Wie gut sind Vorhersageleistungen von Zuschauern zur WM 2006?

Inhalt

Abbildungsverzeichnis

Tabellenverzeichnis

1 Einleitung

2 Vorhersagen im Sport
2.1 Stand der Forschung von Vorhersagen im Sport
2.1.1 Faktoren der Beeinflussung von Vorhersagen mit Modellen
2.1.2 Faktoren der Beeinflussung von menschlichen Vorhersagen
2.2 Vorhersagemodelle
2.2.1 Recognition-Heuristik
2.2.2 Take The Best-Heuristik
2.2.3 Minimalist-Heuristik
2.2.4 Take The Last-Heuristik

3 Empirische Untersuchung zur FIFA Fußball WM 2006
3.1 Fragestellungen und Hypothesen
3.2 Untersuchungsgruppe
3.3 Untersuchungsdurchführung
3.4 Ergebnisdarstellungen
3.5 Diskussion und Interpretation der Ergebnisse

4 Fazit

5 Literatur

6 Anhang

Abbildungsverzeichnis

Abbildung 1: Versuchsablauf

Abbildung 2: Mittelwerte der Vorhersageänderungen (zwei Monate vs. eine Woche vor Beginn der WM)

Abbildung 3: Prozentuale Verteilung der Versuchspersonen, differenziert nach dem Vorhersageerfolg der 2. Befragung im Bezug zur 1. Befragung

Abbildung 4: Prozentuale Verteilung der Versuchspersonen, differenziert nach der Gruppe (Experten - Laien) und nach dem Vorhersageerfolg der 2. Befragung im Bezug zur 1. Befragung

Abbildung 5: Prozentuale Verteilung der Versuchspersonen, differenziert nach dem Geschlecht und nach dem Vorhersageerfolg der 2. Befragung im Bezug zur 1. Befragung

Abbildung 6: Mittelwerte der Gesamtpunktzahlen aus 1. und 2. Befragung, differenziert nach der Gruppe (Experten - Laien)

Abbildung 7: Mittelwerte der Gesamtpunktzahlen aus 1. und 2. Befragung, differenziert nach männlichen (Laien) und weiblichen Teilnehmern

Abbildung 8: Prozentuale Verteilung der Versuchspersonen, die den Favoriten als Sieger vorhergesagt haben, differenziert nach der Gruppe (Experten - Laien)

Abbildung 9: Mittelwerte der 3 Punkte- und 1 Punktsumme aus 1. und 2. Befragung, differenziert nach der Gruppe (Experten - Laien)

Abbildung 10: Mittelwerte der vorhergesagten Tore, differenziert nach der Gruppe (Experten - Laien) im Vergleich zu den tatsächlich geschossenen Toren

Tabellenverzeichnis

Tabelle 1: Gruppeneinteilung der FIFA Fußball WM

Tabelle 2: Spiele mit häufiger Vorhersageänderung

Tabelle 3: Spiele mit geringer Vorhersageänderung

Tabelle 4: Teilnehmende Mannschaften am Confederations Cup

1 Einleitung

Die FIFA¹ Fußball-Weltmeisterschaft 2006 in Deutschland ist ein einzigartiges Großereignis, welches mit großem Interesse auf der ganzen Welt verfolgt wird. Die Sportart Fußball ist eine faszinierende, spannende Sportart, an deren Popularität und Bedeutung keine andere Sportart heranreicht.

Ein wichtiger Teil des Fußballs ist die Spannung, die durch diese Sportart er- zeugt wird. Diese Spannung war, in der Zeit als Fußball an Popularität gewann, neuartig und stellte ein wichtiges Merkmal moderner Gesellschaften dar. Durch die Gründung des Deutschen Fußball Bundes im Jahre 1900 erlebte sie ihren Durchbruch in Deutschland (Brüggemeier, 2006). Zu dieser Zeit erschienen Ta- geszeitungen erstmals mit großer Auflage und berichteten aktuell von sportli- chen Wettbewerben. Heute ist diese Spannung alltäglich; neben Zeitung, Kino und Fernsehen wird diese auch in anderen Bereichen, wie Literatur, Wahler- gebnissen und Lottospielen erzeugt. Mit dieser Medienentwicklung breiteten sich neben dem Fußball auch andere sportliche Wettbewerbe, wie Auto-, Fahr- radrennen und Boxwettkämpfe aus. Bis heute lebt der Fußball im Wesentlichen von der Spannung, über die Sepp Herberger sagte: „Die Leute gehen in die Stadien, weil sie nicht wissen, wie es ausgeht.“ (Brüggemeier, 2006, S.13)

Aus diesem Grund erfährt der Sportwettenmarkt seit längerer Zeit einen enor- men Boom. Die Sportwettenanbieter nutzen diese Spannung, indem sie nicht nur im Fußball, sondern auch in vielen anderen Sportarten Wetten über den Ausgang eines sportlichen Wettkampfes anbieten. Viele Menschen hoffen auf ihr Glück, indem sie versuchen, bei solchen Wetten einen Sieger vorherzusa- gen.

