Ist Ihr „nationaler" Datensatz in Wahrheit regional? Ein Fünf-Minuten-Test

Unsere Vornamendaten für das Vereinigte Königreich wurden aus britischen Quellen gebaut, als britisch etikettiert, als britisch validiert und als britisch ausgeliefert. Sie waren schottisch.

Nicht teilweise schottisch, nicht schottisch angehaucht: jeder Zähler darin stammte aus Geburten, die in Schottland registriert wurden — einem Land mit etwa 8 % der Bevölkerung des Vereinigten Königreichs. Die Datei hatte jeden Validator bestanden, den wir hatten. Sie fiel beim ersten arithmetischen Test durch, den sich überhaupt jemand die Mühe machte auf sie anzuwenden, und dieser Test dauerte kürzer, als diesen Absatz zu lesen.

Dieser Artikel ist dieser Test — plus die drei, die ihn absichern, plus der Grund, warum der Fehler weit häufiger ist, als es klingt. Ein „nationaler" Datensatz ist häufiger regional, als er auf irgendeine andere Weise falsch ist, weil regionale Register bereitwilliger veröffentlichen als nationale, und die Datei, die am leichtesten zu beschaffen ist, ist die Datei, die verwendet wird.

Test 1: alles zusammenzählen

Jeder Häufigkeitsdatensatz, der aus Zählungen gebaut ist, behauptet eine Bevölkerung. Summieren Sie die Zähler und vergleichen Sie die Gesamtsumme mit der offiziellen Zahl für das, was die Datei zu beschreiben vorgibt. Das ist der ganze Test.

Unsere Datei war als Geburtsdekaden von den 1940ern bis zu den 2000ern organisiert. Summiert:

Nun der Vergleich. Schottland registriert über diese Dekaden hinweg etwa 4,5 Millionen Geburten. Das Vereinigte Königreich registriert etwa das Zwölffache.

Wir können den Multiplikator mit einer gemessenen statt einer angenommenen Zahl belegen. Für die Jahre 2001–2010 werden namensbezogene Geburtszählungen von allen drei Registerbehörden des Vereinigten Königreichs veröffentlicht, sodass das Verhältnis keine Schätzung ist:

Schottland macht 7,98 % der Jungen des Vereinigten Königreichs aus und 8,19 % seiner Mädchen — ein Faktor von 12,5 bzw. 12,2. Eine wirklich landesweite Datei über dieselben Dekaden hielte demnach irgendwo um die 25–30 Millionen Jungengeburten, nicht 2,4 Millionen.

Das ist der gesamte Befund. Eine Diskrepanz um eine Größenordnung ist kein Fehlerbalken. Daten können veraltet, abgeschnitten, fehlerhaft geparst oder gestichprobt sein und dennoch innerhalb eines Faktors von zwei landen. Innerhalb eines Faktors von zwölf zu einem bestimmten Teilterritorium zu landen — und nirgends in der Nähe des Landes auf dem Etikett —, bedeutet, dass die Datei von diesem Teilterritorium handelt.

Beachten Sie, was dieser Test nicht erfordert: keine Kenntnis britischer Namen, keine Liste schottischer Namen, keine Ahnung, was Eilidh ist. Zwei Summen und eine Division.

Test 1b: die Summe bis auf die Ziffer abgeglichen

Der Größenordnungstest sagt Ihnen, dass etwas nicht stimmt. Der nächste Schritt sagt Ihnen genau, was, und er lohnt sich, weil er einen Verdacht in einen Beweis verwandelt.

Nehmen Sie die internen Gruppierungen der Datei — Dekaden, Regionen, Jahre, was auch immer sie hat — und vergleichen Sie jede einzeln gegen die infrage kommende Quelle. Unsere:

Fünf von sieben Spalten reproduzieren die Geburtsregistrierungen eines einzigen Landes bis auf die Einheit, und die anderen beiden sind um jeweils einen Namen daneben. Die Mädchendatei verhält sich identisch, einschließlich derselben zwei Fensteranomalien bei denselben Werten (206.683 für 1946–1950 und 213.582 für 2001–2008).

Einen Zufall bei dieser Präzision gibt es nicht. Das ist keine Datei, die schottisch tendiert; es sind schottische Geburtsregistrierungen mit einem britischen Etikett auf dem Ordner.

