Vier Nachnamen, die nicht existieren: Fehler in amtlicher Regierungsstatistik finden

Die Nachnamendatei des US Census Bureau von 2010 sagt, dass HALL von 407.076 Amerikanern getragen wird. Die Datei von 2000 sagte 473.568. Zwischen diesen beiden Zensus wuchs die US-Bevölkerung um etwa 9,7 %, und HALL fiel anscheinend um 14,0 %.

Zwei Zeilen tiefer in derselben Datei sitzt HAIL, mit 86.240 Trägern. Im Jahr 2000 hatte HAIL 2.860.

Ein Nachname vervielfacht sich nicht in zehn Jahren um das Dreißigfache. Was geschah, ist, dass irgendwo in der Verarbeitungskette von 2010 der dritte Buchstabe von HALL als I gelesen wurde und ein Nachname in zwei gespalten wurde. Dieser Artikel handelt davon, wie man solche Mängel findet — nicht indem man amerikanische Nachnamen kennt, was nicht geholfen hätte, sondern indem man eine Datei gegen sich selbst prüft.

Jeder Fall unten ist real, wurde am 18. Juli 2026 beim Bau von Adress- und Namensdaten für 64 Sprachregionen gefunden und wurde durch Arithmetik gefunden.

Der Buchstabenersetzungs-Mangel des US-Zensus

Das Muster HALL/HAIL ist nicht isoliert. Dieselbe L→I-Ersetzung an dritter Position erscheint viermal, und die vier Fälle verhalten sich identisch:

Lesen Sie allein die Spalte „wie veröffentlicht", und Sie haben vier etablierte Nachnamen, die in einem Jahrzehnt, in dem das Land wuchs, unabhängig voneinander um 14–17 % einbrechen. Führen Sie jeden mit seinem Zwilling zusammen, und alle vier landen in einem 1,6-Punkte-Band zwischen +4,2 % und +5,8 % — bescheiden, gegenseitig konsistent, unauffällig.

Der stärkere Beweis, und der, mit dem wir jetzt führen würden, ist die eigene Geschichte der Zwillinge:

Das sind alles echte, seltene Nachnamen — sie existierten 2000 mit je ein paar Tausend Trägern. Seltene Nachnamen wachsen in einem Jahrzehnt nicht um das Neunfache, geschweige denn um das Dreißigfache. Jeder Zwilling absorbierte eine Scheibe seines Elternteils.

Eine dritte, unabhängige Prüfung bestätigt es. Die Zensusdatei veröffentlicht für jeden Nachnamen die prozentuale Verteilung der Träger über selbstgemeldete Kategorien. Wäre HAIL echt ein eigener Nachname, der zufällig wuchs, wäre seine Verteilung seine eigene. Stattdessen:

Zwei Dezimalstellen auseinander. HAIL ist eine Zufallsstichprobe von HALL, was genau das ist, was eine OCR-artige Zeichenersetzung erzeugt. (BAIL/BALL stimmen ebenso überein; WAITERS/WALTERS nicht — 74,5/20,0 gegen 82,9/11,3 — höchstwahrscheinlich, weil WAITERS auch ein echter Berufsnachname ist, sodass diese Zeile eine Mischung statt einer sauberen Spaltung ist. Dass einer von vier Fingerabdrücken versagt, ist selbst aufschlussreich.)

Wir verwenden diese Verteilungen hier ausschließlich als forensischen Fingerabdruck zum Erkennen einer duplizierten Zeile. Sie tragen keine Bedeutung über Namen und Bevölkerungen, und wir ziehen keine.

Uganda: ein Zensus, in dem ein ganzer Block das falsche Etikett trägt

Das Uganda Bureau of Statistics veröffentlicht die Zensusergebnisse von 2014 als regionale PDFs, tabelliert als Hierarchie: Distrikt, dann Sub-County, dann Parish. Herausgeparst sind das 9.040 Zeilen.

Der Mangel steckt in keiner einzelnen Zahl. Er ist, dass Distrikt-Überschriften verrutschen: wo eine Distrikt-Kopfzeile fehlt, erbt jedes nachfolgende Sub-County den Namen des vorigen Distrikts, und eine lange Reihe von Ortschaften landet unter einem Distrikt, in dessen Nähe sie nirgends sind.

Sie müssen die ugandische Geografie nicht kennen, um das zu finden. Der deklarierte Gesamtwert eines Distrikts und die Summe seiner eigenen Kinder sind zwei Zahlen, die grob übereinstimmen müssen. Berechnen Sie das Verhältnis:

Sieben Distrikte von 126 überschreiten ihren deklarierten Gesamtwert um mehr als das 1,5-Fache. Der Rest clustert nahe 1,0, was Ihnen sagt, dass die sieben Mängel sind und keine Eigenart davon, wie der Zensus zählt.

