklärungen ausge setzt.
Experte: Theorieentwicklung Nach Popper können Theorien an Beobachtungen scheitern. Die Sätze, mit denen wir un sere Beobachtungen beschreiben, nennt Popper Basissätze. Wenn aus der Falschheit eines Basissatzes demnach die Falschheit der Theorie folgen soll, aus der er abgeleitet ist, so muss die Falschheit oder Wahrheit des Basissatzes eindeutig feststehen. Basissätze kön nen aber nach Popper nicht durch unsere Erfahrungen unmittelbar begründet werden, wie es z.B. die Positivisten des Wiener Kreises um Carnap annehmen. Hier nimmt Popper ei ne 'konventionalistische' Wendung, indem er fordert, dass die Basissätze, an denen unsere Theorien scheitern können, durch Beschluss festgesetzt werden sollen. Dies hat weitrei chende Konsequenzen. "Logisch betrachtet geht die Prüfung der Theorie auf Basissätze zurück, und diese werden durch Festsetzung anerkannt. Festsetzungen sind es somit, die über das Schicksal der Theorie entscheiden" (Hervorhebung im Original; Popper 1989: 73). Der Unterschied zum normalen Konventionalismus, wie ihn z.B. Poincaré vertritt, besteht darin, dass dieser allgemeine Sätze zu Konventionen erklärt, während es bei Pop per nur die besonderen Sätze sind. Kritiker des Popper'schen Ansatzes gehen so weit, damit das falsifikationistische Programm als undurchführbar zu erklären. "Popper's view of evidence statements seems to pull the rug from under falsificationism: it implies that no theory can really be falsified by evidence. The nearest thing to a refutation would oc cur when 'conventionally accepted' evidence was inconsistent with a theory, which could then, at best, be described as 'conventionally' rejected." (Howson/Urbach 1993: 132). Ge nauso wenig wie der Konventionalismus aber beseitigt ein naiver Sensualismus, der da von ausgeht, dass wir unsere Sinneswahrnehmungen korrekt in Sätzen beschreiben kön nen, dieses grundsätzliche Basissatzproblem. Denn Wahrnehmungen können fehlerhaft sein. Eine zu rigide Anwendung des Falsifikationskriteriums würde daher dazu führen, dass wir mitunter eine wahre Theorie fälschlicherweise aufgrund fehlinterpretierter Beo bachtungen zurückweisen. Aber selbst wenn wir die Falschheit eines Basissatzes als sicher annehmen können, stehen wir vor einem Problem. Die wenigsten Theorien sind so aufgebaut, dass durch den ent stehenden Widerspruch unmittelbar klar ist, welcher Bestandteil der Theorie zurückge wiesen werden muss. Wie in dem Zitat von Quine am Anfang des Kapitels schon gesagt wurde, bleibt uns auch hier eine gewisse Freiheit, welchen Teil der Theorie wir als wider legt betrachten wollen. Dieses Problem wird als Duhem- oder Duhem/Quine-Problem be zeichnet. Der Teil der Theorie, der als widerlegt betrachtet werden soll, ist gleichzeitig der Teil, der abgeändert werden muss. Unter Umständen müssen auch zusätzliche Hypothesen in die Theorie aufgenommen werden, um die Theorie nicht in Widerspruch zur Wirklichkeit ge langen zu lassen. Hilfsannahmen sollen nach Popper natürlich nicht dazu dienen, die Theorie zu immunisieren, sondern er betrachtet sie nur als zulässig, "wenn durch deren Einführung der 'Falsifizierbarkeitsgrad' des Systems … gesteigert wird; in diesem Fall bedeutet die Einführung der Hypothese eine Verbesserung: Das System verbietet mehr als vorher" (Popper 1989: 51). Der empirische Gehalt einer Theorie ist für Popper gleichbe deutend mit der Anzahl ihrer potenziellen Falsifikatoren. Je mehr die Theorie verbietet, desto präzisere Aussagen macht sie über die Wirklichkeit. Theorien mit hohem empiri
Kapitel 8 Poppers Theorie der Bewährung von wissenschaftlichen Theorien
schem Gehalt sind insofern 'unwahrscheinlich', als ihr Überleben langfristig bei wieder holter Konfrontation mit der Realität äußerst unwahrscheinlich wäre, wenn sie nicht wahr wären. Eine gute und wertvolle Theorie zeichnet sich somit dadurch aus, dass sie 'riskan te' Aussagen macht. Lässt man zu, dass eine Theorie durch die Hinzunahme weiterer Hilfsannahmen ad hoc passend gemacht wird, falls sie in Widerspruch zur Wirklichkeit gelangt, dann sinkt damit ihr empirischer Gehalt auf Null. Deshalb lehnt Popper die Ret tung einer Theorie durch Ad-hoc Hypothesen ab. Natürlich kann jede neue Theorie unab hängig von alten Theorien der Prüfung an der Wirklichkeit ausgesetzt werden. Die Erwei terung der alten Theorie durch Hilfsannahmen ist also dann erlaubt, wenn durch die Hilfsannahmen neue Möglichkeiten der Überprüfung der Theorie entstehen. Es soll aber noch einmal betont werden, dass es nicht die alte Theorie ist, die durch die zusätzlichen Annahmen überlebt, sondern es ist die neue, aus der alten entstandene Theorie, die sich wieder ganz von vorne im Prozess der Prüfung zu bewähren hat. Ein naiver Falsifikationismus, der eine Theorie durch eine ihr widersprechende Beo bachtung schon als widerlegt betrachtet und sie damit auf den Schrotthaufen unbrauchba rer Theorien wirft, führt nicht nur zu inneren Widersprüchen, sondern seine rigide An wendung hätte darüber hinaus die Entwicklung jeder bedeutenden Theorie von vorn herein unterbunden. Wie Theorien daher durch zulässige Ad-hoc-Modifikationen erhalten werden können und wie man solche zulässigen Modifikationen von nicht zulässigen un terscheiden kann, ist Gegenstand eines raffinierten Falsifikationismus, wie er von Imre Lakatos (1974) formuliert worden ist. Nach Lakatos bestehen viele Theorien, und gerade die bedeutendsten, meist aus einem 'harten Kern' und einem 'Schutzgürtel' von Hilfsannahmen. Die 'Rettung' der Theorie kann durch ein Passendmachen des Kerns oder einer oder mehrerer der Hilfsannahmen an die Beobachtungen ermöglicht werden. Diese dy namische Fortentwicklung der Ausgangstheorie wird von Lakatos als Forschungspro gramm bezeichnet. Bei den Modifikationen, die der Forscher an der Theorie vornimmt, um sie in Einklang mit Beobachtungen zu bringen, die der bisherigen Theorie widerspre chen, wird der Forscher von einer Heuristik geleitet, die ihm die Schritte vorgibt, nach denen er vorzugehen hat. Eine der Regeln dieser Heuristik besteht zum Beispiel darin, nie den harten Kern der Theorie, sondern nur den Schutzgürtel abzuändern. Lässt sich eine Theorie nicht mehr aufrechterhalten, ohne auch den harten Kern anzugreifen, so kann man dies als den Beginn eines neuen Forschungsprogramms verstehen. Es bleibt aller dings ein Moment der Willkür in der Festsetzung, was denn zum Kern der Theorie und was 'nur' zu den Hilfsannahmen gehört, und somit, ob die Theorie durch die ihr wider sprechenden Beobachtungen im Mark getroffen oder nur an der sie umgebenden Schutz hülle angekratzt ist.
Ende Experte
93
94
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
9 Probabilistische Hypothesen und die Logik eines sta tistischen Tests Stichproben und probabi listische Schlüsse
Epistemischer und frequentistischer Wahrscheinlichkeitsbegriff
Schlüsse, die aus einem gültigen deduktiven Argument abgeleitet worden sind, dessen Prämissen wahr sind, sind notwendig wahr, das Ziehen der Schlussfolge rung ist daher risikofrei. Anders verhält es sich mit Schlüssen, die wir aus induk tiven Argumenten ziehen. Sie können bestenfalls als sehr wahrscheinlich betrach tet werden, wenn die Prämissen als wahr angenommen werden. Sie sind 'riskante' Schlüsse, da sie immer mit dem Risiko behaftet sind, falsch zu sein. Dies liegt daran, dass die Menge der von uns gemachten Beobachtungen immer nur eine Teilmenge aller möglichen Beobachtungen darstellt. Diese Teilmenge nennen wir Stichprobe. Die Menge, auf die wir hin verallgemeinern wollen, nennen wir die Grundgesamtheit. Wahrscheinlichkeiten kommen auf zweierlei Weise ins Spiel. Zum einen können sie sich auf die Wahrscheinlichkeit beziehen, mit der unser Schluss berechtigt ist, zum anderen aber können Wahrscheinlichkeitsaussagen selbst der Inhalt der Kon klusion sein. Im ersten Fall sagt uns die Wahrscheinlichkeit etwas darüber aus, wie gerechtfertigt es ist, einen bestimmten Satz für wahr zu halten, wir nennen diese Wahrscheinlichkeit daher auch epistemisch. Im zweiten Fall wird mit der Angabe der Wahrscheinlichkeit eine Aussage über die relative Häufigkeit des Vorkommens eines Ereignisses getroffen, wir sprechen hier von einem frequen tistischen Wahrscheinlichkeitsbegriff. Wir wollen uns dies an einigen Beispielen enumerativer induktiver Schlüsse klarmachen. Alle Kaffeebohnen aus einer Stichprobe, die wir einem Sack mit Kaffeebohnen entnommen und untersucht haben, haben die Güteklasse A. _________________________________________________________________ Alle Kaffeebohnen im Sack haben Güteklasse A.
Sicherheit des Schlusses hängt von Größe der Stichprobe ab
Die Wahrscheinlichkeit, mit der wir den Schluss für gerechtfertigt halten, hängt von dem Umfang der Stichprobe ab. Besteht die Stichprobe nur aus einem einzi gen Fall, so würden wir die Schlussfolgerung als hochriskant ansehen, besteht die Stichprobe hingegen aus 1000 untersuchten Kaffeebohnen, so nimmt unser Glau be an die Wahrheit der Konklusion annähernd den Grad einer Gewissheit an. Im obigen Beispiel macht die Konklusion eine Aussage für alle Fälle der Grund gesamtheit. Solche Aussagen sind unter anderem in den Naturwissenschaften weit verbreitet. Da wir uns im Zusammenhang mit verallgemeinerten Aussagen bisher nur auf solche Allaussagen bezogen haben, stammten auch unsere Beispiele der vorhergehenden Kapitel überwiegend aus den Naturwissenschaften, insbesondere aus dem Bereich der klassischen Mechanik. Allaussagen sind in den Sozialwis senschaften hingegen ausgesprochen selten. Sozialwissenschaftliche Aussagen,
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
95
die sich auf beobachtete Zusammenhänge beziehen, sind typischerweise probabi listisch, und zwar im frequentistischen Sinn. Allaussagen der Form "Alle F sind G" sind deterministisch, da sie für jedes Ob jekt, das ein F ist, festlegen, dass dieses Objekt auch ein G sein muss. Die FKomponente der Aussage enthält alle notwendigen Bedingungen für das Auftre ten von G und mindestens eine hinreichende Bedingung. Bestimmte Komplexe solcher Bedingungen lassen sich in den Naturwissenschaften mit der Methode der Differenz erkennen. Dabei können einzelne Faktoren aus einer Versuchsanleitung herausgefiltert werden, deren Variationen in der Lage sind, Variationen der uns interessierenden Eigenschaft hervorzurufen, während alle anderen Faktoren kon stant gehalten werden. Dies scheint für uns in der Regel ein starkes Argument zu sein, den Faktor als Bestandteil einer kausalen Verknüpfung zwischen sich und der interessierenden Eigenschaft zu betrachten. In den klassischen Experimenten der Mechanik stellte es kein Problem dar, alle Einflussfaktoren bis auf einen kon stant zu halten, um so seine 'isolierte' Wirkung auf die interessierende Eigenschaft zu erfassen und in der Formulierung eines gesetzesartigen Zusammenhangs fest zuhalten. Die Einfachheit der klassischen Experimente beruht unter anderem dar auf, dass die Natur selbst gewisse wesentliche Faktoren kontrolliert, d.h. konstant hält, die dann als die berühmten Naturkonstanten in die Gesetze eingehen. Das Galileische Gesetz des freien Falls z.B. besagt, dass die im freien Fall zurückge legte Strecke eines Gegenstands eine (quadratische) Funktion seiner Fallzeit und seiner als konstant angenommenen Beschleunigung ist. Galilei musste also nur die zwei Größen Zeit und Strecke erfassen, um sein Gesetz zu formulieren.
Deterministische Allaussa
In den Sozialwissenschaften haben wir es hingegen mit komplexen Gefügen von Einflussfaktoren auf die interessierende Eigenschaft zu tun. Einzelne Faktoren lassen sich nicht isolieren, d.h. es ist unmöglich, alle anderen möglichen Einfluss faktoren unter Kontrolle zu halten. Daher kann die Variation eines einzelnen Fak tors nur grob und unpräzise mit den Ausprägungen der interessierenden Eigen schaft variieren, da der Zusammenhang zwischen diesen beiden Variablen durch viele andere Zusammenhänge zwischen den nicht kontrollierten Einflussfaktoren und der abhängigen Variablen überlagert wird. So wie der Nebel als 'Störfaktor' die Umrisse des Hauses vor uns verwischt, so verwischen die nicht kontrollierten anderen Einflussfaktoren die klare Struktur des Zusammenhangs zwischen dem isolierten Einflussfaktor und der abhängigen Variablen. Allerdings bleiben auch durch den Nebel die Konturen des Gebäudes erhalten.
Komplexe Zusammen
Auch probabilistische Aussagen werden durch Induktion gewonnen. Ein klassi sches Anwendungsbeispiel für diese Art von Argumenten sind Prognosen, die sich auf Umfrageergebnisse beziehen.
gen in der Mechanik
hänge in den Sozialwissen schaften, deshalb probabi listische Aussagen
96
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
45 Prozent der befragten Personen in unserer Stichprobe wollen bei der nächsten Bundestagswahl SPD wählen. _________________________________________________________________ 45 Prozent aller wahlberechtigten Bundesbürger wollen bei der nächsten Bundes tagswahl SPD wählen. Die allgemeine Form des induktiven Arguments ist: Z Prozent der F in der Stichprobe sind G. ____________________________________ Z Prozent aller F sind G.
Die logische Form eines enumerativen induktiven Arguments, bei dem die Kon klusion eine Allaussage darstellt, unterscheidet sich nicht von einem Argument, bei dem die Konklusion eine probabilistische Aussage ist. Wenn Z den Wert 100 annimmt, so ist dies nur ein Spezialfall der allgemeinen Form des Arguments. Während also Z für verschiedene Argumente verschiedene Werte annehmen kann, und damit die frequentistische Wahrscheinlichkeit, dass ein beliebiges F ein G ist, ist das Problem der epistemischen Wahrscheinlichkeit für alle Argumente sehr ähnlich. Der epistemische Gewissheitsgrad kann für ein Argument, das eine Al laussage als Konklusion besitzt, genau so hoch sein wie für ein Argument, das als Schlussfolgerung eine Wahrscheinlichkeitsaussage beinhaltet. Statistischer Syllogismus
Der Zweck induktiver Argumente besteht in der Begründung ihrer Konklusion, so dass diese wiederum in anderen Argumenten als Prämisse verwendet werden kann. Eine Argumentform, bei der eine Prämisse eine probabilistische Aussage enthält, heißt statistischer Syllogismus. Z Prozent aller F sind G. a ist ein F. _______________________ a ist ein G. Man kann sich die Angabe des Anteils oder der Prozentzahl auch als eine spe zielle Art von Quantor vorstellen, der einer Implikation vorsteht. Die erste Prä misse könnte dann so formuliert werden: "Für Z Prozent der Fälle gilt: Wenn ein Element x die Eigenschaft F besitzt, dann besitzt es auch die Eigenschaft G." Die Umformulierung macht uns auf einen wichtigen Aspekt aufmerksam. Die Aus sage "Mit einer Wahrscheinlichkeit von Z Prozent ist ein F auch ein G." ist nicht äquivalent zur Aussage "Jedes F ist mit einer Wahrscheinlichkeit von Z Prozent
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
97
ein G." Ein F kann nur ein G sein oder nicht. Ein bestimmtes Objekt kann eine Ei genschaft nur besitzen oder nicht besitzen, es kann sie aber nicht mit einer be stimmten Wahrscheinlichkeit besitzen. Aber aus einer bestimmten Menge von Objekten können wir mit einer bestimmten Wahrscheinlichkeit zufällig ein be stimmtes Objekt herausziehen, das diese Eigenschaft besitzt. Dies ist der Grund, warum in der obigen allgemeinen Form des statistischen Syllogismus die Konklu sion "a ist ein G." heißt und nicht – wie mancher vielleicht erwartet hat – "a ist mit einer Wahrscheinlichkeit von Z Prozent ein G." Die Konklusion eines Arguments muss eindeutig entscheidbar wahr oder falsch sein, sie kann daher keine Wahr scheinlichkeitsaussage sein. Die Wahrscheinlichkeit, mit der die Implikation der Prämisse zutrifft, taucht daher im Argument nicht in der Konklusion auf, sondern bezieht sich auf das Argument selbst, d.h. auf die Wahrscheinlichkeit, mit der uns das Argument eine wahre Konklusion liefert. Man könnte diese Argumentform in der Darstellung von der üblichen z.B. auf folgende Weise abheben. Z Prozent aller F sind G a ist ein F
ª Z Prozent a ist ein G In diesem Argument wird von der ersten Prämisse "a ist ein F.", die die Randbe dingung darstellt, mit Hilfe der zweiten Prämisse, der probabilistischen 'Gesetzesaussage' "Z Prozent aller F sind G.", in Z Prozent der Anwendungsfälle des Ar guments korrekt auf die Konklusion "a ist ein G." geschlossen. Offensichtlich kann das Popper'sche Falsifikationskriterium nicht zur Prüfung probabilistischer Aussagen angewandt werden. Da die Konklusion nicht notwen dig aus den Prämissen gefolgert werden kann, können umgekehrt die Prämissen nicht in jedem Fall abgelehnt werden, wenn die Konklusion nicht zutrifft. Popper führt das Falsifikationskriterium in Bezug auf Allaussagen ja ein, weil diese zwar nicht verifiziert, aber immerhin falsifiziert werden können. Existenzaussagen hin gegen können immer verifiziert aber niemals falsifiziert werden. Probabilistische Aussagen können nun weder verifiziert noch falsifiziert werden. Da nach Popper der empirische Gehalt einer Aussage dem Umfang der Menge ihrer Falsifikati onsmöglichkeiten entspricht, müssten seiner Meinung nach Wahrscheinlichkeits aussagen als empirisch gehaltlos und damit nicht sinnvoll abzulehnen sein. Dem widerspricht jedoch der große prognostische Erfolg, den Wahrscheinlichkeitsaus sagen insbesondere in der Physik haben. Popper spricht in diesem Zusammenhang davon, dass im Rahmen der Theorie sehr unwahrscheinliche Ereignisse so behan delt werden sollten als würden sie durch die Theorie verboten. Popper nennt diese Art des Vorgehens 'praktische Falsifikation' (Popper 1989: 146). Diese Vorge hensweise entspricht weitgehend der Logik eines statistischen Tests, wie sie von R.A. Fisher entwickelt wurde. Nach Fisher sollte eine statistische Hypothese, die
Praktische Falsifikation
98
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
üblicherweise als Nullhypothese H0 bezeichnet wird, dann abgelehnt werden, wenn Beobachtungen gemacht werden, die nach der Hypothese relativ zu anderen Beobachtungen nur mit geringer Wahrscheinlichkeit auftreten dürften. Man kann die Argumentform eines statistischen Tests demnach folgendermaßen skizzieren. Wenn H0 wahr ist, dann tritt ein Ereignis e nur mit sehr geringer Wahrscheinlich keit ein.
Das Ereignis e wird beobachtet.
_________________________________________________________________ Die Nullhypothese ist nicht wahr. Tritt ein solches unwahrscheinliches Ereignis e auf, so wird sein Vorkommen als signifikant bezeichnet und die Wahrscheinlichkeit seines Auftretens als das Signi fikanzniveau, auf dem der Test zur Ablehnung der Nullhypothese geführt hat. Beispiel: Probabilistische Wahrscheinlichkeit Um eine statistische Hypothese gezielt zu überprüfen, wird für eine vorab ausgezeichnete Klasse von Ereignissen e, die man die Teststatistik nennt, die Wahrscheinlichkeitsvertei lung berechnet. Doch oft ist es alles andere als eindeutig, wie eine solche Teststatistik zu konstruieren ist. Betrachten wir das folgende Beispiel: Wenn ein Ziegel vom Dach fällt und in 1000 Splitter zerspringt, dann ist unter Zufallsbe dingungen eine bestimmte Verteilung der Splittergröße und –form und ihrer Lage der und der Art nur mit einer äußerst geringen Wahrscheinlichkeit, die als nahezu Null betrachtet werden muss, zu erwarten. Das tatsächlich aufgetretene Muster beim Zerspringen des Ziegels muss als ein nahezu unmögliches Ereignis angesehen werden, d.h. bevor das Er eignis eingetreten ist, war die Wahrscheinlichkeit, dass es genau so eintreten würde, prak tisch gleich Null. Die Verteilung der Größe, der Form und der Lage der Splitter entspricht gerade der und der Form. _______________________________________________________________________ Das Muster, in das der Ziegel zerfallen ist, kann nicht durch Zufall zustande gekommen sein. Wir würden daher möglicherweise daraus folgern, dass die Anordnung der Splitter, da sie nicht durch Zufall zustande gekommen sein kann, kausal verursacht sein muss. Ein 'nai ver' Betrachter könnte dann weiter vermuten, dass eine Art von 'Ziegelgott' geben muss, der dieses Ereignis bewusst herbeigeführt hat. Er könnte annehmen, dass der Ziegelgott zwar möglicherweise unter den übrigen Göttern eine eher untergeordnete Rolle einnimmt, aber seine Aufgabe bei der bewussten Anordnung von einzelnen Splittern eines Ziegels doch sehr effektiv und vor allem mit großem Arbeitseinsatz bewältigt. Davon aufs Äu ßerste beeindruckt, würde er sich möglicherweise sogar hinreißen lassen, einen Tempel zu bauen, um diesem Ziegelgott auf die angemessene Weise seine Ehrerbietung zu zei gen. Die obige Argumentform könnten wir auch als teleologischen Fehlschluss bezeichnen, und wir würden in der Geschichte der Menschheit schnell fündig werden, wenn wir nach Fällen suchten, in der sie angewandt wurde. Die schiere 'Unwahrscheinlichkeit' be stimmter historischer Entwicklungen etwa verleitet uns oft fälschlicherweise dazu, diese
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
99
als verursacht anzunehmen. Doch das Ziegelbeispiel zeigt, wie unangemessen dieser Schluss ist. Jede Anordnung der Ziegelsplitter wäre nahezu unmöglich gewesen und hätte daher zur Ablehnung der Zufallshypothese führen müssen. Es kann also nicht damit getan sein, eine Hypothese allein deswegen abzulehnen, weil ein beobachtetes Ereignis im Lichte der Hypothese als unwahrscheinlich einzustufen ist. Die Wahrscheinlichkeit, mit der wir auf ein derartiges 'unwahrscheinliches' Ereignis treffen würden, wäre in unserem Beispiel nämlich sehr hoch, um genau zu sein, wäre sie 1, d.h. das Eintreffen eines un wahrscheinlichen Ereignisses, das mit der Hypothese in Widerspruch gerät, wäre nicht nur äußerst wahrscheinlich, sondern sicher. Wir müssen unsere Teststatistik daher so an legen, dass wir eine Klasse aller unwahrscheinlichen Ereignisse bilden, durch die wir die Hypothese als abgelehnt betrachten, und nur dann, wenn die Wahrscheinlichkeit des Ein tretens eines beliebigen Ereignisses aus dieser Klasse als sehr gering einzustufen ist und wir tatsächlich eines der Ereignisse aus dieser Klasse beobachten, nur dann wollen wir die Hypothese als widerlegt betrachten. Leider wird diese Regel in der empirischen Praxis oft missachtet. Nichts ist einfacher als so genannte signifikante Ergebnisse in einem sta tistischen Test zu erzielen. Dabei sind diese Ergebnisse häufig alles andere als signifikant im Sinne inhaltlicher Relevanz, und sie sind es auch nicht im Sinne eines korrekt durch geführten statistischen Tests.
Ende Beispiel
Die Wahrscheinlichkeit des Auftretens des unwahrscheinlichen Ereignisses e ist gleichzeitig die Wahrscheinlichkeit, mit der wir die Nullhypothese aufgrund von e ablehnen, obwohl sie zutrifft, denn genau in dem durch die Wahrscheinlichkeit genannten Umfang tritt e ja ein, wenn die Nullhypothese zutrifft. Daher nennen wir diese Wahrscheinlichkeit auch Irrtumswahrscheinlichkeit.
Irrtumswahrscheinlichkeit
Die Unwahrscheinlichkeit eines Ereignisses unter Annahme der Nullhypothese wird als Grund für ihre Zurückweisung betrachtet, da implizit angenommen wird, dass dieses Ereignis unter einer anderen Hypothese mit einer wesentlich höheren Wahrscheinlichkeit auftreten würde und dass daher die Ursache, die in der ande ren Hypothese auftritt, eher die wahre Ursache des Ereignisses ist als die in der Nullhypothese genannte. Ähnlich argumentiert Popper, wenn er umgekehrt die Fähigkeit einer Theorie, riskante d.h. 'unwahrscheinliche' Prognosen hervorzu bringen, als besonders starkes Bewährungskriterium wertet. Denn 'unwahrschein lich' und gewagt sind diese Prognosen natürlich nur dann, wenn die besagte Theo rie nicht zutrifft. In einem solchen Fall wäre auch das Überleben der Theorie un wahrscheinlich. Trifft die Theorie jedoch tatsächlich zu, dann sind diese Prog nosen keineswegs unwahrscheinlich, sondern treten zwangsläufig, d.h. mit Si cherheit, ein.
