Das Register hatte recht. Die Spalte nicht.

Unsere finnische Vornamenliste für Frauen begann so:

Maria · Helena · Johanna · Anneli · Kaarina · Marjatta · Anna · Liisa · Sofia · Tuula

Jeder dieser Namen ist ein echter finnischer Name. Jeder ist korrekt geschrieben, in der richtigen Schrift, mit den richtigen diakritischen Zeichen. Jeder erscheint im nationalen Bevölkerungsregister. Die Gewichte dahinter waren keine Schätzungen oder von Hand justierte Konstanten — sie stammten aus offiziell veröffentlichten Zählungen, aus einer dieses Jahr genommenen Momentaufnahme, unter einer offenen Lizenz.

Die Liste ist zugleich fast vollständig falsch. Die zehn Namen, mit denen finnische Frauen tatsächlich angesprochen werden, sind diese:

Anne · Päivi · Tuula · Anna · Minna · Sari · Pirjo · Leena · Tiina · Ritva

Zwei von zehn Namen stimmen überein. Richtig gemessen betrug der Abstand zwischen der von uns ausgelieferten Verteilung und der echten 28,50 % in totaler Variationsdistanz für Frauen und 20,96 % für Männer — was bedeutet, dass bei einer zufälligen Ziehung rund ein Viertel bis ein Drittel der Wahrscheinlichkeitsmasse auf den falschen Namen lag.

An der Quelle war nichts falsch. Das Land stimmte, das Register stimmte, die Momentaufnahme war aktuell, die Lizenz war sauber, die Namen waren echt. Wir nahmen die falsche Spalte.

Dieser Artikel handelt von dieser Fehlerform, denn sie ist die teuerste, die wir gefunden haben: Sie erzeugt Daten, die echt authentisch und systematisch irreführend sind, und sie besteht jede automatische Prüfung, die es gibt, um schlechte Daten zu fangen. Sie ist uns nun zweimal passiert, in zwei verschiedenen Ländern, an zwei verschiedenen Registern, drei Jahre auseinander in den Daten und Monate auseinander in der Entdeckung. Und es gibt ein drittes Land, in dem wir danach suchten, sie zu finden erwarteten und nicht fanden — und das ist der Teil dieses Artikels, den wir für am nützlichsten halten.

Was das finnische Register tatsächlich veröffentlicht

Finnlands Amt für digitale Dienste und Bevölkerungsdaten (DVV) veröffentlicht eine Vornamenstatistik, die aus dem Bevölkerungsinformationssystem abgeleitet ist. Sie kommt als eine einzige Arbeitsmappe. Diese Arbeitsmappe enthält nicht eine Tabelle mit Namen. Sie enthält sechs, und das Deckblatt der Arbeitsmappe listet sie selbst auf:

Wir lasen kaikki.

Die Unterscheidung ist in Finnland wichtig, weil Finnen gewöhnlich mehr als einen Vornamen tragen und mit genau einem von ihnen angesprochen werden. Eine als Anne Kaarina registrierte Frau ist Anne; Kaarina steht in ihrem Pass und sonst nirgends in ihrem Alltag. Das Blatt ens zählt den ersten Vornamen, den man zur Begrüßung verwenden würde. Das Blatt kaikki zählt jeden registrierten Vornamen, den eine Person trägt, es zählt also Anne einmal und Kaarina einmal, in der Zeile derselben Person.

Die beiden Blätter beschreiben daher verschiedene Dinge. kaikki ist in keinem nützlichen Sinne eine Obermenge von ens; es ist eine andere Messung, dominiert von Namen, die Menschen haben, mit denen sie aber nicht angesprochen werden. Im gesamten Register summieren sich die beiden Scheiben auf 5.409.122 (ens) gegen 11.756.781 (kaikki) — ein Faktor von 2,174. Diese eine Zahl enthält die ganze Geschichte: Im Schnitt trägt ein Finne etwas mehr als zwei Vornamen, eine Scheibe, die alle von ihnen zählt, zählt also etwa 2,17 gehaltene Namen pro Person, während eine Scheibe, die erste Vornamen zählt, Menschen zählt.

Nur eine davon kann eine Personenzählung sein. Wenn Ihre Gewichte die Frage beantworten sollen „wie wahrscheinlich wird eine finnische Frau so genannt", muss der Nenner Frauen sein.