Nach welchen Kriterien Wettanbieter und ihre Kunden einen Favoriten bezie- hungsweise ihre Wettquoten bestimmen, ist dabei die entscheidende Frage. Dieser Frage gehen mittlerweile eine ganze Reihe Forschungsuntersuchungen zu Vorhersagen und Modellvorhersagen nach. Einerseits werden Vorhersage- modelle entwickelt, um mit unterschiedlichen Informationen möglichst exakte Vorhersagen zu machen, andererseits wird das Vorhersageverhalten von Men- schen untersucht. Trotzdem gibt es bislang noch „kein optimales Vorhersage- modell und es wird wahrscheinlich auch nie eines geben.“ (Gröschner & Raab, 2006, S. 23)

Bei menschlichen Vorhersagen zeigt die Forschung, dass Personen, die angaben, kaum oder gar nicht über sportliches Wissen zu verfügen, oftmals bessere Vorhersagen machten als Sportexperten. Plessner, Freiberger, Kurle und Ochs (2006) nehmen an, dass der Gebrauch von explizitem Wissen zu schlechteren Vorhersagen führen kann, da so zum Beispiel irrelevante Informationen in den Vordergrund rücken können, mit denen Personen Schwierigkeiten bekommen können, ein angemessenes Urteil zu fällen.

Diese Annahmen nehme ich zum Anlass, eine Untersuchung zur Fußball- Weltmeisterschaft 2006 durchzuführen. Im Vorfeld der Weltmeisterschaft wer- den sich Fußballinteressierte voraussichtlich mit den Stärken und Schwächen der teilnehmenden Mannschaften auseinandersetzen und dadurch über viele Informationen verfügen, die sie nutzen, um für sich einen Favoriten auszuma- chen.

Beeinflussen diese Informationen eine Vorhersage? Werden auch Laien des Fußballs sich durch das große mediale Aufkommen ein Wissen über die einzelnen Mannschaften aneignen? Sagen Experten und Laien möglicherweise direkt vor der Weltmeisterschaft andere Ergebnisse vorher als in gewisser zeitlicher Entfernung zum Turnier? Und treffen Experten durch die Vielfalt ihres Wissens bessere Vorhersagen als Laien?

Zur Beantwortung dieser Fragen werden zwei Erhebungen vor der Fußball- Weltmeisterschaft gegenübergestellt. Hierbei sollen Versuchspersonen, Fuß- ball-Experten und Fußball-Laien, jeweils zwei Monate und eine Woche vor dem Turnier die Spiele der Vorrunde vorhersagen. Die Idee, die Untersuchung mit unterschiedlichen Zeitpunkten durchzuführen, ist, dass zwei Monate vor der Weltmeisterschaft den Versuchspersonen noch relativ wenig Informationen und somit wenig explizites Wissen zur Verfügung steht. Die Unterscheidung von Experten und Laien soll zusätzlich eine Antwort darauf geben, ob die medialen Informationen direkt vor der Fußball-Weltmeisterschaft einen Einfluss auf die Vorhersagen beider Gruppen haben. Es wird angenommen, dass auch Perso- nen, die sich nicht im Geringsten für Fußball interessieren, die Masse der medialen Informationen über die Fußball-Weltmeisterschaft wahrnehmen. Eine Untersuchung zur Fußball-Weltmeisterschaft 2006 durchzuführen, ergab sich aus folgenden Gründen:

Da die Fußball-Weltmeisterschaft in Deutschland eines der größten Sportereig- nisse in der Geschichte der Bundesrepublik ist und durch ihre Turnierform über einen kurzen Zeitraum stattfindet, bietet es sich an, diese Erhebung in diesem Rahmen zu machen. Außerdem erhalten Sportwetten zum Beispiel durch den erst kürzlich entstanden Bundesliga-Skandal Beachtung in allen Schichten der Gesellschaft. Viele Menschen, wozu auch ich mich zähle, setzen immer auf ih- ren Favoriten in Sportwetten. Dieses geschieht meistens mit ganz unterschied- lichen zur Verfügung stehenden Informationen. Da ich selbst ein aktiver Fuß- ballspieler und Fußball-Interessierter bin, kenne ich die Spannung, die durch diese Sportart entsteht.

