Die Bibliothek · SystemdenkenTafel № 746 · Folio X
ILL. № 746
SYS
Plate — Potenzgesetze & schwere Ränder

Potenzgesetze & schwere Ränder

Keine charakteristische Skala, schwere Ränder: Extremereignisse beherrschen den Mittelwert. Stadtgrößen, Erdbeben, Finanzcrashs — hier versagt die Intuition der Glockenkurve.
Als Nächstes empfohlen → Wahrscheinlichkeit · MATH · T3
Facetten
  • P(x) ∝ x^(−α) and scale invariancenoch nicht geprüft
  • Fat tails and mean-dominating extremesnoch nicht geprüft
  • City sizes, quakes, crashes, citationsnoch nicht geprüft
  • Preferential attachment and self-organized criticalitynoch nicht geprüft
Der Beitrag

Sehr verschiedene Netzwerke tragen dieselbe Handschrift: das World Wide Web, wissenschaftliche Zitationsgraphen, biologische Netzwerke, das Internet selbst. Albert-László Barabási und Réka Albert wiesen sie 1999 in Emergence of Scaling in Random Networks nach — die Zahl der Verbindungen pro Knoten folgt Potenzgesetzen. Wenige Hubs sammeln ungleich mehr Verbindungen als der Median, und der Median liegt weit unter dem Mittelwert. Wer nach dieser Form sucht, findet sie fast überall. Stadtgrößen (Zipfsches Gesetz). Vermögensverteilungen an ihrem oberen Rand (Pareto, 1896). Erdbebenstärken (Gutenberg-Richter). Worthäufigkeiten in jedem Text natürlicher Sprache (wieder Zipf). Sonneneruptionen. Zitationszahlen. Ausfalldauern im Internet. Für die meisten dieser Größen ist die Glockenkurve das falsche Bild.

Eine Verteilung nach einem Potenzgesetz hat die Form P(x) ∝ x^(−α): Die Wahrscheinlichkeit eines Ausgangs der Größe x fällt polynomial ab. Daraus folgen drei Dinge. Es gibt keine charakteristische Skala — ob man heran- oder herauszoomt, die Verteilung sieht gleich aus. Es gibt schwere Ränder, also weit mehr extreme Ausgänge, als die gaußsche Intuition erwarten lässt. Und es gibt vom Einzelfall dominierte Mittelwerte: Eine einzige seltene Beobachtung kann den Durchschnitt bestimmen, womit der Durchschnitt selbst instabil wird. Statistik, die Normalverteilung unterstellt, versagt in diesem Gelände. Die Finanzkrise von 2008 war zum Teil ein Versagen an schweren Rändern — die gängigen Risikomodelle bepreisten Extremereignisse, als seien die Renditen gaußverteilt. Sie waren es nicht. Ein wichtiger Vorbehalt kommt von Clauset, Shalizi und Newman (2009): Prüft man die vielen in realen Daten behaupteten Potenzgesetz-Verteilungen sauber nach, passen zu den meisten log-normale oder gestreckt-exponentielle Verteilungen besser als reine Potenzgesetze. Die qualitative Aussage über schwere Ränder hält meist; die strenge Potenzgesetz-Aussage meist nicht. Wer genau sein will, spricht deshalb von schweren Rändern und nicht von einem Potenzgesetz. Schwere Ränder entstehen unter anderem durch präferenzielles Anhängen (Barabásis Mechanismus: Neue Knoten hängen sich an bereits beliebte Knoten), durch multiplikatives Wachstum (Aufzinsung erzeugt log-normale Verteilungen) und durch selbstorganisierte Kritikalität (Baks Sandhaufen, übertragen auf Erdbeben, neuronale Lawinen und Marktcrashs).

Warum jetztZu erkennen, ob eine Größe schwere Ränder hat oder gaußverteilt ist, gehört zu den nützlichsten Denkgewohnheiten der Gegenwart. Finanzmärkte unter Stress, die Ausbreitung von Pandemien, Erdbebenrisiko, virale Inhalte, Fähigkeitssprünge der KI, Kippereignisse im Klima, individuelle Ergebnisse in Märkten, in denen der Beste fast alles bekommt: Das alles lebt im schweren Rand. Nassim Taleb führt das Argument in Der Schwarze Schwan (2007) und Statistical Consequences of Fat Tails (2020) mit Nachdruck, gelegentlich mit zu viel davon. Die disziplinierte Fassung lautet, auf jeder Skala: Erlaubt es der Mechanismus hinter den Daten einer einzelnen Beobachtung, alle übrigen zu dominieren? Wenn ja, ist das Stichprobenmittel instabil, die Varianzschätzung ohne Aussagekraft, und die Glockenkurven-Intuition führt beim Einschätzen extremer Ereignisse systematisch in die Irre.