Wie weit wir danebenlagen

Vor der Korrektur enthielten unsere finnischen Korpora 295 männliche und 290 weibliche Namen. Wir maßen sie gegen beide Registerscheiben:

Lesen Sie die beiden Spearman-Spalten. Unsere Rangordnung stimmte besser mit der Scheibe überein, die wir nicht hätten verwenden sollen, als mit der, die wir hätten verwenden sollen. Diese Umkehrung ist das mit Abstand sauberste Signal der ganzen Untersuchung, und sie wird weiter unten für sich behandelt, denn sie ist ein Diagnosewerkzeug, das jeder in zehn Minuten anwenden kann.

Die Männerliste sieht in der Top-10-Spalte weniger beschädigt aus (7 gemeinsam statt 2), und das ist irreführend. Die Zweitnamen finnischer Männer stammen aus einem kleineren und formelhafteren Pool — Juhani, Olavi, Tapani, Antero —, der sich weniger mit dem Pool der Rufnamen überschneidet, sodass die beiden Listen weiter unten auseinanderlaufen statt gleich am Kopf. Der TVD-Wert, dem gleichgültig ist, wo die Divergenz sitzt, beziffert den Fehler bei den Männern auf 20,96 % und bei den Frauen auf 28,50 %. Beide sind nach den Maßstäben von allem anderen, was wir messen, katastrophal.

Die einzelnen Einträge machen es konkret. Hier ist unsere alte Top-10 für Frauen, mit dem wahren Rang jedes Namens in jeder Scheibe:

Unser fünfthäufigster finnischer Frauenname war der landesweit 234.-häufigste Name, mit dem tatsächlich jemand angesprochen wird. Auf der Männerseite ist das Gegenstück noch krasser: Unser Name Nummer eins, Juhani, ist der 100.-häufigste finnische Rufname — 7.135 Männer heißen so, gegen 43.107 mit Namen Juha, dem echten Spitzenreiter.

Die Zusammensetzung war perfekt. Nur die Gewichte waren falsch.

Das ist der Teil, der den Defekt gefährlich statt bloß schlecht macht.

Jeder unserer 295 männlichen und 290 weiblichen finnischen Namen ist im Register vorhanden. Alle. 295 von 295 und 290 von 290, eine Trefferquote von 100 %, null Phantome, null Schreibfehler, null Einträge, die nicht gefunden werden konnten. Die Namen waren gut kuratiert. Jemand hatte an dieser Liste echte Arbeit geleistet und nichts erfunden.

Der Fehler steckte vollständig in den Zahlen neben den Namen.

Diese Unterscheidung ist es, die jede Standardprüfung aushebelt. Die Formatvalidierung besteht: eine wohlgeformte zweispaltige TSV, keine Kodierungsfehler, keine Duplikate, keine negativen Gewichte. Existenzprüfungen bestehen: Jeder Name lässt sich gegen die Autorität auflösen, es gibt also nichts zu melden. Formprüfungen bestehen, denn eine kaikki-Verteilung ist ebenfalls ein sauberer, Zipf-artiger Abfall — Kopfkonzentration, Schwanzlänge und Entropie liegen alle in normalen Bereichen. Herkunftsprüfungen bestehen: Die Quelle ist ein nationales Register, korrekt benannt, datiert und lizenziert. Abdeckungsprüfungen bestehen: Die 295 Namen decken 78,69 % der ens-Masse des Registers ab und die 290 decken 71,39 % ab, was gesunde Zahlen für eine kuratierte Liste vom Kopf der Verteilung sind.

Alles, was eine Maschine fragen kann, beantwortet die Datei korrekt. Was die Datei nicht beantworten kann, ist „erkennt ein Finne dies als eine Liste von Finnen" — und genau diese Frage ist die einzige, die durchfällt. Wir haben früher über Prüfungen geschrieben, die genau dort verstummen, wo sie wichtig sind; dies ist der datenseitige Zwilling jenes Fehlers. Nichts war kaputt. Alles maß das Falsche.

