Nachnamen, die es nicht gibt: Wie man Platzhalter in einem Zensus findet

Der 78-häufigste Nachname in den Vereinigten Staaten ist DOE.

Er steht in der Nachnamendatei des Zensus 2020 zwischen PETERSON auf #77 und WARD auf #79, mit 262.774 Trägern. Zehn Jahre zuvor führte dieselbe Dateireihe DOE auf #4.972 mit 7.066 Trägern. Das ist ein Faktor von 37,2 in einem einzigen Jahrzehnt — bei einem Nachnamen, von dem jeder in der englischsprachigen Welt bereits weiß, dass man ihn hinschreibt, wenn man den Namen nicht kennt.

Das ist kein Skandal, und das Census Bureau hat keinen Fehler gemacht. DOE ist ein echter Nachname, den echte Familien tragen, und zugleich die Zeichenkette, die eingetragen wird, wenn ein Formular ausgefüllt werden muss und der Nachname nicht verfügbar ist. Die Datei kann diese beiden Populationen nicht auseinanderhalten, also veröffentlicht sie ihre Summe.

Die interessante Frage ist nicht „Ist DOE unecht". Sie lautet: Wie fände man den nächsten, in einem Land, dessen Namenskonventionen man nicht kennt?

Diese Frage mussten wir am 21. Juli 2026 beantworten, während wir die US-Namensdaten aus dem Zensus 2020 neu aufbauten. Die Antwort erwies sich als zwei arithmetische Tests, die überhaupt kein sprachliches Wissen erfordern — und zusammen angewandt fanden sie sechs Kandidaten in den Top 5.000, von denen wir zuvor einen gekannt hatten.

Signal eins: Wachstum, das nicht sein kann

Der erste Test ist der naheliegende, und für sich allein ist er nutzlos. Hier ist der Grund.

Nehmen Sie jeden Nachnamen, der in der Datei von 2020 unter den Top 5.000 rangiert, schlagen Sie seine Zählung von 2010 nach und berechnen Sie das Verhältnis. Über 4.999 Nachnamen hinweg ist die Verteilung äußerst eng:

Neunundneunzig Prozent der häufigen amerikanischen Nachnamen bewegten sich in zehn Jahren um weniger als ±64 %, und der Median bewegte sich kaum. Alles über etwa ×1,7 liegt also bereits außerhalb des neunundneunzigsten Perzentils, und die zwanzig am schnellsten wachsenden Einträge lohnen eine Einzelbetrachtung.

Hier sind sie:

Die Liste ist eine Mischung aus zwei völlig verschiedenen Dingen. TAMANG, GURUNG, RAI, SHRESTHA, ADHIKARI, HTOO, THANG sind nepalesische, bhutanische und burmesische Nachnamen, die aus dem gewöhnlichsten Grund der Welt wuchsen: Flüchtlingsansiedlung und Migration. Sie sind so echt wie SMITH. Wachstum allein kennzeichnet sie, und Wachstum allein kann sie nicht entlasten.

Der erste Test liefert also eine Kandidatenliste, kein Urteil. Er braucht einen zweiten, unabhängigen Test, der nichts mit Zeit zu tun hat.

Signal zwei: der Profil-Fingerabdruck

Die US-Zensus-Nachnamendatei enthält einen Hilfsblock von Spalten, den dafür niemand nutzt: Für jeden Nachnamen veröffentlicht sie, wie sich seine Träger über die selbstberichteten Kategorien verteilen, die der Zensus erhebt. Wir verwenden diese Spalten hier ausschließlich als forensischen Fingerabdruck, um eine Zeile zu erkennen, die zusammengesetzt statt beobachtet wurde. Sie tragen keine Bedeutung über Namen und Populationen, und wir ziehen keine.