Und der Test lieferte zwei Defekte gratis obendrauf, beide unsichtbar für jede andere Prüfung:

• Die mit 1941 bezeichnete Spalte enthält tatsächlich 1946–1950 — eine halbe Dekade, und zwar die Hälfte, die die Kriegsjahre ausschließt.
• Die mit 2001 bezeichnete Spalte enthält tatsächlich 2001–2008 — acht von zehn Jahren, sodass diese Dekade relativ zu ihren Nachbarn 21 % zu leicht war.

Keiner der beiden Fehler ist durch einen Blick auf die Namen erkennbar. Beide ergeben sich daraus, eine Teilsumme gegen die Quelle zu vergleichen, die sie angeblich hervorgebracht hat.

Test 2: unverhältnismäßige Einzeleinträge

Der Summentest beweist, dass die Datei regional ist. Dieser hier beweist es einem Leser, der nicht rechnen möchte, und er funktioniert sogar dann, wenn Sie keine saubere nationale Gesamtsumme bekommen können.

Wählen Sie Einträge, von denen Sie geografische Aufladung erwarten, berechnen Sie ihren Anteil innerhalb der Datei und berechnen Sie denselben Anteil in der nationalen Verteilung. Das Verhältnis ist das verräterische Zeichen. Gemessen an den Geburten 2001–2010 über alle drei Registerbehörden des Vereinigten Königreichs:

Jede einzelne Zeile ließe sich wegerklären. Elf Zeilen, die in dieselbe Richtung zeigen, mit den Größenordnungen genau so geordnet, wie regionale Eigenheit sie ordnen würde, lassen sich nicht wegerklären.

Doch die wichtige Hälfte dieses Tests ist die andere Richtung, und es ist die Hälfte, die die Leute überspringen. Eine regionale Datei fügt nicht bloß lokale Farbe hinzu. Sie löscht die Namen der Mehrheit:

Oliver und Harry gehörten in jener Dekade zu den häufigsten Jungennamen des Landes, und die Datei führte sie mit etwa einem Drittel ihres tatsächlichen Gewichts. Mohammed war um den Faktor vier zu niedrig, weil das Teilterritorium, aus dem die Daten tatsächlich stammten, eine viel kleinere südasiatische Bevölkerung hat als das Land insgesamt.

Das ist der Schaden, auf den es ankommt. Eilidh zu überzeichnen macht einen Datensatz putzig. Den tatsächlichen Kopf der Verteilung um das Dreifache zu unterzeichnen macht ihn falsch im gewöhnlichen Fall — und das ist der Fall, nach dem er meistens gefragt werden wird.

Test 3: Rangüberlappung — und warum Sie ihn auf jede Scheibe anwenden müssen

Die grobe Version von Test 2. Nehmen Sie die Top 20 der Datei und die Top 20 der nationalen Verteilung und zählen Sie die Schnittmenge.

Zwölf der zwanzig häufigsten Jungennamen in der Datei standen gar nicht in den Top Zwanzig des Landes: Cameron, Liam, Jamie, Kyle, Adam, Dylan, Ben, Connor, Andrew, Aaron, Logan, Alexander. Umgekehrt standen Thomas, Oliver, Harry, William, Samuel, Joseph, Charlie, Benjamin, Ethan, George, Alfie und Luke allesamt in den nationalen Top Zwanzig, und keiner von ihnen stand in denen der Datei.

Sehen Sie sich nun die Asymmetrie zwischen den Zeilen an, denn sie ist der methodische Punkt. Jungen 8/20 ist ein schreiendes Versagen. Mädchen 13/20 ist die Art Zahl, bei der man mit den Schultern zuckt. Dieselbe Datei, derselbe Defekt, dieselbe Quelle — und eine Scheibe davon hätte eine flüchtige Prüfung bestanden.

Wenn Ihre Daten in Scheiben zerlegt sind — nach Geschlecht, nach Jahr, nach Region, nach Kategorie —, wenden Sie jede Prüfung auf jede Scheibe an. Ein Defekt, der in den Daten gleichförmig ist, ist es in seiner Sichtbarkeit nicht.