Zum einen wird also versucht, den allgemeinen Fragestellungen nachzukommen, zum anderen steht ein persönliches Interesse hinter dieser Arbeit, die in ihren Ergebnissen mit Sicherheit einige Aufschlüsse über das Vorhersageverhalten von Menschen geben wird.

2 Vorhersagen im Sport

Vor den meisten Sportwettkämpfen steht die Frage nach dem Sieger, die sportliche Wettbewerbe so interessant für die Zuschauer macht. Daraus resultiert das starke Interesse der Wirtschaft und der Medien an Sportereignissen. Zum einen investieren die Medienanstalten enorme Summen in die Übertragungsrechte, zum anderen investieren Sponsoren große Mengen Geld in sportliche Großereignisse. Des Weiteren geben Sportinteressierte viel Geld für Tickets aus, um ein Sportevent live zu erleben.

Die Preise für die Übertragungsrechte von Fußballgroßveranstaltungen wie Weltmeisterschaften sind in den letzten Jahren gewaltig gestiegen. Der Preis für die weltweiten Rechte bei der Fußball-Weltmeisterschaft 1990 in Italien lag noch bei 114 Millionen DM, bei der Fußball-Weltmeisterschaft 1994 in den USA bei 132 Millionen DM und bei der Fußball-Weltmeisterschaft 1998 in Frankreich bei 174 Millionen DM. Für die Weltmeisterschaft in Frankreich 1998 bezahlten ARD und ZDF rund 18 Millionen DM, für die europäischen Rechte zur Übertra- gung der Fußball-WM 2002 und 2006 bezahlte die Kirch-Gruppe dem Weltfuß- ballverband im Jahr 1996 dagegen bereits 1.7 Milliarden DM (Ott, 2001).

Den Sieger eines sportlichen Wettkampfes vorherzusagen, beschäftigt nicht nur die Medien sondern auch Großteile der Bevölkerung und damit auch die Sport- wettenanbieter. So erklärt sich auch die Entwicklung des Sportwettenmarktes in Deutschland. Durch das Internet erlebt das Geschäft mit Sportwetten einen e- normen Boom. Neben dem staatlichen Sportwettenanbieter Oddset gibt es heu- te zahlreiche Firmen, die Sportwetten ausschließlich im Internet anbieten. In einem Interview in der Berliner Zeitung (Wolff, 2005) beschreibt der Marketing- Chef des Anbieters Oddset die Entwicklung seines Unternehmens: „Wir haben in dem vergangenen Jahr Spielerlöse von 481 Millionen Euro eingenommen und gehen davon aus, dass wir dieses Ergebnis zum Jahresende wieder errei- chen. […] Im kommenden Jahr, wenn die WM in Deutschland stattfindet, rech- nen wir mit einem gesteigerten Interesse für Oddset und mit deutlich mehr als 500 Millionen Euro einnahmen.“

Der Sportwettenanbieter betandwin verbuchte im ersten Halbjahr des letzten Jahres rund 53 Millionen Sportwetten. Dies entspricht einer Steigerung von 171 % gegenüber dem Vorjahr und bedeutet, dass durchschnittlich 3.4 Wetten pro Sekunde abgeschlossen wurden. Die Analysten der Firma erwarten für das Fußball-Weltmeisterschaftsjahr 2006 eine weitere Steigerung dieser Werte (betandwin.com Interactive Entertainment AG, 2005).

Bereits einen Monat vor der Fußball-Weltmeisterschaft wurden auf der deut- schen Internetseite von betandwin 310 Wetten für das Turnier angeboten. Es kann mittlerweile nicht nur auf Sieger oder Verlierer, sondern auf die verschie- densten Ereignisse in einem Spiel gewettet werden. Beispielsweise konnte man im Eröffnungsspiel Deutschland gegen Costa Rica auf die Anzahl der Abseits- stellungen, die Anzahl der gelben Karten eines Teams oder die Nachspielzeit einer Halbzeit setzen. Insgesamt wurden für dieses Spiel 153 Wetten von be- tandwin angeboten (betandwin.com Interactive Entertainment AG, 2006).

In der Berliner Morgenpost beziffert Anker (2006) in einem Artikel über Sport- wetten den Gesamtumsatz der Anbieter auf rund 2.2 Milliarden Euro. Dieser Umsatz kann sich in den nächsten fünf Jahren, unter anderem auch durch die Fußball-Weltmeisterschaft, auf fünf Milliarden Euro mehr als verdoppeln (Anker 2006).

