Seltsame Zahlen: Deutschland fällt bei COVID-19 aus dem Rahmen

Lügen haben kurze Beine – und man erkennt sie an den Daten.

Man kann sich zum Beispiel Zufallsverteilungen zunutze machen, um zu bestimmen, wie weit verbreitet die Bereitschaft zu mogeln ist, wenn man sich unbeobachtet fühlt bzw. das Entdeckungsrisiko für gering hält.

Urs Fischbacher und Franziska Föllmi-Heusi haben sich das wie folgt zunutze gemacht:

We present a novel experimental design to measure honesty and lying. Participants receive a die which they roll privately. Since their payoff depends on the reported roll of the die, the subjects have an incentive to be dishonest and report higher numbers to get a higher payoff. This design has three advantages. First, cheating cannot be detected on the individual level, which reduces potential demand effects. Second, the method is very easy to implement. Third, the underlying true distribution of the outcome under full honesty is known, and hence it is possible to test different theoretical predictions. We find that about 20% of inexperienced subjects lie to the fullest extent possible while 39% of subjects are fully honest. In addition, a high share of subjects consists of partial liars; these subjects lie, but do not report the payoff-maximizing draw. We discuss different motives that explain the observed behavioral pattern.

Die gesamten Ergebnisse können im Journal of the European Economic Association, Heft 3, 2013, auf den Seiten 525-547 nachgelesen werden. Titel des Beitrages: “Lies in Disguise—An Experimental Study on Cheating”.

Man kann Verteilungen also ansehen, ob sie auf korrektem oder nicht-korrektem Weg zustande gekommen sind, ob sie das Ergebnis von Manipulation und Täuschung sind oder nicht bzw. im schlechtesten Fall ist es möglich, anhand der Verteilung offizieller Daten ein Urteil dahingehend zu treffen, that something fishy is going on, dass der Verdacht naheliegt, mit denen Daten stimme etwas nicht, z.B. mit den Daten für die Verbreitung von COVID-19 in Deutschland.

Quelle
  • Im Vergleich zu Frankreich hat Deutschland etwas mehr Infizierte, aber keine Toten und deutlich weniger Schwererkrankte;
  • Im Vergleich zu Japan hat Deutschland fast doppelt so viele Infizierte, aber keine Toten und nur ein Drittel der Schwererkrankten, die Japan vor der Statistik einräumt;
  • Im Vergleich zu Spanien hat Deutschland mehr Infizierte, gleichviel Schwererkrankte, aber keine Toten;
  • Im Vergleich zu den USA hat Deutschland mehr Infizierte, ungefähr so viele Schwererkrankte, aber keine Toten;
  • Im Vergleich mit der Schweiz hat Deutschland viel mehr Infizierte, mehr Schwererkrankte, aber keine Toten;

Von COVID-19 ist bekannt, dass die Case Fatality Rate 3,4% beträgt und rund 15-18% der Infizierten schwer erkranken. Die entsprechenden Raten betragen in Deutschland 0 bzw. 0,9%.

Der Prozess einer Erkrankung mit COVID-19 zieht sich über Wochen hin. Wir haben das auf Grundlage einer chinesischen Studie hier beschrieben. Die Studie stammt von Steven Sanche et al., die Zusammenfassung sieht so aus:



Nach den Berechnungen der Autoren vergehen

  • zwischen 3.5 und 5.1 Tage zwischen Infektion und ersten Symptomen;
  • zwischen 4.6 und 6.6 Tage zwischen den ersten Symptomen und einer stationären Aufnahme ins Krankenhaus;
  • zwischen 8 und 17.3 Tage zwischen der Aufnahme und der Entlassung als geheilt bzw. zwischen 8.7 und 14.9 Tage zwischen der stationären Aufnahme und dem Tod des Patienten;
  • Zwischen Inkubation und Heilung bzw. Tod vergehen somit zwischen 16.1 und 29 Tage.