Warum das so oft passiert

Der Grund ist nicht Nachlässigkeit. Es ist, dass die Verfügbarkeit von Daten umgekehrt mit der Größe des Territoriums korreliert, und niemandem fällt es auf, weil sich Verfügbarkeit wie eine Eigenschaft der Welt anfühlt statt wie eine Verzerrung in der Stichprobe.

Hier ist die konkrete Gestalt davon für ein Land. Drei Registerbehörden veröffentlichen namensbezogene Geburtszählungen für das Vereinigte Königreich:

Das kleinste der drei Territorien veröffentlicht die längste Historie, in einer einzigen flachen Datei, ganz ohne Unterdrückung. Wenn Sie namensbezogene Daten für das Vereinigte Königreich vor 1996 wollen, ist Schottland nicht die bequeme Option — es ist die einzige Option. Jeder Entwickler, der je britische Vornamen aus der Jahrhundertmitte brauchte, ist gegen diese Wand gelaufen, und der verlockende Zug ist, die schottische Datei zu nehmen, sie mit 12 hochzuskalieren und sie Großbritannien zu nennen.

Genau das haben wir beim Neubau ganz bewusst nicht getan, und der Grund ist dieser Artikel: eine regionale Datei auf nationale Summen hochzuskalieren korrigiert die Größenordnung und bewahrt die Zusammensetzung. Sie bekommen eine Datei, die Test 1 besteht und Test 2 härter als zuvor durchfällt, weil Blair nun Zahlen in nationaler Größe angeheftet hat.

Dieselbe Falle, in derselben Gestalt, anderswo in unseren eigenen Daten: die einzigen namensbezogenen Geburtsdateien, die wir für Australien und Kanada beschaffen konnten, decken New South Wales und British Columbia ab — einen Bundesstaat und eine Provinz, jeweils rund ein Viertel bis ein Drittel ihres Landes. Beide sind sauber veröffentlicht, beide sind in der Quelle nach ihrer Region etikettiert, und beide würden in einem nach einem Land benannten Ordner liegen, hätte niemand nachgeprüft.

Was wir dagegen taten, und was nicht

Nur eine Dekade ließ sich ehrlich neu bauen. Das Fenster 2001–2010 ist das einzige, in dem alle drei Registerbehörden veröffentlichen, sodass diese Dekade nun alle drei aggregiert. Das Ergebnis der Zusammenführung ist zeigenswert, weil es zugleich als Prüfung dient, dass die Zusammenführung selbst nicht verzerrt ist:

Die rohen Zählungen über identische Jahre zu summieren verleiht jedem Territorium automatisch sein wahres Gewicht; es wird keine manuelle Gewichtung angewendet, und die verbleibende Abweichung von den Bevölkerungsanteilen beträgt höchstens 0,6 Punkte. Wenn Sie die Zusammenführung von Hand gewichten müssen, damit sie richtig aussieht, passen Ihre Jahre nicht zusammen.

Die Dekaden von den 1940ern bis zu den 1990ern bleiben schottisch, weil keine Quelle existiert, die sie zu etwas anderem machen würde. Das steht nun neben den Daten geschrieben, statt von der nächsten Person entdeckt zu werden. Eine Einschränkung, die Sie gemessen und benannt haben, ist eine Tatsache über Ihren Datensatz. Dieselbe Einschränkung undokumentiert ist ein Defekt, der sich neu erzeugt: wir haben zugesehen, wie dieselbe Phantomaufgabe zweimal wieder geöffnet wurde, weil eine Notiz eine Korrektur festhielt, ohne ihren Umfang festzuhalten.