Die Logik ist mechanisch. Jeder echte Nachname auf der Erde gelangte durch eine bestimmte Geschichte in die Vereinigten Staaten, und diese Geschichte hinterlässt die Träger des Nachnamens irgendwo konzentriert. Ein Platzhalter hat keine Geschichte. Er wird in einen Datensatz geschrieben, wann immer ein Datensatz vervollständigt werden muss, und das trifft jeden ungefähr in dem Maße, in dem er in der Bevölkerung vorkommt. Die Verteilung eines Platzhalters sollte also wie die eigenen Gesamtzahlen der Datei aussehen, die eines echten Nachnamens nicht.

Die eigenen Gesamtzahlen der Datei, über alle 298.870.618 gezählten Träger hinweg, bilden die Grundlinie:

Lesen Sie die unteren vier Zeilen: GARCIA legt 91 % seiner Masse in eine Spalte, NGUYEN 95 %, GURUNG 97 %. Selbst SMITH und WILLIAMS, die „generisch" aussehen, weichen wild von der nationalen Form ab — beide legen unter 4 % in die letzte Spalte gegen national 18 %.

Lesen Sie nun DOE. Jede seiner sechs Zahlen liegt etwa neun Punkte innerhalb des nationalen Werts, und drei davon liegen innerhalb eines Punktes.

Fasst man das in eine einzige Zahl zusammen — die Summe der absoluten Differenzen zwischen den sechs Anteilen eines Nachnamens und den sechs Anteilen der Grundlinie, die wir L1 nennen —, ist das Ergebnis verblüffend:

DOE hat das flachste Profil aller Nachnamen unter den Top 1.000 des amerikanischen Zensus. Nicht Top zehn — der erste. Der Zweitplatzierte in den Top 500 ist SIMON mit 25,4, und der Median ist mehr als doppelt so hoch wie der Wert von DOE.

Es gibt genau eine Zeile in der ganzen Datei, die flacher ist, und sie ist die Kontrolle, die die Methode beweist: die gepoolte Restzeile ALL OTHER NAMES, die 36.257.637 Menschen repräsentiert, deren Nachnamen zu selten waren, um einzeln veröffentlicht zu werden. Diese Zeile ist konstruktionsbedingt ein zufälliger Ausschnitt des Landes, und ihr L1 ist 12,36. Das einzige in der Datei, das demografisch noch merkmalsloser ist als ein Platzhalter, ist ein Eimer mit der Aufschrift „alle anderen".

Die beiden Signale kreuzen

Kein Test entscheidet etwas allein. Wachstum kennzeichnet legitime Migration; Flachheit kennzeichnet legitim gemischte Nachnamen. Führen Sie beide aus und verlangen Sie beide.

Filter: Rang ≤ 5.000 im Jahr 2020, L1 < 30, sortiert nach Wachstum. Zweiundfünfzig Nachnamen bestehen den Flachheitsfilter. Nach Wachstum sortiert ist der Kopf der Liste eindeutig, und dann fällt sie steil ab:

Sechs Einträge über ×2,5, dann eine Lücke, dann ein langer Schwanz portugiesischer und brasilianischer Nachnamen bei ×1,0 bis ×1,5. Diese lusophonen Namen haben aus einem völlig guten Grund flache Profile — ihre Träger verteilen sich tatsächlich über die Zensuskategorien —, und ihr Wachstum ist gewöhnlich, sodass das zweite Signal sie entlastet. Die nepalesischen Nachnamen bestehen den Wachstumstest und fallen beim Profiltest mit L1 ≈ 180 durch. Nur sechs Dinge bestehen beide.

Und jedes dieser sechs ist ein englisches Wort, das man auf einem Formular finden würde: doe, ref(erence), male, no, last (name), child.

Die Kontrollen, die das ehrlich halten

Eine Methode, die schlichte englische Wörter in einer Nachnamenliste kennzeichnet, ist wertlos, wenn sie nicht auch schlichte englische Wörter entlastet, die zufällig Nachnamen sind. Sie tut es.

