Wieso werden die Corona-Zahlen so unterschiedlich

Wieso werden die Corona-Zahlen so unterschiedlich

Die Datenlage zu Corona ist nach wie vor schlecht. Impfbefürworter und -gegner werfen sich gegenseitig vor, mit falschen Zahlen zu arbeiten. Die unbrauchbaren Zahlen zur Corona-Inzidenz nach Impfstatus in Bayern (externer Link) beweisen für viele Impfgegner, dass man „dem Staat“ nicht glauben darf. Sie führen eine britische Statistik ins Feld, die nach der in der Altersgruppe der 10- bis unter-60-Jährigen relativ mehr ungeimpfte als geimpfte Menschen starben. Doch diese Schlussfolgerung ist vermutlich falsch. Warum widersprechen sich die Daten so häufig?

Ich möchte in diesem Beitrag nicht für oder gegen eine Impfung Stellung beziehen, wenngleich ich sagen will, dass nach den Daten, die ich kenne, alles für eine Corona-Impfung spricht. Allerdings geht es mir hier mehr darum zu erläutern, wie es sein kann, dass die britischen Daten so unterschiedlich interpretiert werden.

Spoileralarm: Nach meiner Einschätzung beweisen sie nicht, dass eine Impfung für unter 60-Jährige mehr Schaden als Nutzen bringt, man kann die These ohne weitere Daten aber auch nicht widerlegen.

Das Problem mit der Kausalität

Ein beobachteter Zusammenhang muss nicht unbedingt auf eine direkte Kausalität hindeuten. Das ist möglich, aber nicht die einzige Option. Manchmal ist die Wirkung indirekt, teilweise aber gibt es gar keine Wirkung von A auf B, sondern eine dritte Variable beeinflusst mein Ergebnis. Hier nicht aufgeführt ist noch eine vierte Option, der Zufall.

Ich möchte hier alle vier Optionen am Beispiel der Diskussion um die britischen Daten zur Übersterblichkeit Geimpfter mal durchgehen.

Option 1: Direkter Zusammenhang

Impfgegner argumentieren, die Impfung sei ursächlich dafür verantwortlich, dass mehr geimpfte Menschen in der Altersgruppe der 10 bis unter-60-Jährigen sterben als ungeimpfte. Ich glaube das nicht, will das aber einfach mal so stehen lassen.

Dagegen spricht, dass die Impfung in anderen Altersgruppen deutlich positive Wirkungen zeigt. Allerdings würde ich auch nicht so weit gehen wie Wulf Rohwedder von der Tagesschau, der von „gezielter Datenselektion“ spricht. Dass die Analyse von Chancen und Risiko bei der Gruppe der unter 60-Jährigen zu einem anderen Ergebnis kommt als bei den über 60-Jährigen, ist zumindest möglich. Allerdings sprechen dagegen Zahlen aus anderen Ländern.

Immerhin haben wir einen Vorteil bei unserem Thema. Wenn es einen direkten Zusammenhang zwischen der Impfung und einer tödlich verlaufenden Corona-Infektion gibt, dann führt die von der Impfung zum Tod.

Das ist nicht immer so. Wenn wir einen Zusammenhang von Armut und Krankheit feststellen, kann das sowohl bedeuten, dass Armut krank macht als auch, dass Krankheit arm macht.

Option 2: indirekter Zusammenhang

Es gibt auch noch eine weitere Option, dass der Zusammenhang nämlich ein indirekter ist. Wie könnte das in unserem Beispiel aussehen? Beispielsweise so, dass der Körper so mit der Verarbeitung der Impfung beschäftigt ist, dass er zunächst anderen Viren und Bakterien zu wenig entgegensetzen kann. Das schwächt ihn weiter und macht ihn anfällig für eine tödliche COVID-Infektion.

Spieltheoretische Analyse der Risikobewertung bei COVID-19 im Online-Kanal von Prof. Christian Rieck.

Das ist zugegeben etwas theoretisch und in meinen Augen nicht besonders plausibel, es geht hier aber auch zunächst um das Darstellen von Möglichkeiten, die später empirisch zu überprüfen wären.