Formulierung einer Null
Die Logik des statistischen Tests unterscheidet sich allerdings in einem wichtigen Punkt vom ursprünglichen Programm des Falsifikationismus. Es ist bei statisti schen Tests üblicherweise nicht die in den Prämissen enthaltene Nullhypothese, die sich bewähren soll, sondern die Gegenthese zu ihr, die üblicherweise als H1 bezeichnet wird. Wenn wir z.B. mit einem statistischen Test belegen wollen, dass ein Zusammenhang zwischen zwei Variablen besteht, dann gehen wir üblicher weise so vor, dass wir zu widerlegen versuchen, dass kein Zusammenhang zwi-
Logik eines statistischen Tests verwendet quasi
hypothese
spiegelverkehrte Vorge hensweise zum Popper schen Falsifika tionskriterium
100
Kapitel 9 Probabilistische Hypothesen und die Logik eines statistischen Tests
schen den Variablen zu erkennen ist. Nehmen wir an, wir haben die Hypothesen "Männer wählen häufiger konservative und rechte Parteien als Frauen." Zur Un tersuchung dieser Hypothese wird ein statistischer Test unternommen. Allerdings prüft der statistische Test nicht die These selbst, die in diesem Fall H1 wäre, son dern die Nullhypothese H0 "Männer wählen genau so häufig konservative und rechte Parteien wie Frauen." Wird durch den Test die Nullhypothese zurückge wiesen, wird im Umkehrschluss H1 als bewährt angesehen. Es wird oft übersehen, dass dieses Vorgehen eben nicht eine einfache Ausweitung der Popper'schen The orie auf probabilistische Hypothesen ist, sondern in gewisser Weise eine spiegel verkehrte Version derselben darstellt. Die Vorgehensweise bei einem statistischen Test erinnert an die Struktur eines indirekten formalen Beweises. Dieser geht da von aus, dass der Satz, der bewiesen werden soll, falsch ist und leitet daraus einen logischen Widerspruch ab. Nullhypothese ermöglicht Verwendung einer Teststatistik
Der Grund, warum wir uns bei statistischen Tests meistens auf die Prüfung der Nullhypothese beziehen, ist einfach anzugeben. Die Nullhypothese verkörpert die Annahme, dass beobachtete Unterschiede auf zufälligen Schwankungen beruhen. Die Wahrscheinlichkeitsverteilung der Größen dieser Schwankungen lässt sich mit stochastischen Methoden berechnen. Daher können wir diese Abweichungen als Teststatistiken einsetzen, denn die wichtigste Eigenschaft einer Teststatistik besteht darin, dass ihre Wahrscheinlichkeitsverteilung bekannt ist. Es ist jedoch häufig wesentlich schwieriger, die Wahrscheinlichkeitsverteilung einer Teststatis tik entsprechend der H1-Hypothese zu berechnen. Nehmen wir an, unsere Null hypothese lautet, dass Männer und Frauen gleich groß sind. Wir können nun ohne weiteres eine Teststatistik berechnen, die angibt, wie unwahrscheinlich die tat sächlich beobachteten Größenunterschiede zwischen zwei zufällig gebildeten Gruppen von Männern und Frauen sind. Aufgrund dieses Ergebnisses würden wir die Nullhypothese, Männer seien gleich groß wie Frauen, ablehnen. Wir haben aber keine Möglichkeit, die Wahrscheinlichkeit bestimmter Beobachtungen unter der Annahme zu berechnen, Männer und Frauen seien verschieden groß, solange wir diese H1-Hypothese nicht in einer Weise explizit machen, die es uns erlauben würde, eine bezüglich der H1-Hypothese bedingte Wahrscheinlichkeitsverteilung von Beobachtungen zu berechnen. Dies wäre z.B. möglich, wenn wir als H1 Hypothese formulieren würden, Männer seien im Mittel 10 cm größer als Frauen, und sowohl innerhalb der Gruppe der Männer und der Gruppe der Frauen gäbe es ansonsten zufällige Schwankungen der Körpergröße. Um die Popper'sche Methode des Falsifikationismus auch auf probabilistische Hypothesen korrekt zu übertragen, sollten wir daher immer anstreben, auch die Test-Statistik im Sinne der H1-Hypothese zu berechnen, wenn dazu eine Mög lichkeit gegeben ist. Einen Schritt in diese Richtung geht die Weiterentwicklung der Logik eines Signifikanztests durch Neyman und Pearson und so genannte bayesianische Methoden der Hypothesenprüfung.
Kapitel 10 Erklären und Verstehen
101
10 Erklären und Verstehen Wenn wir bisher allgemein von Erklärungen gesprochen haben, so verstanden wir dabei meist kausale Erklärungen, ohne dies explizit hervorzuheben. Kausale Er klärungen verknüpfen eine Ursache mit einer Wirkung. Dabei geht die Ursache der Wirkung zeitlich voraus und die Wirkung ist eine notwendige Folge der Ursa che. Naturwissenschaftliche Erklärungen fußen ausschließlich auf kausalen Erklä rungen. Wie in dem Kapitel über Induktion angesprochen, gibt es keine logische Verknüpfung zwischen Ursache und Wirkung, beide sind logisch voneinander un abhängig. Der Glaube an die Notwendigkeit der Abfolge der beiden Ereignisse beruht, wie Hume gezeigt hat, auf Gewohnheit. Wir sind, da wir nur unsere Beo bachtungen zur Interpretation der Ereignisse heranziehen können, darauf be schränkt, lediglich eine äußere Koinzidenz zweier Klassen von Ereignissen fest zustellen. Obwohl wir immer nur diesen äußeren Zusammenhang erfassen kön nen, so haben wir intuitiv doch oft das Gefühl, dass es auch einen inneren Zu sammenhang zwischen Ursache und Wirkung geben muss. Man kann wohl sogar sagen, dass es die Vorstellung eines inneren Zusammenhangs ist, die das Konzept der Kausalität ursprünglich überhaupt erst entstehen ließ. Die Vorstellung, dass etwas verursacht ist, setzte in den Anfängen menschlichen philosophischen Den kens einen Willensakt voraus. Die ersten Erklärungen von Naturphänomenen wie Stürmen, Gewittern, aber auch den Bewegungen der Planeten griffen immer auf Willkürakte bestimmter Gottheiten zurück. Dies sind Vorstellungen, die sich in al ten Mythen, seien es babylonische, indische, ägyptische oder griechische, wieder finden lassen, genauso wie in der Naturphilosophie des Aristoteles, der jede Be wegung als verursacht ansah und als letzten Grund des Kosmos daher folgerichtig die Existenz eines ersten Bewegers ableitete. Auch Kleinkinder entwickeln ihr Kausalitätsschema im frühen Alter durch die Entdeckung, dass sie selbst in der Lage sind, manipulativ in ihre Umwelt einzugreifen (Piaget 1988). Ebenso gehen so genannte emergenzphilosophische Anschauungen davon aus, dass ein innerer Zusammenhang zwischen Ursache und Wirkung besteht. Die Wirkung ist dabei immer schon in der Ursache enthalten als deren Potenzial, sich zu verwirklichen. Die Wirkung schlummert dieser Sichtweise entsprechend sozusagen in der Ursa che, um sich dann aus ihr heraus zu entfalten.
Annahme kausaler Zu sammenhänge ist ur menschliches Bedürfnis
Charakteristisch für die neuzeitliche Naturphilosophie hingegen ist die Reduktion des Kausalzusammenhangs auf seinen äußeren Aspekt. Unter anderem als Folge davon entwickelt sie sich erst zur Naturwissenschaft. Allerdings behielten gewisse Konzepte auch der neuzeitlichen Wissenschaft oft einen animistischen Zug, so wie der ominöse Begriff der Kraft, die sich zuweilen bis ins 20. Jahrhundert als Atavismen einer von Geistern und Dämonen beherrschten Naturauffassung hin überretten konnten. Die 'Entzauberung der Welt', der Verzicht auf den inneren Zusammenhang zwi schen Ereignissen, der durch göttliche Willkürakte hergestellt wurde, ist gleich zeitig notwendige wie hinreichende Bedingung für die Entwicklung einer Wissen schaft, die ihr primäres Ziel darin sieht, die Grundlage zur Entwicklung bestimm-
Verzicht auf Verständnis des inneren Zusammen hangs: Entzauberung der Welt
102
Kapitel 10 Erklären und Verstehen
ter technischer Verfahren zu stellen, die ihrerseits der Förderung des allgemeinen Wohlstands dienen sollen. Es genügt, den äußeren Zusammenhang zwischen be stimmten Ereignissen zu erfassen, um Maschinen oder Institutionen zu bauen, bei denen eine bestimmte Ursache bewusst manipulativ eingesetzt wird, um eine be stimmte Wirkung hervorzurufen. Für die Effizienz der Maschine ist es unerheb lich, wie der innere Zusammenhang zwischen den Ereignissen aussieht oder ob es einen solchen überhaupt gibt. Für unser Verständnis eines beobachteten Zusam menhangs jedoch ist der innere Aspekt bedeutend, der zu erklären vermag, warum dieser Zusammenhang überhaupt besteht. Dies kann dadurch geschehen, dass wir einen bestimmten gesetzesähnlichen Zusammenhang auf einen allgemeineren ge setzesähnlichen Zusammenhang zurückführen. Dadurch gewinnt unsere Erklärung an Tiefe, und wir gewinnen ein weitergehendes Verständnis für das Wirken des kausalen Mechanismus. Keine natürliche letzte E bene in der Begründung in den Naturwissenschaften
Natürliche letzte Ebene der Begründung in den Sozial wissenschaften: sinnhaftes menschliches Handeln
Teleologische Erklärung und praktischer Syllo gismus
In den Naturwissenschaften erhöht sich so das Verständnis für ein Phänomen der höheren Ebene, wenn es durch Rückgriff auf tiefer liegende Ebenen erklärt wer den kann. Gewisse thermodynamische Zusammenhänge, die nur auf der Makro ebene beobachtet werden können, z.B. die Volumenveränderungen von Gasen durch Erwärmung, können durch die Rückführung auf eine allgemeinere und tie fere Ebene, in diesem Fall die der Brown'schen Molekularbewegung, besser ver standen werden. Der Prozess der Rückführung auf tiefere Ebenen findet jedoch kein logisches Ende. Das derzeitige Ende ist immer das des aktuellen Forschungs standes. Auf der letzten, derzeit zur Verfügung stehenden Erklärungsebene, müs sen die beobachteten Zusammenhänge schlicht akzeptiert werden; sie selbst kön nen nicht mehr erklärt werden. In den Sozial- und Humanwissenschaften hingegen gibt es eine 'natürliche' lo gisch letzte Ebene der Erklärung, die sich aus der Selbstdefinition des Fachs er gibt. Dies ist diejenige des sinnhaften menschlichen Handelns, wie es z.B. Max Weber verstanden hat (Weber 1988). Im Unterschied zur Naturwissenschaft müs sen wir Zusammenhänge auf dieser letzten Ebene nicht einfach akzeptieren, son dern können sie, indem wir ihnen einen Sinn unterstellen, "deutend verstehen" (Weber 1988: 542). Wir vertiefen z.B. unser Verständnis des Verhaltens eines so zialen Systems, wenn es mit Hilfe von individuellen Handlungen erklärt werden kann, die wir wiederum verstehen können. Wir können Handlungen erklären, indem wir auf den Zweck verweisen, der mit der Handlung offensichtlich oder vermutlich verfolgt werden sollte. Solche Erklä rungen, die sich auf intentionale Akte beziehen, nennen wir teleologische Erklä rungen. Eine Schlüsselrolle für diese Art von Erklärungen spielt der so genannte praktische Syllogismus.
Kapitel 10 Erklären und Verstehen
103
Die Person A beabsichtigt, den Zustand e herbeizuführen. A weiß, dass der Zustand e nur dann eintreten kann, wenn A die Handlung p voll zieht. _________________________________________________________________ A vollzieht die Handlung p. Der praktische Syllogismus ist keine logische Argumentform. Mit Hilfe des prak tischen Syllogismus können wir aus den Absichten einer Person auf ihre Hand lungen schließen. Wenn wir wissen, dass eine bestimmte Person gewisse Ziele verfolgt und dass diese Person glaubt, dass nur ein bestimmtes Mittel dieses Ziel verwirklichen kann, dann vermuten wir, dass die Person dieses Mittel einsetzen wird. Um das konkrete Mittel, die konkrete Handlung korrekt vorauszusagen, muss die Handlung die einzige sein, die zur Erreichung des Ziels geeignet ist. In den meisten Fällen ist es jedoch so, dass mehrere Handlungen zur Erreichung ei nes Ziels eingesetzt werden können. Wir können uns in solchen Fällen eine Hand lung auch dann erklären, wenn das eingesetzte Mittel eines von mehreren ist, die alle gleichermaßen geeignet sind, das Ziel zu verwirklichen. Erklärungen in Argumentform werden auf zweierlei Weise angewandt. Der Sinn, in dem wir sie bisher erläutert haben, war der folgende: Wenn die Konklusion vorliegt und die Prämissen vorliegen, dann können wir das Vorliegen der Konklu sion durch das Vorliegen der Prämissen hinreichend erklären. Häufig ist es jedoch der Fall, dass nur die Konklusion vorliegt und wir nach Erklärungen für das Vor liegen der Konklusion suchen. Denken wir wieder an das Beispiel der nassen Straße. Wenn wir wissen, dass es geregnet hat oder dass die Straßenreinigung heute früh unterwegs war, dann können wir uns damit erklären, dass die Straße nass ist. Wenn wir nur feststellen, dass die Straße nass ist, können wir nur Ver mutungen anstellen, warum dies der Fall ist, wir suchen nach plausiblen Erklä rungen. Eine plausible Erklärung könnte sein, dass es heute Nacht geregnet hat. Wenn es allerdings gestern ein schöner Abend war, dann kommt uns diese Ver mutung nicht sehr nahe liegend vor. Wenn wir uns jetzt erinnern, dass heute Dienstag ist und jeden Dienstag früh die Straßenreinigung kommt, dann werden wir dies für die plausiblere und wahrscheinlichere Erklärung halten. Diese Ablei tung der plausibelsten Erklärung für das Auftreten eines beobachteten Ereignisses ist eine neue Art der Ableitung und wurde von dem Philosophen Charles Sanders Peirce daher mit einem eigenen Namen, Abduktion, bedacht. Wie wir am Beispiel der nassen Straße gesehen haben, hängt, was wir für die plausibelste Erklärung ei ner Beobachtung halten, vom Hintergrundwissen ab, über das wir verfügen. Gerade bei Handlungen suchen wir häufig nach der plausibelsten Erklärung. Die schon früher angeführte Metapher des Detektivs kann auch hier wieder weiterhel fen. Meist steht ja der Detektiv vor der Aufgabe, die Gründe für eine schon ver übte Handlung, das Verbrechen, zu finden. Ein Mord z.B. kann aus vielerlei
Zwei Möglichkeiten der Verwendung von Argu menten: 1. Erklärung der Konklusion aus Vorliegen der Prämissen 2. Keine eindeutigen Prämissen vorhanden – Suche nach plausibler Erklärung ("Abduktion")
104
Kapitel 10 Erklären und Verstehen
Gründen begangen werden, Habgier, Eifersucht, Neid usw. Die Suche nach dem Motiv ist gleichzusetzen mit der Suche nach der plausibelsten Erklärung. Wenn der Ermordete ein alter und armer Mann ist, dann schließen wir Habgier als Motiv aus, weil niemand finanziell von seinem Tod profitiert. (Anders verhält es sich na türlich, wenn wir erfahren, dass der Sohn kurz zuvor eine Lebensversicherung für das Opfer abgeschlossen hat, die ihn begünstigt.) Ist das Opfer eine schöne, junge Frau, von der wir zudem erfahren, dass sie ein bewegtes Liebesleben hatte, dann können wir uns gut vorstellen, dass Eifersucht ein Motiv gewesen sein könnte. Das Verstehen von Motiven hilft uns bei der Suche nach der Erklärung der Tat. Was bei naturwissenschaftlichen Gesetzen die geniale Intuition des Wis senschaftlers bewirkt, die ihn befähigt, die Form der Zusammenhänge zu erahnen, das bewirkt in den Sozialwissenschaften bei der Erklärung von menschlichen Handlungen das Einfühlungsvermögen, aufgrund dessen wir die Handlungen ver stehen und somit auch erklären können.
Teil B
Statistik
11 Die Urliste, absolute und relative Häufigkeiten Eine der Hauptaufgaben der Statistik besteht darin, den ansonsten unübersichtli chen Datenwust in einer Form zu präsentieren, die übersichtlich ist, Komplexität reduziert und somit eine intuitive Erfassung des Wesens der Daten ermöglicht. Mit Hilfe der deskriptiven Statistik können – wie der Name schon sagt – mit spar samen Mitteln Daten beschrieben werden. Sie hat den Vorteil, dass die wichtigen und charakteristischen Eigenschaften einer Menge von Daten so abgebildet wer den, dass wir auf einen Blick die Struktur der Daten erkennen können. Die de skriptive Statistik vermittelt uns ein Gefühl der Vertrautheit mit den Daten, weil wir sehen können "was Sache ist". Außerdem stößt sie oft in den Bereich der so genannten explorativen Datenanalyse vor, indem sie uns zu Vermutungen über Zusammenhänge zwischen den Daten bringt, die uns auf Grund der deskriptiven Aufbereitung der Daten ins Auge fallen. Die Anwendung der Methoden der de skriptiven Statistik ist in diesem Fall der erste Schritt zur Bildung neuer Hypothe sen, die wir dann mit den geeigneten Methoden der inferenziellen oder induktiven Statistik näher untersuchen können. Das Wesen jeder wissenschaftlichen Untersuchung besteht darin, von Einzelaus sagen zu abstrahieren und zu Aussagen über Gesamtheiten bzw. Gruppen zu ge langen, wobei diese wiederum auf singuläre Aussagen zurückzuführen sind. Die einfachste mögliche Aussage, die man auch als elementar oder atomar bezeichnen kann, beruht auf der Zuweisung eines Merkmals zu einem Objekt, das wir deshalb auch einen Merkmalsträger nennen. Der Satz 'Johannes hat blaue Augen.' lässt sich z.B. kürzer formal in der Schreibweise der Prädikatenlogik mit 'Pa' darstellen, wobei das Prädikat P für 'Hat blaue Augen' stehen würde und das Objekt a für 'Johannes'. Genau die gleiche Information könnten wir auch tabellarisch in fol gender Form darstellen. Tabelle 11.1: Einfache Urliste Name
Augenfarbe
Johannes
blau
Diese Darstellung mag für einen einzelnen Satz etwas übertrieben aufwendig scheinen, aber ihre Zweckmäßigkeit offenbart sich schnell, wenn es um die Dar stellung einer großen Menge von elementaren Aussagen geht, die alle dasselbe Prädikat enthalten, also sich alle auf dieselbe Eigenschaft beziehen. Anstelle von 'Johannes hat blaue Augen', 'Nathalie hat grüne Augen', 'Peter hat braune Augen' usw. können wir auch tabellarisch schreiben:
Einfachste Aussage: Zuweisung eines Merkmals zu einem Objekt
106
Kapitel 11 Die Urliste, absolute und relative Häufigkeiten
Tabelle 11.2: Erweiterte Urliste
Urliste
Name
Augenfarbe
Johannes
blau
Nathalie
grün
Peter
braun
Michael
blau
Matthias
blau
Joachim
braun
Sabine
grau
Angelika
grün
Thomas
blau
Heike
braun
Udo
blau
Christian
blau
Die erste Spalte der Tabelle enthält die Namen, die der Identifizierung der Objekte bzw. der Merkmalsträger dienen. Die zweite Spalte der Tabelle enthält die beo bachteten Merkmale bzw. Eigenschaften selbst. Eigenschaften nennen wir in der Statistik auch Variablen. Die Datenmenge, die die Ausprägungen von einer Vari ablen für eine Menge von Objekten enthält, nennen wir die Urliste, die Rohdaten oder Primärdaten. Die Urliste ist nie nur eine Sammlung von Werten einer Vari ablen, sondern enthält immer eine Verknüpfung der Werte mit den Objekten, an denen sie erhoben wurden. Diese Verknüpfung kann explizit sprachlich ausge drückt sein wie in 'Johannes hat blaue Augen' oder durch die Definition der Tabel lenstruktur, dass Zeilen immer Fällen (= Objekten) und Spalten immer Variablen (= Eigenschaften) entsprechen. Die Urliste ist daher nichts anderes als ein syste matisch angelegtes Protokoll unserer empirischen Erfahrungen mit der realen Welt. Die Rohdaten sind gewissermaßen die Rückbindung unserer Aussagen an die Wirklichkeit und gewährleisten auf diese Weise die 'Bodenhaftung' unserer For schung. Wissenschaftliche Aussagen jedoch, um deren Gewinnung es uns schließ lich geht, zeichnen sich durch einen mehr oder weniger großen Grad von Abs traktheit und Allgemeinheit aus. Wissenschaftliche Aussagen lösen sich somit sukzessive von der Objektebene und gelangen im Idealfall zu Sätzen, die nur noch von Eigenschaften oder – genauer gesagt – von Beziehungen zwischen verschie denen Eigenschaften handeln. Während besondere Sätze immer aus Verknüpfun gen von Individualien und Universalien bestehen, enthalten allgemeine Sätze nur noch Universalien.
Kapitel 11 Die Urliste, absolute und relative Häufigkeiten
107
Die erste Stufe der Verallgemeinerung ist die Zusammenfassung der einzelnen Absolute und relative
Häufigkeitsverteilung
Beobachtungen zu einem Gesamteindruck. Dazu bilden wir die absoluten und relativen Häufigkeiten der Merkmalsausprägungen in einer Gruppe. Obwohl unse re Beispielgruppe aus zwölf Personen besteht und es demnach zwölf Werte der Variablen 'Augenfarbe' gibt, treten doch nur vier verschiedene Augenfarben auf. Als absolute Häufigkeit einer Ausprägung bezeichnen wir die Anzahl des Vor kommens der Variablenwerte mit dieser Ausprägung. Die Darstellung aller abso luten Häufigkeiten der Merkmalsausprägungen aller Merkmalsträger einer Gruppe nennen wir die absolute Häufigkeitsverteilung. Als relative Häufigkeit einer Aus prägung wird der Anteil der Werte mit dieser Ausprägung an allen Werten be zeichnet. Die relative Häufigkeitsverteilung ist die Gesamtdarstellung aller relati ven Häufigkeiten aller vorkommenden Ausprägungen. Relative Häufigkeiten können auch in Prozent angegeben werden. Den entsprechenden Wert erhält man durch Multiplikation der relativen Häufigkeit mit 100. Die absolute und relative Häufigkeitsverteilung für unser Beispiel sind in der folgenden Tabelle zu sehen. Tabelle 11.3: Absolute und relative Häufigkeiten relative Häufigkeit*
Augenfarbe
absolute Häufigkeit
relative Häufigkeit (in Prozent)
blau
6
0,5
50
grün
2
0,17
17
braun
3
0,25
25
grau
1
0,08
8
(*auf zwei Kommastellen gerundet)
Oft werden in wissenschaftlichen Texten nur die relativen Häufigkeiten angege ben, da in der Regel nur die Verhältnisse des Auftretens verschiedener Werte inte ressieren und diese mit den relativen Häufigkeiten am schnellsten erfasst werden können. In diesem Fall muss aber unbedingt die Fallzahl, auf die sich die relativen Häufigkeiten beziehen, mit angegeben werden. Üblicherweise wird die Fallzahl mit n bezeichnet. Streng genommen ist die Häufigkeitsverteilung der Merkmalsausprägungen der Aggregation von individuellen MerkmalsausMitglieder einer Gruppe keine echte Verallgemeinerung, sondern lediglich eine prägungen aggregierte Darstellung der individuellen Sachverhalte. Dabei wird zwar vom Einzelindividuum abstrahiert, aber die Häufigkeitsaussagen beziehen sich immer auf eine spezifische Gruppe, die dadurch definiert ist, dass sie sich genau aus den betreffenden Einzelfällen zusammensetzt. Wenn wir von Variablen in einem ganz allgemeinen Sinn sprechen, d.h. wenn wir Formale Darstellung von Variablen z.B. über Eigenschaften einer bestimmten Sorte von Variablen sprechen (etwa über Variablen eines bestimmten Skalenniveaus) bietet es sich an, als Variablen namen kurze und semantisch sinnlose Zeichen oder Zeichenketten zu verwenden. Es hat sich daher eingebürgert, für die allgemeine Darstellung von Variablen, ins
108
Kapitel 11 Die Urliste, absolute und relative Häufigkeiten
besondere in Formeln, große Buchstaben wie z.B. X oder Y zu verwenden. Werte oder Ausprägungen einer Variablen werden mit kleinen Buchstaben dargestellt. Um die Zuordnung eines Variablenwertes zu einem bestimmten Objekt zu zeigen, werden die Objekte einfach durchnummeriert und die Werte mit der Zahl, die dem entsprechenden Objekt zugeordnet ist, als Index versehen. Der Variablenwert xi ist demnach die Ausprägung der Variablen X des i-ten von insgesamt n Objekten. In unserem Beispiel von oben ist Peter die dritte Person in der Urliste. Peter hat braune Augen. Wenn X die Variable 'Augenfarbe' ist, hätte das Symbol x3 hier die Ausprägung des dritten Objekts (braun). Die verschiedenen logisch möglichen Ausprägungen einer Variablen werden mit dem kleinen Buchstaben a gekenn zeichnet. Auch die Ausprägungen werden indiziert, wobei der Index j besagt, dass es sich bei der Ausprägung aj um die j-te Ausprägung aller möglichen Ausprägun gen handelt. In unserem Beispiel hat die Variable 'Augenfarbe' vier mögliche Ausprägungen, nämlich 'blau', 'grau', 'grün' und 'grau'. Diese ließen sich darstellen als a1 (blau), a2 (grau), a3 (grün) und a4 (grau). Die Anzahl aller vorkommenden Ausprägungen wird mit k bezeichnet. Sowohl die absolute wie auch die relative Häufigkeit können als Funktionen der Ausprägungen aufgefasst werden, da sie jedem Wert der Menge aller möglichen Ausprägungen einen bestimmten Funkti onswert eindeutig zuordnen. Üblicherweise wird die absolute Häufigkeit der Aus prägung aj als h(aj) geschrieben, und die relative Häufigkeit wird als f(aj) notiert. Die formale Definition der absoluten Häufigkeit sieht folgendermaßen aus: n
hj
¦ V(x ,a ) i
j
i 1
mit ¬ª V(xi ,a j ) 1º¼ (xi a j ) und ª¬ V(xi ,a j ) 0 º¼ (xi z a j )
(11.1)
Hierbei ist V eine Vergleichsfunktion. Sie vergleicht die Werte xi und aj und nimmt den Wert 1 an, wenn sie gleich, den Wert 0, wenn sie verschieden sind. Im folgenden Kasten sind alle eingeführten formalen Notationen noch einmal zu sammenfassend dargestellt.
Kapitel 11 Die Urliste, absolute und relative Häufigkeiten
Kasten 11.1: Sammlung formaler Notationen X
Variablenname
1, 2, 3 ... i ... n = {i | i N, i d n}
Indexmenge der Objekte
xi
Wert der Variablen des i-ten Objekts
x1, x2, … xi … xn = {xi| i N, i d n} Urliste, Rohdaten, Primärdaten 1, 2, 3 ... j ... k = {j| j N, j d k}
Indexmenge der Merkmalsausprägungen
aj
j-te Merkmalsausprägung
h(aj) = hj
absolute Häufigkeit der Ausprägung aj
f(aj) = fj =
hj n
relative Häufigkeit der Ausprägung aj
h1, h2 ... hj ... hk
absolute Häufigkeitsverteilung
f1, f2 ... fj ... fk
relative Häufigkeitsverteilung
109
110
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
12 Die grafische Darstellung von Häufigkeitsverteilungen Häufigkeitsverteilungen lassen sich auch grafisch darstellen. Die Verwendung von Diagrammen hat den Vorteil, dass sich die Form einer Verteilung auf einen einzigen Blick erschließt und einem Besonderheiten einer Verteilung auffallen, die beim bloßen Durchsehen der tabellarischen Notation vielleicht übersehen worden wären. Die elementarste grafische Darstellung ist das so genannte Stab diagramm. Den Ausprägungen der Variablen wird dabei auf einer horizontalen Achse ein bestimmter Ort zugewiesen, und die Häufigkeit der entsprechenden Ausprägung wird durch die Länge eines senkrechten "Stabes" wiedergegeben, dessen unteres Ende sich auf der horizontalen Achse befindet. Die Verteilung der Augenfarbe im obigen Beispiel sieht in einem Stabdiagramm dargestellt folgen dermaßen aus: Stabdiagramm
Säulendiagramm
Abbildung 12.1: Stabdiagramm – Häufigkeitsverteilung der Augenfarbe
Säulendiagramme sind vollkommen analog zu Stabdiagrammen aufgebaut, ledig lich wird hier die Häufigkeit durch die Höhe einer Säule dargestellt. Säulendia gramme (englisch: Bar Charts) sind die wohl am weitesten verbreitete Form von Diagrammen.