Die Namen, die es verraten

Wenn Sie alle drei Blätter haben, lässt sich der Defekt pro Name quantifizieren. Für jeden Namen ist der Anteil seiner Träger, die ihn nicht als ersten Vornamen tragen, muut ÷ kaikki:

Die Grundgesamtheit teilt sich in zwei saubere Familien. Rufnamen liegen bei etwa 10–17 %: Eine kleine Minderheit ihrer Träger hält sie an zweiter Stelle. Mittelnamen liegen über 95 %: Mit ihnen wird praktisch niemand angesprochen. Zwischen beiden gibt es kein Kontinuum; die Lücke zwischen Maria bei 89,9 % und Matti bei 49,7 % enthält fast nichts.

Matti und Anna sind die interessanten Bewohner dieser Lücke, und sie sind wirklich beides: Matti ist der vierthäufigste Rufname und ein häufiger Zweitname, und Anna ist Vierter als Rufname, während 38,5 % seiner Träger ihn an zweiter Stelle halten. Ein Name kann in beiden Rollen beliebt sein. Was ein Name nicht sein kann, ist das, wonach Kaarina in unserer Datei aussah — ein Rufname unter den Top Fünf, den 88.967 Frauen tragen, von denen 2.380 darauf hören.

Der Vollständigkeit halber: Die drei Blätter sind intern konsistent. kaikki übersteigt ens + muut bei 5.126 von 10.903 männlichen Zeilen und 6.319 von 14.166 weiblichen Zeilen, nie umgekehrt und nie um mehr als 8 bei einem einzelnen Namen. Genau das sagt die Datenschutzregel der DVV voraus: Vornamen mit weniger als fünf Trägern werden nicht veröffentlicht, ein Name, dessen ens- und muut-Komponenten jeweils unter fünf fallen, verliert also höchstens 4 + 4 aus der Summe, während die kombinierte kaikki-Zahl überlebt. Der Gesamtausfall beträgt 17.050 (0,29 %) bei den Männern und 19.983 (0,34 %) bei den Frauen. Im Register ist nichts kaputt. Wir lasen nur ein anderes Blatt, als wir dachten. Wie Unterdrückungsschwellen wie diese ein Korpus formen, ist ein eigenes Thema, behandelt in Datenschutzschwellen in Namensregistern.

Die Rangumkehrung, und warum sie der Test ist

Hier ist das Diagnosewerkzeug, so allgemein formuliert, wie wir es können.

Wenn Ihr Datensatz besser mit einer Scheibe der Quelle korreliert, von der Sie glauben, sie nicht verwendet zu haben, als mit der Scheibe, von der Sie glauben, sie verwendet zu haben, dann haben Sie die andere verwendet.

Das klingt zirkulär und ist es nicht. Die Rangkorrelation gegen eine Quellscheibe ist ein Maß für „kam das von hier". Unsere finnische Männerliste erzielte ρ = +0,430 gegen ens und ρ = +0,789 gegen kaikki; unsere Frauenliste erzielte +0,618 gegen ens und +0,714 gegen kaikki. Beide Dateien beanspruchten ens-Abstammung. Beide Dateien waren statistisch Kinder von kaikki.

Der Test kostet einen Join und eine Korrelation pro Kandidatenscheibe, und drei Eigenschaften machen es lohnend, ihn in eine Pipeline einzubauen. Er braucht kein Fachwissen — Sie müssen nicht wissen, was ens bedeutet, oder ein Wort Finnisch sprechen, sondern nur zwei Kandidatenspalten in der Hand halten. Er lässt sich von einem korrekten Zeilensatz nicht täuschen, denn Zusammensetzungsprüfungen vergleichen, welche Namen vorhanden sind, während dieser vergleicht, wie viel; unser Zeilensatz war makellos, und der Test schlug trotzdem an. Und er wird lauter, je schlimmer der Defekt wird: Je größer die semantische Lücke zwischen zwei Scheiben, desto größer die ρ-Spanne — das Gegenteil des üblichen Versagens, bei dem eine Prüfung am Extrem verstummt.

Die offensichtliche Einschränkung ist, dass er mehr als eine Scheibe braucht. Wo der Herausgeber nur eine einzige Tabelle anbietet, haben Sie nichts zum Vergleichen und fallen auf den Summentest weiter unten zurück.