Wissenschaftler auf der ganzen Welt nehmen den Boom der Sportwetten auch zum Anlass für verschiedene Untersuchungen zu Vorhersagen im Sport. Zum einen wird versucht, mit wissenschaftlichen Modellen, die auf verschiedenen statistischen Daten beruhen, einen Sieger zu bestimmen, zum anderen wird untersucht, warum sich Zuschauer für einen Sieger entscheiden und mit wel- chem Wissen die besten Vorhersagen getroffen werden. Der folgende Abschnitt soll einen Überblick über die verschiedenen Befunde der Forschung schaffen.

2.1 Stand der Forschung von Vorhersagen im Sport

Die folgende Aufzählung der Forschungsansätze für Vorhersagen im Sport ist keinesfalls vollständig. Sie soll dem Leser einen Überblick darüber verschaffen, mit welchen Methoden empirische Daten bisher für Vorhersagen erhoben worden sind. Diese Aufzählung hält sich an die Abfassung von Gröschner und Raab (2006), wird dabei aber durch weitere Darstellungen erweitert.

Mittlerweile gibt es eine große Anzahl an Experimenten, bei denen versucht wird, mit statistischen Modellen eine Vorhersage für ein sportliches Ereignis zu entwickeln. Boulier und Stekler (1999, 2003) entwickelten Modelle für American Football und Basketball. Diese Modelle berechnen einen Sieger aus einer großen Menge Informationen der Mannschaften.

Bei Fußballvorhersagen werden vorwiegend solche statistischen Modelle ein- gesetzt, um beispielsweise Ergebnisse von Weltmeisterschaften vorherzusa- gen. Kuonen und Röhrl (2000) untersuchten, ob der Gewinn des Weltmeisterti- tels von Frankreich 1998 purer Zufall war oder ob man diesen vorhersagen konnte. Sie durchleuchteten die zur Verfügung stehenden Informationen über die teilnehmenden Mannschaften und versuchten die wichtigsten zu selektieren, um damit eine möglichst exakte Vorhersage zu machen. Da viele statistische Modelle oft eine enorme Rechenleistung erfordern, versuchen einige Autoren einfachere Vorhersagemodelle zu erstellen. Dabei ist es ihnen wichtig, mit we- nigen Informationen möglichst gute Vorhersagen zu erzielen (Kounen & Röhrl, 2000). Andere Autoren versuchten über die Bestimmung von Angriffs- und Ab- wehrstärke der Mannschaften Vorhersagen zu entwickeln. Dabei werden aus den Informationen über erzielte Tore und erhaltener Gegentore Daten erstellt, welche die Sieg- oder Niederlagewahrscheinlichkeiten einer Mannschaft bestimmen (Dixon & Coles, 1997). Dixon und Coles (1997) untersuchten dafür die Daten der Jahre 1992 bis 1995 aus der englischen Fußballliga und versuch- ten dann Vorhersagen für die Saison 1995/1996 zu erstellen.

Pollard (2006) erklärt in seiner Arbeit, dass der Heimvorteil im Fußball ein bedeutender Faktor bei Spielentscheidungen ist. Diese Tatsache wurde schon zuvor in verschiedenen Modellen im Fußball hinzugezogen beziehungsweise untersucht (Dixon & Coles, 1997; Stefani & Clark, 1992). Sie zeigten, dass Mannschaften öfter gewinnen, wenn sie in ihrer eigenen Stadt und in ihrem eigenen Stadion spielen; unter Berücksichtigung dieser Tatsache wurden dann weitere Vorhersagemodelle erstellt.

Gröschner und Raab (2006) zeigten in ihrer Studie, dass Modelle zur Vorhersa- ge von Ergebnissen einer Fußballbundesligasaison mit geringer Informationen- verarbeitung den Modellen mit hoher Informationsverarbeitung ebenbürtig oder sogar überlegen sind. Sie untersuchten drei unterschiedliche Modelle der „Take The Best-Heuristik“ (in 2.2 erläutert) und verglichen diese mit dem „Bayes-

Modell“. Während die drei „Take The Best-Heuristiken“ unterschiedlich viele Informationen zur Vorhersage nutzen, ist das „Bayes-Modell“ ein normatives Modell, dessen Datenverarbeitung komplexer gestaltet ist, da es alle zur Verfü- gung stehenden Informationen, auch früherer Forschungsarbeiten, nutzt. Es bestimmt aus diesen Informationen die Auftretwahrscheinlichkeit eines Ereig- nisses (Gröschner & Raab, 2006, S. 29). In der Ergebnisvorhersage der Bun- desligasaison 1999/2000 zeigte sich, dass das „Bayes-Modell“ mit 51.4 % rich- tigen Vorhersagen den „Take The Best-Heuristiken“ mit 52.9 %, 56.7 % und 57.1 % unterlegen ist, obwohl es bis zu 50 % mehr Informationen nutzt (Gröschner & Raab, 2006, S. 30).