Kayunga ist der klarste. Seine Kinder umfassen Kyengera Town Council, Nansana Division, Kasangati Town Council, Bweyogerere Division, Nabweru Division und Katabi Town Council — jedes davon liegt im Wakiso District, dem Ring dichter Vororte um Kampala. Der gesamte Wakiso-Block ist unter Kayunga abgelegt. Ähnlich erscheinen Kyazanga Town Council und Lwengo Town Council unter Kyankwanzi; beide liegen im Lwengo District.

Wer aus dieser Datei eine Städteliste baut und der Distrikt-Spalte vertraut, bekommt Ugandas größte Vororte dem falschen Distrikt zugeordnet — und bekommt es still, weil jede einzelne Bevölkerungszahl korrekt ist. Nur die Etiketten verrutschten.

Eine Korrektur unserer eigenen früheren Notiz. Wir hatten festgehalten, dass der als Kiboga bezeichnete Block tatsächlich Kyankwanzis Sub-Distrikte enthielt und dass Kibogas eigene Daten fehlten. Bei erneuter Prüfung gegen die geparste Datei zeigt sie das nicht: Kiboga District ist mit einem plausiblen Gesamtwert von 148.218 vorhanden, und seine Kinder (Kiboga Town Council 19.338, Bukomero Town Council 14.182) summieren sich auf weniger als das. Das Verrutschen ist real, aber es läuft Wakiso→Kayunga und Lwengo→Kyankwanzi, nicht Kyankwanzi→Kiboga. Die frühere Notiz war falsch und wird durch diese ersetzt.

Wikipedia: die falsche Zeile, kopiert

Für die ugandische Stadt Mbarara trug Wikipedia eine Bevölkerung von 195.531.

In der UBOS-Zensusdatei ist 195.531 die Bevölkerung von Kyengera Town Council — einem Vorort von Kampala rund 260 km entfernt. Mbarara Districts eigener Gesamtwert ist 472.629, und Mbararas Munizipalzahl ist wiederum eine andere Zahl.

Es gibt keine Mehrdeutigkeit darüber, was geschah: jemand, der ein langes tabelliertes PDF las, nahm den Wert aus der falschen Zeile. Es ist der gewöhnlichste Fehler in diesem Artikel und wahrscheinlich der am weitesten verbreitete, weil eine Wikipedia-Bevölkerungszahl weit häufiger weiterkopiert wird, als ein Zensus-PDF geöffnet wird.

Die Prüfung, die ihn fängt, ist durchgehend dieselbe: eine Zahl sollte an genau einem Ort erscheinen. Ist eine Zahl für Stadt A byteweise identisch mit einer Zahl für Stadt B im Quelldokument, ist eine von beiden eine Transkription.

Argentinien: zwei verschiedene Dinge, die denselben Namen tragen

Der letzte Fall hat keine korrumpierten Zeichen und keine verrutschten Etiketten. Jede Zahl ist korrekt. Der Mangel ist, dass zwei inkompatible Dinge in derselben Spalte veröffentlicht werden.

Argentinische Bevölkerungstabellen mischen Verwaltungsebenen. Für San Carlos de Bariloche ist das municipio 112.887 und die localidad 109.305. Für Trelew 99.430 gegen 97.915. Aggregieren Sie eine nationale Städteliste, ohne zu prüfen, welche Einheit jede Zeile verwendet, und Sie bekommen eine Tabelle, die auf den meisten Zeilen um ein paar Prozent intern inkonsistent ist und, bei Städten, wo das municipio umliegende Siedlung mit einbündelt, um sehr viel mehr.

Das ist der eine Fall im Artikel, den wir aus einer Primärdatei in unseren eigenen Arbeitsdaten nicht neu ableiten konnten, daher kennzeichnen wir ihn als solchen: der Mechanismus ist gut dokumentiert, und die konkreten Paare oben stammen aus unseren Sitzungsnotizen statt aus einer Quelldatei, die wir erneut laufen lassen können. Behandeln Sie die einzelnen Zahlen als richtungsweisend und den Mechanismus als den Punkt.

Dieser Mechanismus verallgemeinert sich weit über Argentinien hinaus, und er ist das Thema eines Begleitartikels darüber, was als „Stadt" zählt — siehe Warum Adressgeneratoren unplausible Städte erzeugen, wo dieselbe Mehrdeutigkeit Sydney je nach akzeptierter Grenze in entweder 200.000 Menschen oder 5,3 Millionen verwandelt.