Schweden: dieselbe Falle, früher gefunden

Statistics Sweden veröffentlicht Vornamen in zwei Formen, und die Unterscheidung ist ins schwedische Recht geschrieben, nicht in eine Tabellenkalkulationskonvention. förnamn ist jeder Vorname, den eine Person trägt. tilltalsnamn ist der, der rechtlich als Anredename markiert ist — der, mit dem ein Schwede angesprochen wird.

Wir maßen beide:

Das Verhältnis zwischen den beiden Summen ist 2,121 — derselbe Fingerabdruck wie Finnlands 2,174, unabhängig erreicht, in einem anderen Land, aus den Dateien einer anderen Behörde. Grob zwei Vornamen pro Person an beiden Orten.

Der Kopf der beiden schwedischen Listen:

Vier gemeinsame Namen. Dieselbe Signatur pro Name taucht auf: MARGARETA wird von 211.967 schwedischen Frauen getragen und ist der Anredename von 20.856 — ein Verhältnis von ×10,16. ELISABET liegt bei ×12,42. Dem gegenüber ist MALIN bei ×1,24 und LINDA bei ×1,37, und so sieht ein Name aus, mit dem Menschen tatsächlich angesprochen werden.

Die Männerseite ist milder — 7 von 10 gemeinsam, weil sich die Mittelnamen schwedischer Männer stärker mit ihren Rufnamen überschneiden —, aber der Kopf kehrt sich dennoch um: ERIK ist der häufigste männliche Vorname in Schweden und der neunthäufigste Name, mit dem angesprochen wird, bei 54.860 gegen LARS bei 81.754. Liefern Sie förnamn-Gewichte aus, und jeder schwedische Mann, den Ihr Generator erzeugt, ist überproportional ein Erik, ein Karl oder ein Carl — das heißt, er klingt wie ein Name auf einer Geburtsurkunde statt wie eine Person im Raum.

Schweden wurde zuerst gefasst, und es ist der Grund, warum Finnland überhaupt geprüft wurde. Das ist der praktische Wert davon, diese Dinge aufzuschreiben: Ein in einer Sprachregion gefundener Defekt ist eine Abfrage, die Sie gegen jede andere Sprachregion laufen lassen können, die Sie besitzen.

Die Schweiz: die Falle war da und ging nicht los

Es wäre ordentlich, zu schließen, dass nationale Register systematisch die falsche Spalte veröffentlichen und dass man immer das Schlimmste annehmen sollte. Diese Schlussfolgerung ist falsch, und wir können zeigen, dass sie falsch ist, denn wir suchten in Schweizer Daten nach demselben Defekt und er war nicht da.

Das Schweizer Bundesamt für Statistik veröffentlicht Vornamen in mehreren Schnitten. Zwei davon erlauben eine Triangulation: ein Bestand der Wohnbevölkerung, aufgeschlüsselt nach Geburtsjahr, und eine Reihe von Vornamen Neugeborener nach Sprachregion und Kanton. Wären diese beiden Datensätze Scheiben verschiedener Art — einer „alle Vornamen", einer „erster Vorname" —, sähe die Divergenz wie die von Finnland aus.

Beschränkt man beide auf die Geburtsjahre 2000–2024 und vergleicht anhand der Namen, die sie teilen:

Neun von zehn Spitzennamen gemeinsam, in beiden Geschlechtern, mit nur zwei vertauschten benachbarten Paaren. Eine totale Variationsdistanz von drei bis vier Prozent — gegen Finnlands zwanzig bis neunundzwanzig. Beide Schweizer Datensätze erfassen dasselbe: den ersten, hauptsächlichen Vornamen.

Die verbleibenden wenigen Prozent sind vollständig erklärt, ohne irgendeinen Scheibenunterschied zu bemühen. Die beiden Datensätze messen nicht dieselbe Grundgesamtheit: Der eine zählt Menschen, die in der Schweiz leben und in jenen Jahren geboren wurden, einschließlich aller, die später ankamen; der andere zählt in der Schweiz registrierte Geburten. Der Bestand übersteigt die Geburten um einen Faktor von 1,282 bei den Männern und 1,311 bei den Frauen, was die Migrationsschicht plus die jeweils eigene Veröffentlichungsschwelle jedes Datensatzes ist.