Des Weiteren untersuchen Forscher der Sportpsychologie in Experimenten mit Experten und Novizen, mit welchen Informationen eine Person eine Vorhersage erstellt. Man geht davon aus, dass Experten über wesentlich mehr Informationen verfügen als Novizen.

Durch den Vergleich von Experten- und Novizenvorhersagen ist es möglich, Unterschiede in der Art der Verwendung und Menge der zur Vorhersage verwendeten Informationen zu erfassen. Dar- aus können Rückschlüsse auf die verwendeten Entscheidungsal- gorithmen gezogen und diese mit bestehenden Modellen zur Er- klärung menschlichen Verhaltens verglichen werden. (Gröschner & Raab, 2006, S. 26)

Zur Fußball-Weltmeisterschaft 2002 in Japan und Südkorea untersuchten An- dersson, Ekman und Edman (2003) Vorhersagen von Experten und Laien. Sie prüften, welche und wie viel Informationen die Gruppen (Experten - Laien) be- nutzen, um ihre Vorhersagen zu treffen. Es ergab sich, dass die Experten trotz ihres hohen Wissens die Vorhersagen nicht besser trafen. Die Laien verwende- ten aufgrund ihres minderen Wissens eine „Recognition-Heuristik“ (in 2.2 erläu- tert), mit der sie auf die Mannschaft setzten, die ihnen bekannter war. Die Be- nutzung dieser „Recognition-Heuristik“ erörtern Pachur und Biele (2005) in ihrer Studie anhand von Befragungen zur Fußballeuropameisterschaft 2004. Es wur- den die Vorhersagen von Experten und Laien zur Vorrunde des Turniers aus- gewertet. Sie kamen zu dem Schluss, dass Laien, die alle teilnehmenden Mannschaften kannten, oftmals weniger genaue Vorhersagen machten als Lai- en, die nur ungefähr die Hälfte der Mannschaften kannten. Dieses Ergebnis beschreiben sie als „less-is-more effect“² (Pachur & Biele, 2005, S. 14). Damit werden die Aussagen von Gröschner und Raab (2006) unterstützt, die in ihrer zweiten Studie beschreiben, dass Laien ebenso gut Vorhersagen treffen wie Experten, obwohl sie über weniger Wissen verfügen.

Es wurden weitere Experimente zu Vorhersagen in anderen Sportarten durch- geführt. Serwe und Frings (2006) untersuchten Vorhersagen im Tennis. Sie zeigten anhand von Amateur-Tennisspielern und Nicht-Tennisspielern, dass diese mit ihren Vorhersagen ebenso erfolgreich waren wie Experten. Die Be- fragten sollten die teilnehmenden Spieler des Wimbledonturniers 2003 nach ihrem Bekanntheitsgrad bewerten. Daraus wurde dann für beide Gruppen je eine Rangliste erstellt. Diese verglichen Serwe und Frings (2006) mit der offi- ziellen Setzliste des Turniers sowie den beiden Weltranglisten³. Dabei erkann- ten sie, dass die erstellten Ranglisten mit den Expertenranglisten hoch korrelier- ten. Aus den gewonnen Daten erarbeiteten sie dann Vorhersagen für die Spiele des Wimbledonturniers. Es zeigte sich, dass die Vorhersagen aus den Ranglis- ten der Befragten ebenso erfolgreich waren wie die Vorhersagen aus den offi- ziellen Expertenranglisten. Serwe und Frings (2006) erkannten zudem, dass in fast 90 % der Fälle die „Recognition-Heuristik“ angewandt wurde.

Halberstadt und Levin (1999) untersuchten erstmals begründete und unbegrün- dete Vorhersagen. Gegenstand der Untersuchung waren Spiele der amerikani- schen Collegebasketball-Liga. Eine Gruppe der Teilnehmer sollte deliberativ über die Ergebnisse entscheiden. Sie erhielten die Instruktion, ihre Aussagen zu begründen. Die andere Gruppe sollte intuitiv die Ergebnisse vorhersagen. Außerdem sollten alle Teilnehmer ihr Basketballwissen bewerten. Es zeigte sich, dass die Vorhersagen, die intuitiv gemacht worden sind, mit 70.4 % richti- gen Vorhersagen den deliberativen Vorhersagen mit 65.2 % überlegen sind. Über die Frage nach dem Basketballwissen fanden Halberstadt und Levin (1999) heraus, dass die Personen, die über mehr Wissen verfügten, weniger gute Vorhersagen machten, als Personen mit minderem Wissen.