Die Methode

Keiner dieser Mängel wurde gefunden, indem man die Daten ansah und fühlte, dass etwas nicht stimmte. Jeder kam von einer Prüfung, die „in Ordnung" hätte zurückgeben können und es nicht tat:

1. Prüfen Sie die Dynamik zwischen Zensus. Eine Zählung, die sich mit großem Abstand gegen den nationalen Trend bewegt, ist entweder ein Ereignis oder ein Mangel. Beides ist wissenswert. HALL bei −14,0 % gegen +9,7 % war der Einstiegspunkt zu allem anderen in der US-Datei.
2. Prüfen Sie Wachstumsfaktoren bei kleinen Einträgen. Seltene Dinge werden nicht schnell häufig. Ein ×30 auf einem Nachnamen mit 2.860 Trägern ist ein stärkeres Signal als alles, was mit HALL selbst geschieht, weil seltene Einträge keinen legitimen Weg haben, sich so weit zu bewegen.
3. Prüfen Sie, ob sich Teile zu Ganzen summieren. Deklarierter Distrikt-Gesamtwert gegen die Summe seiner Kinder. Dieser einzige Test fand alle sieben falsch beschrifteten ugandischen Blöcke und braucht keine Kenntnis des Landes.
4. Prüfen Sie, ob eine Zahl einmal erscheint. Identische Werte bei zwei verschiedenen Einheiten bedeuten eine Transkription, keinen Zufall.
5. Prüfen Sie die Einheit vor dem Wert. Municipio oder localidad, Träger oder Positionen, Stadt im engeren Sinn oder Metropolregion. Eine korrekte Zahl unter der falschen Einheit ist der am schwersten zu sehende Mangel, weil nichts an ihr falsch aussieht.
6. Suchen Sie einen zweiten Fingerabdruck. Wo eine Datei Hilfsspalten trägt, dupliziert eine duplizierte Zeile sie gewöhnlich auch. Wenn drei Fingerabdrücke übereinstimmen und ein vierter nicht, sagt Ihnen der vierte etwas — wie WAITERS es tat.

Die allgemeine Lektion ist unbequem. Alle vier Quellen hier sind, im gewöhnlichen Sinn, maßgeblich: zwei nationale Statistikbehörden, ein nationales Zensusamt und das meistgelesene Nachschlagewerk der Welt. Autorität ist keine Eigenschaft, die auf einzelne Zeilen übergeht. Die Zeilen müssen geprüft werden, und sie können billig geprüft werden, von innerhalb der Datei, ganz ohne Fachwissen.

Und eine konkrete Folge für jeden, der US-Nachnamendaten verwendet: liest Ihre Pipeline die Zensusdatei von 2010 wie veröffentlicht, enthält Ihr Datensatz vier Nachnamen, die nicht existieren, zwei davon innerhalb der Top 600 gereiht. Wir hatten sie. So haben wir das gefunden.

Daten mit Stand 2026-07-18

Alle Arithmetik wurde am 18. Juli 2026 aus den unten aufgeführten Primärdateien neu berechnet, außer wo der Text anderes angibt (die argentinischen Zahlen). Wo unsere früheren Sitzungsnotizen den Dateien widersprachen, gewinnen die Dateien, und die Korrektur ist im Text angegeben.

Quellen:

• Vereinigte Staaten — US Census Bureau, Frequently Occurring Surnames in the 2010 Census (162.254 Zeilen) und die Nachnamendatei des Census 2000 (151.671 Zeilen). Summen der gezählten Träger: 242.121.073 im Jahr 2000 und 294.979.229 im Jahr 2010; die Differenz zwischen diesen Dateisummen spiegelt unterschiedliche Abdeckungsschwellen wider, keine Bevölkerungsänderung — die im Text verwendeten +9,7 % sind das Wachstum der US-Wohnbevölkerung, 281,4 Mio. (2000) auf 308,7 Mio. (2010). <census.gov/topics/population/gene…;
• Uganda — UBOS, National Population and Housing Census 2014, regionale gebietsspezifische Profile (zu 9.040 Distrikt-/Sub-County-/Parish-Zeilen geparst). <ubos.org/&gt;
• Wikipedia, Artikel über Mbarara, Bevölkerungszahl von 195.531 — übereinstimmend mit Kyengera Town Council in der UBOS-Datei.
• Argentinien — municipio- und localidad-Bevölkerungszahlen, wie in unseren Arbeitsnotizen festgehalten; nicht aus einer Primärdatei neu abgeleitet, im Text als solche gekennzeichnet. <indec.gob.ar/&gt;

Zu den Prozentspalten des Zensus. Die US-Zensus-Nachnamendatei veröffentlicht selbstgemeldete Kategorienanteile je Nachname. Sie werden in diesem Artikel ausschließlich als forensischer Fingerabdruck zum Identifizieren einer duplizierten Datenzeile verwendet und stützen keine Schlussfolgerung über Namen und Bevölkerungen.