Sanche, Steven, Lin, Yen Ting, Xu, Chonggang, Romero-Severson, Ethan, Hengartner, Nick & Ke, Ruian (2020). The Novel Coronavirus, 2019-nCoV, is Highly Contagious and More Infectious Than Initially Estimated.


Es dauert also bis zu 29 Tage, ehe Patienten, die an COVID-19 erkrankt sind, daran sterben. Es dauert mindestens 4 bis 7 Tage, bevor eine stationäre Aufnahme den ersten Symptomen nachfolgt. Wollte man die Seltsamkeiten, die sich in den Daten für Deutschland finden, mit der Zeit begründen, die zwischen Inkubation und stationärer Aufnahme und damit Erfassung als schwerer Fall vergeht, dann müsste man argumentieren, dass in den meisten anderen Ländern, die Verbreitung von SARS-CoV-2 früher als in Deutschland erfolgt ist, was als Argument schwierig zu halten sein wird, angesichts der Tatsache, dass Wachstum und Menge der Infizierten in Deutschland das Gegenteil belegen.

Die bislang umfänglichste Untersuchung zu COVID-19, ebenfalls aus China, hat eine Reihe von Erkenntnissen im Hinblick darauf erbracht, wer an COVID-19 erkrankt, und wer daran stirbt.


Aus: The Novel Coronavirus Pneumonia Emergency Response Epidemiology Team (2020). The Epidemiological Characteristics of an Outbreak of 2019 Novel Coronavirus Disease (COVID-19) – China, 2020. China CDC Weekly 2(x): 1-10. (Vorabveröffentlichung)




Im Groben lässt sich sagen, dass mit zunehmendem Alter sowohl das Infektions- mit als auch das Sterberisiko an SARS-CoV-2 und nachfolgender Erkrankung COVID-19 steigt. Mit dem Alter steigt auch die Wahrscheinlichkeit, eine stationäre Behandlung zu benötigen. Das weitgehende Fehlen von COVID-19 Infizierten mit schwerer Erkrankung in Deutschland und das vollständige Fehlen von Todesfällen könnte vor diesem Hintergrund damit erklärt werden, dass vornehmlich junge Menschen, Schüler, Studenten, für die eine Erkrankung mit COVID-19 in der Regel unangenehm verläuft, aber nicht mit stationärer Behandlung oder gar Tod endet, bislang in Deutschland getestet wurden. Wäre dies der Fall, dann würde auf Deutschland eine wahre Lawine von COVID-19 Fällen zukommen. 10,2% der Infizierten sind unter 30 Jahre. Nimmt man dies zur Grundlage und geht davon aus, dass zwei Drittel der in Deutschland Getesteten unter 30 Jahre alt waren, dann liegt die Dunkelziffer der Infizierten, aber nicht getesteten Älteren in der Gegend von 5.900 Infizierten. 5.900 Infizierte mit mittlerer Wahrscheinlichkeit, eine stationäre Behandlung zu benötigen.

Wäre dies die Erklärung für die seltsamen deutschen Zahlen, es wäre eine sträfliche Gefährdung der Bevölkerung.

Eine dritte Erklärung lautet: Patienten sterben an COVID-19, werden aber nicht als COVID-19 Toter erkannt. Als Todesursache wird Lungenentzündung angegeben. Was diese Erklärung für das Pflegepersonal in Krankenhäusern bedeutet, kann sich jeder selbst ausmalen.