Untersuchungen mit Experten und Laien hinsichtlich der zeitlichen Distanz zu den vorherzusagenden Sportereignissen wurden bisher kaum veröffentlicht. Plessner, Freiberger, Kurle und Ochs (2006) untersuchten bisher als einzige Vorhersagen mit verschiedenen zeitlichen Distanzen zu einem Sportereignis. Sie befragten im Vorfeld des FIFA Confederation Cups im Sommer 2005 Fuß- ballexperten nach den Ergebnissen der Vorrunde. Dabei wurde eine Experten- gruppe vier Wochen vor Beginn des Turniers befragt, die andere Expertengrup- pe erst in der Woche vor Turnierbeginn. Innerhalb jeder befragten Gruppe, wur- de zudem zwischen deliberativen und intuitiven Versuchspersonen unterschie- den. Plessner, Freiberger, Kurle und Ochs (2006) erkannten zwei signifikante Haupteffekte: Einerseits konnten intuitive Vorhersagen bessere Ergebnisse er- zielen als deliberative, anderseits schnitten die Versuchspersonen besser ab, die ihre Vorhersagen vier Wochen vor Turnierbeginn machten. Damit bestätig- ten Plessner, Freiberger, Kurle und Ochs (2006) die experimentelle Studie von Halberstadt und Levine (1999). Sie nahmen nämlich an, „[…] dass vier Wochen vor dem Confederations Cup noch relativ wenig in den Medien über dieses Tur- nier berichtet würde und somit nur wenig explizites Wissen über die Stärken der Mannschaften verfügbar sein sollte“ (Plessner, Freiberger, Kurle und Ochs, S. 113, 2006). Damit zeigten sie, ebenso wie Halberstadt und Levine (1999), dass mehr Wissen zu schlechteren Ergebnissen führen kann.

Plessner, Freiberger, Kurle und Ochs (2006) führten den Versuch hinsichtlich der zeitlichen Distanz mit verschiedenen Versuchspersonen durch. Da dieses Experiment zum einen nicht mit denselben Testspersonen und zum anderen nicht mit Laien durchgeführt wurde, strebt mein Experiment eine Untersuchung mit genau diesen Kriterien an.

2.1.1 Faktoren der Beeinflussung von Vorhersagen mit Modellen

Statistische Modelle wie in 2.1 beschrieben beinhalten verschiedene Faktoren, mit denen das Ergebnis einer Vorhersage beeinflusst wird. Zum einen wurde gezeigt, dass die Komplexität (1) eines Modells entscheidend sein kann für das Resultat der Vorhersage (Gröschner & Raab, 2006). Außerdem enthalten Mo- delle zur Vorhersage von sportlichen Ereignissen eine Auswahl an verschiede- nen Faktoren (2). Dies sind zum einen der Heimvorteil, zum anderen aber auch die Teamstärke und der Zeitfaktor (Dixon & Cole, 1997; Pollard 2006) Diese Faktoren werden je nach Modell für eine Vorhersage berechnet. Welcher sport- liche Bereich (3) für ein statistisches Modell gewählt wird, kann die Ergebnis- qualität entscheidend beeinflussen. Auch von der Cross-Validation eines Mo- dells (4) hängt die Qualität ab. Mit Cross-Validation ist gemeint, dass Vorhersa- gemodelle entwickelt werden, die generalisiert angewendet werden können. Sie werden so entwickelt, dass sie beispielsweise für Vorhersagen vieler Fußball- saisons angewendet werden können, ohne dabei verändert zu werden.

Zusammengefasst erhält man vier Faktoren, die die Vorhersageleistung von Modellen beeinflussen können:

(1) Komplexität
(2) Auswahl der Faktoren
(3) Bereichsauswahl
(4) Cross-Validation