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
111
Abbildung 12.2: Säulendiagramm 7 6 5 4 3 2 1 0 blau
grün
braun
grau
Balkendiagramme sind Säulendiagramme, bei denen die Achsen vertauscht sind, Balkendiagramm also die Ausprägungen auf der vertikalen Achse abgetragen werden und die Häu figkeiten durch die Länge horizontaler Balken abgebildet werden. Abbildung 12.3: Balkendiagramm grau braun grün blau 0
2
4
6
8
Auch wenn üblicherweise in Stab-, Säulen- oder Balkendiagrammen die absoluten Kreisdiagramm Häufigkeiten angegeben werden, so ist die Form des Diagramms für relative Häu figkeiten natürlich vollkommen identisch, lediglich der Maßstab, auf dem die Länge der Stäbe, Säulen oder Balken abgetragen wird, ändert sich. Eine Dia grammart, die sich jedoch schon aufgrund ihrer Struktur besonders gut für die Darstellung von Anteilen, also relativen Häufigkeiten, eignet, ist das so genannte Kreis- oder Kuchendiagramm. Die relativen Häufigkeiten entsprechen dabei dem Flächenanteil bestimmter Kreissegmente, bzw. dem Winkel des jeweiligen Kreis sektors.
112
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Abbildung 12.4: Kreisdiagramm grau 8%
braun 25% blau 50%
blau grün braun grau
grün 17%
Tabellarische Darstellung
Sowohl die tabellarische als auch die grafische Darstellung einer Häufigkeitsverteilung ist nur möglich, wenn die Anzahl der Ausprägungen einer Variablen nicht unübersichtlich hoch ist. Da insbesondere nominalskalierte Variablen aufgrund ihrer Struktur in der Regel über wenige Ausprägungen verfügen, werden diese Darstellungsformen auch besonders häufig zu deren illustrativer Abbildung he rangezogen. Problematisch sind hingegen Variablen, die über eine sehr große An zahl von Ausprägungen verfügen und bei denen darüber hinaus die meisten Aus prägungen nur einmal oder höchstens zwei- oder dreimal auftauchen. Die Variable "Anzahl der Wahlberechtigten" für die Gruppe "Bundestagswahlkreise 1994" hat genauso viele Ausprägungen wie es Fälle gibt, d.h. jede Ausprägung kommt ge nau einmal vor. Eine tabellarische Darstellung würde sich über mehrere Seiten erstrecken und kaum besonders interessante Gesamteindrücke vermitteln. Daher ist die Tabelle hier zur Illustration auch nur ausschnittsweise dargestellt.
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
113
Tabelle 12.1: Anzahl der Wahlberechtigten in Wahlkreisen Nr. Wahlkreis
Wahlberechtigte
Häufigkeit Prozent
1
Rostock-Land – Ribnitz-Damgarten – Teterow – Malchin
124126
1
0,3
2
Herne
130014
1
0,3
3
Gelsenkirchen I
130095
1
0,3
4
Wuppertal II
133021
1
0,3
5
Gelsenkirchen II – Recklinghausen III
134037
1
0,3
6
Dortmund II
134958
1
0,3
7
Bremen-West
135932
1
0,3
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
322 Hamm – Unna II
240224
1
0,3
323 Segeberg – Stormarn-Nord
241055
1
0,3
324 Heilbronn
241160
1
0,3
325 Montabaur
241371
1
0,3
326 Freising
245933
1
0,3
327 Augsburg-Land
247541
1
0,3
328 Rastatt
252253
1
0,3
n
328
100,0
Der erste Eindruck beim Lesen der Tabelle ist der, dass die Anzahl der Wahlbe rechtigten offensichtlich beträchtlich zwischen den Wahlkreisen schwankt. Der Wahlkreis mit den meisten Wahlberechtigten hat davon mehr als doppelt so viele wie der Wahlkreis mit den wenigsten Wahlberechtigten. Man kann aber kaum erkennen, wie sich die übrigen Werte innerhalb dieser Bandbreite verteilen. Auch ein Stabdiagramm hilft nur wenig weiter. Da jede Ausprägung nur einmal vor kommt, sind alle Stäbe gleich hoch. Allerdings lässt sich zumindest eine gewisse Häufung von Werten innerhalb bestimmter Bereiche erkennen, da dort die Dichte der Stäbe höher ausfällt. Trotzdem bleibt auch dieser Eindruck nur vage und kann kaum zu einer präzisen Beschreibung der Häufigkeitsverteilung herangezogen werden.
114
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Abbildung 12.5: Stabdiagramm – Anzahl der Wahlberechtigten in 328 Wahl kreisen
Kontinuierliche Variablen
Das Problem besteht darin, dass das "Messverfahren" – exakte Zählung der Wahlberechtigten in einem Wahlkreis – genauere Ergebnisse liefert, als sie uns für be stimmte sprachliche Formulierungen der Verhältnisse lieb sind. Z.B. könnte es sein, dass wir nur grob zwischen "kleinen", "mittleren" und "großen" Wahlkreisen unterscheiden wollen. Wir müssen also unterscheiden zwischen einem für be stimmte Darstellungsformen relevanten Grad der Präzision der Daten und dem tatsächlich erhobenen Grad der Präzision der Daten. Im Falle der Wahlberechtig ten pro Wahlkreis übertrifft letzterer ersteren offensichtlich erheblich, wenn wir eine sinnvolle Darstellung in Tabellen oder Diagrammen anstreben. Dieses "Prob lem" tritt generell auf bei so genannten kontinuierlichen Variablen. Während dis krete Variablen nur eine begrenzte Anzahl ganz bestimmter Ausprägungen haben, können kontinuierliche Variablen im Prinzip jeden beliebigen Wert innerhalb ei nes Kontinuums von Werten annehmen. Allerdings hängen die konkreten Werte innerhalb des Kontinuums, die einem Fall in der Praxis zugewiesen werden kön nen, von der Präzision des verwendeten Messverfahrens ab. Die Variable Körper größe z.B. ließe sich im Prinzip in extrem feinen Abstufungen erheben, wenn je doch nur ein normaler Meterstab zur Messung verwendet wird, können wir bes tenfalls auf das Präzisionsniveau von Millimetern gelangen. Übliche Messungen der Körpergröße begnügen sich zumeist mit der Messung in Zentimetern. Dies ist auch überaus sinnvoll, da bekanntlich die Schwankungen der Körpergröße über den Tag ebenfalls in der Größenordnung von Zentimetern liegen können. Darüber hinaus gibt es Messfehler und Messungenauigkeiten, die sich nie hundertprozentig ausmerzen lassen. Grundsätzlich gilt, dass wir die Maßeinheit der Messung immer so wählen sollten, dass die unvermeidlichen Fehler und Ungenauigkeiten in der Größenordnung der Maßeinheit bleiben und somit das Messergebnis nicht erheb lich verändern.
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Das Problem mit kontinuierlichen Variablen besteht nicht in ihrer Kontinuität an Gruppierung sich, sondern dass sie für bestimmte Interpretationszwecke sozusagen übergenau gemessen worden sind und über zu viele Ausprägungen verfügen, als dass eine prägnante kurze Darstellung in Häufigkeitstabellen oder –diagrammen noch mög lich wäre. Die Variable "Wahlberechtigte" teilt mit kontinuierlichen Variablen diese Eigenschaft der übergenauen Messung, obwohl die Variable selbst natürlich diskret ist, da es ja nur eine bestimmte Anzahl von Wahlberechtigten geben kann. Um das Problem der übergenauen Messung zu entschärfen, werden Daten zu Gruppen von Werten zusammengefasst, die sich innerhalb eines bestimmten In tervalls von festgelegten Werten befinden. Z.B. können wir alle Wahlkreise zu Gruppen mit Intervallen von je 10 000 Wahlberechtigten zusammenfassen. Tabelle 12.2: Gruppierte Daten – Wahlberechtigte Wahlberechtigte
Häufigkeit
120000-129999
1
0,3
130000-139999
13
4,0
140000-149999
25
7,6
150000-159999
34
10,4
160000-169999
45
13,7
170000-179999
39
11,9
180000-189999
36
11,0
190000-199999
30
9,1
200000-209999
35
10,7
210000-219999
28
8,5
220000-229999
18
5,5
230000-239999
17
5,2
240000-249999
6
1,8
250000-259999
1
0,3
328
100,0
Gesamt
Prozent
Diese Zusammenfassung zu Gruppen ist logisch nur für Daten möglich, die min- Histogramm destens auf Ordinalskalenniveau erhoben worden sind, sinnvoll ist sie jedoch erst ab Intervallskalenniveau. Bei der Gruppierung von Daten handelt es sich gewis sermaßen um einen künstlich ex post erzeugten Verlust an Präzision der Messung. Da die Intervallbreite jeder Gruppe im direkten Zusammenhang mit der Genauig keit der Messung innerhalb dieser Gruppe steht – je größer das Intervall, desto gröber die Maßeinheit der Messung –, sollten die Intervallbreiten der einzelnen Gruppen oder Klassen – wenn möglich – gleich breit sein. Histogramme genügen dem so genannten Prinzip der Flächentreue, d.h. die Fläche (das Produkt aus Bal kenbreite und Balkenhöhe) des zu einer bestimmten Klasse gehörigen Balkens ist
115
116
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
direkt proportional zur Anzahl der in dieser Gruppe enthaltenen Fälle. Die Höhe des einzelnen Balkens ist demnach direkt proportional zur empirischen Häufig keitsdichte innerhalb einer Gruppe. Diese ist die durchschnittliche Anzahl von Werten in der Klasse, die sich innerhalb einer Maßeinheit befinden. Befinden sich z.B. 500 Fälle in einem Intervall mit der Breite 10, so ist die durchschnittliche Anzahl von Fällen pro Breiteneinheit 50. Die "gröbere" Messung durch Gruppierung der Daten erleichtert zwar manche Darstellung, ist aber immer auch mit einem Informationsverlust verbunden. Daher sollte bei der Gruppierung von Daten immer darauf geachtet werden, dass die ur sprünglichen Daten dennoch irgendwo gespeichert bleiben. Gruppierte Daten können wie oben sinnvoll in Tabellen, aber auch in Säulendia grammen dargestellt werden. Die entsprechenden Diagramme werden jetzt aller dings Histogramme genannt. Abbildung 12.6: Histogramm gruppierter Daten – senkrecht 50
45
45
39
40
34
35
36
35 30
30
28
25
25 18
20 15 10 5
17
13 6 1
1
12 00 00 -1 13 00 299 99 00 1 14 00 399 99 00 1 15 00 499 99 00 -1 16 00 599 99 00 1 17 00 699 99 00 1 18 00 799 99 00 -1 19 00 899 99 00 1 20 00 999 99 00 -2 21 00 099 99 00 2 22 00 199 99 00 2 23 00 299 99 00 -2 24 00 399 99 00 2 25 00 499 99 00 -2 59 99 9
0
Unterschied zwischen Histogramm und Säulen- oder Balkendiagramm
Der entscheidende Unterschied zwischen Histogrammen und Säulen- oder Bal kendiagrammen besteht darin, dass in Histogrammen die Säulen aneinander gren zen, um darauf aufmerksam zu machen, dass es sich um die Darstellung von im Prinzip auf der horizontalen Achse mehr oder weniger kontinuierlich verlaufenden Variablen handelt. Während die Anordnung der Säulen in Säulendiagrammen beliebig ist, ist sie in einem Histogramm festgelegt. Histogramme können – genauso wie Balkendiagramme – auch waagerecht ausge richtet sein.
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
117
Abbildung 12.7: Histogramm gruppierter Daten- waagrecht 1 240000-249999
6 17
220000-229999
18 28
200000-209999
35 30
180000-189999
36 39
160000-169999
45 34 25
140000-149999 13 120000-129999
1 0
5
10
15
20
25
30
35
40
45
50
Durch den Informationsverlust bei der Gruppierung lässt sich nicht mehr unter- Stamm-Blatt-Diagramm scheiden, ob zwei Werte innerhalb einer Gruppe eng beisammen liegen oder an nähernd über die gesamte Intervallbreite voneinander entfernt sind. So genannte Stamm-Blatt Diagramme (englisch: Stem-Leaf Diagrams) versuchen, einen Teil der Information, der durch die Gruppierung in einem Histogramm verloren geht, zu erhalten. Der "Stamm" des Diagramms wird auf der Größenordnung gebildet, anhand derer auch die Gruppierung vorgenommen wird. In unserem Beispiel der Wahlberechtigten in einem Wahlkreis waren dies die vollen Zehntausender, die in einer Zahl enthalten sind. Die so erhaltenen Werte des Stamms werden unterein ander abgetragen. Als "Blätter" wird – optisch vom Stamm leicht abgesetzt – nach rechts für jeden Fall eines Stamms die Ziffer abgetragen, die der nächst genaueren Größenordnung entspricht, im Beispiel wären dies die Tausender. Der durch den Umriss des Diagramms optisch vermittelte Gesamteindruck entspricht dem eines horizontalen Histogramms, zusätzlich jedoch kann man für jeden Fall die unge fähre Größe des durch die Gruppierung missachteten Rests des originalen Vari ablenwerts erkennen.
118
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Abbildung 12.8: Stamm-Blatt Diagramm: Wahlberechtigte Stamm
Kumulierte Häufigkeitsverteilung
Blatt
Anzahl
12
4
1
13
0034456778999
13
14
0000223445577777888899999
25
15
0011222223333444444455566788888899
34
16
000001111222222233333455555566666777788888999
45
17
011111111222223344444555566666788899999
39
18
000000111112334444566777888888999999
36
19
000000111122333334456667789999
30
20
00011111112222333344455666677899999
35
21
0011111222333445556678888899
28
22
011122334445666899
18
23
00222345555577889
17
24
011157
6
25
2
1
In vielen Fragestellungen interessiert es uns lediglich, wie groß der Anteil der Fälle ist, die unter einem bestimmten Wert liegen, oder wie groß der Anteil von Ausprägungen ist, die zwischen zwei Werten liegen. Für die Beantwortung und Untersuchung solcher Fragestellungen benützt man die Darstellung der kumulier ten Häufigkeitsverteilung. Diese kann sowohl für die absoluten Häufigkeiten als auch für die relativen Häufigkeiten berechnet werden. Die absolute kumulierte Häufigkeitsverteilung gibt für jede Ausprägung der Variablen die Summe der Fäl le an, die diese oder eine geringerwertige Ausprägung besitzen. Kumulierte Häu figkeitsverteilungen lassen sich folglich nur dann bilden, wenn die Werte der Va riablen in eine geordnete Reihenfolge gebracht werden können, wenn also die Variablen mindestens ordinalskaliert sind. Die relative kumulierte Häufigkeitsver teilung gibt für jede Ausprägung der Variablen den Anteil der Fälle an, deren Ausprägung der Variablen kleiner oder gleich dem kritischen Wert ist. Kumulierte Häufigkeiten sind Funktionen, die bestimmten Werten, den so genannten Argu mentwerten, einen Funktionswert zuordnen. Für die absolute kumulierte Häufig keitsverteilung wird zur Darstellung üblicherweise der Großbuchstabe H verwen det, für die relative kumulierte Häufigkeitsverteilung, die auch empirische Vertei lungsfunktion genannt wird, der Großbuchstabe F. Formal lässt sich die kumulierte Verteilung – analog zum Verfahren bezüglich der einfachen absoluten Häufigkeit – mit Hilfe einer Vergleichsfunktion V definieren.
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
H x
119
n
¦ V(x , x) i
i 1
mit > V(xi , x) 1@ (xi d x) und > V(xi , x)
(12.1)
0@ (xi ! x)
Einfacher ist es, die Funktion H(x) als Summe der Funktionen h(ai), mit ai d x, darzustellen und die Funktion F(x) als Summe der Funktion f(ai), mit ai d x.
H(x)
Anzahl der Werte xi, die kleiner oder gleich x sind j
¦ h(a )
H(x) = h(a1) + … h(aj) =
i
mit ai d x
i 1
F(x)
Anteil der Werte xi, die kleiner oder gleich x sind
F(x) =
H(x) n j
F(x) = f(a1) + … f(aj) =
¦ f(a ) i
mit ai d x
(12.2)
i 1
Die empirische Verteilungsfunktion erstreckt sich über einen kontinuierlich ver- Beispiel: Anzahl der Kinder von Ehepaaren laufenden Bereich der Menge der zulässigen Argumentwerte, da es für jeden Wert innerhalb dieses Kontinuums einen eindeutig definierten Funktionswert gibt, näm lich den Anteil der Werte, die kleiner oder gleich diesem Wert sind. Dies gilt auch dann, wenn die der kumulierten Häufigkeitsverteilung zugrunde liegende einfache Häufigkeitsverteilung diskreter Natur war. Nehmen wir an, die folgende Tabelle gibt für eine Gruppe von 1000 untersuchten Ehepaaren die Anzahl der Kinder an. Tabelle 12.3: Häufigkeit und kumulierte Häufigkeit – Anzahl der Kinder Anzahl der Kinder
Absolute Häufigkeit
Relative Häufigkeit
Absolute kumu- Relative kumu lierte Häufigkeit lierte Häufigkeit
0
243
0,243
243
0,243
1
308
0,308
551
0,551
2
248
0,248
799
0,799
3
140
0,140
939
0,939
4
61
0,061
1000
1,0
n = 1000 Die Darstellung der absoluten Häufigkeiten als Säulendiagramm sieht folgender maßen aus.
120
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Abbildung 12.9: Absolute Häufigkeitsverteilung der Anzahl der Kinder von 1000 Ehepaaren 350
308
300 250
248
243
200 140
150 100
61
50 0 0
1
2
3
4
Die Darstellung der empirischen Verteilungsfunktion des Beispiels ist nachfol gend aufgezeigt. Abbildung 12.10: Empirische Verteilungsfunktion der Kinderanzahl bei 1000 Ehepaaren
Treppenfunktion
Für jeden Wert der Variable 'Anzahl der Kinder' gibt es einen entsprechenden Funktionswert, der den Anteil der Ehepaare wiedergibt, die höchstens diese An zahl von Kindern haben. Die empirische Verteilungsfunktion besitzt auch Funkti onswerte von Werten, die gar nicht als Ausprägungen der Variablen vorkommen. Der Anteil der Familien mit höchstens zweieinhalb Kindern ist nämlich gleich dem Anteil der Ehepaare mit höchstens zwei Kindern. Die Funktion verläuft daher stufenförmig und wird auch als Treppenfunktion bezeichnet. Die Funktion besteht allerdings nur aus den waagrechten Teilen der Treppe. Im Diagramm ist der Funk tionswert an einer Sprungstelle der Funktion mit einem gefüllten Kreis angege
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
121
ben, um anzuzeigen, wo sich der Funktionswert der Sprungstelle befindet. Für jeden Treppenabsatz gehört also der Punkt an der vorderen Kante zu den Funkti onswerten und der Punkt an der hinteren Kante nicht. Auch wenn die Menge der Argumentwerte das ganze Kontinuum umfasst, so ist die Menge der Funktionswerte weiterhin diskret, da als Funktionswerte insgesamt nur die an den Sprungstellen auftretenden Werte auftauchen. Da die Funktion an den Sprungstellen nicht differenzierbar ist, besitzt die Stei gung der Funktion an jedem differenzierbaren Punkt genau genommen immer den Wert Null, d.h. die Funktion verläuft an diesen Stellen immer waagrecht. Wenn wir daher von der "Steigung" der Funktion innerhalb eines Intervalls sprechen, meinen wir genau genommen die mittlere "Steilheit" der Stufen in diesem Inter vall, d.h. das mittlere Verhältnis von Stufenhöhe zu Stufenbreite der Stufen in diesem Intervall. Diese "Steigung" steht wiederum in einem engen Zusammen hang mit der Dichte von Werten in einem Intervall. Je kleiner die Abstände zwischen den verschiedenen Ausprägungen der Variablen werden, also je mehr verschiedene Ausprägungen es gibt, desto weniger tritt der im Prinzip stufenförmige Verlauf der Funktion hervor, und die Funktion scheint sowohl hinsichtlich der Argumentwerte selbst also auch hinsichtlich der Funkti onswerte kontinuierlich zu verlaufen. Im Gegensatz zu einfachen Häufigkeiten kann man kumulierte Häufigkeiten daher gut grafisch darstellen, wenn es sehr viele verschiedene Ausprägungen einer Variablen gibt. Dies liegt daran, dass die in Stabdiagrammen oft nur schwer erkennbare Häufung von Werten innerhalb eines bestimmten Bereichs, also die Dichte von Werten, sich in der kumulierten Häufigkeitsverteilung annähernd als "Steigung" der Funktion ausdrückt und Stei gungen von Funktionen besser intuitiv mit bloßem Auge zu erfassen sind als die Dichte von Strichen. Die Gruppierung von Daten ist also in Bezug auf kumulierte Häufigkeiten wenig sinnvoll. Die kumulierten Häufigkeiten unseres Beispiels bezüglich der Wahlberechtigten in einem Bundestagswahlkreis sind in der folgenden Tabelle aufgeführt.
Zusammenhang zwi schen Steigung und Wertedichte in einem Intervall
122
Kapitel 12 Die grafische Darstellung von Häufigkeitsverteilungen
Tabelle 12.4: Absolute und relative kumulierte Häufigkeitsverteilung Wahlberechtigte
kumulierte absolute Häufigkeiten
kumulierte relative Häufigkeiten
d 124126
1
0,0030
d 130014
2
0,0061
d 130095
3
0,0091
d 133021
4
0,0122
d 134037
5
0,0152
d 134958
6
0,0183
...
...
...
...
...
...
...
...
... d 240224
322
0,9817
d 241055
323
0,9848
d 241160
324
0,9878
d 241371
325
0,9909
d 245933
326
0,9939
d 247541
327
0,9970
d 252253
328
1,0000
Grafisch lässt sich die empirische Verteilungsfunktion für die Wahlberechtigten in den 328 Wahlkreisen wie in folgendem Diagramm darstellen. Abbildung 12.11: Empirische Verteilungsfunktion der Wahlberechtigten in 328 Wahlkreisen 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 120000
140000
160000
180000
200000
220000
240000
260000
Kapitel 13 Maße zur Beschreibung von Verteilungen
123
13 Maße zur Beschreibung von Verteilungen 13.1 Maße der zentralen Tendenz Häufigkeitsverteilungen und insbesondere grafische Darstellungen sind zwar oft schon gut geeignet, uns das Wesentliche einer Datenmenge sprichwörtlich vor Augen zu führen, aber sie gehen nicht über eine die Übersicht erleichternde Anordnung oder Gruppierung der ursprünglichen Daten hinaus. Die Komplexität der Daten ist nur unbedeutend reduziert, so dass es immer noch nicht möglich ist, das Wesen der Daten in ihrer Gesamtheit zu erfassen. Man stelle sich vor, wir könnten uns nur über die Einkommensverhältnisse in bestimmten Branchen oder in ganzen Ländern unterhalten, indem wir die Häufigkeiten aller vorkommenden Einkom men aufzählen. Man sieht schnell ein, dass eine solche Unterhaltung denkbar mühsam und ineffektiv wäre. Was wir also benötigen, ist die komprimierte Dar stellung der Einkommensverteilung mit Hilfe weniger charakteristischer Kenn größen, die wir auch Kennzahlen oder Parameter nennen. Die wichtigste Klasse solcher Parameter sind die Maßzahlen der zentralen Tendenz, die ebenfalls Lage parameter genannt und manchmal – etwas zu ungenau – auch einfach als Mittel werte bezeichnet werden. Lageparameter sind Zahlen bzw. Werte, die einen "typi schen Repräsentanten" der Datenmenge kennzeichnen, einen Stellvertreter für alle Datenwerte. Maße der zentralen Tendenz sind dabei unter Umständen hypotheti sche Werte, denn obwohl sie den "typischsten" Fall der Datenmenge darstellen, müssen sie nicht unbedingt selbst in dieser enthalten sein. Es gibt verschiedene Möglichkeiten "typische Vertreter" einer Menge von Datenwerten zu bilden. Wel che davon überhaupt zulässig sind, hängt vom Skalenniveau der Daten ab.
Nutzen von Maßzahlen: komprimierte Beschreibung bestimmter Eigenschaften einer Verteilung
13.1.1 Der Modus Der einfachste Lageparameter, der selbst auf dem niedrigsten Skalenniveau, dem Modus der Nominalkategorie, gebildet werden kann, ist der Modus oder Modalwert, der die am stärksten besetzte Kategorie angibt. Definition 13.1: Modus (auch Modalwert genannt) Der Wert einer Datenmenge, der am häufigsten vorkommt. Nominalkategorisierte Variablen haben entweder einen bestimmten Wert, oder sie haben ihn nicht. Verschiedene Werte einer nominalkategorisierten Variablen kön nen nicht in Beziehung zueinander gesetzt werden, das heißt, dass eine Verände rung eines Wertes nicht durch eine entsprechende Veränderung eines anderen Wertes ausgeglichen werden kann. Der Modus repräsentiert daher nur eine Grup pe der Datenmenge wirklich gut, diese allerdings hundertprozentig. Im Gegensatz zu anderen Lageparametern repräsentiert er nicht die Gesamtheit der einzelnen Werte und kann daher am wenigsten als der "mittlere" Vertreter einer Gruppe betrachtet werden. Dennoch ist er immer noch insofern der "typischste" Wert ei ner Gruppe, als er am häufigsten vorkommt. Da der Modus sich auf nominalkate
124
Kapitel 13 Maße zur Beschreibung von Verteilungen
gorisierte Variablen bezieht, ist er selber auch immer der Wert eines "Zeichens", selbst wenn dieses Zeichen im Einzelfall eine Zahl sein mag. In einem Seminar, das insgesamt 30 Studenten besuchen, von denen 16 blaue Augen haben, 10 brau ne und 4 graue Augen, ist der Modus der Augenfarbe "blau".