Option 3: Scheinkausalität und Simpson-Paradoxon

Die Zahlen beweisen aber keineswegs, dass es einen direkt oder indirekten Zusammenhang zwischen der Impfung und der höheren Todesrate gibt. Vielmehr können Drittvariablen die Ursache sein. Diese Erklärung halte ich auch für die wahrscheinlichste und dabei kommt ein Phänomen ins Spiel, das als Simpson-Paradoxon bezeichnet wird.

Damit ist gemeint, dass sich im Gesamtergebnis ein Effekt zeigt, der sich umkehrt, sobald man Teilgruppen betrachtet. In unserem Fall wären das Altersgruppen, die etwas enger fasst sind als die große der 10- bis unter-60-Jährigen.

Im Beispiel überleben geimpfte Menschen in beiden betrachteten Altersgruppen häufiger als ungeimpfte, sterben aber insgesamt häufiger. Warum? Weil sie in der stärker betroffenen Altersgruppe der 60 bis unter-60-Jährigen relativ häufiger vorkommen.

Simpson-Paradoxon. Die Zahlen hier sind erfunden, das Prinzip könnte aber auch den realen Effekt beeinflusst haben.

Die Zahlen sind erfunden, doch einen ähnlichen Effekt könnte es auch in der Realität geben. Tatsächlich zeigen Daten aus den USA, dass dort sowohl in der Altersgruppe der 18 bis unter 30-Jährigen (andere Altersstruktur als im Vereinigten Königreich) als auch bei den 30 bis unter 50-Jährigen relativ mehr ungeimpfte als geimpfte Menschen sterben und gleichzeitig die Sterbewahrscheinlichkeit in der höheren Altersgruppe deutlich höher ist.

Leider fehlen mir Daten, die für Großbritannien und Nordirland die Impfrate nach Alter aufschlüsseln. Trotzdem ist diese Hypothese mein persönlicher Favorit.

Es sind auch noch weitere Optionen denkbar, beispielsweise dass sich Menschen mit Vorerkrankungen häufiger impfen lassen.

Option 4: der Zufall

Es gibt natürlich noch eine vierte Option, nämlich den Zufall. In der Altersgruppe der unter 60-Jährigen sterben erfreulicherweise nicht so viele Menschen. Deshalb kann dort der Zufall eine relevante Rolle spielen.

Fazit

Mein Favorit für die Erklärung der überraschenden Zahlen im Vereinigten Königreich ist ein Simpson-Paradoxon. Das wäre jetzt empirisch zu überprüfen. Es ist leider zu einfach nur zu sagen, wir haben doch eine Erklärung gefunden, die das paradoxe Ergebnis erklärt, damit ist alles gut. Wir müssen sie auch empirisch untermauern und idealerweise die ersten beiden Optionen widerlegen.

Tagged with: ,

3 Comments on “Wieso werden die Corona-Zahlen so unterschiedlich

  1. Option 1 wäre der Effekt der antivirus dependend enhancement (ADE). Das wurde bei einigen Viren und bei relativ wenigen Impfungen schon beobachtet. Die Zulassungsstudien lassen keine Aussagen über die Abwesenheit dieses Effekts zu, da diese mit viel zu wenigen Infektionen in Test- und Kontrollgruppe durchgeführt wurden.

    Die Option 2 kennt man von der Influenzaschutzimpfung. Dort wird dieses Verhalten mal als vaccine associated hypersensivity und mal als virus interference bezeichnet. Die Untersuchungen sind da nicht ganz übereinstimmend, aber im Großen und Ganzen kommt da eine Schutzquote von Null raus. Mal eine schwarze und mal eine rote Null. Daher kann diese Option nicht ausgeschlossen werden und muss als realistisch und wahrscheinlich betrachtet werden.

    Die Spitzenreiter unter den ARE-Viren (akute respiratorische Erkrankung) durchseuchen in einer Saison rund 10% der Bevölkerung in Deutschland. Die Saison fängt nach Kalenderwoche KW 40 an und endet im Folgejahr vor KW 20. Insgesamt werden 200% der Bevölkerung durchseucht. Das bedeutet im Schnitt zwei Infektionen pro Jahr. Das sind die längjährigen Erfahrungen mit saisonalen ARE. Damit kann man die Eintreffwahrscheinlichkeiten für ADE raten. VAH ist sehr viel schwieriger, da vorab nicht bekannt ist welche Viren VAH auslösen. Bei der Influenzaschutzimpfung macht diese etwa 5% aller Infektionen, hat im Mittel gegen die Influenza eine Schutzquote von 30% (nach Angaben der Arbeitsgemeinschaft Influenza (AGI) des RKI) und die Überempfindlichkeit besteht dann gegen hCoV (verschiedene andere Quellen), welche mindestens das Doppelte an Infektionen machen. Daher auch die Schutzquote Null.