2.1.2 Faktoren der Beeinflussung von menschlichen Vorhersagen

Wenn sich Versuchspersonen für einen Sieger in einem sportlichen Wettkampf entscheiden sollen, kann diese Entscheidung von verschiedenen Faktoren be- einflusst werden. In der vorliegenden Arbeit wird der Zeitpunkt (1) der gegebe- nen Vorhersagen untersucht. Dabei werden vor der Fußball-Weltmeisterschaft 2006 zwei Befragungen mit verschiedenem zeitlichem Abstand zum Turnier durchgeführt. Der am meisten untersuchte Faktor von menschlichen Vorhersa- gen hängt mit dem Wissen (2) des Befragten zusammen. Es scheint entschei- dend zu sein, wie viel Wissen für eine Vorhersage benutzt wird, um ein gutes Vorhersageergebnis zu erzielen (Andersson, Ekman & Edman, 2003; Gröschner & Raab, 2006 und andere). Einige Autoren untersuchten intuitives gegenüber deliberativen Verhalten von Versuchspersonen. Es wird angenom- men, dass die Informationsverarbeitung (3) entscheidend für Vorhersagen sein kann. Intuitive Entscheidungen scheinen demnach zu besseren Ergebnissen zu führen als deliberative (Halberstadt & Levin, 1999). Wenn Gruppen oder Einzel- personen (4) eine Entscheidung treffen sollen, dann nahm man früher an, dass Gruppen zu besseren Ergebnissen kommen als Einzelpersonen. Heutzutage wird vermutet, dass Gruppen zwar mehr Vorhersageideen entwickeln, diese aber nicht besser sind als Vorhersagen von Einzelpersonen.

Zusammengefasst erhält man vier Faktoren, die die Vorhersageleistung von Menschen beeinflussen können:

(1) Zeitpunkt
(2) Masse des Wissens
(3) Informationsverarbeitung
(4) Gruppen und Einzelpersonen

2.2 Vorhersagemodelle

Damit sich ein Mensch überhaupt für einen Sieger entscheidet, bedarf es einer menschlichen Entscheidungsfindung. Es wurde früher angenommen, dass die- se Entscheidungsfindung zum Lösen eines Problems auf komplizierten Berech- nungen des Geistes beruht. Aus heutiger wissenschaftlicher Sicht basiert diese Entscheidungsfindung auf einer Sammlung von einfachen Heuristiken, die Gi- gerenzer und Todd (1999) als „adaptive Werkzeugkiste“ beschreiben.

Alle Heuristiken lassen sich als Kombination einzelner Bausteine verstehen[…]. Der erste Baustein ist eine definierte Suchregel, die festlegt, in welcher Reihenfolge problemrelevante Informatio- nen herangezogen werden. Der zweite Baustein ist eine einfache Abbruchregel, die festlegt, wann die Informationssuche zu been- den ist. Die dritte Komponente ist eine Entscheidungsregel, die die Integration der erhaltenen Informationen zu einem Urteil defi- niert. (Bröder, 2005, S. 32)

Es sind also Werkzeuge, die nach einer geeigneten Information in der Umwelt suchen, um dann mit dieser wieder erkannten Information eine Entscheidung zu treffen. Die „adaptive Werkzeugkiste“ enthält Heuristiken, die „fast and frugal“⁴ sind, also wenige Informationen nutzen und daher geringen kognitiven Aufwand erfordern, dennoch genauso erfolgreich sind wie aufwendigere Regeln (Bröder 2005). Diese Heuristiken sind nur dann anwendbar, wenn es ein objektives Kriterium für die Richtigkeit der Lösung des Problems gibt (Jungermann, Pfister & Fischer, 2005, S. 302-303). Dies ist der Fall bei Fußballvorhersagen. Eine Person soll sich beispielsweise vor einem Fußballspiel für einen Sieger entscheiden, dabei greift sie auf bekannte Informationen, wie z.B. Ranglistenplatz, Angriffsstärke, alte Ergebnisse oder Ähnliches zurück und entscheidet sich anhand dieser für eine der beiden Mannschaften.

Im Folgenden werden einige dieser Heuristiken beschrieben, da sie auch für Vorhersagemodelle im Sport dienen und im vorangegangenen Text schon erwähnt worden sind.

2.2.1 Recognition-Heuristik

Bei der Recognition-Heuristik wird davon ausgegangen, dass bei einer Ent- scheidung zwischen zwei Objekten eines der Objekte bekannt und das andere unbekannt ist. Die Recognitions-Heuristik entscheidet sich bei ihrer Wahl für das bekannte Objekt, welches ihrer Ansicht nach besser als das unbekannte ist. Wenn eine Versuchsperson sich beispielsweise für einen Sieger in einem Fuß- ballspiel entscheiden soll, in dem sie eine der beiden Mannschaften nicht kennt, so wird die Person sich mit großer Wahrscheinlichkeit für die ihr bekannte Mannschaft entscheiden.