Median
13.1.2 Der Median Der Median ist ein Maß der zentralen Tendenz, das nur für Variablen gebildet werden darf, die mindestens Ordinalskalenniveau besitzen. Der Median liegt in der "Mitte" der Verteilung der Werte, weil er diese Verteilung in zwei gleich gro ße Hälften links und rechts von sich aufteilt. Parameter, die die "Mitte" einer Ver teilung angeben, müssen sich auf mindestens ordinalskalierte Daten beziehen, da nur bei diesen eine räumliche Anordnung entlang einer horizontalen Achse mög lich ist, so dass Begriffe wie "links", "rechts" und vor allem "weiter links" und "weiter rechts" überhaupt Sinn machen. Wir gehen davon aus, dass der Begriff "Mitte" in einem solchen Fall eindeutig (in einem räumlichen Sinn) bestimmt ist, so dass wir den Median wie folgt definieren können. Definition 13.2: Median Der Wert in der Mitte einer geordneten Datenmenge. Formalere Definitionen lauten: Der Wert einer geordneten Datenmenge, der diese so unterteilt, dass sich links und rechts von diesem Wert jeweils höchstens 50 Prozent der Datenwerte be finden. oder: Der Wert einer geordneten Datenmenge, der von mindestens 50 Prozent der Datenwerte nicht überschritten und von mindestens 50 Prozent der Datenwerte nicht unterschritten wird. Ist die Anzahl der Datenwerte ungerade, so ist dieser Wert eindeutig bestimmt. Ist die Anzahl der Datenwerte gerade, so gibt es zwei Werte in der Mitte der geordneten Datenmenge. Der Median ist dann der Wert in der Mitte zwischen diesen beiden Werten.
Kapitel 13 Maße zur Beschreibung von Verteilungen
125
Tabelle 13.1: Beispiele für die Berechnung des Medians Datenreihe
Anzahl der Werte
Median
1 2 5 8 11
5
5
1 4 5 6 18 111
6
5,5 = (5 + 6) / 2
10 17 17 19 243
5
17
2 2 2 2 2 17 29 1047
8
2 = (2 + 2) / 2
5 5 5 5 21 22 23 24
8
13 = (5 + 21) / 2
11
3
1 2 3 3 3 3 3 3 7 19 23
Der Median hat einige wichtige Eigenschaften: Zum einen gilt für gruppierte Da ten, dass, wenn eine Gruppe mehr als 50 Prozent der Fälle enthält, der Median auf jeden Fall der Wert der Ausprägung dieser Gruppe ist. Zum anderen kann man besonders an der zweiten und dritten Datenreihe erkennen, dass der Median ein Maß für die "Mitte" der Verteilung ist, das ausreißerresistent ist. Das bedeutet, dass die Lage des Medians sich nicht ändert, wenn an den Rändern weit abwei chende Werte auftauchen, die für die Datenmenge ausgesprochen untypisch sind und daher als "Ausreißer" bezeichnet werden. 13.1.3 Der arithmetische Mittelwert Das bekannteste Maß der zentralen Tendenz ist das arithmetische Mittel, auch Arithmetischer Mittelwert arithmetischer Mittelwert oder nur Mittelwert genannt, manchmal auch als Durch schnitt bezeichnet. Seien die Werte einer Datenmenge die Ausprägungen einer Variablen, die mit X bezeichnet wird. Dann sei xi der Wert der Ausprägung der Variablen für das i-te Element der Datenmenge bzw. das i-te Individuum einer Gruppe von Merkmals trägern. Die übliche Schreibweise für den Mittelwert ist dann x. Wenn n die An zahl der Elemente bzw. der Merkmalsträger bezeichnet, dann ist die formale Dar stellung des Mittelwerts folgende: Definition 13.3: Arithmetischer Mittelwert Die Summe aller Werte einer Datenmenge dividiert durch die Anzahl der Da tenwerte. x
1 n ¦ xi n i=1
(13.1)
Treten manche Werte mehrfach auf, so kann man die Berechnung vereinfachen, indem man auf die absoluten oder relativen Häufigkeiten zurückgreift.
126
Kapitel 13 Maße zur Beschreibung von Verteilungen
x
1 k ¦ hi xi ni1
k
k
hi
¦ n x ¦f x i
i 1
i
i
(13.2)
i 1
Aus der Formel kann unmittelbar abgeleitet werden: n
¦x
nx
i
i 1
n
¦x
i
nx
0
i 1
n
¦ (x
i
x) 0
i 1
Schwerpunkteigenschaft des Mittelwerts
Die Summe der Abweichungen der individuellen Werte zum Mittelwert ergibt Null, bzw. die Summe der Abweichungen auf der rechten Seite des Mittelwerts ist die Summe der Abweichungen auf der linken Seite des Mittelwerts. Man spricht daher auch von der Schwerpunkteigenschaft des Mittelwerts.
Voraussetzung für die Berechnung des arithmetischen Mittels: Intervallskalenniveau
Da bei der Berechnung des Mittelwerts arithmetische Funktionen wie Summen bildung und Division angewandt werden, kann der Mittelwert nur für Daten ermit telt werden, die mindestens auf dem Intervallskalenniveau erhoben worden sind. Wie erwähnt ist der Mittelwert das bekannteste Maß der zentralen Tendenz und findet vielfältig im Alltag Verwendung, sogar dann, wenn es eigentlich unange bracht ist. So ist es üblich, dass in Schulen Durchschnittsnoten berechnet werden, obwohl es sich bei Schulnoten im strengen Sinn lediglich um ordinalskalierte Da ten handelt. Wegen des geringeren Bekanntheitsgrades des Medians ist es hinge gen wesentlich seltener der Fall, dass für Daten, die auf dem Intervallskalenniveau erhoben wurden, als Maß der zentralen Tendenz der Median anstatt des Mittel werts herangezogen wird. Zwar hat der Mittelwert auf Grund des höheren Skalen niveaus interessantere mathematische Eigenschaften als der Median, es ist jedoch ein Irrtum zu glauben, dass der Mittelwert daher auch in jedem Fall, wenn er im Prinzip berechnet werden darf, den "typischen Fall" einer Datenmenge besser er fasst. Dies kann demonstriert werden, wenn für einige der Datenreihen, für die schon der Median berechnet wurde, nun auch der Mittelwert ermittelt wird.
Kapitel 13 Maße zur Beschreibung von Verteilungen
127
Tabelle 13.2: Beispiele für Mittelwert und Median Datenreihe
Anzahl der Werte
Median
Mittelwert*
1 2 5 8 11
5
5,0
5,4
1 4 5 6 7 10
6
5,5
5,5
1 4 5 6 18 111
6
5,5
24,2
2 2 2 2 2 17 32 32 32 32 32
8
17,0
17,0
10 17 17 19 243
5
17,0
61,2
10 19 243 467 476
5
243,0
243,0
2 2 2 2 2 17 29 1047
8
22,0
137,9
(* auf eine Kommastelle gerundet)
Man sieht, dass der Mittelwert in einigen Fällen extrem vom Median abweicht. Ausreißer empfindlichkeit Dies liegt offensichtlich an den Ausreißern auf der rechten Seite der Datenreihen. Im Gegensatz zum Median ist der Mittelwert nämlich ausreißerempfindlich oder ausreißersensitiv. Sind die Werte einer Datenreihe hingegen symmetrisch um die Mitte verteilt, d.h. treten Abweichungen vom Mittelwert auf der linken Seite ge nauso oft und im gleichen Ausmaß auf wie auf der rechten Seite, dann sind Mit telwert und Median identisch. Die Frage, ob wir in einem bestimmten Fall den Median oder den Mittelwert für geeigneter halten, den typischen Fall einer Da tenmenge darzustellen, hängt also in erster Linie davon ab, wie wir "Ausreißer" zu behandeln gedenken. Beispiel: Stellen wir uns folgenden Fall aus dem Bereich der so genannten kollektiven Entschei dungen vor: Der Festtagsausschuss eines Karnevalsvereins, der aus fünf Mitgliedern be steht, hat darüber zu entscheiden, wie viel Geld für den Faschingsumzug am Rosenmon tag ausgegeben werden soll. Auf Grund des unterschiedlichen Naturells und der unter schiedlichen regionalen Herkunft (unter anderem befinden sich ein Rheinländer und ein Schwabe im Ausschuss) liegen die Vorstellungen darüber, welcher Aufwand angemessen ist, weit auseinander. Die vorgeschlagenen Budgetsummen liegen bei 2000 (der Schwa be), 3000, 5000, 8000 und 30 000 € (der Rheinländer). Da das Komitee seinen Beschluss einstimmig fassen muss und zu keiner Einigung gelangt, beschließen sie, ihr Problem einem Schlichter vorzustellen, der dann über den Betrag entscheiden soll. Der Schlichter wird nun versuchen, den Wert vorzuschlagen, den er für einen guten Kompromiss hält, also den Wert, der die Gesamtheit der unterschiedlichen Vorstellungen aus der Sicht des Schlichters noch am ehesten wiedergibt. Der erste Gedanke des Schlichters könnte nun darin bestehen, den Mittelwert vorzuschlagen, also 9600 €. Vier der fünf Mitglieder aber sprechen sich für einen niedrigeren Betrag aus. Der "Kompromiss"-Vorschlag ist aus ihrer Perspektive gar kein Kompromiss, sondern auf Grund der maßlosen Vorstellungen des Rheinländers vollkommen überhöht. Wenn alle die Entscheidungspraxis des Komi tees kennen, in solchen Situationen einen Schlichter aufzurufen, der dann den Mittelwert als Lösung vorschlägt, besteht darüber hinaus ein Anreiz, zu strategischer Übertreibung. Der Rheinländer könnte einen noch weit höheren Betrag nennen, damit der dann schließ lich zustande kommende Betrag seinen ursprünglichen Vorstellungen näher kommt. "Maßlosigkeit" zahlt sich hier aus, wenn das Einigungsgebot der Mittelwert wäre (die Ausreißerfälle nehmen die gemäßigten gewissermaßen in Haft). Sieht der Schlichter all diese Komplikationen jedoch voraus, dann wird er wahrscheinlich zu dem Ergebnis kommen, dass der Median, also 5000 €, einen wesentlich angemesseneren "Kompromiss"
128
Kapitel 13 Maße zur Beschreibung von Verteilungen
darstellt als der Mittelwert. Wenn er überdies in der so genannten "Social-Choice" Literatur bewandert ist und insbesondere das so genannte "Median-Wähler Theorem" von Duncan Black kennt, wird er sich in dieser Auffassung zudem dadurch bestätigt fühlen, dass er weiß, dass der Median auch unter dem Mehrheitsprinzip vermutlich die Lösung gewesen wäre.
Ende Beispiel Auch zur Beurteilung einer Einkommensverteilung ist der Median unter Umstän den besser geeignet als der Mittelwert. Handelt es sich um eine Gesellschaft mit einem kleinen Prozentsatz von exorbitant reichen Leuten, während das Gros der Bevölkerung möglicherweise an der Armutsgrenze liegt, so kann sich ein ganz annehmbares mittleres Einkommen ergeben. In diesem Fall würde die extreme Ungleichverteilung durch den Mittelwert verdeckt werden, und der Median wäre auch hier das "ehrlichere" Maß, weil er das Einkommen angibt, das die eine Hälf te der Bevölkerung mindestens und die andere Hälfte der Bevölkerung höchstens verdient. Wegen des Problems der Ausreißersensitivität des Mittelwertes wird manchmal auch ein so genannter getrimmter Mittelwert berechnet. Dabei werden Daten aus den Randbereichen der Verteilung ignoriert, z.B. jeweils die 10 Prozent, die sich am weitesten links bzw. rechts der Verteilung befinden, und das arithmetische Mittel wird lediglich auf der Basis der verbliebenen Werte berechnet. Experte: Lageparameter und die Optima bestimmter Differenzfunktionen Maße der zentralen Tendenz entsprechen nicht nur einer intuitiven Vorstellung von den Eigenschaften, die ein geeignetes Maß für den "typischen Fall" besitzen soll, sie erfüllen darüber hinaus auch mathematische Bedingungen, die formal ausgedrückt werden kön nen. Eine genaue Definition der Maße der zentralen Tendenz ist nur auf Grund dieser formalen Bedingungen möglich. (Auch formale Bedingungen können allerdings rein sprachlich ausgedrückt werden.) Der Modus ist die am häufigsten vorkommende Katego rie, der Median halbiert die Verteilung in zwei gleich große Hälften zur Linken und zur Rechten, und der Mittelwert balanciert die Abweichungen zu seiner linken und zu seiner rechten Seite so aus, dass sie in der Summe Null ergeben. Aus der Erfüllung dieser Be dingungen lassen sich weitere Bedingungen ableiten, die von den Maßen ebenfalls erfüllt werden, aber nicht ganz so unmittelbar erkannt werden können. Insbesondere können wir diese Bedingungen so interpretieren, dass die Lageparameter gewisse Differenz- bzw. Distanzfunktionen minimieren, die die Unterschiedlichkeit der anderen Werte der Da tenmenge gegenüber dem Maß der zentralen Tendenz angeben. Die allgemeine Formulierung dieser Bedingung lautet: n
n
i 1
i 1
¦ D(xi ,xL ) ¦ D(xi ,z)
mit z z xL
(E 1)
Die Formel besagt nichts anderes, als dass die Summe der Distanzen aller individuellen Werte zum Lageparameter der Datenmenge kleiner ist als die Summe der entsprechenden Distanzen zu einem beliebigen anderen Wert z, der ungleich dem Lageparameter ist. Für die drei Maße der zentralen Tendenz gibt es je mindestens eine Distanzfunktion, für die diese Bedingung gilt.
Kapitel 13 Maße zur Beschreibung von Verteilungen
129
Bezüglich des Modus gilt: xL
xmod
D(xi ,z) 1 l x i z z und D(x i ,z)
0 l xi
z
(E 2)
Die Distanzfunktion bezüglich des Modus erhält den Wert 1, wenn ein Merkmalsträger eine andere Ausprägung als z hat, und den Wert 0, wenn der individuelle Datenwert mit z identisch ist. Die Summe dieser Distanzfunktion bezüglich des Wertes z ist nichts anderes als die Anzahl der Fälle, die einen anderen Wert als z haben. Da der Modus die Kategorie ist, die die meisten Fälle enthält, minimiert er dementsprechend die Anzahl der abwei chenden Fälle. Bezüglich des Median gilt: xL = xmed D(xi ,z) = xi -z
(E 3)
Die Distanzfunktion bezüglich des Medians ist der absolute Abstand zwischen einem individuellen Wert und z. Für jeden Wert z, der nicht mit dem Median identisch ist, gilt, dass er die Verteilung der Werte in zwei nicht gleich große Teile zerlegt, d.h. die Anzahl der Fälle links und rechts von z ist verschieden. Sei m die Anzahl der Fälle links von z und n – m die Anzahl der Fälle rechts davon, außerdem sei m kleiner als n – m. Sei z' ein Wert, der sich im Abstand von d rechts von z befindet, aber dabei keinen Wert über springt, so dass sich auch von z' aus gesehen m Fälle links und n – m Fälle rechts befin den. Der Abstand zu z' aller m Fälle zur Linken ist um den Betrag d größer als der Ab stand all dieser Fälle zu z. Hingegen hat der Abstand zu z' für alle n – m Fälle zur Rechen im Vergleich zu z um den Betrag d abgenommen. Da sich zur Rechten mehr Fälle befin den als zur Linken, ist damit auch die Summe der Abstände über alle Fälle kleiner ge worden. Solange z also nicht gleich dem Median ist, kann der Wert der Distanzfunktion weiter verringert werden, indem sich z zur Mitte hin bewegt.
Bezüglich des Mittelwerts gilt xL
=
x
D(xi ,z) = (xi z)2
(E 4)
Der Wert, bei dem die Distanzfunktion F, die Summe aller Einzeldistanzen D, ihr Mini mum besitzt, lässt sich berechnen, indem man die erste Ableitung der Funktion berechnet und diese gleich Null setzt.
130
Kapitel 13 Maße zur Beschreibung von Verteilungen n
Minimiere F
¦x
2
i
z in Abhängigkeit von z
i 1
dF dz
0
n
¦ 2(x i z)(-1)
0
i 1
n
¦ (xi z)
0
i 1 n
¦ xi nz
0
i 1
z
1 ¦ xi ni 1 n
Da die zweite Ableitung der Funktion F nach z eine positive Konstante ist, muss es sich bei dem gefundenen Optimum um ein Minimum handeln. Die Summe der quadratischen Abstände der Einzelwerte zu z ist also dann minimal, wenn z gleich dem Mittelwert ist. Nehmen wir an, wir sollten für einen bestimmten Einzelfall der Datenmenge seinen Wert schätzen ohne Kenntnis seiner wahren Ausprägung. Da die Maße der zentralen Tendenz ja den typischen Fall der Menge angeben sollen, ist es nicht unplausibel, diese Maße auch als Schätzwerte für unbekannte Werte zu verwenden. Die oben angegebene Differenzbzw. Distanzfunktion kann dann auch als eine Funktion des Schätzfehlers betrachtet wer den, wenn man den "Fehler" eben entsprechend definiert. Da die Lageparameter die oben angegebenen Distanzfunktionen minimieren, gilt dann logischerweise das Gleiche für die entsprechende Funktion des Schätzfehlers. Während die Interpretation einer Fehlklassifikation bezüglich des Wertes einer nominal kategorisierten Variablen als Schätzfehler sofort einleuchtet, ist es jedoch weit weniger klar, warum man im Falle von intervallskalierten Variablen die Summe der quadratischen Abstände als Schätzfehler interpretieren sollte. Wir werden später gute Argumente aus der Wahrscheinlichkeitstheorie kennen lernen, warum dies tatsächlich empfehlenswert ist.
Ende Experte
13.2 Streuungsmaße Lageparameter geben den typischen Fall einer Verteilung an, aber sie geben keine Auskunft darüber, wie typisch dieser Fall ist. Da alle drei Maße immer einen "ty pischen Wert" ermitteln, ist es nicht möglich, eine Unterscheidung dahingehend zu treffen, ob die übrigen Werte der Datenmenge vom repräsentativen Wert gut erfasst werden, also diesem relativ nahe sind, oder ob sie sehr von diesem abwei chen. Streuungsmaße geben an, wie sehr die Werte einer Datenmenge variieren. Nicht alle von ihnen beziehen sich dabei explizit auf die Streuung um den Lage parameter einer Verteilung. Da über Größenordnungen von Abweichungen nur sinnvoll gesprochen werden kann, wenn diese in Zahlen angegeben werden, die das Ausmaß von Abweichungen bezeichnen, beziehen sich Streuungsmaße streng genommen immer auf Variablen, die auf Intervallskalenniveau gemessen worden sind.
Kapitel 13 Maße zur Beschreibung von Verteilungen
13.2.1 Die Spannweite Die einfachste Möglichkeit, sich ein Bild über die Variation der Merkmalsausprä- Spannweite gungen zu verschaffen, besteht darin, sich den kleinsten und den größten vor kommenden Wert anzusehen. Der Abstand zwischen diesen beiden Werten wird als Spannweite (englisch Range) bezeichnet. Die Spannweite gibt den Umfang des Bereichs an, innerhalb dessen sich alle empirisch vorkommenden Werte be finden. 13.2.2 Der Interquartilsabstand Auch das Streuungsmaß der Spannweite ist, ähnlich dem Mittelwert, ein ausrei- Interquartilsabstand ßersensitiver Parameter. Weit von den "normalen" Werten abweichende Werte an den Rändern erhöhen die Spannweite unter Umständen dramatisch und erwecken den nicht berechtigten Anschein von extremer Variation der Werte. Analog zum getrimmten Mittelwert können wir auch hier versuchen, zu treffenderen Maßen der Streuung zu gelangen, indem wir die Randbereiche aus der Berechnung der Parameter weglassen. Um dieses Vorgehen klarer und eindeutiger beschreiben zu können, müssen wir kurz das Konzept der Perzentile oder p-Quantile einführen. Auch diese sind Lageparameter im allgemeinen Sinn, allerdings können sie nicht als Maße der zentralen Tendenz bezeichnet werden. Perzentile unterteilen die Ver teilung der Datenwerte in bestimmten Verhältnissen, die durch den Wert des Ko effizienten p angegeben werden. Ein beliebiges p-Quantil wird formal durch xp gekennzeichnet. Der Wert von p liegt daher immer zwischen 0 und 1. Manchmal werden die Werte von p allerdings auch mit 100 multipliziert und als Prozentzah len angegeben. Definition 13.4: p-Quantil Der Wert, der eine geordnete Datenmenge so unterteilt, dass sich links davon höchstens p * 100 % der Werte und rechts davon höchstens (1 – p) * 100 % der Werte befinden. Der Median ist also nur ein Sonderfall eines p-Quantils, nämlich das 50 %- Median als 50 % Quantil Quantil. Weitere häufiger gebräuchliche Quantile sind das 10 %-Quantil x0,1, das 90 %-Quantil x0,9, das 25 %-Quantil x0,25 und das 75 %-Quantil x0,75. Der so ge nannte Interquartilsabstand errechnet sich dann aus der Verwendung des 25 %und des 75 %-Quantils, die auch Quartile genannt werden. Definition 13.5: Interquartilsabstand Abstand zwischen dem 25 %-Quantil und dem 75 %-Quantil einer Verteilung. formal: Interquartilsabstand = x0,75 – x0,25
131
132
Kapitel 13 Maße zur Beschreibung von Verteilungen Boxplot Durch die Angabe des Minimalwertes und des Maximalwertes sowie der beiden
Quartile und des Medians lässt sich die Verteilung einer Variablen oft in den we sentlichen Zügen hinreichend genau charakterisieren. Man spricht in diesem Fall von der Fünf-Punkte-Zusammenfassung. Eine grafische Methode zur Darstellung derselben sind so genannte Boxplots, die daher gut geeignet sind, sich einen ersten Eindruck über Variablen zu verschaffen. 13.2.3 Varianz, Standardabweichung und Variationskoeffizient Varianz: Summe der Spannweite und Interquartilsabstand sind Maße für die Variation der individuellen quadrierten Abweichungen vom Mittelwert Werte. Wenn wir jedoch beurteilen wollen, inwieweit der Mittelwert tatsächlich
eine gute Schätzung eines typischen Falls einer Datenmenge darstellt, brauchen wir ein Streuungsmaß, das sich auf die Abweichungen der anderen Fälle vom Mit telwert bezieht. Im Zusammenhang mit den Distanzfunktionen haben wir schon zwei solcher potenzieller Streuungsmaße kennen gelernt, die Summe der absolu ten und die Summe der quadrierten Abstände. In den Anfängen der Statistik ka men tatsächlich auch beide Maße vor. Aus später noch genauer zu erläuternden Gründen wird die Summe der quadratischen Abstände für das geeignetere Streu ungsmaß gehalten. Allerdings interessiert uns nicht so sehr die Summe der Ab weichungen, sondern vielmehr die mittlere Abweichung, die wir bei einem zufäl lig aus der Datenmenge herausgenommenen Fall erwarten würden. Dieser Mittel wert der quadratischen Abweichung vom Mittelwert wird Varianz genannt. Definition 13.6: Varianz Der Mittelwert der quadrierten Abweichungen der individuellen Werte zum Mittelwert der Verteilung. oder:
Die Summe der quadrierten Abweichungen der individuellen Werte zum Mit telwert der Verteilung, geteilt durch die Anzahl der Fälle.
formal:
Varianz
1 n ¦ (xi x)2 ni1
(13.3)
Treten manche Werte mehrfach auf, so lässt sich die Varianz auch einfacher mit Hilfe der absoluten oder relativen Häufigkeiten der einzelnen Ausprägungen be rechnen.
Kapitel 13 Maße zur Beschreibung von Verteilungen
Varianz=Var(x) k
k
hi
¦ n *(x
1 k ¦ hi *(xi x)2 ni1
i
x)2
i 1
¦ f *(x i
133
(13.4)
2 i x)
i 1
Die Varianz hat allerdings den kleinen Schönheitsfehler, dass sie durch die Quad- Standardabweichung rierung der Abstände eine andere Maßeinheit besitzt als die ursprünglichen Werte. Nehmen wir an, die ursprünglichen Variablenwerte hätten Längen in m gemessen. Die Varianz würde dann in der Einheit m² gezählt werden müssen. Um diesen Effekt wieder "rückgängig" zu machen, zieht man die Wurzel aus der Varianz und nimmt diese Größe als das Maß für die durchschnittliche Abweichung. Die Wur zel aus der Varianz wird als Standardabweichung bezeichnet. Definition 13.7: Standardabweichung Die Wurzel aus der Varianz einer Verteilung von Datenwerten. formal:
Standardabweichung
s
1 n ¦ (xi x)2 ni1
Var(x)
(13.5)
Varianz und Standardabweichung sind aber vollkommen äquivalente Maße. Beide sind außerdem sensitiv gegenüber Ausreißern, d.h. große einzelne Abweichungen an den Rändern können den Wert der Varianz und der Standardabweichung deut lich erhöhen. Vergleicht man die Standardabweichungen zweier Verteilungen miteinander, so Variationskoeffizient kann dies zu einem missverständlichen Eindruck führen, wenn sich die Größen ordnungen der Werte der beiden Datenmengen deutlich voneinander unterschei den. Nehmen wir an, die Datenmenge A enthält Werte, die gleichmäßig um den Mittelwert 100 herum streuen, die Datenmenge B hingegen enthält Werte, die um den Mittelwert 10 herum streuen. Da die Datenwerte von A durchschnittlich das 10-fache der Datenwerte von B betragen, würden wir bei strukturell ähnlichem Verhalten der Werte erwarten, dass auch die durchschnittliche Abweichung im Fall von A größer ausfallen sollte als im Fall von B. Der Variationskoeffizient relativiert daher die Abweichungen und damit die Standardabweichung im Ver hältnis zum durchschnittlich zu erwartenden absoluten Wert einer Verteilung, also dem Mittelwert.
Variationskoeffizient =
s x
(13.6)
134
Kapitel 13 Maße zur Beschreibung von Verteilungen
Der Variationskoeffizient "standardisiert" so die Standardabweichung in Einheiten des Mittelwertes der Verteilung.
13.3 Weitere Verteilungsparameter 13.3.1
Schiefe
Schiefe Lageparameter und Streuungsmaße sind die wichtigsten formalen Parameter einer
Verteilung. Sie reichen jedoch noch lange nicht aus, um all die Merkmale einer Verteilung zu erfassen, wie sie z.B. in einer grafischen Darstellung wie einem Histogramm auf einen Blick zu erkennen sind. Das unterschiedliche Erschei nungsbild von zwei Verteilungen sagt zunächst nichts darüber aus, ob sie sich auch hinsichtlich Mittelwert und Streuung unterscheiden. Wie unterschiedlich Verteilungen aussehen können, haben wir in den unten stehenden Abbildungen in drei Varianten dargestellt. Abbildung 13.1: Symmetrische Verteilung
Abbildung 13.2: Linkssteile Verteilung
Kapitel 13 Maße zur Beschreibung von Verteilungen
135
Abbildung 13.3: Rechtssteile Verteilung
Diese drei Verteilungen unterscheiden sich hinsichtlich ihrer Symmetrieeigen schaft. Zur Kennung dieser Charakteristik gibt es den Parameter der Schiefe (eng lisch skewness) einer Verteilung. Rechtsschiefe oder linkssteile Verteilungen wie in der zweiten Abbildung haben eine Häufung von Werten auf der linken Seite, während die Werte auf der rechten Seite weniger häufig vorkommen. Mitunter sind auf der rechten Seite auch Ausreißer zu beobachten. Linksschiefe oder rechtssteile Verteilungen steigen von links nach rechts immer stärker an und fal len dann nach rechts steil ab. Definition 13.8: Schiefe
Schiefe
1 n 3 ¦ x x ni1 i mit s = Standardabweichung s3
(13.7)
Die obige Formel wird auch Momentenkoeffizient der Schiefe genannt. Durch die Verschiedene Berechnungsformeln für die dritte Potenz bleiben die Vorzeichen der Abweichungen erhalten. Ufert die Vertei- Schiefe lung nach rechts aus, d.h. treten dort eher die "Ausreißer" auf, dann überwiegen die positiven Abweichungen die negativen, d.h. die Schiefe erhält einen positiven Wert, wenn die Verteilung rechtsschief bzw. linkssteil ist. Umgekehrt bekommt die Schiefe einen negativen Wert zugewiesen beim Vorliegen einer linksschiefen oder rechtssteilen Verteilung. Im Falle einer symmetrischen Verteilung ist der Wert der Schiefe gleich Null. Eine alternative Formulierung der Schiefe kann durch den so genannten Quantil koeffizienten erfolgen.