    RKI (Arbeitsgemeinschaft Influenza): Saisonberichte
    https://influenza.rki.de/Saisonbericht.aspx

    Noch ein kleiner Einschub: Die Spitzenreiter unter den Viren schaffen es zu ihren besten Zeiten rund 1% der Bevölkerung in der Woche zu durchseuchen. Das entspricht einer 7-Tage-Inzidenz von 1000. Das sind also keine so extremen Werte. Inzidenzen von 1000 sind das alte Normal. Das wurde für die Influenza beobachtet und die Nahverkehrsstudie aus FfM hat dies auch für nCoV-2019 gezeigt. U. a. aus diesem Grund hat die WHO auch für die Influenza die Kontaktverfolgung nicht empfohlen.

    Ich betrachte Option 1 als möglich und Option 2 als ziemlich sicher gegeben. Nur die Quantifizierung ist problematisch.

    Option 3 Zufall kann man erweitern. Das Wetter ist ein bestimmender Faktor für diese (behüllte) Viren. Sommer und Herbst 2020 waren wesentlich virenfeindlicher als Sommer und Herbst 2021. Das spielt auch eine große Rolle. Einstieg in die Problematik findet man in:

    The Transmission of Epidemic Influenza
    Authors: Hope-Simpson, R.E. © 1992
    https://www.springer.com/gp/book/9780306440731

    Leider ist der meteorologische Teil im Buch aus der Sicht eines Diplom Wetterfrosch etwas unterbelichtet. Die aktuelle Großwetterlage deutet auf eine hohe Chance auf einen echten™ Winter bis in den März 2022 hin. Falls dies eintritt werden die Zahlen unschön werden.

    Option 4 ist irgendwie „Was nicht sein darf, kann nicht sein!“?

  2. Der Ansatz zur Erfassung der Menschen ist schon vollkommen falsch. Es gibt nicht einfach nur „Geimpft“ und „Ungeimpft“. Es gibt mindestens 4 relevante Gruppen zur Erfassung.

    * Status Ungeimpft
    * Status Teilgeimpft
    * Status Vollgeimpft
    * Status Unbekannt

    Bei den alten „Rechnungen“ des RKI wurden aber Teilgeimpfte und Unbekannte den Ungeimpften zugeschlagen. Das ist Unsinn gewesen. Jetzt werden die Unbekannten aus der Rechnung geworfen. Das ist aber ein beliebter Einstieg in Statistikbetrug. Beispiele kenne ich seit vielen Jahrzehnten aus ganz anderen Bereichen und bin immer wieder darüber erstaunt wie viele Menschen darauf rein fallen. Besonders auffällig ist da das Wachsen der Unbekannten in den letzten Wochen. Die Zahlen des RKI sind also unseriös und können nicht als Argument für die Impfungen herangezogen werden. Die britischen Messungen sehen etwas besser aus, lassen aber auch keine eindeutigen Aussagen pro Impfung zu. Wäre die Impfung so gut, müsste nicht für diese manipuliert werden. Das widerum spricht gegen die Impfung. Manipulierte Daten sind immer ein Warnzeichen! Pfoten weg! Das ist unseriös.

  3. Dazu der ausgezeichnete BBC podcast „More or Less“ …

    Podcast/Article:
    Simpson’s Paradox: How to make vaccinated death figures misleading

    URL:
    http://open.live.bbc.co.uk/mediaselector/6/redir/version/2.0/mediaset/audio-nondrm-download/proto/http/vpid/p0b6j0x4.mp3

    Description:
    Vaccines are the best way to stop deaths and serious cases related to covid19, this is an irrefutable fact. However, recent ONS data seems to show that vaccinated people had a higher all cause death rate than unvaccinated people. Why is this data misleading? Here’s a clue: it’s to do with a quirky statistical phenomenon called Simpsons Paradox.

    (Image: The Simpsons / TCFFC )

    This content comes from:
    More or Less: Behind the Stats

    URL:
    http://downloads.bbc.co.uk/podcasts/radio4/moreorless/rss.xml

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .