Unverzerrtheit
In diesem Beitrag
Was versteht man unter Unverzerrtheit?
Ein Schätzer T für einen unbekannten Parameter θ heißt unverzerrt (oder erwartungstreu), wenn sein Erwartungswert genau dem wahren Parameterwert entspricht. Formal gilt:
Formale Definition
Das bedeutet: Würde man das Stichprobenverfahren unendlich oft wiederholen und jedes Mal den Schätzer berechnen, läge der Durchschnitt all dieser Schätzwerte exakt beim wahren Parameter. Der Schätzer trifft den wahren Wert also im Mittel – ohne systematische Über- oder Unterschätzung.
Liegt hingegen ein systematischer Fehler vor, spricht man von einem verzerrten Schätzer. Die Differenz zwischen Erwartungswert des Schätzers und dem wahren Parameter nennt sich Bias:
Bias eines Schätzers
Bei einem unverzerrten Schätzer ist der Bias gleich null.
Warum ist Unverzerrtheit für statistische Analysen wichtig?
Unverzerrtheit ist eine der zentralen Gütekriterien für statistische Schätzer, weil sie sicherstellt, dass eine Schätzmethode keinen systematischen Fehler in eine bestimmte Richtung produziert. Gerade in der Forschung ist das entscheidend: Ein verzerrter Schätzer führt auch bei sehr großen Stichproben immer zu falschen Schlüssen – mehr Daten helfen dann nicht weiter.
Ein bekanntes Beispiel ist die Stichprobenvarianz. Die intuitive Formel, bei der durch n geteilt wird, unterschätzt systematisch die wahre Populationsvarianz. Deshalb teilt man in der Praxis durch n – 1, um einen unverzerrten Schätzer zu erhalten – das ist die sogenannte korrigierte Stichprobenvarianz.
Praxisbeispiel zu Unverzerrtheit
Angenommen, du untersuchst das durchschnittliche Einkommen in einer Stadt und ziehst eine Zufallsstichprobe von 50 Personen. Du berechnest den Stichprobenmittelwert als Schätzer für den Populationsmittelwert.
Der Stichprobenmittelwert ist ein klassisches Beispiel für einen unverzerrten Schätzer: Im Erwartungswert entspricht er genau dem wahren Mittelwert der Gesamtpopulation. Ziehst du die Stichprobe hundertmal und berechnest jedes Mal den Mittelwert, wird der Durchschnitt dieser hundert Werte sehr nahe am tatsächlichen Populationsmittelwert liegen.
Anders wäre es, wenn deine Stichprobe systematisch verzerrt wäre – zum Beispiel, weil du nur Personen in einem wohlhabenderen Stadtviertel befragst. Dann wäre dein Schätzer verzerrt, selbst wenn du die Formel für den Mittelwert korrekt anwendest. Hier liegt der Bias nicht im Schätzer selbst, sondern im Erhebungsdesign.
| Eigenschaft | Unverzerrter Schätzer | Verzerrter Schätzer |
|---|---|---|
| Erwartungswert | Gleich dem wahren Parameter | Weicht systematisch ab |
| Bias | 0 | ≠ 0 |
| Typisches Beispiel | Stichprobenmittelwert | Varianz mit Division durch n |
| Mehr Daten helfen gegen Fehler? | Ja (Streuung sinkt) | Nein (Bias bleibt bestehen) |