Die Checkliste

1. Summieren Sie die Zähler und vergleichen Sie mit einer offiziellen Gesamtsumme. Kein Fachwissen erforderlich. Alles, was mehr als etwa das Zweifache daneben liegt, braucht eine Erklärung, bevor Sie die Datei für irgendetwas verwenden; eine Größenordnung bedeutet, dass Sie eine andere Bevölkerung in Händen halten.
2. Vergleichen Sie jede Teilsumme einzeln, nicht nur die Gesamtsumme. Eine infrage kommende Quelle auf einer Scheibe bis auf die Einheit zu treffen verwandelt einen Verdacht in einen Beweis, und fehlausgerichtete Scheiben ergeben sich gratis — unsere war als Abdeckung einer Dekade bezeichnet und deckte fünf Jahre ab.
3. Prüfen Sie das Zeitfenster gegen das Etikett. Nicht „deckt sie 1941–2010 ab", sondern „enthält jede Periode die Jahre, die sie behauptet". Zwei unserer sieben Perioden taten es nicht, und der Fehlbetrag lag bei einer von ihnen bei 21 %.
4. Testen Sie geografische Marker in beide Richtungen. Überzeichnung identifiziert die Region; Unterzeichnung misst den Schaden. Unsere regionale Datei blähte einen lokalen Namen um das Zwölffache auf und drückte zwei der häufigsten Namen des Landes auf ein Drittel herab.
5. Zählen Sie die Verwaltungseinheiten. Eine nationale Datei sollte ungefähr die Anzahl an Regionen, Provinzen oder Distrikten enthalten, die das Land hat. Der Umfang einer einzigen Region, oder eine verdächtig runde Teilmenge, ist derselbe Defekt aus einem anderen Blickwinkel.
6. Wenden Sie jede Prüfung auf jede Scheibe an. Unsere fiel bei 8/20 auf der einen Hälfte und 13/20 auf der anderen durch. Eine Hälfte zu prüfen heißt nichts zu prüfen.
7. Fragen Sie, wer veröffentlicht, bevor Sie fragen, was veröffentlicht wird. Wenn ein Teilterritorium eine ungewöhnlich großzügige Statistikbehörde hat, ist das weltweite Angebot an Daten über dieses Land still zu ihm hin verzerrt — und Ihr Datensatz erbt die Schieflage, ob sie jemand gewählt hat oder nicht.

Daten mit Stand 2026-07-21

Alle Zahlen wurden am 21. Juli 2026 direkt aus den unten aufgeführten veröffentlichten Registerdateien neu berechnet, nicht aus unseren eigenen Notizen. „Anteil in Schottland" und „Anteil im Vereinigten Königreich" sind Anteile an den registrierten Geburten 2001–2010, der einzigen Dekade, die von allen drei Registerbehörden abgedeckt wird; Verhältnisse sind der Quotient dieser beiden Anteile. Die Schätzung von 25–30 Millionen für die Jungengeburten des Vereinigten Königreichs über 1946–2008 ist durch Skalierung abgeleitet, nicht einer Veröffentlichung entnommen, und wird nur als Größenordnungsvergleich verwendet.

⚠ Geburtsregistrierungen sind keine lebenden Träger. Jede Zahl hier beschreibt Menschen, die in einer Periode geboren wurden, was die stärkste verfügbare Grundlage für britische Vornamen ist — kein Zensus des Vereinigten Königreichs veröffentlicht Vornamenzählungen.

Quellen:

• National Records of Scotland (NRS) — vollständige Vornamenlisten mit Zählungen, pro Jahr: Top-100-Tabellen für 1935–1973 und vollständige Listen für 1974–2020. NRS veröffentlicht Zählungen hinab bis zu einer einzelnen Geburt. <nrscotland.gov.uk/statistics-and-data/st…;
• Office for National Statistics (ONS) — Baby names in England and Wales, namensbezogene Zählungen 1996–2025; Zählungen von 2 oder weniger werden unterdrückt. <ons.gov.uk/peoplepopulationandcom…;
• Northern Ireland Statistics and Research Agency (NISRA) — Babynamen-Statistiken, namensbezogene Zählungen 1997–2025; Zählungen unter 3 werden unterdrückt. Ab 2008 sind die Tabellen nach lokalem Verwaltungsdistrikt aufgeschlüsselt, mit einer nicht zugeordneten Restzeile, die addiert und nicht als Gesamtsumme behandelt werden muss. <nisra.gov.uk/statistics/births-deat…;
• Bevölkerungsanteile des Vereinigten Königreichs nach Landesteil, 2020, nur als Plausibilitätsprüfung der Zusammenführung verwendet.

Ein Begleitstück zum selben Fehlermodus vom anderen Ende her — Datensätze, die ehrlich über ihren Umfang sind, aber trotzdem zusammengeführt werden — ist Migrationsschichten in Geburtskohorten. Für die allgemeine Taxonomie der Fallstricke von Häufigkeitsdaten siehe Wie man einen Namenshäufigkeits-Datensatz auditiert.