Wir haben einen Mediziner gefragt, ob er es für wahrscheinlich hält, dass Todesfälle, verursacht durch COVID-19 unerkannt bleiben. Hier seine Antwort:

“Ihre Frage kann ich spekulativ mit einem klaren Ja beantworten. Genau so ist es möglich, dass noch vor dem „Kreis Heinsberg”, unerkannte COVID-19 Fälle in den Praxen aufschlugen und zunächst nicht als solche erkannt wurden, weil diese nicht den vom RKI genannten Risikokriterien unterlagen. Möglich ist vieles, der nachträgliche Nachweis jedoch schwer zu erbringen.
Inwiefern man nach dem Tod eines Patienten noch eine Obduktion vornimmt bzw. nachträglich kritisch prüft, ob hier vielleicht ein COVID-Fall vorlag, wird gewiß auch von der kaufmännischen Seite einer Klinik entschieden werden. 1. kostet es die Klinik Geld (keine Erstattung), 2. würde bei einem positiven Ergebnis u. U. die Klinik unter Quarantäne gestellt werden müssen. Das kostet noch mehr und Verantwortliche in hohen Positionen sind stets bemüht gut auszusehen und sich die Hände in Unschuld zu waschen.

Wie Sie sehen habe ich kein Vertrauen mehr zu Verantwortungsträgern.”

Drei alternative Erklärungen für die seltsamen Daten haben wir zusammengetragen:

  • Deutschland hinkt bei COVID-19 hinterher. Das dicke Ende kommt erst.
  • In Deutschland werden vornehmlich junge Menschen, die die Statistik vorhersehbar nicht als schwer erkrankter oder gar Todesfall belasten, getestet.
  • Die Todesursache “COVID-19” bleibt unerkannt.

Eine letzte Erklärung nimmt Datenmanipulation, das Unterschlagen von Daten, die nicht nur wir als Seltsamkeit werten, (wir wissen, dass die fehlenden schweren Erkrankungen und die nicht vorhandenen Todesfälle auch im Beraterstab von Nr. 10 Downing Street zwischen kritisch bis alarmiert betrachtet werden) an.

Welche Erklärung zutrifft, das fragen wir nun unsere Leser, zum einen, in dem wir sie aufrufen, Erfahrungsberichte, eigene oder von anderen berichtete als Kommentar zu hinterlassen, zum anderen mit der folgenden kleinen Abstimmung.

Coming Soon
Worauf sind die Seltsamkeiten der COVID-19-Daten zurückzuführen?
Worauf sind die Seltsamkeiten der COVID-19-Daten zurückzuführen?
Worauf sind die Seltsamkeiten der COVID-19-Daten zurückzuführen?

Ständig aktualisierte Informationen zu Forschung zu SARS-CoV-2 und zu aktuellen Ereignissen, findet sich u.a. hier:




Derartige Beiträge finden Sie nur bei uns!
ScienceFiles ist ein privates Blog, das u.a. auf Grundlage der Spenden unserer Leser betrieben wird.
Unterstützen Sie unseren Fortbestand als freies Medium.
Vielen Dank!




Folgen Sie uns auf TELEGRAM


Bleiben Sie mit uns in Kontakt.
Wenn Sie ScienceFiles abonnieren, erhalten Sie bei jeder Veröffentlichung eine Benachrichtigung in die Mailbox.

ScienceFiles-Abo
Loading



ScienceFiles-Shop


Print Friendly, PDF & Email
71 Comments

Bitte keine Beleidigungen, keine wilden Behauptungen und keine strafbaren Inhalte ... Wir glauben noch an die Vernunft!

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Translate »

Wir freuen uns über Ihre Unterstützung!

ScienceFiles, das sind:


  • neueste wissenschaftliche Forschungsergebnisse;
  • aktuelle Informationen;
  • entblößte Junk Science ;
  • entlarvte öffentlich-rechtliche Fake News;
  • Widerstand gegen die Politisierung des Privaten und vieles mehr;

Seit 7 Jahren sind wir unserer kritisch-rationalen Agenda verpflichtet. Seit 7 Jahren wachsen wir: Mehr Leser, mehr Beiträge, mehr Aufwand.
Ohne Ihre Unterstützung wäre dieses Wachstum nicht möglich, denn: Ein Tag ScienceFiles-Betrieb kostet uns zwischen 250 Euro und 350 Euro. Ihre Spende trägt dazu bei, dass wir ScienceFiles weiter betreiben können.


ScienceFiles-Spendenkonto

Vielen Dank!

Holler Box