Schiefe
(x1p xmed ) (xmed xp ) x1p xp
(13.8)
Für p = 0,25 erhält man den so genannten Quartilskoeffizienten der Schiefe.
136
Kapitel 13 Maße zur Beschreibung von Verteilungen Lageregeln Wie bei dem Vergleich von Mittelwert und Median schon zu bemerken war, gibt
es einen Zusammenhang zwischen der relativen Position von Median und Mittel wert und der Schiefe. Bezieht man überdies den Modus in den Vergleich mit ein, lassen sich Lageregeln formulieren. Definition 13.9: Lageregeln Symmetrische Verteilungen:
x | xmed | xmod
Linkssteile Verteilungen:
x > xmed > xmod
Rechtssteile Verteilungen:
x < xmed < xmod
Auf Grund des Zusammenhangs zwischen der Schiefe einer Verteilung und der relativen Lage der verschiedenen Maße der zentralen Tendenz lassen sich auch andere einfachere Formeln für die Schiefe finden.
Schiefe
x x mod s
(13.9)
Es gibt also mehrere Möglichkeiten, die Schiefe einer Verteilung zu berechnen. Beim Vergleich der Schiefen zweier Verteilungen ist daher immer sicherzustellen, dass diese auf dieselbe Weise gemessen wurden. Unabhängig von der konkret angewandten Formel zur Berechnung der Schiefe gilt jedoch natürlich immer, dass die Vorzeichen dieselben sind. Definition 13.10: Wert der Schiefe Symmetrische Verteilungen:
Schiefe | 0
Linkssteile Verteilungen:
Schiefe > 0
Rechtssteile Verteilungen:
Schiefe < 0
13.3.2
D ie Wölbung
Wölbung Verteilungen, die symmetrisch sind, können sich auf andere Weise voneinander
unterscheiden. Sie können breitgipflig oder schmalgipflig sein, d.h. die Werte können sich in der Mitte der Verteilung annähernd gleichmäßig über einen weiten Bereich verteilen, oder sie können sich stark um einen engen Bereich in der Mitte gruppieren.
Kapitel 13 Maße zur Beschreibung von Verteilungen
137
Abbildung 13.4: Breitgipflige Verteilung
Abbildung 13.5: Schmalgipflige Verteilung
Den Parameter, mit dem diese Eigenschaft einer Verteilung gemessen wird, be zeichnet man als Wölbung oder Exzess einer Verteilung (englisch kurtosis). Ana log zu den Schiefemaßen kann die Wölbung auf der Basis von Quantilen oder auf der Basis von Potenzmomenten berechnet werden. Verschiedene Formeln zur Berechnung der Wölbung
Auf der Basis von Quantilen berechnetes Wölbungsmaß:
Wölbung
x 0,75 x 0,25 2(x 0,9 x 0,1 )
Auf der Basis von Potenzmomenten berechnetes Wölbungsmaß:
(13.10)
138
Kapitel 13 Maße zur Beschreibung von Verteilungen
Wölbung
1 n ¦ (x i x)4 ni1 s4
(13.11)
Das Wölbungsmaß hat einen desto höheren Wert, je breitgipfliger die Verteilung ist. In der Literatur üblich ist auch das auf Potenzmomenten basierende Wöl bungsmaß von Fisher:
J
1 n ¦ (x x)4 ni1 i 3 s4
(13.12)
Das Wölbungsmaß von Fisher ist in Bezug auf die später erläuterte Standardnor malverteilung normiert, deren Wölbung den Wert 3 besitzt. Das Wölbungsmaß von Fisher ist daher positiv, wenn die Wölbung stärker ausfällt als die der Stan dardnormalverteilung, und negativ, wenn die Verteilung der betrachteten Daten menge im Vergleich zur Standardnormalverteilung schmalgipfliger ist.
13.4 Lorenzkurve und Gini-Koeffizient Maße für die Konzentra Mittelwert und Varianz sind Parameter, die sich auf die Ausprägungen einer Vari tion einer Verteilung
ablen beziehen, im einen Fall wird der durchschnittliche Wert der Ausprägung angegeben, im anderen Fall die durchschnittliche Abweichung eines beliebigen Werts aus einer Datenmenge zum Mittelwert. Schiefe und Wölbung beziehen sich hingegen mehr auf die Verteilung der Häufigkeiten der einzelnen Ausprägungen. Bisher hatten wir allerdings noch kein Maß, das (sozusagen) die Kombinationen aus den Ausprägungen und den dazugehörigen Häufigkeiten erfasst. Solche Maße benötigen wir jedoch, wenn wir z.B. die Konzentration bestimmter Größen auf wenige Einheiten einer Gruppe betrachten wollen. In der nachfolgenden Tabelle sind als Beispiel die Verteilungen des Bruttosozialprodukts und der Bevölkerung für die drei Gruppen der Niedrig-Einkommen-Länder, der Mittleres-EinkommenLänder und der Hohes-Einkommen-Länder angegeben. Es handelt sich dabei um aggregierte Daten. Das bedeutet, dass für jede Gruppe von Ländern in den einzel nen Spalten die Summe der relevanten Variable (Bruttosozialprodukt bzw. Bevöl kerung) ausgewiesen wird, die sich ergibt, wenn man die Werte aller einzelnen Länder einer Gruppe aufsummiert. Tabelle 13.3:Einkommen pro Bevölkerung Länder
GDP in Millionen US$
Bevölkerung in Millionen
Low-income Nations
1033240
2417
Middle income nations
5518750
2665
High income nations
24323299
896
(Daten für 1999; Datenquelle: WDI-Data-Query der Weltbank)
Kapitel 13 Maße zur Beschreibung von Verteilungen
139
Selbst bei den aggregierten Daten ist unmittelbar zu erkennen, dass es sich bei der Aufteilung der Bevölkerung nach Einkommen um eine rechtsschiefe Verteilung handelt, da wir einen überwiegenden Teil der Weltbevölkerung im niedrigen und mittleren Einkommensbereich haben, während ein relativ kleiner Teil, ungefähr ein Sechstel der Weltbevölkerung, die hohen Einkommen erzielt. Dieses Sechstel der Bevölkerung erzielt allerdings ca. 80 Prozent des Weltbruttosozialprodukts. Die so genannte Lorenzkurve ist ein äußerst anschauliches grafisches Mittel, um diese extreme Konzentration des Welteinkommens auf eine kleine Anzahl von Industrieländern zu veranschaulichen. Jeder vorkommenden Merkmalsausprägung wird dabei ein Koordinatenpaar zugeordnet. Die Koordinate auf der horizontalen Achse entspricht dem Anteil der Fälle, deren Merkmalsausprägungen kleiner oder gleich der kritischen Merkmalsausprägung sind. Die vertikale Koordinate ent spricht dem Anteil an der Summe aller Merkmalsausprägungen, den die Summe der Merkmalsausprägungen, die kleiner oder gleich der kritischen Merkmalsaus prägung sind, bildet. Lorenzkurve
Definition 13.11: Lorenzkurve Jeder Merkmalsausprägung xi wird ein Koordinatenpaar (ui, vi) zugeordnet mit den folgenden Eigenschaften. ui = Anzahl der Fälle, deren Merkmalsausprägung kleiner oder gleich xi ist, ge teilt durch n
¦x
vi
x j d xi n
j
(13.13)
¦ xi i 1
Der im Ursprung beginnende Streckenzug, der diese Koordinatenpaare mitein ander verbindet, in der Reihenfolge entsprechend ihrer Koordinate auf der ho rizontalen Achse, ist die Lorenzkurve. Um den Konzentrationseffekt anhand der Lorenzkurve zu verdeutlichen, seien als Illustration: Vier fiktive Gesellschaften Beispiele vier fiktive "Gesellschaften" mit jeweils 10 Mitgliedern betrachtet, die folgende Einkommensverteilung haben sollen.
140
Kapitel 13 Maße zur Beschreibung von Verteilungen
Tabelle 13.4: Konzentration des BSP in vier Gesellschaften Gesellschaft A
Gesellschaft B
Gesellschaft C
Gesellschaft D
10000
1000
1000
8000
10000
2000
2000
8000
10000
3000
4000
8000
10000
4000
7000
8000
10000
5000
11000
8000
10000
6000
16000
8000
10000
7000
22000
8000
10000
8000
29000
8000
10000
9000
37000
8000
10000
10000
46000
80000
In Gesellschaft A herrscht eine perfekte Gleichverteilung der Einkommen, in den Gesellschaften B und C gibt es einen gleichmäßigen Anstieg des Einkommens über die verschiedenen Mitglieder hinweg und in Gesellschaft D schließlich ist eine stark konzentrierte Einkommensverteilung zu bemerken, bei der der Bestver dienende mehr an Einkommen erzielt als alle anderen Mitglieder der Gesellschaft zusammen. Abbildung 13.6: Lorenzkurven der vier Gesellschaften
Kapitel 13 Maße zur Beschreibung von Verteilungen
Wie man sieht, ist die Lorenzkurve im Falle perfekter Gleichverteilung identisch Gini-Koeffizient mit der Diagonalen von links unten nach rechts oben. In jedem anderen Fall stellt die Lorenzkurve eine mehr oder weniger stark gekrümmte konvexe Funktion un terhalb der Diagonalen dar, die lediglich am Anfangspunkt und am Endpunkt mit dieser zusammentrifft. Die Lorenzkurve weicht desto dramatischer von der Dia gonalen ab, je stärker die Konzentration ausfällt. Mit steigender Konzentration nimmt daher auch die Fläche zwischen der Diagonalen und der Lorenzkurve zu. Es bietet sich daher an, ein Konzentrationsmaß zu konstruieren, das diesen Zu sammenhang berücksichtigt. Dieses Maß nennt man den Gini-Koeffizienten. Definition 13.12: Gini-Koeffizient Anteil der Fläche zwischen Diagonalen und Lorenzkurve an Fläche zwischen Diagonale und horizontaler Achse. Da das Dreieck zwischen der Diagonalen und der horizontalen Achse den Flä cheninhalt ½ hat, gilt auch der Zusammenhang: Das Zweifache der Fläche zwischen der Diagonalen und der Lorenzkurve. Da die Fläche zwischen der Diagonalen und der Lorenzkurve gleich der Differenz der Fläche unter der Diagonalen und der Fläche unter der Lorenzkurve ist, kann der Gini-Koeffizient auch als das Zweifache dieser Differenz berechnet werden. Die Fläche unter der Lorenzkurve kann aus einzelnen Teilflächen zusammenge setzt werden, die einem Abschnitt zwischen zwei aufeinander folgenden Werten von ui entsprechen. Jede dieser Teilflächen besteht jeweils aus einem Rechteck und einem Dreieck. Der Teilabschnitt zwischen ui und ui – 1 besteht demnach aus dem Rechteck mit der Breite ui – ui – 1 und der Höhe vi – 1 und einem Dreieck mit derselben Breite ui – ui – 1 und der Höhe vi – vi – 1. Abbildung 13.7: Grafische Darstellung des Gini-Koeffizienten
141
142
Kapitel 13 Maße zur Beschreibung von Verteilungen
Formal lässt sich der Gini-Koeffizient wie folgt berechnen:
Die Koordinatenpaare (ui ,v i ) seien geordnet, so daß gilt: ui ! ui-1, v i ! v i-1 n ª(u ui1 )(v i v i1 ) º Gini Koeffizient 1 2¦ « i (ui ui1 ) v i1 » 2 ¼ i 1 ¬ n )º u )(v v ª(u i 1 i i 1 1 2¦ « i » 2 ¼ i 1 ¬ n
1 ¦ (ui ui1 )(v i v i1 ) i 1 n
1 ¦ (v iui v iui1 v i1ui v i1ui-1 ) i 1
n
¦vu
i i 1
i 1
mit u0
0, v 0
0 und un
n
¦ v i1ui
1, v n
i 1
1
(13.14)
Normierung des Bei perfekter Gleichverteilung nimmt der Gini-Koeffizient den Wert 0 an, bei Gini-Koeffizienten
vollständiger Konzentration des Merkmals auf die letzte Gruppe mit m Fällen beträgt der Gini-Koeffizient
nm . Damit die maximal mögliche Konzentration n
den Wert 1 erhält, wird der Koeffizient normiert. Die maximale Konzentration ist dann gegeben, wenn die Summe aller Merkmalsausprägungen auf einen Fall ver einigt ist. Deshalb wird m zumeist mit 1 gleichgesetzt. Es sind jedoch auch Bei spiele denkbar, in denen die Konzentration nicht für einzelne Fälle, sondern für Gruppen von Fällen gemessen wird, wie etwa in der hier angeführten Tabelle über reiche und arme Länder. In diesem Fall ist m > 1. Deswegen wird hier die Formel für den normierten Gini-Koeffizienten in der allgemeinen Form angegeben, oft findet man sie jedoch auch in der spezielleren Form mit m = 1. Definition 13.13: Normierter Gini-Koeffizient Normierter Gini-Koeffizient =
n * Gini-Koeffizient nm
Als Beispiel berechnen wir den Gini-Koeffizienten für die Verteilung des Brutto sozialprodukts über die Ländergruppen. Dazu nehmen wir vereinfachend an, dass innerhalb der Gruppen keine wesentliche Konzentration besteht. Um den Koeffi zienten berechnen zu können, müssen wir zuerst die Werte der Koordinaten bestimmen.
Kapitel 13 Maße zur Beschreibung von Verteilungen
143
Tabelle 13.5: Gini-Koeffizient für Verteilung des Bruttosozialproduktes über Ländergruppen Länder
GDP
Bevölkerung
vi
ui
Low-income Nations
1033240
2417
0,033
0,404
Middle income nations
5518750
2665
0,212
0,850
High income nations
24323299
896
1,000
1,000
Summe
30875289
5978
Aus der Tabelle können wir jetzt unmittelbar herauslesen, dass z.B. 85 Prozent der Weltbevölkerung über nur 21 Prozent des Bruttosozialprodukts verfügen, oder umgekehrt, dass rund 15 Prozent der Weltbevölkerung über fast 80 Prozent des Bruttosozialprodukts verfügen.
Gini-Koeffizient = 0,033 * 0,85 + 0,212 * 1 – 0,212 * 0,404 – 0,85
= 0,696
Um den "normierten" Koeffizienten zu erhalten, muss noch mit 100/85 multipli ziert werden, so dass schließlich 0,818 herauskommt, also eine extrem starke Konzentration, was jedoch trivialerweise so zu erwarten war.
144
Kapitel 14 Bivariate Zusammenhänge
14 Bivariate Zusammenhänge Vermutungen aus Die Darstellung einer univariaten Verteilung kann zwar durchaus aufschlussreich Vorwissen und Alltagserfahrung und hilfreich sein, sie allein wird aber kaum jemals zu wirklich interessanten Ein-
sichten führen. Wenn wir dennoch bei Merkmalen der Verteilung einer einzigen Variable den Eindruck bekommen, eine interessante Entdeckung gemacht zu ha ben, so vermutlich dann, wenn wir diese Merkmale so nicht erwartet hätten. Diese Merkmale scheinen nicht typisch zu sein im Vergleich mit denen, die wir "norma lerweise" erwarten würden. Wenn wir also auf solche "überraschenden" Ergebnis se stoßen, hegen wir offensichtlich Vermutungen, denen nicht entsprochen wird. Diese Abweichung von unseren Vermutungen würden wir dann zu erklären ver suchen, indem wir nach einem Merkmal unseres Datensatzes suchen, das diesen als nicht "normal" erscheinen lässt. Nehmen wir z.B. an, wir wüssten, dass die durchschnittliche Körpergröße aller Deutschen 1,75 Meter wäre. Ein befreundeter Arzt erzählt uns nun von einer Untersuchung an einer Gruppe von Menschen, die im Mittel lediglich 1,63 Meter groß waren. Dieses Ergebnis würde uns nur so lan ge überraschen, bis uns der Arzt mitteilt, dass diese Untersuchung an Bewohnern eines Altenheims stattgefunden hat. Da wir aus unserer Alltagserfahrung wissen, dass alte Menschen im Durchschnitt kleiner sind, empfinden wir jetzt das Ergeb nis als nicht mehr ungewöhnlich.
Höchste Abstraktions- Wissenschaftlich interessant sind Aussagen immer dann, wenn sie sich auf das ebene: Aussagen über Zusammenhänge Verhältnis mehrerer Eigenschaften zueinander beziehen, wie z.B. auf den Zuzwischen Merkmalen sammenhang zwischen Alter, Geschlecht oder regionaler Herkunft und Körper
größe. Mit Aussagen, die sich nur noch auf solche Zusammenhänge zwischen Merkmalen beziehen, erreichen wir das höchste Ausmaß an Abstraktion, da wir uns vollends von der Ebene der Objekte erheben. Ein Satz wie 'Alte Menschen sind im Durchschnitt kleiner als junge Menschen.' besteht nur noch aus Universa lien und enthält keinerlei Individualien – also Namen oder Identifikationsbezeich nungen von Objekten – mehr. Allerdings sind diese Aussagen Verallgemeinerun gen von Zusammenhängen, die wir auf der Objektebene erheben. Urliste geordneter Paare Der Einfachheit halber werden wir uns im Folgenden vorerst auf die Beziehungen
zwischen zwei Merkmalen beschränken. Um diese zu untersuchen, muss die Ur liste für jedes Objekt die Ausprägungen dieser zwei Merkmale enthalten. Wenn wir die Variablen allgemein als X und Y bezeichnen und die Ausprägungen der Variablen des i-ten Objekts mit xi und yi, dann besteht die Urliste aus einer Menge von geordneten Paaren (xi, yi). Die allgemeine tabellarische Darstellung sähe dann folgendermaßen aus:
Kapitel 14 Bivariate Zusammenhänge
145
Tabelle 14.1: Bivariate Urliste Objektindex
Variablen X
Y
1
x1
y1
2
x2
y2
3
x3
y3
...
...
...
i
xi
yi
...
...
...
n
xn
yn
Bei der Darstellung von Häufigkeiten einer Variablen wurden alle Fälle mit der- Kontingenztabelle selben Ausprägung der Variablen zu einer Gruppe zusammengefasst. Besitzt die Variable X insgesamt k Ausprägungen a1 bis ak und die zweite Variable Y l Aus prägungen b1 bis bl, dann existieren k * l Kombinationen der Ausprägungen der beiden Variablen. Der Funktionswert hij = h(ai, bj), der die Anzahl der Fälle mit der Merkmalskombination ai UND bj angibt, wird die absolute Häufigkeit der gemeinsamen Verteilung von X und Y genannt. Der Funktionswert fij = f(ai, bj), der den Anteil der Fälle mit der Merkmalskombination ai UND bj angibt, wird die relative Häufigkeit der gemeinsamen Verteilung von X und Y genannt. Solange die Anzahl der Merkmalsausprägungen überschaubar ist, lassen sich gemeinsame Häufigkeitsverteilungen in so genannten Kontingenztabellen darstellen. Die Zei len der Tabelle entsprechen dabei den Ausprägungen der einen Variablen, die Spalten den Ausprägungen der zweiten Variablen, und eine bestimmte Zelle ent spricht als "Schnittmenge" einer Zeile und einer Spalte einer bestimmten Kombi nation von Ausprägungen. Der Häufigkeitswert hij der gemeinsamen Verteilung befindet sich nach der üblichen Konvention in der Zelle, die durch die Schnitt menge der i-ten Zeile mit der j-ten Spalte gebildet wird. Werden die Werte der Zellen über die Zeilen oder die Spalten aufaddiert, so ergeben sich die so genann ten Zeilen- bzw. Spaltensummen, die auch Randverteilungen genannt werden. Die Randverteilung der Zeilenvariablen wird durch die Häufigkeiten hi. erstellt, die Randverteilung der Spaltenvariablen durch die Häufigkeiten h.i. Durch den Punkt wird angezeigt, dass die Ausprägungen der an dieser Stelle indizierten Variablen alle so behandelt werden, als ob sie nicht unterschieden werden könnten.
hi. = h(ai mit beliebigem bj) = hi1 + hi2 +… hij +…+ hil
(14.1)
h.i = h(bi mit beliebigem aj) = h1i + h2i +…hji +...+ hki
(14.2)
Die Randverteilungen sind dabei identisch mit der univariaten Häufigkeitsvertei- Randverteilung lung der entsprechenden Variablen.
146
Kapitel 14 Bivariate Zusammenhänge
Tabelle 14.2: Kontingenztabelle mit Randverteilungen Y=b1
Y=b2
X=a1
h11
h12
X=a2
h21
...
…
Y=bj
...
Y=bl
Zeilensummen
h1j
h1l
h1.
h22
h2j
h2l
h2.
...
...
...
...
...
X=ai
hi1
hi2
hij
hil
hi.
...
...
...
...
...
...
X=ak
hk1
hk2
hkj
hkl
hk.
Spaltensummen
h.1
h.2
h.j
h.l
n
14.1 Grafische Darstellung bivariater Zusammenhänge Die folgende Kontingenztabelle enthält die Ergebnisse einer fiktiven Umfrage bezüglich der Variablen Wahlabsicht, die für jeweils 1000 Befragte sowohl in den alten wie auch in den neuen Bundesländern erhoben wurde. Tabelle 14.3: Wahlabsicht in alten und neuen Bundesländern CDU/CSU
SPD
FDP
GRÜNE/ B90
PDS
Zeilensummen
Alte Bundesländer
370
415
69
123
23
1000
Neue Bundesländer
234
385
62
98
221
1000
Spaltensumme
604
800
131
221
244
2000
Dreidimensionales Zur grafischen Abbildung der Tabelle können wir ein dreidimensionales SäulenSäulendiagramm
diagramm verwenden, bei der die beiden Dimensionen der Grundfläche den Aus prägungen der beiden Variablen entsprechen und die Höhe der Säulen wie ge wohnt der Häufigkeit.
Kapitel 14 Bivariate Zusammenhänge
147
Abbildung 14.1: Dreidimensionales Säulendiagramm zur Darstellung einer bivariaten Verteilung 500 400 300 200 100 0
CD
U CS U/
Neue Bundesländer D SP
P FD R G
E/ ÜN
0 B9
Alte Bundesländer S PD
Da dreidimensionale Abbildungen oft unübersichtlich sind und ein größeres räum- Gruppiertes Säulendiagramm liches Vorstellungsvermögen voraussetzen, ist es verbreiteter, zur Darstellung von bivariaten Zusammenhängen auf gruppierte Säulen zurückzugreifen. Da durch die Gruppierung aber die bisherige Symmetrie der Darstellung bezüglich beider Vari ablen aufgegeben wird, müssen wir uns überlegen, nach welchem Kriterium wir Säulen gruppieren wollen. Grundsätzlich wollen wir durch bivariate Untersu chungen herausfinden, welcher Zusammenhang zwischen zwei Variablen besteht. Dabei stellen wir die forschungsrelevante Frage: Inwiefern treffen Veränderungen der einen Variablen mit Veränderungen der anderen Variablen systematisch zu sammen? Wenn wir über vorab formulierte Hypothesen oder Vermutungen verfü gen – und dies sollten wir, wenn wir methodisch korrekt vorgehen wollen –, dann haben wir in der Regel eine Vermutung über die Richtung des Zusammenhangs, also die Veränderung welcher Variablen die Veränderung der anderen nach sich zieht. Im Falle einer echten Kausalhypothese können wir sogar von einer Ursacheund einer Wirkungsvariablen sprechen. Allgemein sprechen wir in der Statistik von abhängigen und unabhängigen Variablen, wobei die Veränderungen der un abhängigen Variablen sich auf die abhängige Variable auswirken. Wenn wir Säu len in einem Diagramm zur Darstellung eines bivariaten Zusammenhangs grup pieren, dann ist die Gruppierungsvariable die unabhängige Variable. Bei unserem Beispiel bezüglich des Wahlverhaltens und des Ost/West-Faktors gehen wir wohl kaum davon aus, dass die Wahlabsicht die regionale Herkunft beeinflusst. Viel mehr vermuten wir, dass die regionale Herkunft einen Einfluss auf die Wahlab sicht ausübt. Daher fassen wir die Säulen der Befragten aus den neuen und den alten Bundesländern bezüglich jeder Partei zu einem Block zusammen.
148
Kapitel 14 Bivariate Zusammenhänge
Abbildung 14.2: Gruppiertes Säulendiagramm zur Darstellung einer bivariaten Verteilung 450 400 350 300 250 200 150 100 50 0
Alte Bundesländer
PD S
P
C
D
U
FD
SP D
/C SU
Neue Bundesländer
Bedingte relative Bei den univariaten Verteilungen haben wir schon bemerkt, dass wir weniger an Häufigkeitsverteilung
absoluten Häufigkeiten als vielmehr an den Relationen zwischen bestimmten Häu figkeiten interessiert sind. Die Häufigkeiten werden dabei in Hinblick auf eine für die Fragestellung relevante Basisgröße relativiert. Wenn wir beispielsweise wis sen wollen, ob Bürger der neuen Länder eine deutlich andere Verteilung ihrer Wahlabsichten aufweisen als Bürger der alten Länder, dann bilden diese beiden Untergruppen (Bürger der neuen und der alten Länder) die Basis für eine Relati vierung der Häufigkeit der Wahlabsicht. Dies nennt man die bedingte relative Häufigkeitsverteilung. Die bedingte relative Häufigkeit der Ausprägung bj der Variablen Y für eine bestimmte Ausprägung ai der Variablen X schreiben wir als f(Y = bj | X = ai). Dies ist der Anteil der Fälle, die bezüglich der Variablen Y die Ausprägung bj und bezüglich der Variablen X die Ausprägung ai haben an allen Fällen, die bezüglich der Variablen X die Ausprägung ai haben.
f(Y
bj | X
ai )
h(ai ,b j )
hij
h(ai )
hi.