ROE ist der stärkste davon. In der amerikanischen Rechtspraxis ist Richard Roe der kanonische zweite Platzhaltername, seit dem mittelalterlichen englischen Prozessrecht neben John Doe für eine zweite unbekannte Partei verwendet. Wäre die Methode bloß ein Musterabgleich auf „Wörter, die wie Platzhalter aussehen", stünde ROE an der Spitze der Liste. Stattdessen ist er steinflach bei ×1,0 Wachstum, und sein Profil ist zu 87,6 % in einer Spalte konzentriert — weit entfernt von der nationalen Form. ROE ist ein echter anglo-irischer Nachname, und der Zähler sagt das.

BLANK ist dieselbe Geschichte aus der anderen Richtung: ein deutscher Nachname (blank = glänzend, hell), der mit 13.127 Trägern in der Datei sitzt, mit einem L1 von 62,9 und überhaupt keinem Wachstum. Er sieht genau wie ein Formular-Artefakt aus. Er ist keines.

Das Aussehen entscheidet nichts. Der Zähler entscheidet alles. Das ist dieselbe Schlussfolgerung, zu der wir aus der entgegengesetzten Richtung in Das Problem der Datenschutzschwelle in Namensregistern gelangten, wo sich ein archaisch aussehender chinesischer zusammengesetzter Nachname als von zwei lebenden Trägern getragen erwies und im Korpus blieb.

Das dritte Signal, für Vornamen

Platzhalter befallen auch Vornamendateien, und dort existieren die Profilspalten nicht — die Vornamendatei von 2020 veröffentlicht stattdessen das Geschlecht. Das funktioniert genauso gut, denn Platzhalter haben kein Geschlecht.

Nehmen Sie die Top 2.500 Vornamen im Zensus 2020 und messen Sie, wie weit der Männeranteil jedes einzelnen von 50 % entfernt liegt. Der Median ist 49,66 Prozentpunkte. Das ist kein Tippfehler: Der typische amerikanische Vorname ist im Wesentlichen einem Geschlecht zugeordnet, sodass die typische Abweichung von der Parität nahezu dem Maximum entspricht. Nur 1 % der Top 2.500 liegen innerhalb von 6,4 Punkten einer Gleichaufteilung.

Vor diesem Hintergrund:

Zwei verschiedene Platzhalter-Signaturen, beide diagnostisch. REF, BABY und DOE sind geschlechtsneutral, weil nichts an der Person sie bestimmt. MALE, FEMALE, BOY und GIRL sind das entgegengesetzte Extrem — zu 99,3 % rein —, weil der Platzhalter das Geschlechtsfeld ist, das in das Namensfeld sickert. Ein echter Vorname erreicht fast nie eines von beiden.

Und REF erhält eine vierte, völlig unabhängige Bestätigung. Die Geburtsregisterdaten der Social Security Administration, die die andere nationale Vornamenquelle für die Vereinigten Staaten sind, enthalten 32.718 männliche und 55.399 weibliche verschiedene Namen. REF ist unter keinem von ihnen. Der Zensus sagt, 14.844 lebende Amerikaner hören darauf; das Geburtsregister hat nie einen einzigen verzeichnet, der damit geboren wurde. DOE erscheint immerhin in den Geburtsdaten (27 Geburten). REF hat null.

Null Geburten, vierzehntausend Träger, perfekte Geschlechterparität. Drei orthogonale Instrumente, eine Antwort.

Was das nicht beweist

Vier ehrliche Grenzen, denn diese Methode verleitet leicht zu Übertreibungen.

1. Wir können den Mechanismus nicht sehen. Die Datei zeigt, dass ein Platzhalter vorhanden ist und ungefähr wie viel davon. Sie zeigt nicht, wo er eintrat — Selbstauskunft, Eintrag eines Zählers, ein Verwaltungsdatensatz oder ein Verarbeitungsschritt. Wir wissen, dass DOE zwischen zwei Zensus rund eine Viertelmillion Träger gewann. Warum, wissen wir aus der Datei nicht, und wir haben es in diesem Artikel nicht geraten.

