Political Data Science

Ich glaube, dass wir derzeit den Aufstieg einer Ideologie erleben, die ich Nutzerismus nennen möchte. Hannah Arendt hat darauf hingewiesen, dass jede Ideologie zu einem totalitaristischen Regime führen kann und es gibt ernste Anzeichen, dass dies auch für den Nutzerismus gilt.  Was ist der Nutzerismus? Wie bei jeder Ideologie ist der Kerngedanke sehr einfach: Im Prinzip gibt es für alle gesellschaftlichen Probleme eine technische Lösung. Leider wenden die Menschen die richtigen Technologien nicht an. Sie nehmen ihre Rolle als Nutzer nicht wahr. Es geht dem Nutzerismus also um das Zusammenspiel von Mensch und Technik, allerdings immer wieder aus der gleichen Perspektive. Die Technik kommt vor als potentielle Lösung eines gesellschaftlichen Problems. Eventuell fehlt die perfekte Lösung noch, aber das ist dann als Auftrag an die Wissenschaft und die Ingenieure zu verstehen. Dieser Technikglaube hat etwas sehr Naives. Er abstrahiert zum Beispiel von allen Interessen, für die Technologien

Was das Entlastungspaket über die gewollte Belastung und die Beschaffenheit der Einkommensquelle Lohn etc. verrät  Die Bundesregierung hat ein neues so genanntes „Entlastungspaket” ( https://www.bundesregierung.de/breg-de/aktuelles/drittes-entlastungspaket-2082584 ) beschlossen und die politische Debatte kreist überwiegend um die Frage, ob diese Entlastung denn ausreichend ist. Nehmen wir uns stattdessen einmal die unerhörte gedankliche Freiheit, zu fragen, worin denn die Belastung besteht, die nun verringert werden soll. Einerseits ist die Antwort offensichtlich: Es geht darum, dass die steigenden Preise – insbesondere die Energiekosten – die Normalbürger vor massive Probleme stellen. Insbesondere die Empfänger kleinerer Einkommen (dazu zählen auch Sozialleistungen wie Renten, BAFöG, Arbeitslosengeld) sollen durch die neuen Regeln entlastet werden. Und das ist dem Staat einiges wert: 65 Milliarden Euro sollen in der Summe (alle Maßnahmen – auch die, die auf andere Gruppen zielen – und

In 2022 geht die Zahl der Lebendgeborenen in Deutschland stark zurück. Der folgende Beitrag zeigt, dass es sich dabei kaum um Zufall handeln kann, denn die Zahlen für die Monate Januar bis März weichen extrem von den Werten ab, die eigentlich erwartbar wären. Die Daten in diesem Beitrag kommen alle vom Statistischen Bundesamt und sind in der GENESIS-Datenbank abrufbar: https://www-genesis.destatis.de/genesis//online?operation=table&code=12612-0002&bypass=true&levelindex=0&levelid=1656348297725#abreadcrumb  Betrachten wir zunächst die Daten seit 1990: Man sieht dreierlei: 1. geht die Anzahl der Geburten in 2022 stark zurück. 2. waren die Zahlen, zum Beispiel 2010 schon mal niedriger. 3. gibt es einen sehr deutlichen saisonalen Trend: Die Anzahl der Geburten variiert deutlich je nach Monat. Den letzten Punkt kann man statistisch benutzen, um die Zeitreihe zu "zerlegen" (decompose). Dabei versucht man, den saisonalen Effekt von einem generellen Trend zu trennen.