(14.3)
Konvention der Nach der Konvention bezeichnet X die unabhängige und Y die abhängige VariabTabellenkonstruktion: X (Zeilen) für die unab le. Als bedingte relative Häufigkeitsverteilung der Wahlabsicht unter der Bedinhängige, Y (Spalten für gung einer bestimmten regionalen Herkunft ergibt sich die folgende Tabelle. die abhängige Variable
Tabelle 14.4: Bedingte relative Häufigkeitsverteilung CDU/CSU
SPD
FDP
GRÜNE/ B90
PDS
Gesamt
Alte Bundesländer
0,370
0,415
0,069
0,123
0,023
1,000
Neue Bundesländer
0,234
0,385
0,062
0,098
0,221
1,000
Gesamt
0,302
0,400
0,066
0,111
0,122
1,000
Kapitel 14 Bivariate Zusammenhänge
Die Zahlen in den Zellen sind nichts anderes als die relativen Häufigkeiten inner Prozentuierung in Tabellen halb einer Zeile. Werden sie in Prozentzahlen dargestellt, werden sie daher auch Zeilenprozent genannt. Analog dazu können Spaltenprozent gebildet werden, in dem man für jede Spalte den Anteil der Fälle in einer Zelle an allen Fällen in die ser Spalte berechnet. Ob man die unabhängige Variable in der Zeile oder in der Spalte anordnet, hängt von persönlichen Vorlieben ab. In der Literatur sind beide Vorgehensweisen üblich. Entscheidend ist, dass die abhängige Variable innerhalb der durch die unabhängige Variable gebildeten Untergruppen prozentuiert wird. Ist die bedingende bzw. unabhängige Variable die Zeilenvariable, dann werden Zeilenprozente gebildet, ist die bedingende Variable die Spaltenvariable, dann werden Spaltenprozentwerte berechnet. In unserem Beispiel einer fiktiven Umfrage erhält die PDS in den neuen Bundes ländern 22,1 Prozent, während sie in den alten Bundesländern nur 2,3 Prozent der Stimmen auf sich ziehen kann. Der große Verlierer im Osten ist die CDU, die dort nur 23,4 Prozent erhält, während sie im Westen auf stattliche 37,0 Prozent kommt. Natürlich hätte man diese Verhältnisse auch an den absoluten Zahlen erkennen können, da in unserem speziellen Fall beide Teilgruppen die gleiche Anzahl von Fällen beinhalten. Wenn sich die Fallzahlen in den Untergruppen jedoch unter scheiden, können die bedingten Verteilungen der abhängigen Variablen nur auf Basis der relativen Häufigkeiten in den Zeilen sinnvoll verglichen werden. Für die grafische Darstellung von bedingten relativen Häufigkeiten eignen sich Gestapeltes Säulendiagramm gestapelte Säulendiagramme. Dabei gibt es für jede Ausprägung der unabhängi gen Variablen eine Säule. Die Anteile der Ausprägungen der abhängigen Variab len innerhalb dieser Untergruppe sind übereinander in der Säule abgetragen, wo bei der jeweilige Anteil der Fälle der Höhe dieser Teilsäule entspricht. Da es nur auf die Anteile der Ausprägungen der abhängigen Variablen innerhalb der durch die unabhängigen Variablen spezifizierten Untergruppen ankommt, sind die ver schiedenen Säulen auf eine gleiche Höhe normiert, so dass man das Verhältnis der Anteile einer Ausprägung der abhängigen Variablen in verschiedenen Untergrup pen gut mit dem Auge erfassen kann.
149
150
Kapitel 14 Bivariate Zusammenhänge
Abbildung 14.3: Gestapeltes Säulendiagramm zur Darstellung einer bedingten relativen Häufigkeitsverteilung 100% 90% 80% 70%
PDS GRÜNE/B90 FDP SPD CDU/CSU
60% 50% 40% 30% 20% 10% 0% Alte Bundesländer
Neue Bundesländer
Sowohl die Tabelle 14.4 als auch die Abbildung 14.3 zeigen einen auffälligen Zusammenhang zwischen regionaler Herkunft und dem beabsichtigten Wahlver halten. Will man das Ausmaß (die Stärke) des Zusammenhangs charakterisieren, ist es sinnvoll, hierfür standardisierte Kennzahlen zu verwenden. Dafür bildet man Zusammenhangsmaße. Da es uns vorerst um die Darstellung von Zusammenhän gen geht, wie wir sie in Kontingenztabellen finden, beziehen sich die entspre chenden Zusammenhangsmaße auf nominalskalierte Variablen. Das können auch Variablen sein, die ursprünglich auf einem höheren Skalenniveau erhoben wur den, dann aber auf Nominalskalenniveau transformiert wurden.
14.2 Zusammenhangsmaße für nominalskalierte Variablen Vierfeldertabelle Am einfachsten lassen sich solche Zusammenhänge oder Assoziationen am Fall
zweier nominalskalierter Variablen untersuchen, die jeweils nur zwei Ausprägun gen haben. Die Häufigkeitstabelle besteht dann aus nur vier Zellen und wird daher auch Vierfeldertabelle genannt. Als Zellen einer Häufigkeitstabelle wird nur der Kern der Tabelle gezählt, der die Werte enthält. Die Zellen, die lediglich Beschrif tungen enthalten, werden nicht zur Häufigkeitstabelle gezählt, da Beschriftungen auch außerhalb der Tabelle am Rand stehen könnten. Auch die Randverteilungen gehören nicht zur eigentlichen Wertetabelle, da sie erst aus den Werten der ande ren Zellen errechnet werden. Tabelle 14.5: Vierfeldertabelle Y = b1
Y = b2
Zeilensummen
X = a1
h11
h12
h1.
X = a2
h21
h22
h2.
Spaltensummen
h.1
h.2
n
Kapitel 14 Bivariate Zusammenhänge
151
14.2.1 Prozentsatzdifferenz Als ein empirisches Beispiel für eine solche Vierfeldertabelle nehmen wir einen Prozentsatzdifferenz Ausschnitt der "Ewigen Tabelle" des DFB, in dem für die beiden Spitzenreiter "Bayern München" und "Hamburger SV" jeweils nur die gewonnenen und die verlorenen Spiele aufgeführt sind. Streng genommen ist diese Darstellung nicht ganz korrekt, da gewisse Fälle, nämlich alle Begegnungen zwischen den beiden Mannschaften, doppelt gezählt werden, doch für den Zweck der Illustration soll hier dieser kleine Schönheitsfehler der Tabelle ignoriert werden. Zusätzlich zu den absoluten Häufigkeiten der einzelnen Zellen sind in der Tabelle unter diesen die Zeilenprozente angegeben. Tabelle 14.6: Spielbilanz von Bayern und Hamburg Gewonnene Spiele
Verlorene Spiele
Zeilensummen
Bayern München
770 73,2 %
282 26,8 %
1052 100 %
Hamburger SV
596 56,9 %
452 43,1 %
1048 100 %
Spaltensummen
1366 65,0 %
734 35,0
2100 100 %
Quelle: http://www.fussballdaten.de/bundesliga/ewigetabelle/, Stand 05.10.2005
Beide Mannschaften zusammen haben von insgesamt 2100 Spielen 1366 Spiele gewonnen, also fast zwei Drittel. Dies ist nicht überraschend, da es sich ja um die Auswahl der beiden erfolgreichsten Mannschaften in Deutschland handelt. Aller dings hat Bayern München 73,2 % aller seiner Spiele gewonnen, während die Gewinnquote für den Hamburger SV "nur" 56,9 % beträgt. Die einfachste Form, diesen Unterschied auszudrücken, ist die so genannte Prozentsatzdifferenz d %, die in unserem Beispiel 16,3 beträgt. Die Prozentsatzdifferenz zweier Untergrup pen der unabhängigen Variable, die durch die Ausprägungen ai und aj gebildet sind, bezüglich der Ausprägung der abhängigen Variablen bk, ist die Differenz der bedingten relativen Häufigkeiten dieser Ausprägung in den beiden Untergruppen mit Hundert multipliziert. Definition 14.1: Prozentsatzdifferenz d%(bk ,ai ,a j )
ª h(ai ,bk ) h(a j ,bk ) º « » 100 h(a j ) ¼» ¬« h(ai )
ª hik h jk º « » 100 ¬« hi. h j. »¼
(14.4)
Diese Formel stellt den allgemeinen Fall dar. Die Prozentsatzdifferenz bezieht sich immer auf eine Ausprägung der abhängigen Variablen im Hinblick auf zwei Untergruppen der unabhängigen Variablen. Mit Hilfe der allgemeinen Formel kann beispielsweise auch die Prozentsatzdifferenz zwischen zwei Zeilen in einer Spalte einer größeren Tabelle berechnet werden. Üblicherweise wird die Pro
152
Kapitel 14 Bivariate Zusammenhänge
zentsatzdifferenz aber nur für Vierfeldertabellen ausgerechnet. In diesem (speziel leren) Fall ist sie für beide Ausprägungen der abhängigen Variablen gleich. Au ßerdem ist im Fall der Vierfeldertabelle klar, auf den Vergleich welcher Unter gruppen sie sich bezieht, da es nur zwei Untergruppen gibt. Die (speziellere) For mel der Prozentsatzdifferenz für eine Vierfeldertabelle, in der die Zeilenvariable die bedingende Variable ist, lautet:
d% Darstellung einer Prozentsatzdifferenz im gestapelten Säulendia gramm
ªh11 h21 º « » 100 ¬ h1. h2. ¼
(14.5)
Wenn die abhängige Variable nur zwei Ausprägungen besitzt, sind gestapelte Säulendiagramme besonders gut geeignet, die Prozentsatzdifferenz grafisch dar zustellen, wie man an dem DFB-Beispiel der ewigen Tabelle gut erkennen kann.
Abbildung 14.4: Fußballspiele – Vergleich Bayern und Hamburg 100% 90% 80% 70% 60%
Verlorene Spiele Gewonnene Spiele
50% 40% 30% 20% 10% 0% Bayern München
Hamburger SV
Die Prozentsatzdifferenz betrachtet den Unterschied zwischen den Zeilen hinsichtlich der bedingten relativen Häufigkeit einer Ausprägung der abhängigen Variablen, also innerhalb einer Spalte. Man hätte aber auch erst einmal die Diffe renz innerhalb einer Zeile bilden und so zu der Aussage kommen können, dass die Differenz der Prozentsätze der gewonnenen und der verlorenen Spiele für den FC Bayern immerhin 46,4 Prozentpunkte beträgt, für den HSV jedoch nur 13,8 Pro zentpunkte. Die Differenz dieser Überhänge von gewonnenen gegenüber verlore nen Spielen zwischen den beiden Vereinen ist demnach 32,6 Prozent. Dem auf merksamen Leser wird dabei nicht entgangen sein, dass dies genau das Doppelte der Prozentsatzdifferenz ist, da die Differenz zwischen gewonnenen und verlore nen Spielen um genau den doppelten Betrag ansteigt, um den die gewonnenen Spiele zunehmen.
Kapitel 14 Bivariate Zusammenhänge
153
14.2.2 Odds-Ratio Genau denselben Vergleich können wir auch durchführen, wenn wir anstatt Diffe Odds-Ratio renzen Verhältnisse bilden. Das Verhältnis der gewonnenen zu den verlorenen Spielen ist beim FC Bayern mit 676 / 259 = 2,61 deutlich günstiger als beim Hamburger SV mit 535 / 402 = 1,33, ja fast sogar doppelt so hoch. Dieses Ver hältnis wird im Englischen als Odds bezeichnet und im Deutschen meist als Chance übersetzt. Der Begriff stammt aus dem Bereich der Wetten, da er die Quo te bezeichnet, die jemand bei einer fairen Wette erhalten sollte. Jemand, der bereit ist, auf eine Niederlage des FC Bayern zu wetten, sollte dies daher nur dann tun, wenn er als Gewinn mindestens das 2,61-fache seines Einsatzes erhält, wenn die Bayern tatsächlich verlieren. Dies gilt allerdings nur, wenn man davon ausgeht, dass das bisherige Gewinn-Niederlage Verhältnis auch ungefähr den Wahrschein lichkeiten zukünftiger Gewinne bzw. Niederlagen entspricht. (Sollten darüber hinaus so genannte "expressive Nutzen" entstehen, weil es einfach Spaß macht, gegen den FC Bayern zu wetten, gilt das Kalkül natürlich ebenfalls nicht.) Die bedingten Odds beziehen sich also auf das Verhältnis der bedingten Häufigkeiten zweier Ausprägungen der abhängigen Variablen bk und bl innerhalb einer Unter gruppe, die einer Ausprägung ai der unabhängigen Variablen entspricht.
Odds(bk ,bl ,ai )
hik hil
(14.6)
Uns interessieren aber die Unterschiede der Odds bzw. der Chancen zwischen den Odds: Relative Chancen Untergruppen. Offensichtlich ist es bei gleicher Quote ja wesentlich aussichtsrei cher, auf eine Niederlage des HSV zu wetten als auf eine des FC Bayern. Das Verhältnis zweier Odds zueinander wird als Odds-Ratio oder relative Chance be zeichnet.
Odds Ratio(bk ,bl ,ai , a j )
Odds(bk ,bl ,ai ) Odds(bk ,bl , a j )
hik /hil h jk /h jl
hik h jl h jk hil
(14.7)
Für die Vierfeldertabelle vereinfacht sich die Formel wieder entsprechend. Odds Ratio
h11 h22 h21 h12
(14.8)
Da in diesem Spezialfall die Odds-Ratio dem Verhältnis der Produkte entspricht, Kreuzproduktverhältnis die aus den auf den jeweiligen Diagonalen liegenden Zellen gebildet werden, wird die Odds-Ratio auch Kreuzproduktverhältnis genannt. Für unser Beispiel gilt: Odds Ratio
676 402 535 259
1,96
Wenn ich auf die Niederlage eines Vereins wetten würde, sollte die Quote bezüg lich der FC Bayern also fast doppelt so hoch ausfallen wie die bezüglich des HSV.
154
Kapitel 14 Bivariate Zusammenhänge
14.2.3
Chi²-basierte Zusammenhangsmaße
Empirische Unabhän Ein Zusammenhang oder eine Assoziation zwischen zwei Variablen besteht im gigkeit zwischen Variablen mer dann, wenn die eine Variable, die unabhängige oder bedingende, einen Ein
fluss auf die andere, die abhängige oder bedingte, ausübt. Dies ist dann der Fall, wenn eine Änderung der unabhängigen Variablen eine Änderung der abhängigen Variablen nach sich zieht. Der stärkste vorstellbare Zusammenhang würde dann bestehen, wenn jede Änderung der unabhängigen Variablen eine eindeutig be stimmte Änderung der abhängigen nach sich ziehen würde. Bei dem speziellen Fall einer Vierfeldertabelle würde dies bedeuten, dass sich alle Fälle nur in den Zellen einer der beiden Diagonalen befinden. In unserem Fußballspiel wäre das z.B. dann der Fall, wenn der FC Bayern alle seine Spiele gewonnen hätte und der HSV kein einziges. Dieser Extremfall ist jedoch eher selten zu erwarten, wesent lich wahrscheinlicher ist der Fall, wie in unserem DFB-Beispiel, dass die Ände rung der unabhängigen Variablen sich auf die Verteilung der relativen bedingten Häufigkeiten auswirkt. Nicht alle Ostdeutschen wählen die PDS, aber sie wählen sie in einem deutlich höherem Umfang, so wie die Gewinnquote des FC Bayern zwar nicht gleich Eins ist, aber eben deutlich höher als die des HSV. Einfacher lässt sich dieses Kriterium umgekehrt formulieren: Es besteht kein Zusammen hang zwischen einer bedingenden und der bedingten Variablen, wenn die bedingte relative Häufigkeitsverteilung für jede Ausprägung der bedingenden Variablen identisch ist. Wenn alle bedingten relativen Häufigkeitsverteilungen der abhängi gen Variablen identisch sind, so sind sie auch identisch mit der relativen Häufig keitsverteilung der abhängigen Variablen für die Gesamtheit, bzw. der relativen Häufigkeitsverteilung der entsprechenden Randverteilung. In diesem Fall spre chen wir von der empirischen Unabhängigkeit der beiden Variablen. Umgekehrt bedeutet dies: Wenn kein Zusammenhang zwischen den beiden Variablen besteht, dann erwarten wir eine annähernd identische Verteilung der bedingten relativen Häufigkeiten für die verschiedenen Ausprägungen der bedingenden Variablen. Gewisse Abweichungen zwischen den beiden Verteilungen sind dann zwar auf grund von Zufallsschwankungen immer noch zu erwarten, sollten aber eher gering ausfallen, da sie eben nur auf dem Zufall beruhen. In jedem Fall sollten sie deut lich geringer sein als Abweichungen, die auf systematische Einflüsse der unab hängigen Variablen auf die abhängige zurückzuführen sind. Gehen wir von einem Beispiel aus, in dem 1000 Männer und 500 Frauen im Alter zwischen 20 und 35 danach befragt worden sind, welchen von fünf Kinoschau spielern sie am meisten schätzen. Die Ergebnisse dieser fiktiven Umfrage sollen folgendermaßen aussehen:
Kapitel 14 Bivariate Zusammenhänge
155
Tabelle 14.7: Empirische Häufigkeitstabelle (fiktiv) Brad Pitt
Harrison Ford
Tom Cruise
George Segal
Sylvester Stallone
Zeilensum men
Männer
194 19,4 %
122 12,2 %
243 24,3 %
127 12,7 %
314 31,4 %
1000 100 %
Frauen
181 36,2 %
130 26,0 %
117 23,4 %
23 4,6 %
49 9,8 %
500 100 %
Spaltensummen
375 25 %
252 16,8 %
360 24,0 %
150 10,0 %
363 24,2 %
1500 100 %
Während über alle Befragten hinweg Brad Pitt, Tom Cruise und Sylvester Stallo ne ungefähr jeweils von einem Viertel aller Befragten am meisten geschätzt wer den, gibt es offensichtlich beträchtliche Unterschiede der Wertschätzungen in den beiden Teilgruppen. Frauen stehen besonders auf Brad Pitt, Männer dagegen sind in wesentlich höherem Maße angezogen von Sylvester Stallone. Ausgehend vom Postulat der empirischen Unabhängigkeit können wir nun eine Indifferenztabelle Tabelle konstruieren, die die Häufigkeiten in den Zellen angibt, die wir erwarten würden, wenn es keinen Unterschied des Geschmacks in Bezug auf männliche Kinoschauspieler zwischen Männern und Frauen gäbe. Diese Tabelle nennen wir Indifferenztabelle. Die nach dem Postulat der empirischen Unabhängigkeit erwar tete absolute Häufigkeit eij in einer Zelle erhalten wir, indem wir uns die bedingte relative Häufigkeit dieser Zelle ansehen, die ja der relativen Häufigkeit in der Randverteilung entsprechen muss, und diese mit der Anzahl der Fälle in der ent sprechenden Untergruppe multiplizieren. Wenn von allen Befragten 25 % z.B. Brad Pitt als den von ihnen am meisten geschätzten Schauspieler nennen, so muss das auch für 25 % der Männer zutreffen, wenn es keine Unterschiede zwischen Männern und Frauen geben soll. Also müssen 25 % der insgesamt 1000 befragten Männer für Brad Pitt sein, das sind 250. Formal ausgedrückt gilt:
eij
h.j n
hi.
h.j hi. n
n
h.j n
hi. n
n f j fi
(14.9)
Die erwartete absolute Häufigkeit der Zellenbesetzung ergibt sich als das Produkt der relativen Häufigkeiten mit den entsprechenden Werten der Randverteilungen und der Anzahl der Fälle.
156
Kapitel 14 Bivariate Zusammenhänge
Tabelle 14.8: Indifferenztabelle Brad Pitt
Harrison Ford
Tom Cruise
George Segal
Sylvester Stallone
Zeilensummen
Männer
250 25,0 %
168 16,8 %
240 24,0 %
100 10,0 %
242 24,2 %
1000 100 %
Frauen
125 25,0 %
84 16,8 %
120 24,0 %
50 10,0 %
121 24,2 %
500 100 %
Spaltensummen
375 25,0 %
252 16,8 %
360 24,0 %
150 10,0 %
363 24,2 %
1500 100 %
Wir können nun die Werte der Indifferenztabelle in eine gemeinsame Tabelle mit den Originalwerten eintragen. Tabelle 14.9: Vergleich der empirischen Häufigkeiten mit der Indifferenztabelle Brad Pitt
Maß für die Abwei chung der Kontingenz tabelle von der Indifferenztabelle: Chi-Quadrat-Koeffizient
Harrison Ford
Tom Cruise
George Segal
Sylvester
Zeilensummen
Stallone
Männer Originalwerte erwartete Werte Abweichungen
194 250 56
122 168 46
243 240 3
127 100 27
314 242 72
1000 1000 0
Frauen Originalwerte erwartete Werte Abweichungen
181 125 56
130 84 46
117 120 3
23 50 27
49 121 72
500 500 0
Spaltensummen
375
252
360
150
363
1500
14.2.3.1 Chi-Quadrat-Koeffizient Je stärker der tatsächliche Wert einer Zelle von dem Wert abweicht, den wir er warten würden, wenn wir vom Postulat der Unabhängigkeit ausgehen, desto ge rechtfertigter scheint unsere Vermutung, dass es sich bei dieser Abweichung nicht nur um eine zufällige handelt, sondern dass sie auf einen systematischen Einfluss zurückzuführen ist, den die unabhängige Variable auf die abhängige ausübt. Die Summe der Abweichungen über alle Zellen ergibt dann ein Maß für die Stärke des Zusammenhangs zwischen den beiden Variablen. Dieses Maß wird der Chi²-(oder F²-)Koeffizient genannt. Allerdings müssen wir dabei einiges beachten. Bei nomi nalskalierten Variablen gibt es keine Möglichkeit, eine "Richtung" des Zusam menhangs festzulegen. Man kann zwar sagen, welche Zellen in welchen Unter gruppen relativ besonders stark besetzt sind, aber da die Anordnung der Zellen bei nominalskalierten Variablen beliebig ist, darf der Eindruck einer "Richtung" des Zusammenhangs nicht als solcher interpretiert werden, da er möglicherweise nur
Kapitel 14 Bivariate Zusammenhänge
157
durch eine willkürliche Zuordnung von Zahlen zu bestimmten Ausprägungen ent standen ist. Es zählt also nur die Größe der Abweichung, nicht ob sie positiv oder negativ ausfällt. Das Vorzeichen eines Ausdrucks kann unter anderem dadurch neutralisiert werden, dass man entweder den absoluten Betrag des Ausdrucks nimmt oder den Ausdruck quadriert. Wie bei der Berechnung der Varianz wird auch hier der zweite Weg gewählt. Als Maß für den Zusammenhang bilden wir also die Summe der quadrierten Abstände der Originalwerte und der unter der Bedingung der Unabhängigkeit erwarteten Werte. Aus Gründen, die später genau er erläutern werden, werden die quadrierten Abstände zusätzlich normiert, indem man sie durch die erwarteten Häufigkeiten dividiert. Definition 14.2: Chi²-Koeffizient k
F2
m
¦¦ i 1 j 1
h
ij
eij eij
2
mit k
Zeilenzahl, m
Spaltenzahl
(14.10)
Der F²-Wert ist immer positiv und kann theoretisch nach oben beliebig große Normierung des Zu sammenhangs zwischen Werte annehmen. Zwar gibt es für eine bestimmte Anzahl von Fällen immer einen den Variablen maximal möglichen Wert, den F² einnehmen kann (s. Experte unten), der Wert von F² vergrößert sich jedoch mit der Anzahl der Felder einer Tabelle und mit der Anzahl der Fälle, weshalb er sich nicht als standardisierter Vergleichswert eignet. Ein Assoziationsmaß sollte jedoch nur von der Stärke des Zusammenhangs ab hängen und nicht von der Anzahl der Fälle. Befinden sich in einer Vierfeldertabel le alle Fälle auf einer der beiden Diagonalen, dann ist dies der größtmögliche Zu sammenhang zwischen den Variablen, und er sollte immer denselben Wert zuge wiesen bekommen, unabhängig davon, ob in der Vierfeldertabelle 100 Fälle oder 1000 Fälle verteilt sind. Es bietet sich daher an, den Zusammenhang so zu nor mieren, dass man den tatsächlich auftretenden F²-Wert durch den maximal mögli chen teilt. Dieser maximal mögliche F²-Wert ist für eine Vierfeldertabelle gleich der Fallzahl n. Der so erhaltene Wert ist auf einen Wertebereich von 0 bis 1 be schränkt. Der Wert '1' gibt dann den stärkstmöglichen Zusammenhang an. Dieser auf dem F²-Maß basierende auf einen Wertebereich von 0 bis 1 normierte Koeffi zient heißt Phi-Koeffizient. Experte: Maximaler F²-Wert einer Tabelle Es wurde gesagt, dass für jede Anzahl von Fällen Chi-Quadrat einen maximalen Wert annehmen kann. Dies kann man am einfachsten für eine Vierfeldertafel zeigen. Der stärkste mögliche Zusammenhang in einer Vierfeldertafel besteht, wenn sich alle Fälle in einer der beiden Diagonalen befinden.
158
Kapitel 14 Bivariate Zusammenhänge
Tabelle E 1 Y = b1
Y = b2
Zeilensummen h11
X = a1 Originalwerte
h11
0
Erwartete Werte
h11 h11 n
h11 h22 n
e11
e12
X = a2 Originalwerte
0
h22
Erwartete Werte
h22 h11
h22 h22
e 21
e 22
n
Spaltensummen
h22 n
h11
h22
n
Der Chi²-Wert errechnet sich nach der Formel als:
F2
(e11 h11 )2 e11
(e12 0)2 e12
2
2
e11 2e11h11 h11 e11
(e 21 0)2 e21
e12
2
e12
2
e 21
e 21
(e 22 h22 )2 e22 2
e 22 2e 22h22 h22 e 22
2
e11 2h11
h11
e11
e12 e21 e22 2h22
h22
h11
e11
2
e 22
2
(e11 e12 e21 e22 ) 2(h11 h22 )
2
h22
2
e22
n 2n n n n
Beim stärkstmöglichen auftretenden Zusammenhang in einer Vierfeldertabelle beträgt der Chi²-Wert n, die Anzahl der Fälle. In der folgenden Tabelle ist ein konkretes Beispiel aufgeführt. Von insgesamt 40 Fällen befinden sich jeweils 20 in den beiden Zellen der Diagonalen von links oben nach rechts unten. Diese entsprechen daher auch den Häufig keiten der Randverteilungen. Würde die bedingende Variable X keinen Einfluss auf Y ausüben, dann müssten in allen vier Zellen der Tabelle jeweils 10 Fälle enthalten sein. Tabelle E 2
Y = b1 Y = b2
Zeilensummen
X = a1 Originalwerte Erwartete Werte
20 10
0 10
20
X = a2 Originalwerte Erwartete Werte
0 10
20 10
20
Spaltensummen
20
20
40
Der entsprechende Chi²-Wert errechnet sich als:
Kapitel 14 Bivariate Zusammenhänge
F2
(20 10)2 10 4
102
(10 0)2 10
4 10
10
159
(10 0)2 10
(20 10)2 10
40
Ende Experte 14.2.3.2 Phi-Koeffizient Der Phi-Koeffizient ist ein auf Chi² basierendes Maß des Zusammenhangs zwi Phi-Koeffizient schen zwei nominalskalierten Variablen. Dadurch, dass durch n (Anzahl der Fälle) dividiert wird, ist er als Koeffizient besser geeignet als Chi² selbst, da er weiter gehend standardisiert ist. Definition 14.3. Phi-Koeffizient I2
F2 bzw. I N
F2 N
(14.11)
Der Phi-Koeffizient kann so jedoch nur für die Vierfeldertabelle berechnet wer- Nur für Vierfeldertabelle den. Der stärkstmögliche Zusammenhang für eine beliebige quadratische Tabelle mit k Spalten und k Zeilen besteht dann, wenn es für jede Ausprägung der XVariablen genau eine Ausprägung der Y-Variablen gibt, die dieser zugeordnet werden kann, d.h. wenn für jede Ausprägung der X-Variablen mit 100-prozentiger Sicherheit der richtige Wert der Y-Variablen vorausgesagt werden kann. Dies ist genau dann der Fall, wenn sich alle Fälle einer Zeile auf eine einzige Spalte verteilen. Anders ausgedrückt, jede besetzte Zelle ist die jeweils einzig besetzte Zelle in ihrer Zeile und in ihrer Spalte. Tabelle 14.10 Y = b1 Y = b2 … Y = bj ... Y = bk Zeilensummen X = a1
h11
0
…
0
X = a2
0
0
…
0
...