Da die Recognition-Heuristik mit sehr wenigen Kriterien (bekannt - unbekannt) auskommt, ist sie sehr schnell in ihrer Entscheidungsfindung, denn sie schließt alle weiteren Informationen über die Objekte aus, da sie danach nicht weiter sucht. Demnach ist die Heuristik aber in ihrer Anwendbarkeit sehr eingeschränkt, denn sobald beide Objekte bekannt oder beide Objekte unbekannt sind, findet sie keine Verwendung mehr.

2.2.2 Take The Best-Heuristik

Da in vielen Fällen beide Objekte bekannt sind, gibt es andere Wege zur Ent- scheidungsfindung. Die Take The Best-Heuristik ordnet die zur Verfügung ste- henden Informationen beider Objekte nach ihrer Nützlichkeit und findet so die Information mit der höchsten Validität zur Lösung eines Problems. Dieses er- fasst sie durch Erfahrungen von vorangegangenen Entscheidungen, bei denen die Information zu einem guten Ergebnis geführt hat. Sobald die gleiche Infor- mation bei beiden Objekten bekannt ist, wird die Informationssuche beendet und eine Entscheidung zugunsten des Objektes getroffen, welches den besse- ren Wert für diese Information aufzeigt (Take The Best). Wenn beide Objekte den gleichen Wert für diese Information aufweisen, sucht die Take The Best- Heuristik nach weiteren Informationen auf beiden Seiten, bis sie eine gefunden hat, deren Werte sich unterscheiden.

Sind beispielsweise die beiden gegeneinander spielenden Mannschaften Wer- der Bremen und 1. FC Köln bekannt, so werden die Informationen (bspw. Punk- te, Tore, Rangplatz, Gegentore usw.) der Mannschaften ihrer Wichtigkeit nach miteinander verglichen, bis die eine Mannschaft einen besseren Wert aufzeigt als die andere. Angenommen, dass in diesem Fall beide Mannschaften 35 Punkte in der Liga haben, aber Werder Bremen auf dem 13. Rang und 1. FC Köln auf dem 14. Rang ist. Dann wird man sich nach der Take The Best- Heuristik für Werder Bremen als Sieger entscheiden, da sich nach der Punkte- anzahl, der Ranglistenplatz als wichtigstes Kriterium herausgestellt hat.

2.2.3 Minimalist-Heuristik

Die Minimalist-Heuristik untersucht im Gegensatz zu der Take The BestHeuristik nicht alle Informationen nach ihrer Validität. Wenn die Objekte, zwischen denen entschieden werden muss, beide bekannt sind, so wählt die Minimalist-Heuristik die nächst verfügbare Information über die Objekte, um zu einer Entscheidung zu kommen. Dabei entscheidet sie sich wie die Take The BestHeuristik für das Objekt mit dem besseren Wert in der gefundenen Information. Dabei ist es jedoch einerlei, wie zuverlässig die Information ist.

Man soll sich beispielsweise auf den Sieger des Fußballspiels Hamburger SV gegen Bayern München festlegen. Da beide Mannschaften bekannt sind, wird die nächste verfügbare Information, zum Beispiel die der geschossenen Tore, zur Entscheidungsfindung genommen. Der Hamburger SV hat mehr Tore ge- schossen, also wird der Hamburger SV in diesem Fall als Sieger vorhergesagt.

2.2.4 Take The Last-Heuristik

Um eine Entscheidung zu fällen verwendet die Take The Last-Heuristik eine Information, die schon zuvor bei einer anderen Problemlösung erfolgreich ge- dient hat. Es wurde also schon mal eine Entscheidung (nach der Minimalist- Heuristik) getroffen. Wenn dann eine Ähnlichkeit zwischen der neuen Entschei- dung und der bereits getroffenen besteht, wird das neue Problem mit der glei- chen zuletzt erfolgreich benutzten Information gelöst (Take The Last). Wenn diese Information jedoch die gleichen Werte enthält, wird die Information, die zur Lösung der vorletzten Entscheidung diente, herangezogen.

Man hat beispielsweise das Spiel Hamburger SV gegen Bayern München durch die Minimalist-Heuristik richtig hervorgesagt, da der Hamburger SV gewonnen hat. Möchte man nun den Ausgang des Fußballspiels Werder Bremen gegen

1. FC Köln tippen, dann entscheidet man sich nach der Take The Last-Heuristik für Werder Bremen, denn Werder Bremen hat in diesem Falle mehr Tore geschossen als der 1. FC Köln und diese Information wurde ja schon bei dem Spiel Hamburger SV gegen Werder Bremen erfolgreich genutzt.

[...]

¹ Fédération Internationale de Football Association

² zu deutsch: „weniger-ist-mehr Effekt“

³ ATP-Entry Ranking und ATP Champions Race

⁴ zu deutsch: „schnell und sparsam“