Pfizer hat den Covid-Impfstoff von Biontec an Babys im Alter zwischen 6 und 23 Monaten getestet. Die Ergebnisse wurden der FDA vorgelegt, im Zuge der entsprechenden Notfallzulassung. Die Dokumente finden sich hier: https://www.fda.gov/media/159195/download Auf Seite 39 finden sich die folgenden empirischen Angaben zur Wirksamkeit der Impfung. Diese möchte ich hier für Laien verständlich erklären.  Die erste Spalte gibt an, was eigentlich untersucht wurde (Efficacy Endpoint). Es geht um die Anzahl der Covid-Fälle, die nach der Impfung bei der Untersuchten Population eingetreten sind. Die zweite Spalte zeigt die Fälle für die Babys, die den Impfstoff bekommen haben, die dritte Spalte enthält die Placebo-Gruppe (diesen Babys wurde also im gleichen Zeitintervall ein Placebo verabreicht). Die vierte Spalte berechnet basierend auf den Werten von Spalte zwei und drei die Impfwirksamkeit (Vaccine Efficacy). Schauen wir uns die erste Zeile einmal im Detail an: Was genau wird hier untersucht? Di

Der Report ist unter folgendem Link abrufbar: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/1054071/vaccine-surveillance-report-week-6.pdf   Die wesentlich höhere Inzidenz der Geboosterten ist bemerkenswert, widerspricht dieses Faktum doch der Theorie, dass die Impfung irgendwie ein bisschen gegen Ansteckung hilft, zumal wenn man sich geboostert hat. Einige der häufig angebrachten “Beiträge” gerade in den Sozialen Netzwerken, erklären dieses Phänomen NICHT: Es geht nicht darum, dass ja die Anzahl der Geboosterten auch höher ist als die der Ungeimpften. Hier werden keine absoluten Zahlen gegenübergestellt, sondern die Größe der jeweiligen Gruppe ist bereits eingerechnet. Von 100.000 Personen über 80, die mindestens 3 mal geimpft wurden, hatten in den letzten Wochen 1.413,6 Personen einen positiven PCR-Test. Von 100.000 Ungeimpften über 80 waren es 983. Die Inzidenz in dieser Gruppe der Geboosterten ist also 1.4-Mal so hoch, wie die der U

Update: RKI korrigiert Daten im Wochenbericht nachträglich Das RKI hat am 3.01.2022 die Anzahl der ungeimpften Omikron-Fälle auf 1097 korrigiert. Ich passe daher die Berechnungen an. Zuvor wurden 186 Ungeimpfte gemeldet. In den letzten beiden Blogposts habe ich erklärt, wie das RKI die Impfeffektivität berechnet und diese Berechnungen rekonstruiert . Das RKI hat im Wochenbericht vom 30.12.2021 folgende Zahlen zu Omikron veröffentlicht: Es wurden 6.788 Fälle von Omikron mit Angabe zu Symptomen übermittelt. 4.020 davon waren Vollständig geimpft, 1097 waren ungeimpft. 1.137 waren geboostert. Über die verbliebenen 2.582 gibt es keine Information zum Impfstatus. Es kann sich dabei um “Unbekannt” als Impfstatus handeln oder um “Unvollständig Geimpft”, was heißt, dass es nur eine Impfung gab oder die zweite noch keine 14 Tage her ist. Mit exakt der selben Methode, die das RKI bislang verwendet hat, können wir nun die Impfeffektivität ermitteln. Dafür kommt die Farrington-Formel zum Einsatz.

Im folgenden Beitrag geht es darum, die Daten zur Impfeffektivität des RKI zu rekonstruieren. Das ist leider notwendig, da das RKI an diversen Stellen zwar die Ergebnisse seiner Berechnungen veröffentlicht, nicht aber die Daten, die zu Grunde liegen. Richtige Transparenz fehlt daher. Um es Interessierten zu ermöglichen, sich ein eigenes Bild zu verschaffen und eigene Berechnungen anzustellen, habe ich die folgenden Auswertungen in R programmiert und stelle die Skripte auf meinem Github-Repository bereit.  Im ersten Teil dieses Blogbeitrags habe ich auf einige theoretische Schwächen in der Ermittlung der Impfeffektivität hingewiesen. Dieser zweite Teil dient zunächst dazu, die Berechnung des RKI transparent zu machen. In wie weit sich die besprochenen Argumente tatsächlich auswirken würden, kann mit Hilfe der hier rekonstruierten Daten untersucht werden. Dies wird dann der dritte Teil des Beitrags. Um die Berechnungen des RKI zur Impfeffektivität nachvollziehen zu können, braucht man