…
…
…
…
X = ai
0
hi2
…
0
...
…
…
…
X = ak
0
0
…
h11
hi2
Spaltensummen
0
h11
h2k
h2k
…
0
hi2
…
…
…
hkj
…
0
hkj
h2k
n
hkj
…
Die besetzten Zellen müssen, wie man hier sieht, in ihrer Gesamtheit nicht unbe dingt die Diagonale bilden. Die Diagonalstruktur bei der Vierfeldertabelle ergibt sich zwangsläufig aus der Bedingung, dass jede besetzte Zelle sowohl in ihrer
160
Kapitel 14 Bivariate Zusammenhänge
Zeile als auch in ihrer Spalte als Einzige besetzt sein darf und es eben nur je zwei Spalten und Zeilen gibt. Wir können aber die Spalten oder die Zeilen in der obi gen Tabelle durch Umbenennung der Ausprägungen so vertauschen, dass wir eine Diagonalstruktur erhalten. Das Ergebnis sieht dann wie in der folgenden Tabelle aus: Tabelle 14.11: Y = b1 Y = b2 … Y = bi ... Y = bk Zeilensummen X = a1
h11
0
…
0
X = a2
0
h22
…
0
…
0
h11
0
h22
hii
...
…
…
…
…
X = ai
0
0
…
hii
…
0
...
…
…
…
…
…
…
X = ak
0
0
…
0
…
hkk
hkk
h11
h22
hkk
n
Spaltensummen
hii
Maximaler Wert von Durch das Vertauschen von Zeilen oder Spalten bei nominalskalierten Variablen Chi² in einer quadrati schen Kontingenztabelle ändert sich nichts an der Stärke des Zusammenhangs, also auch nichts an der Grö
ße von Chi². Der maximale Wert, den Chi² in einer quadratischen Kontingenzta belle mit k Spalten und Zeilen annehmen kann, ist (k – 1) * n.
Maximaler Wert von In vielen Kontingenztabellen ist jedoch die Anzahl der Spalten nicht identisch mit Chi² in einer rechtecki gen Kontingenztabelle der Anzahl der Zeilen, d.h. die Tabelle ist nicht quadratisch, sondern rechteckig.
Da dementsprechend die Anzahl der Ausprägungen der unabhängigen Variablen nicht mehr gleich der Anzahl der Ausprägungen der abhängigen Variablen ist, ist auch keine eineindeutige gegenseitige Zuordnung der Werte mehr möglich. Neh men wir an, es gäbe mehr Spalten als Zeilen. Dann muss es für mindestens eine Ausprägung der Zeilenvariablen verschiedene Ausprägungen der Spaltenvariablen geben, die dieser zugeordnet werden. Der stärkste mögliche Zusammenhang zwi schen den beiden Variablen besteht in diesem Fall darin, dass die unvermeidliche Vieldeutigkeit zumindest auf das notwendige Minimum begrenzt wird. Dies ist dann gegeben, wenn jede Ausprägung der Spaltenvariablen zumindest nur in einer einzigen Zeile vorkommt. Der maximale Wert, den Chi² in einer rechteckigen Kontingenztabelle mit k Zeilen und m Spalten annehmen kann, ist gleich (q – 1) * n, wobei q das Minimum der Spalten- und Zeilenzahl ist Experte: KQuadrat-Theorem und Rechtecks-Theorem Wir haben behauptet, dass der Chi²-Wert einer quadratischen Tabelle maximal den Wert der Anzahl der Fälle (n) annehmen kann. Diesen Zusammenhang wollen wir als KQuadrat-Theorem bezeichnen und im Folgenden beweisen.
Kapitel 14 Bivariate Zusammenhänge
161
Theorem E 1: KQuadrat-Theorem Der maximale Wert, den Chi² in einer quadratischen Kontingenztabelle mit k Spalten und Zeilen annehmen kann, ist (k – 1) * n. k
F
h
k
¦¦
2
ij
eij
2
0 i z j, eij
mit hij
eij
i 1 j 1
hii h jj
n
2 2 ª hi1 ei1 2 hi2 ei2 2 hii eii hik eik »º 2 « F ... ... ¦ ei1 ei2 eii eik i 1 « »¼ ¬ 2 2 2 2
k ª h e e e e º ¦ « ei1 ei2 ... ii e ii ... eik »
i 1 « i2 ii ik »
¬ i1 ¼ k
k
¦e
i1
ei2 ...eik
h
i 1
ii
eii
2
eii
(Achtung, ab der folgenden Zeile werden die Summanden umgruppiert, so dass dann das i-te und das k-te Element vertauscht sind!) 2 ª § hii2 · º « ¨ hii ¸ » n » h h h h «h h ¦ « ii n 11 ii n 22 ...... ii n kk © h 2 ¹ » i 1 ii « » n » « ¬ ¼ k
2 ª h 2 §h 2 · º « hii2 2hii ii ¨ ii ¸ » k n © n ¹ » «h ¦ « nii (h11 h22 ......hkk ) » 2 h i 1 ii « » « n » ¬ ¼ k
ªh
¦ « nii (n-hii ) n 2hii
hii2 º » n ¼
¬ ª h2 h2º ¦ «hii nii n 2hii nii » i 1 ¬ ¼ i 1 k
k
¦ n hii i 1
k
k n ¦ hii i 1
k n n
(k 1) n
Da dieser Beweis gerade für mathematisch nicht ganz so geübte Leser vielleicht nicht unmittelbar nachzuvollziehen ist, soll das Theorem noch einmal an einem einfachen kon kreten Beispiel demonstriert werden. Tabelle E 1 Y = b1 Y = b2 Y = b3 Y = b4
Zeilensummen
X = a1
40
0
0
0
40
X = a2
0
40
0
0
40
X = a3
0
0
40
0
40
X = a4
0
0
0
40
40
Spaltensummen
40
40
40
40
160
162
Kapitel 14 Bivariate Zusammenhänge
Die dazugehörige Indifferenztablle hat folgende Werte: Tabelle E 2 Y = b1 Y = b2 Y = b3 Y = b4
Zeilensummen
X = a1
10
10
10
10
40
X = a2
10
10
10
10
40
X = a3
10
10
10
10
40
X = a4
10
10
10
10
40
Spaltensummen
40
40
40
40
160
Der Chi²-Wert errechnet sich demnach: F2
40 10
2
10
0 10
2
10
0 10
2
10
0 10
0 10
2
2
10
40 10
0 10
2
10
0 10
10
2
10
0 10
2
2
0 10
0 10
2
10
0 10
10
2
10
40 10 2
10 10 10 § 302 102 102 102 · 4 ¨ ¸ 10 10 10 ¹ © 10 4 90 10 10 10
2
0 10
2
10
0 10
2
10
40 10
2
10
4 120 480
Da 480 gleich 3 * 160 ist, bestätigt sich der im KQuadrat-Theorem konstatierte Zusam menhang in unserem Beispiel. Im allgemeinen Falle rechteckiger Tabellen, wenn die Anzahl der Spalten nicht mit der Anzahl der Zeilen übereinstimmt, ist keine eineindeutige Zuordnung der Werte mehr möglich. Dann müssen in mindestens einem Fall mehrere Werte der einen Variablen ei nem einzigen Wert der anderen Variablen zugeordnet werden. Eine leichte Abänderung unseres obigen Beispiels mit fünf Spalten und vier Zeilen könnte folgende Tabelle erge ben: Tabelle E 3 Y = b1 Y = b2 Y = b3 Y = b4 Y = b5
Zeilensummen
X = a1
40
0
0
0
0
40
X = a2
0
40
0
0
0
40
X = a3
0
0
40
0
0
40
X = a4
0
0
0
20
20
40
Spaltensummen
40
40
40
20
20
160
Die zugehörige Indifferenztabelle unterscheidet sich nur leicht von der ursprünglichen in der vierten und fünften Spalte.
Kapitel 14 Bivariate Zusammenhänge
163
Tabelle E 4 Zeilensummen
Y = b1 Y = b2 Y = b3 Y = b4 Y = b5 X = a1
10
10
10
5
5
40
X = a2
10
10
10
5
5
40
X = a3
10
10
10
5
5
40
X = a4
10
10
10
5
5
40
Spaltensummen
40
40
40
20
20
160
F2
40 10
2
10
0 10
2
10
0 10
2
10
0 10
0 10
2
2
10
40 10
0 10
2
10
0 10
2
10
2
10
0 10
2
0 10
0 5
10
40 10
2
10
0 10
5
2
2
2
0 5
2
5
20 5
2
5
2
5
0 5
0 5
2
0 5
2
5
0 5
2
5
20 5
2
10 10 10 5 5 § 302 102 102 52 52 · § 102 102 102 152 152 · 3 ¨ ¸¨ ¸ 10 10 5 5 ¹ © 10 10 10 5 5 ¹ © 10 3 90 10 10 5 5 (10 10 10 45 45)
3 120 120 480
Der Chi²-Wert für den größtmöglichen Zusammenhang hat sich in unserem Beispiel also nicht verändert, als wir eine Spalte in zwei aufgespaltet haben. Ohne im Einzelnen den allgemeinen Fall zu beweisen, können wir ein weiteres Theorem aufstellen, das wir das Rechtecks-Theorem nennen wollen. Theorem E 2: Das Rechtecks-Theorem Der maximale Wert, den Chi² in einer rechteckigen Kontingenztabelle mit k Zeilen und m Spalten annehmen kann, ist gleich dem Wert, den Chi² in der größten quadrati schen Kontingenztabelle, die in der rechteckigen Tabelle enthalten ist, annehmen wür de, wenn sich alle n Fälle der rechteckigen Tabelle in dieser quadratischen Teiltabelle befinden würden. Anders ausgedrückt: Der maximale Wert, den Chi² in einer rechteckigen Kontingenzta belle mit k Zeilen und m Spalten annehmen kann, ist gleich (q – 1) * n, wobei q das Mi nimum der Spalten- und Zeilenzahl ist. Dies ist gleich bedeutend damit, dass q gleich der Anzahl der Spalten bzw. Zeilen der größten enthaltenen quadratischen Teiltabelle ist. Mit Hilfe der beiden Theoreme kann man analog zum Phi-Koeffizienten jetzt auch für belie bige rechteckige Tabellen ein Zusammenhangsmaß berechnen, das auf dem Anteil des tatsächlichen Chi²-Wertes am größtmöglichen basiert. Dieses Zusammenhangsmaß wird Cramer's V genannt.
Ende Experte
164
Kapitel 14 Bivariate Zusammenhänge
14.2.3.3 Cramer's V Cramer's V Ein weiteres Zusammenhangsmaß, das auf dem Chi²-Wert basiert, ist Cramer's V.
Während der Phi-Koeffizient nur für quadratische Tabellen verwendet werden kann, in denen die Anzahl der Spalten gleich der der Zeilen ist, kann mit Hilfe von Cramer's V auch ein Zusammenhangsmaß für rechteckige Tabellen berechnet werden, in denen die Zahl der Spalten größer als die der Zeilen ist oder umge kehrt. Es basiert auf der größten quadratischen Tabelle, die in die rechteckige Ta belle eingeschrieben werden kann. Der Phi-Koeffizient ist daher nur ein Spezial fall von Cramer's V für die Vierfeldertafel. Definition 14.4: Cramer's V V
F2 N (q-1)
(14.12)
mit q min(k,m)
Dabei ist k die Anzahl der Zeilen und m die Anzahl der Spalten. Je nachdem, wel cher Wert kleiner ist, wird dieser für die Berechnung von V herangezogen. 14.2.3.4 Kontingenzkoeffizient C Kontingenzkoeffizient C Das älteste Chi²-basierte Assoziationsmaß, das immer noch weit verbreitet ist, ist
der von Pearson entwickelte Kontingenzkoeffizient C. Definition 14.5: Kontingenzkoeffizient C C
F2 N F2
(14.13)
Allerdings ist dieses Maß mit dem Makel behaftet, dass der größte Wert, den es annehmen kann, nicht auf 1 normiert ist.
Cmax
N (q-1) N N (q-1)
q-1 q
mit q min(k,m)
(14.14)
Die Normierung des Kontingenzkoeffizienten auf einen Bereich von 0 bis 1 er reicht man dadurch, dass man den Koeffizienten durch den maximal möglichen Koeffizienten dividiert. Diesen normierten Koeffizienten nennt man den korri gierten Kontingenzkoeffizienten.
Kapitel 14 Bivariate Zusammenhänge
165
Definition 14.6: Korrigierter Kontingenzkoeffizient C
Ckorr
C Cmax
F2 N F2 q-1 q
F2 q (N F 2 )(q 1)
mit q min(k,m)
(14.15)
14.2.4 Das PRE-Maß Lambda (O) So verbreitet die Chi²-basierten Assoziationsmaße auch sind, so ist es oft doch Chi²-basierte Maße sind schwer vergleichbar schwierig, sie inhaltlich sinnvoll zu interpretieren. Sie sagen lediglich aus, wel chen Anteil der tatsächliche Chi²-Wert einer Tabelle am größtmöglichen aus macht, doch darüber hinaus haben sie keine eigene substanzielle Bedeutung. Ins besondere der Vergleich Chi²-basierter Assoziationsmaße von Tabellen, die eine unterschiedliche Struktur haben, also nicht in der Anzahl der Spalten und Zeilen übereinstimmen, ist problematisch und sollte daher vermieden werden. Wie schon gezeigt wurde, ist der größtmögliche Chi²-Wert einer 4*5-Tabelle identisch mit dem einer 4*4-Tabelle, wenn die Fallzahlen übereinstimmen. Somit ist auch das Chi²-basierte Assoziatonsmaß für beide Tabellen gleich. Es würde sowohl in der 4*5-Tabelle als auch in der 4*4-Tabelle jeweils den Wert 1 erhalten. Trotzdem haben wir intuitiv das Gefühl, dass der Zusammenhang in der 4*4-Tabelle stärker ist als der in der 4*5-Tabelle, da im ersten Fall jedem X-Wert ein eindeutiger YWert zugeordnet werden kann, während es im zweiten Fall eine Vieldeutigkeit in der Form gibt, dass der zu einem bestimmten X-Wert gehörige Y-Wert lediglich einer von zweien sein muss. PRE-Maße (PRE steht für "Proportional Reduction of Error") geben uns die Grö Proportional Reduction of Error (PRE) ße eines Zusammenhangs in einer inhaltlich bedeutenden und gut zu interpretie renden Weise an, da sie Auskunft darüber geben, inwiefern die Kenntnis des Wer tes der unabhängigen Variablen hilft, den Wert der abhängigen Variablen zu schätzen. Grundlegend für diese Maße ist das Konzept eines Schätzfehlers E, der angibt, wie fehlerhaft die Schätzungen sind. Wenn man E0 als das Ausmaß des Fehlers bei der Schätzung des Wertes der abhängigen Variablen bezeichnet, der ohne Kenntnis des Wertes der unabhängigen Variablen auftritt, und E1 als das Ausmaß des Schätzfehlers unter Zuhilfenahme der Information, die in der Kennt nis des Wertes der unabhängigen Variablen besteht, dann kann man das PRE-Maß auf folgende Weise definieren:
166
Kapitel 14 Bivariate Zusammenhänge
Definition 14.7: PRE-Maß PRE
E0 E1 E0
ǻE E0
(14.16)
'E ist die Differenz des Fehlers ohne und mit Information, also der Betrag des Ausmaßes, um den der Fehler mit Hilfe der Information reduziert wird. Der Quo tient aus 'E und dem anfänglichen Fehler E0 ist der Anteil, um den der anfängli che Fehler durch Hinzuziehung der Information, die die unabhängige Variable liefert, abnimmt. Das Ausmaß des Fehlers bezieht sich immer auf nicht vermeid bare Fehler, d.h. Fehler, die auch dann entstehen, wenn man die rational bestmög liche Schätzung liefert. Schätzregel bei nomi Bei nominalskalierten Variablen ist der Fehler in Bezug auf einen einzelnen Fall nalskalierten Variablen: Modus offensichtlich, er besteht einfach darin, einen Fall der falschen Kategorie zuzu
ordnen. Der Gesamtfehler für eine Verteilung von Werten wird berechnet, indem man zuerst eine Schätzmethode, eine Schätzregel formuliert, und diese dann an schließend auf jeden einzelnen Fall der Verteilung anwendet. Die beste Schätzre gel, um den Wert eines beliebigen Falls aus einer Verteilung einer nominalskalier ten Variablen zu raten, besteht darin, den Modus der Verteilung anzugeben. Alle Fälle, die der Modalkategorie der Verteilung angehören, werden dann richtig ge schätzt, alle übrigen falsch. Der Fehler dieses Schätzmodells errechnet sich als: Definition 14.8: Schätzfehler bei Schätzung eines Wertes der Verteilung einer nominalskalierten Variablen mit Hilfe der Modus-Regel E = N – h(m)
mit m ist der Modus der Verteilung
Analog gilt auch, dass die beste Schätzung für den Wert einer bedingten Vertei lung der Modus in dieser bedingten Verteilung ist.
E
y | x
ai
hi h ai , mi
(14.17)
mit mi = Modus der bedingten Verteilung von Y unter der Bedingung X = ai
Der Gesamtfehler für die Schätzung der abhängigen Variablen unter Berücksich tigung der Kenntnis der Ausprägung der unabhängigen Variablen ist die Summe der Fehler der bedingten Verteilungen über alle Ausprägungen der unabhängigen Variablen.
Kapitel 14 Bivariate Zusammenhänge
EY X
k
¦ >hi h(ai ,mi )@
167
(14.18)
i 1
mit mi = Modus der bedingten Verteilung von Y unter der Bedingung X = ai k ist die Anzahl der Zeilen bzw. die Anzahl der Ausprägungen der un abhängigen Variablen X
Wir können nun diese so definierten Fehler in die allgemeine Formel eines PRE- Berechnung von Lambda Maßes einsetzen. Das erhaltene Maß nennt man Goodmans und Kruskals O (lambda). Definition 14.9: Der Koeffizient O von Goodman und Kruskal k
Ȝ
N-h(m)-¦ >hi h(ai ,mi )@ i 1
N-h(m)
(14.19) k
¦ h(ai ,mi )-h(m) i 1
N-h(m)
Für eine bestimmte Kontingenztabelle gibt es für ein Chi²-basiertes Assoziations maß immer genau einen Wert. Es spielt dabei keine Rolle, ob die Zeilen- oder die Spaltenvariable die abhängige Variable ist. Im Gegensatz dazu gibt es für Good mans und Kruskals O bezüglich einer Tabelle zwei verschiedene Werte, je nach dem, ob die Zeilen- oder die Spaltenvariable die unabhängige Variable ist. Beispiel: Der "Verein zur Förderung körperlicher Attraktivität" Die beschriebene Eigenschaft von Goodmans und Kruskals O, dass es zwei unterschiedli che Werte annimmt, je nachdem, ob die Zeilen- oder die Spaltenvariable die abhängige Variable ist, wird hier an einem Beispiel illustriert. Der "Verein zur Förderung körperli cher Attraktivität", hinter dem sich in Wirklichkeit eine Gruppe von Eigeninteresse nicht ganz freier plastischer Chirurgen verbirgt, hat im Rahmen seines Programms "Unsere Gesellschaft soll schöner werden" eine Umfrage in Auftrag gegeben, bei der der Zusam menhang zwischen körperlicher Attraktivität und Einkommen untersucht wird. 1000 Be fragte wurden anhand ihres Einkommens in drei Kategorien eingeteilt, außerdem nach einem "Attraktivitätstest" entweder der Gruppe "Die Schönen" oder der "Die Anderen" zugeteilt. Die Ergebnisse dieser fiktiven Umfrage sind in der folgenden Tabelle aufge führt.
168
Kapitel 14 Bivariate Zusammenhänge
Tabelle B 1 Einkommensklassen Niedrig Mittel Hoch
Zeilensummen
Die Anderen
138
347
165
650
Die Schönen
57
98
195
350
Spaltensummen
195
445
360
1000
Der Wissenschaftler, der mit der Untersuchung betraut ist, stellt die Hypothese "Schön heit lohnt sich" auf. Die Behauptung ist also, dass attraktivere Menschen mehr verdienen als weniger attraktive. Der behauptete kausale Zusammenhang konstatiert einen Einfluss der Schönheit auf das Einkommen, also ist die Attraktivität die unabhängige Variable und Einkommen die abhängige. Mit Hilfe von Goodmans und Kruskals O kann untersucht werden, inwieweit das Wissen darüber, ob jemand zur Gruppe der "Schönen " oder der "Anderen" gehört, die Schätzgenauigkeit zu verbessern hilft, welcher Einkommensgruppe er angehört. Die beste mögliche Schätzung ohne Information bezüglich der Attraktivität ist der Modalwert der Einkommensvariablen. Von den 1000 Personen werden auf diese Weise 445 der richtigen Gruppe und 555 der falschen zugeordnet. Besitzt man die Infor mation, welcher Attraktivitätsgruppe eine Person angehört, so ist die beste Schätzung seiner Einkommensgruppe der entsprechende Zeilenmodus, von den "Schönen" werden auf diese Weise 195 und von den "Anderen" 347 richtig ihrer tatsächlichen Einkommens gruppe zugeordnet. Die Anzahl der richtigen Schätzungen erhöht sich somit unter Hinzu ziehung der Information über die Attraktivität der Befragten von 445 auf 347 + 195, also 542. 97 Personen mehr werden richtig eingeschätzt als ohne die Information, die die un abhängige Variable liefert. Die Zunahme der richtigen Schätzungen ist aber gleich der Abnahme der falschen Schätzungen. Der ursprüngliche Fehler reduziert sich ebenfalls um 97, und zwar von 555 auf 458. Man kann die Zunahme der Anzahl der richtig geschätzten Fälle noch einfacher dadurch berechnen, dass nur die Änderungen der geschätzten Werte betrachtet werden. Nur in der Zeile der "Schönen" verändert sich die geschätzte Kategorie von der mittleren Einkommensklasse zur höchsten Einkommensklasse. Statt 98 Fällen werden 195 Fälle richtig beurteilt, also 97 mehr. Der Anteil der Fehlerreduktion am ur sprünglichen Fehler ist 97/555, dies entspricht einem Prozentsatz von ungefähr 17,5 Pro zent. Versucht man umgekehrt, die Kategorie der Attraktivität durch die Angabe der Einkom mensklasse zu schätzen, so verringert sich der Fehler von ursprünglich 350 um 30 Fälle, also um 30 / 350 oder 8,6 Prozent. Das Ausmaß der Fehlerreduktion ist also im Fall der Schätzung der Einkommensklasse durch die Attraktivität mehr als doppelt so hoch wie im Fall der Schätzung der Attraktivität durch das Einkommen. Dies darf aber keinesfalls zu der Vermutung verleiten, dass die Richtung des tatsächlichen kausalen Zusammenhangs eher von Attraktivität zu Einkommen als von Einkommen zu Attraktivität verläuft. Der "echte" Kausalzusammenhang ist nicht aus den Daten zu erkennen, sondern kann nur theoretisch gesetzt werden. In unserem Beispiel sind beide Richtungen des Zusammen hangs plausibel. Attraktivere Menschen haben möglicherweise bessere Einstellungschan cen, vor allem was besser bezahlte Jobs angeht, es kann aber auch sein, dass sich Besser verdienende die Pflege ihres Aussehens mehr kosten lassen können.
Ende Beispiel
Kapitel 14 Bivariate Zusammenhänge
169
14.3 Zusammenhangsmaße für ordinalskalierte Variablen Ordinalskalierte Variablenwerte lassen sich in eine Rangfolge bringen. Während der Zusammenhang zwischen zwei nominalskalierten Variablen lediglich in der Form ausgedrückt werden kann, dass die Änderung der einen Variablen eine Än derung der anderen nach sich zieht, kann bei ordinalskalierten Variablen darüber hinaus eine Richtung des Zusammenhangs angegeben werden. Ein Zusammen hang zwischen ordinalskalierten Variablen besteht dann, wenn die Änderung der unabhängigen Variablen eine Änderung der abhängigen Variablen der gleichen oder entgegengesetzten Richtung nach sich zieht. Bei gleichgerichteten oder gleichsinnigen Änderungen bezeichnen wir den Zusammenhang als positiv, bei entgegengesetzt gerichteten oder gegensinnigen Änderungen nennen wir den Zu sammenhang negativ. Die Stärke des Zusammenhangs soll wieder so normiert werden, dass der Betrag des Assoziationsmaßes im Falle eines idealen Zusam menhangs den Wert 1 hat. Zusammenhangsmaße für ordinalskalierte Variablen bewegen sich daher innerhalb des Bereichs von –1 bis +1. 14.3.1 Zusammenhangsmaße auf der Basis konkordanter und diskordanter Paare Zur Konstruktion von Zusammenhangsmaßen für ordinalskalierte Variablen eig Konkordante und diskordante Paare net sich hervorragend das Konzept konkordanter Paare bzw. diskordanter Paare. Ein Paar von Werten besteht aus zwei Fällen mit jeweils zwei Ausprägungen der beiden Variablen. Für die beiden Fälle i und j und die beiden Variablen X und Y kann das Wertepaar als [(xi,yi),(xj,yj)] notiert werden. Der Einfachheit halber ge hen wir davon aus, dass die Werte der Variablen X und Y als natürliche Zahlen ausgedrückt werden, die ihren Rangordnungsplatz angeben. Von einem konkor danten Paar sprechen wir dann, wenn aus xj > xi folgt, dass yj > yi und aus xj < xi folgt, dass yj < yi. Oder: Um ein konkordantes Paar von Fällen handelt es sich dann, wenn der Fall, der bezüglich der einen Variablen den höheren Wert von beiden hat, diesen auch bezüglich der zweiten Variablen aufweist. Umgekehrt wird ein Paar als diskordant bezeichnet, wenn aus xj > xi folgt, dass yj < yi und aus xj < xi folgt, dass yj > yi. Derjenige der beiden Fälle, der bezüglich der einen Vari ablen den höheren Wert hat, besitzt bezüglich der anderen Variablen den niedrige ren. Besser und anschaulicher lassen sich die Konzepte konkordanter und diskor danter Paare an einer Tabelle verdeutlichen. Tabelle 14.12: Konkordante Paare Y = 1 Y = 2 Y = 3 Y = 4 Y = 5 Y =... X=1 X=2 X=3 X=4 X=5 X =…
Konkordante Paare
170
Kapitel 14 Bivariate Zusammenhänge
Jeder Fall aus der Zelle in der vierten Zeile und der dritten Spalte, die dunkelgrau unterlegt ist, bildet ein konkordantes Paar von Werten mit jedem Fall, der aus ei ner der hellgrau unterlegten Zellen stammt. Anders ausgedrückt: Für jedes Paar von Zellen, deren Verbindungsachse eine negative Steigung hat, gilt, dass ein Paar von Fällen, von denen jeweils einer aus einer der beiden Zellen stammt, ein kon kordantes Paar bildet. Die Anzahl der konkordanten Paare, die aus Fällen dieser beiden Zellen gebildet werden können, ist das Produkt der beiden Zellenhäufig keiten. Die Anzahl aller konkordanten Paare in einer Tabelle soll mit NC notiert werden. Sie kann berechnet werden, indem wir Zelle für Zelle durchgehen und die Anzahlen der konkordanten Paare, die von dieser Zelle mit Zellen rechts unterhalb von ihr gebildet werden können, aufaddieren. Dadurch, dass wir von einer be stimmten Zelle aus nur die rechts unterhalb liegenden Zellen betrachten, vermei den wir Doppelzählungen, ohne dass uns ein einziges Paar entgeht.