2. Die sechs sind nicht gleich sicher. DOE bei ×37,2 und REF bei ×15,0 stehen außer Frage. CHILD bei ×2,5 mit einem L1 von 8,2 ist der schwächste der sechs: Child ist ein echter englischer Nachname, ×2,5 ist weit von ×37 entfernt, und ein echter Nachname, dessen Träger zufällig demografisch durchschnittlich sind, würde ehrlicherweise einen niedrigen L1 erzeugen. NO ist in die andere Richtung wirklich mehrdeutig — sein Profil zeigt 18,2 % in der vierten Spalte gegen national 6,2 %, was man erwarten würde, wenn ein echter koreanischer Nachname (노) mit der Platzhalternutzung vermischt ist. Ein Filter liefert Kandidaten. Nur die Kandidaten an den Extremen sind Schlussfolgerungen.

3. Beide Signale brauchen einen Boden. Unter einigen tausend Trägern werden Wachstumsfaktoren verrauscht und Profilanteile noch verrauschter. Aus diesem Grund beschränkten wir den Filter auf die Top 5.000. Ihn in den Schwanz hinein laufen zu lassen würde Dutzende „Treffer" erzeugen, die nur kleine Zahlen in Bewegung sind.

4. Das ist keine Kritik am Zensus. Ein Zensus erfasst, was Befragte und Datensätze liefern. DOE auf #78 zu veröffentlichen ist ehrlicher, als es still zu unterdrücken, und die Datei liefert genau die Hilfsspalten, die es einem Außenstehenden erlauben, ihn zu erkennen. Der Mangel gehört demjenigen, der die Datei ohne Prüfung nutzt — was bis zu dieser Woche uns einschloss.

Die Methode, übertragbar auf jedes Land

Nichts davon erfordert, auch nur eine einzige Sache über amerikanische Nachnamen zu wissen. Jeder Schritt ist Arithmetik auf der Datei, und jeder Schritt verallgemeinert sich:

1. Beschaffen Sie zwei Ausgaben derselben Datei, zehn Jahre auseinander. Fast alles Folgende hängt davon ab, ein Vorher zu haben.
2. Berechnen Sie zuerst die Wachstumsverteilung, dann betrachten Sie die Ausreißer. Das p99 sagt Ihnen, was „unmöglich" für diese Datei bedeutet. Importieren Sie keinen Schwellenwert aus einem anderen Land.
3. Finden Sie die Hilfsspalten der Datei. Ethnische Anteile, Geschlechteraufteilungen, Regionalaufteilungen, Staatsbürgerschaftsaufteilungen — alles, was zwischen echten Namen variiert. Diese Spalte ist Ihr Fingerabdruckleser.
4. Berechnen Sie einen Abstand zu den eigenen Gesamtzahlen der Datei. Nicht zu einer externen Bevölkerungsschätzung; zur eigenen Summe der Datei, die die einzige Grundlinie ist, die garantiert auf demselben Fuß steht wie die Zeilen.
5. Verlangen Sie zwei unabhängige Signale. Das eine kennzeichnet Migration. Das andere kennzeichnet Namen gemischter Herkunft. Ihre Schnittmenge ist klein und sauber.
6. Testen Sie die Kontrollen, bevor Sie den Treffern glauben. Geben Sie dem Filter Namen, von denen Sie wissen, dass sie echt sind, und bestätigen Sie, dass sie sauber herauskommen. Hätten ROE und BLANK wie DOE abgeschnitten, wäre die Methode Musterabgleich, nicht Messung.
7. Verschneiden Sie mit einem zweiten Register, falls eines existiert. „Im Zensus vorhanden, im Geburtsregister abwesend" ist der schärfste Einzeltest, den es gibt, und er kostet einen Join.

Das Unangenehme ist, wie groß diese werden. DOE ist keine Kuriosität im Schwanz. Es ist der 78-häufigste Nachname in den Vereinigten Staaten, vor WARD, KELLY und COX, und es landet in jedem mechanischen Top-100-Ausschnitt, den irgendjemand aus dieser Datei nimmt. Irgendjemandes Datensatz enthält es gerade jetzt, gewichtet, als wären eine Viertelmillion Amerikaner damit geboren.

Daten mit Stand 2026-07-21

Jede Zahl oben wurde am 21. Juli 2026 direkt aus den Primärdateien neu berechnet, nicht aus Notizen zitiert. Wo unsere eigenen früheren Arbeitsnotizen den Dateien widersprachen, gewannen die Dateien — siehe die Korrektur unten.

Quellen:

• Vereinigte Staaten — US Census Bureau, Frequently Occurring Surnames in the 2020 Census by Race and Hispanic Origin. 156.620 veröffentlichte Zeilen plus die gepoolte ALL OTHER NAMES-Zeile; 298.870.618 gezählte Träger; niedrigste veröffentlichte Zählung 92. Public domain. <census.gov/topics/population/gene…;
• Vereinigte Staaten — US Census Bureau, Frequently Occurring Surnames in the 2010 Census. 162.254 Zeilen, 294.979.229 gezählte Träger, niedrigste veröffentlichte Zählung 100. Für jede Zahl von 2010 verwendet. Public domain.
• Vereinigte Staaten — US Census Bureau, Frequently Occurring First Names in the 2020 Census by Sex. 53.616 Zeilen, 302.031.536 gezählte Träger, niedrigste veröffentlichte Zählung 91. Public domain.
• Vereinigte Staaten — Social Security Administration, nationale Geburtsregister-Namensdaten, nur als Vorhanden-/Abwesend-Prüfung verwendet (32.718 männliche und 55.399 weibliche verschiedene Namen im daraus erstellten Korpus). Public domain.

Eine Korrektur unserer eigenen früheren Notiz. Unsere Sitzungsnotizen verzeichneten DOE als #2.834 mit 11.603 Trägern im Jahr 2010, was einen Wachstumsfaktor von ×22,6 ergab. Neu berechnet aus der Datei von 2010 selbst, steht DOE auf Rang #4.972 mit 7.066 Trägern, und der Faktor ist ×37,2. Die Notiz lag bei allen drei Zahlen falsch und wird durch diesen Artikel abgelöst. Dieselbe Nachprüfung verschob REF als Nachname von einer aus der Vornamendatei entnommenen Zahl (14.844) zu seiner korrekten Nachnamenzahl (10.563) — REF erscheint in beiden Dateien, und das sind verschiedene Zählungen verschiedener Dinge.

Zu den Kategorienspalten des Zensus. Die Nachnamendatei von 2020 veröffentlicht für jeden Nachnamen absolute Trägerzahlen nach selbstberichteter ethnischer Zugehörigkeit und hispanischer Herkunft. In diesem Artikel werden diese Spalten ausschließlich als forensischer Fingerabdruck verwendet, um eine zusammengesetzte Zeile von einer beobachteten zu unterscheiden, und stützen keinerlei Schlussfolgerung über Namen, Abstammung oder Populationen. Die ALL OTHER NAMES-Zeile wird nur als methodische Kontrolle verwendet.

Reproduzierbarkeit. Der Filter besteht aus vier Zeilen Arithmetik: Verbinden Sie die beiden Zensusdateien über den Nachnamen, berechnen Sie count2020 / count2010, berechnen Sie die Summe der absoluten Differenzen zwischen den sechs Kategorienanteilen jeder Zeile und den eigenen sechs Gesamtzahlen der Datei, und sortieren Sie. Keine Modellierung, keine externen Daten, keine von irgendwoher importierten Schwellenwerte.