NC
k m ª k m º ¦ ¦ «hij ¦ ¦ huv » i 1 j 1¬ u i1 v j1 ¼
(14.20)
Diskordante Paare Diskordante Paare bestehen analog dazu aus Fällen, die aus zwei Zellen stammen,
deren Verbindungsachse eine positive Steigung aufweist. Tabelle 14.13: Diskordante Paare Y=1 Y=2 Y=3 Y=4 Y=5
Y =...
X=1
X=2 X=3 X=4 X=5 X =…
Die Anzahl aller diskordanten Paare wird als ND bezeichnet und wird errechnet, indem wir Zelle für Zelle durchgehen und die Anzahlen der diskordanten Paare, die von dieser Zelle mit Zellen links unterhalb von ihr gebildet werden können, aufaddieren.
ND
j-1 k m k ª º ¦ ¦ «hij ¦ ¦ huv » u i 1 v 1 ¬ ¼
i 1j 1
Verbundene Paare Neben konkordanten Paaren und diskordanten Paaren gibt es noch so genannte
verbundene Paare (englisch: ties). Diese treten dann auf, wenn die Werte mindes tens einer der beiden Variablen für beide Fälle gleich sind. Je nachdem, für wel che Variable dies der Fall ist, spricht man von X-verbundenen, Y-verbundenen
Kapitel 14 Bivariate Zusammenhänge
171
oder XY-verbundenen Variablen. X-Verbundene Paare haben bezüglich des XWertes dieselbe Ausprägung, unterscheiden sich jedoch hinsichtlich des YWertes. Tabelle 14.14: X-Verbundene Paare Y = 1 Y = 2 Y = 3 Y = 4 Y = 5 Y =... X=1 X=2 X=3 X=4 x=5 X =…
Die Anzahl aller X-verbunden Paare wird als TX bezeichnet. Es werden über alle Zellen alle Paare aufsummiert, die zwischen den Fällen dieser Zelle und den Fäl len der Zellen, die in derselben Zeile rechts von ihr liegen, gebildet werden kön nen.
k
TX
m
ª
m
¦¦ «h ¦ h i 1 j 1
¬
ij
iv
v j 1
º » ¼
(14.21)
Beide Fälle eines Y-verbundenen Paares besitzen denselben Y-Wert, unterschei den sich aber in Bezug auf den Wert der X-Variablen. Tabelle 14.15: Y-Verbundene Paare Y = 1 Y = 2 Y = 3 Y = 4 Y = 5 Y =...
X=1 X=2 X=3 X=4 x=5 X =…
Die Anzahl aller Y-verbunden Paare wird als TY bezeichnet. Sie wird berechnet, indem man Zelle für Zelle die Anzahlen von Paaren aufaddiert, die von den Fällen dieser Zelle mit allen Fällen, die sich in Zellen in der gleichen Spalte unterhalb befinden, gebildet werden können.
172
Kapitel 14 Bivariate Zusammenhänge k
TY
m
k
ª
¦¦ «¬h ¦ h ij
uj
u i 1
i 1 j 1
º » ¼
(14.22)
XY-verbundene Paare treten dann auf, wenn beide Fälle aus derselben Zelle stammen, d.h. beide Fälle haben dieselben X-Werte und dieselben Y-Werte. Tabelle 14.16: XY-Verbundene Paare Y=1 Y=2 Y=3 Y=4 Y=5
Y ...
X=1 X=2 X=3 X=4
x=5 X =…
Die Anzahl aller XY-verbunden Paare innerhalb einer Zelle ergibt sich als das Produkt der Zellenhäufigkeit mit der um 1 reduzierten Zellenhäufigkeit, geteilt durch 2. Jeder Fall der Zelle kann mit jedem anderen Fall ein Paar bilden. Für jeden der hij Fälle in der Zelle gibt es daher hij – 1 Fälle, mit denen er ein Paar bilden kann. Allerdings wird so jedes Paar doppelt gezählt. Daher muss das Pro dukt durch 2 geteilt werden. Die Anzahl aller XY-verbundenen Paare in einer Ta belle wird als TXY bezeichnet. Sie wird berechnet, indem man Zelle für Zelle die Anzahlen von Paaren aufaddiert, die durch die Fälle dieser Zelle mit sich selbst gebildet werden können.
k
TXY
m
¦¦
hij (hij 1)
i 1 j 1
2
(14.23)
Die Anzahl aller Paare, die aus den N Fällen einer Tabelle gebildet werden kön nen, soll als NT bezeichnet werden. Sie berechnet sich entsprechend der obigen Formel.
NT
N (N 1) 2
(14.24)
Die Anzahl NT aller möglichen Paare muss der Summe der Häufigkeiten aller speziellen Typen von Paaren entsprechen. Dieser Zusammenhang kann zur Kon trolle der berechneten Größen herangezogen werden.
NT
N (N 1) 2
NC ND TX TY T XY
(14.25)
Kapitel 14 Bivariate Zusammenhänge
173
Die verschiedenen Arten von Paaren sind in der Tabelle noch einmal im Über blick dargestellt. Tabelle 14.17: Mögliche Paare von Fällen Typ Konkordantes Paar
Diskordantes Paar
Bedingung Entweder
xi > xj UND yi > yj
oder
xi < xj UND yi < yj
Entweder
xi > xj UND yi < yj
oder
xi < xj UND yi > yj
Anzahl NC ND
X-verbundenes Paar
xi = xj UND yi z yj
TX
Y-verbundenes Paar
xi z xj UND yi = yj
TY
XY-verbundenes Paar
xi = xj UND yi = yj
TXY
Konkordante Paare stehen für einen positiven Zusammenhang zwischen den bei Differenz zwischen konkordanten und den Variablen, diskordante Paare für einen negativen. Die Differenz von konkor diskordanten Paaren danten und diskordanten Paaren NC – ND ist daher ein gutes absolutes Maß für die Stärke und für die Richtung des Zusammenhangs. Übertrifft die Anzahl der kon kordanten Paare die der diskordanten um einen deutlichen Betrag, so handelt es sich um einen bedeutenden positiven Zusammenhang. Tritt dagegen ein "Über schuss" an diskordanten gegenüber konkordanten Paaren auf, so ist der Zusam menhang insgesamt negativ. Wie schon bei den Assoziationsmaßen bezüglich der nominalskalierten Variablen sind wir mehr an normierten Zusammenhangsmaßen als an absoluten Größen inte ressiert. Die Normierung erfolgt auch hier wieder, indem wir die kritische Größe NC – ND zu einem Basiswert in Bezug setzen, d.h. der normierte Wert ist der An teil der Differenz von konkordanten und diskordanten Paaren an diesem Basiswert. Es sind mehrere sinnvolle Werte für den Basiswert vorstellbar. Die Unter schiede zwischen den verschiedenen Werten beziehen sich auf eine unterschiedli che Behandlung der verbundenen Werte. Allen Basiswerten ist aber gemeinsam, dass der Betrag des normierten Zusammenhangsmaßes für den Fall des stärksten möglichen Zusammenhangs maximal den Wert 1 annehmen kann. 14.3.1.1 Goodmans und Kruskals Gamma Ignoriert man das Auftreten von verbundenen Werten, so ergibt sich als denkbar Goodmans und Kruskals Gamma einfachste Basisgröße die Summe aus konkordanten und diskordanten Paaren, also NC + ND. Dieser Wert wird Goodmans und Kruskals J (gamma) genannt.
174
Kapitel 14 Bivariate Zusammenhänge
Definition 14.10: Goodmans und Kruskals Gamma J
NC ND NC ND
(14.26)
Der Spezialfall von Gamma für die Vierfeldertafel wird auch Yules Q genannt. 14.3.1.2 Kendalls Tau-a Kendalls Tau-a Nimmt man als Bezugsgröße die Anzahl aller Paare, dann ergibt sich als Quotient
aus der Differenz der konkordanten und diskordanten Paare und der Anzahl aller möglichen Paarbildungen Kendalls Tau-a. Definition 14.11: Kendalls Tau-a Wa
NC ND NT
NC ND N(N-1) 2
(14.27)
PRE-Maß Sind alle Paare entweder konkordant oder diskordant, so dass NT = NC + ND, dann
erhalten Gamma und Tau-a denselben Wert. Darüber hinaus können in diesem Fall die Koeffizienten auch im Sinne von PRE-Maßen interpretiert werden. Die Schätzung bezieht sich dann allerdings nicht auf einen einzelnen Wert der YVariablen, sondern auf das Größenverhältnis zweier beliebig herausgegriffener Werte, also ob von zwei zufällig gewählten Werten yi und yj der erste größer oder kleiner als der zweite ist. Die Fehlerquote ohne Heranziehung weiterer Kenntnis, also E0, ist ½, da es bei zufällig gewählten Werten für jeden der beiden gleich wahrscheinlich ist, dass er der größere ist. Die Information, die im Wissen über die Werte der unabhängigen Variablen besteht, ist in diesem Fall die Größenbe ziehung zwischen xi und xj. Es sei angenommen, dass xi größer ist als xj. Wenn die durch das Zusammenhangsmaß ausgedrückte Beziehung positiv ist, dann soll te die Information dazu herangezogen werden, bezüglich der Beziehung von yi und yj zu schätzen, dass auch yi größer als yj ist. Handelt es sich um ein konkor dantes Paar, dann ist die Schätzung richtig, ist das Paar hingegen diskordant, dann ist die Schätzung falsch. Die Fehlerquote E1 ist daher der Anteil der diskordanten Paare an allen Paaren. Das PRE-Maß berechnet sich nach der bekannten Formel. ND 1 2 NC ND PRE 1 2 NC ND 2ND NC ND NC ND NC ND E0 E1 E0
1 2
ND NC ND
(14.28)
Das errechnete PRE-Maß ist identisch mit Gamma und Tau-a, vorausgesetzt, es gibt lediglich konkordante und diskordante Paare. Dies ist dann der Fall, wenn es
Kapitel 14 Bivariate Zusammenhänge
175
kein einziges verbundenes Paar gibt, das heißt, wenn es in keiner Zeile und in keiner Spalte zwei besetzte Zellen gibt und wenn jede besetzte Zelle nur einen einzigen Fall enthält, bzw. wenn weder ein einziger X-Wert noch ein einziger YWert doppelt auftreten. Wenn es nicht allzu viele Ausprägungen der Variablen gibt, ist dieser Fall eher unwahrscheinlich. Die Frage, die sich dann stellt, ist, wie verbundene Werte behandelt werden sollen. 14.3.1.3 Kendalls Tau-b Eine Beziehung zwischen zwei Variablen besteht dann, wenn eine Änderung der Kendalls Tau-b einen eine Änderung der anderen nach sich zieht. XY-verbundene Paare weisen lediglich darauf hin, dass gewisse Kombinationen der Ausprägungen der X- und der Y-Variablen bei mehreren Fällen auftreten. Wenn daher zwei Fälle, die den selben X-Wert haben, auch denselben Y-Wert besitzen, so steht das in keinerlei Widerspruch zum Vorhandensein einer Beziehung zwischen den Variablen. Da das Vorkommen von XY-verbundenen Paaren daher theoretisch keine Auswir kung auf die Stärke des Zusammenhangs haben sollte, kann man sie bei der Bere chung des Zusammenhangsmaßes auch vernachlässigen. Genau dies wird in der Formel zur Berechnung von Kendalls Tau-b umgesetzt. Definition 14.12: Kendalls Tau-b Wb
NC ND (NC ND TX )(NC ND TY )
(14.29)
Gibt es weder X-verbundene noch Y-verbundene Paare, dann fällt Tau-b mit Gamma zusammen, aber nicht mit Tau-a, wenn manche Zellen mehrfach besetzt sind, also, wenn es XY-verbundene Paare gibt. 14.3.1.4 Kendalls Tau-c DerVollständigkeit halber soll auch noch ein dritter Tau-Koeffizient von Kendall Kendalls Tau-c vorgestellt werden, der in der Literatur allerdings eher wenig verbreitet ist. Es handelt sich um Kendalls Tau-c. Definition 14.13: Kendalls Tau-c IJc
NC ND 1 2 § q 1· N 2 ¨© q ¸¹
mit q min(m,k)
(14.30)
Kendalls Tau-c unterscheidet sich von den anderen beiden Koeffizienten durch den "Korrekturfaktor" hinsichtlich der Anzahl an Spalten und Zeilen, die in die Berechnung eingehen. Damit ähnelt er den Korrekturfaktoren, die wir bereits von den Kontingenzkoeffizienten für nominalskalierte Variablen kennen. Kommen keine verbundenen Werte in der Tabelle vor, dann ist die Anzahl der Spalten und die der Zeilen gleich der Anzahl der Fälle N. Die Formel für Tau-c ist dann iden
176
Kapitel 14 Bivariate Zusammenhänge
tisch mit Tau-a. Je größer die Anzahl der Ties, desto mehr Spalten oder Zeilen sind doppelt belegt und q nimmt ab. Der Korrekturfaktor erfüllt also die ge wünschte Funktion, den Nenner – die Basisgröße – mit zunehmender Anzahl von Ties zu vermindern. 14.3.1.5 Somers' d Somers' d Sowohl Gamma als auch Kendalls Tau-Koeffizienten sind symmetrische Assozia
tionsmaße für ordinalskalierte Variablen, da sie nicht berücksichtigen, welche der beiden Variablen – die X- oder die Y-Variable – die unabhängige und welche die abhängige ist. Asymmetrische Zusammenhangsmaße hingegen berücksichtigen diesen Aspekt. Der Statistiker Somers hat ein asymmetrisches Assoziationsmaß d vorgeschlagen, bei dem die verbundenen Paare mit in die Basis aufgenommen werden, die sich auf die abhängige Variable beziehen. Ist Y die abhängige und X die unabhängige Variable, dann wird Somers‘ d folgendermaßen berechnet: Definition 14.14: Somers‘ dYX dYX
NC ND NC ND TY
(14.31)
Somers' dYX ist das Verhältnis des "Überschusses" von konkordanten gegenüber diskordanten Paaren zu allen Paaren, die nicht denselben X-Wert haben, also allen Paaren, die weder X-verbunden noch XY-verbunden sind. Dies lässt sich durch eine leichte Umwandlung der Formel zeigen.
dYX
NC ND NC ND TY
NC ND NT TX TXY
(14.32)
Obwohl also im Nenner die verbundenen Paare der abhängigen Variablen aufge nommen sind, geht es in Wirklichkeit darum, die verbundenen Paare der unab hängigen Variablen auszuschließen. Die Logik des asymmetrischen dKoeffizienten von Somers besteht darin, in die Basis nur diejenigen Paare als Be zugsgröße aufzunehmen, die überhaupt eine "faire" Chance haben, richtig ein konkordantes bzw. diskordantes Paar vorauszusagen. Diese Bedingung ist aber nur erfüllt, wenn die Werte der unabhängigen Variablen eines Paares verschieden sind. Der Nenner ist grob gesagt eine Größe, die das Ausmaß der Information an gibt, die potenziell zur Formulierung einer Prognose zur Verfügung steht. Ein Paar von Fällen mit demselben Wert der unabhängigen Variablen bringt keinerlei Information für die Schätzung des Größenverhältnisses der beiden Werte der YVariablen. Nur Paare mit unterschiedlichen Ausprägungen der X-Variablen haben überhaupt das logisch notwendige Potenzial, das Größenverhältnis der Y-Werte der beiden Fälle richtig zu raten. Bedingtes Es handelt sich bei Somers' d gewissermaßen um ein "bedingtes AssoziationsAssoziationsmaß
maß", da der Wert darüber Auskunft gibt, wie gut aufgrund einer Änderung der
Kapitel 14 Bivariate Zusammenhänge
177
unabhängigen Variablen eine Änderung der abhängigen vorausgesagt werden kann, vorausgesetzt, es gibt eine Änderung der unabhängigen Variablen. Somers' d kann daher durchaus einen hohen Wert annehmen, wenn es viele verbundene Paare der unabhängigen Variablen gibt, solange die nicht-verbundenen Paare gut zur Prognose herangezogen werden können, ob es sich um ein konkordantes oder diskordantes Paar handelt. In den meisten Fällen taugt die unabhängige Variable dann zwar erst gar nicht für eine Voraussage, wenn sie dafür aber herangezogen werden kann, ist die Trefferquote der Prognose hoch. Ist X die abhängige und Y die unabhängige Variable, dann gilt: Definition 14.15: Somers‘ dXY dXY
NC ND NC ND TX
(14.33)
Da die Frage, welche Variable die abhängige und welche Variable die unabhängi ge ist, wie schon erwähnt, oft gar nicht so leicht zu beantworten ist, die verbunde nen Paare aber nicht unberücksichtigt bleiben sollten, schlägt Somers darüber hin aus auch ein symmetrisches Zusammenhangsmaß vor. Definition 14.16: Somers‘ dS dS
NC ND T TY NC ND X 2
(14.34)
Die Logik von Somers‘ dS ist im Prinzip dieselbe wie die von Kendalls Tau-b. Der Unterschied besteht lediglich darin, dass bei Somers‘ dS der arithmetische Mittel wert und bei Kendalls Tau-b der geometrische Mittelwert aus den Summen (NC + ND + TX) und (NC + ND + TY) gebildet wird. Sind TX und TY gleich groß, so besteht keinerlei Unterschied zwischen den beiden Mittelwerten. Weichen TX und TY so sehr voneinander ab, dass sich auch die Summen (NC + ND + TX) und (NC + ND + TY) stark unterscheiden, dann ist der arithmetische Mittelwert größer als der geometrische. In diesem Fall wird Somers‘ dS etwas kleiner ausfallen als Kendalls Tau-b. Beispiel: Berechnung und Vergleich der Koeffizienten Die folgende Tabelle dient als Beispiel, anhand dessen wir die verschiedenen Koeffizien ten berechnen und vergleichen können, die wir bis jetzt kennen gelernt haben.
178
Kapitel 14 Bivariate Zusammenhänge
Tabelle 1: Beispiel 1a Y=1 Y=2 Y=3 X=1
25
12
0
X=2
7
32
4
X=3
1
5
17
NC = 25 * (32 + 4 + 5 + 17) + 12 * (4 + 17) + 7 * (5 + 17) + 32 * 17 = 2400 ND = 12 * (7 + 1) + 0 * (7 + 32 + 1 + 5) + 32 * 1 + 4 * (1 + 5) = 152 TX = 25 * (12 + 0) + 12 * 0 + 7 * (32 + 4) + 32 * 4 + 1 * (5 + 17) + 5 * 17 = 787 TY = 25 * (7 + 1) + 12 * (32 + 5) + 0 * (4 + 17) + 7*1 + 32*5 + 4*17 = 879 TXY = (25 * 24) / 2 + (12 * 11) / 2 + (7 * 6) / 2 + (32 * 31) / 2 + (4 * 3) / 2 + (1 * 0) / 2 + (5 * 4) / 2 + (17 * 16) / 2 = 1035 NT = [(25 + 12 + 0 + 7 + 32 + 4 + 1 + 5 + 17) * (25 + 12 + 0 + 7 + 32 + 4 + 1 + 5 + 17 – 1)] / 2 = 5253 Zur Kontrolle überprüfen wir, ob die Summe aus allen Paartypen gleich der Anzahl aller möglichen Paare ist, also ob NC + ND + TX + TY + TXY gleich NT ist. 2400 + 152 + 787 + 879 + 1035 = 5235 Die Kontrolle zeigt, dass wir uns nicht verrechnet haben. Aus den entsprechenden Anzahlen der verschiedenen Paartypen können nun die ver schiedenen Zusammenhangsmaße berechnet werden. Ȗ
IJa
IJb
IJc
NC ND NC ND NC ND NT
2400 152 2400 152 2248 5253
2248 2552
0,88
0,43
NC ND
2248
(NC ND TX )(NC ND TY )
NC ND
NC ND 1 21 N 2 2
1 2 § q 1· N ¨ 2 © q ¸¹
(2552 787)(2552 879)
4
2248 1032
0,85
dYX
NC ND NC ND TY
2248 2552 879
2248 3431
0,66
dXY
NC ND NC ND TX
2248 2552 787
2248 3339
0,67
dS
NC ND T TY NC ND X 2
2248 787 879 2
2552
0,66
0,66
Kapitel 14 Bivariate Zusammenhänge
179
Mit 0,88 fällt Gamma als größter Wert mehr als doppelt so hoch aus wie Tau-a als kleins ter Wert. Die Gründe sind schon erläutert worden. Alle Zusammenhangsmaße haben den gleichen Zähler, sie unterscheiden sich nur bezüglich des Nenners. Unterschiede zwi schen den Maßen sind daher ausschließlich auf den Nenner zurückzuführen. Da in Gam ma keinerlei Ties im Nenner enthalten sind, in Tau-a hingegen alle vorkommenden Arten von Ties, ist der Nenner in Gamma am kleinsten und in Tau-a am größten und der Quo tient aus Zähler und Nenner für Gamma am größten und Tau-a am kleinsten. Die Zu sammenhangsmaße, die nur X- oder Y-verbundene Paare in den Nenner aufnehmen, Tau b und die verschiedenen Arten von Somers' d, befinden sich mit 0,66 bzw. 0,67 ziemlich genau in der Mitte zwischen den extremen Werten von Gamma und Tau-a. Wir wollen uns zunächst das Verhältnis von symmetrischen zu asymmetrischen Maßen näher be trachten. Da die Größenordnungen von TX und TY und erst recht die Größenordnungen der Summen (NC + ND + TX) und (NC + ND + TY) kaum voneinander abweichen, sind die symmetrischen Koeffizienten Tau-b und Somers' dS für alle praktisch relevanten Verglei che gleich groß. Auch die asymmetrischen Maße von Somers' d fallen sowohl unterein ander als auch in Bezug auf die symmetrischen Maße fast identisch aus. Es soll nun untersucht werden, was passiert, wenn die mittlere Ausprägung der YVariablen in zwei Ausprägungen aufgespalten wird. Tabelle 2: Beispiel 1b Y=1 Y=2 Y=3 Y=4 X=1
25
7
5
0
X=2
7
15
17
4
X=3
1
3
2
17
NC =
25 * 58 + 7 * 40 + 5 * 21 + 7 * 22 + 15 * 19 + 17 * 17 = 2563
ND =
7 * 8 + 5 * 26 + 15 + 17 * 4 + 4 * 6 = 293
TX =
25 * 12 + 7 * 5 + 7 * 36 + 15 * 21 + 17 * 4 + 22 + 3 * 19 + 2 * 17 = 1083
TY =
25 * 8 + 7 * 18 + 5 * 19 + 7 + 15 * 3 + 17 * 2 + 4 * 17 = 575
TXY = (25 * 24) / 2 + (7 * 6) / 2 + (5 * 4) / 2 + (7 * 6) / 2 + (15 * 14) / 2 + (17 * 16) / 2 + (4 * 3) / 2 + (1 * 0) / 2 + (3 * 2) / 2 + (2 * 1) / 2 + (17 * 16) / 2 = 739 NT =
[(25 + 7 + 5 + 0 + 7 + 32 + 4 + 1 + 5 + 17) * (25 + 7 + 5 + 0 + 7 + 32 + 4 + 1 + 5 + 17 – 1)] / 2 = 5253
Da sich die Gesamtfallzahl nicht verändert, bleibt NT gleich. Sowohl die konkordanten als auch die diskordanten Paare nehmen etwas zu, aber da diese Veränderungen für alle Ko effizienten gelten, haben sie keine Auswirkungen auf das Verhältnis der Koeffizienten untereinander. Die kritische Größe im Zähler der Koeffizienten, die Differenz NC – ND, ändert sich nur sehr geringfügig von 2248 auf 2270. Die Maße Tau-a und Tau-c, die diese Differenz auf eine Basisgröße beziehen, die sich durch die Aufsplittung der Spalten nicht verändert hat, nehmen daher ganz leicht zu. Für alle anderen Maße gilt, dass sie abneh men. Dies ist darauf zurückzuführen, dass die Summe der konkordanten und der diskor danten Paare NC + ND von 2552 um über 300 auf 2856 zunimmt. Ȗ
NC ND NC ND
2563 293 2563 293
2270 2856
0,79
180
Kapitel 14 Bivariate Zusammenhänge
IJa
IJb
IJc
NC ND NT
2270 5253
0,43
NC ND
2270
(NC ND TX )(NC ND TY )
NC ND
NC ND 1 21 N 2 2
1 2 § q 1· N 2 ¨© q ¸¹
dYX
NC ND NC ND TY
2270 2856 575
dXY
NC ND NC ND TX
2270 2856 1083
dS
(2856 1083)(2856 575)
NC ND T TY NC ND X 2
4
2270 1032
2270 3431
0,62
0,86
0,66
2270 3939
0,58
2270 1083 575 2856 2
0,62
Da alle diese Koeffizienten die fast unverändert gebliebene Differenz NC – ND im Zähler und die deutlich veränderte Summe NC + ND als Bestandteil des Nenners enthalten, fällt der Quotient dementsprechend niedriger aus. Obwohl die Unterschiede zwischen TX und TY deutlich angewachsen sind, sind die Werte der symmetrischen Maße Tau-b und So mers' dS immer noch gleich. Erst ab der dritten Kommastelle treten Unterschiede auf, wobei Tau-b mit 0,6175 – wie vorausgesagt – etwas höher ausfällt als Somers' dS mit einem Wert von 0,6160. Aufschlussreicher sind die Unterschiede zwischen den asymmet rischen Maßen zu interpretieren. Durch die Aufspaltung der Y-Ausprägung haben die Xverbundenen Paare zugenommen und die Y-verbundenen Paare abgenommen. Die An zahl der X-verbundenen Paare ist jetzt sogar fast doppelt so hoch wie die der Yverbundenen Paare. Dementsprechend fällt dYX mit 0,66 jetzt deutlich höher aus als dXY mit 0,58.
Ende Beispiel
Beispiel: Wie geeignet sind einzelne Koeffizienten? Um ein Gefühl für die verschiedenen Koeffizienten zu bekommen, braucht man Erfah rung. Es ist daher hilfreich, wenn man sich einige Beispiele mit besonderen Eigenschaf ten ausdenkt und für diese die Werte der Koeffizienten ausrechnet. Besonders interessant ist es, herauszufinden, welche