Eine Spaltenverwechslung sieht nicht so aus. Zur Kalibrierung: Finnlands eigene zwei Scheiben — ens gegen kaikki, dasselbe Register, dieselbe Momentaufnahme — teilen genau einen Namen in der Männer-Top-Ten und überhaupt keinen in der Frauen-Top-Ten. Das ist es, was ein echter Scheibenunterschied mit einem Kopf macht. Neun von zehn ist keine schwache Version davon; es ist ein anderes Phänomen.

Das ist der nützlichste Absatz des Artikels. Die Regel, die man übernehmen sollte, lautet „prüfe, welche Spalte", nicht „nimm die falsche Spalte an". Anzunehmen, der Defekt sei universell, kostet Sie einen Neuaufbau, den Sie nicht brauchten, und die Kosten des Prüfens sind ein Nachmittag voller Joins. Die Schweiz hat ihr eigenes schweres Problem in unseren Daten — das Land veröffentlicht nach Sprachregion, und einen Schweizer Datensatz als national zu behandeln ist ein eigener und realer Fehler, behandelt in ist Ihr nationaler Datensatz eigentlich regional —, aber die Spalte war nie das Problem.

Warum diese Defektklasse überlebt

Jeder Grund unten ist eine gewöhnliche gute Praxis, die hier zufällig blind ist.

1. Die Daten sind echt authentisch. Nicht gescrapt, nicht aggregiert, nicht aus einer Content-Farm. Jede Zahl ist auf eine nationale Behörde zurückführbar und aus der veröffentlichten Datei neu ableitbar.
2. Das Versagen liegt in der Semantik, nicht in den Werten. Kein beschädigtes Byte, keine abgeschnittene Zeile, kein Mojibake, kein falsch geparster Header. Jede Zahl in unserer Datei war eine Zahl, die ein Statistiker veröffentlicht hat.
3. Die Verteilungsform stimmt. Beide Scheiben sind kopflastig und langschwänzig, jede Prüfung auf Kurvenform, Entropie oder Kopfkonzentration vergleicht also eine plausible Kurve mit einer anderen.
4. Die Abdeckung sieht gesund aus. Ein kuratierter Kopf aus 295 Namen, der 78,69 % der Registermasse abdeckt, ist nach jeder Metrik, die wir verwenden, ein gutes Korpus. Es war ein gutes Korpus, gewichtet von der falschen Seite.
5. Niemand liest die Blattliste. Die DVV-Arbeitsmappe gibt auf ihrem eigenen Deckblatt, in klarem Finnisch, genau an, was jede ihrer sechs Registerkarten enthält. Nichts war verborgen.

Der letzte verdient Betonung. Dieser Defekt erfordert keinen subtilen Fehler und keinen exotischen Grenzfall. Er erfordert nur, dass die Datei geöffnet statt gelesen wird.

Vier Tests, der billigste zuerst

1. Der Summentest. Eine Scheibe, die ein Ding pro Person zählt, kann nicht mehr ergeben, als es Menschen gibt. Teilen Sie eine Kandidatenscheibe durch die andere oder durch die Bevölkerung, falls Sie sie haben: Finnlands zwei Scheiben unterscheiden sich um ×2,174 und Schwedens um ×2,121, und in jedem Paar ist nur die kleinere Gesamtsumme als Personenzählung möglich. Das ist eine Division, sie braucht kein sprachliches Wissen, und sie hätte beide Vorfälle gefangen.

2. Zählen Sie die Scheiben auf, bevor Sie eine wählen. Listen Sie jede Blatt-, Spalten- und Tabellenvariante auf, die der Herausgeber anbietet, mit ihrer eigenen Beschreibung, bevor Sie irgendeine davon lesen. Finnland bietet drei pro Geschlecht und benennt sie; Schweden bietet zwei und benennt sie; die falsche ist nur dadurch erreichbar, dass man nicht hinschaut.

3. Rangkorrelieren Sie gegen jede Kandidatenscheibe. Die Korrelation mit der falschen Scheibe fällt höher aus — das ist das ganze Signal. Wenn Sie den Datensatz bereits gebaut haben und nicht rekonstruieren können, welche Spalte verwendet wurde, holt dies die Antwort aus dem Artefakt zurück.

4. Lassen Sie einen Sprecher die Top Ten laut vorlesen. Das ist der billigste Test und der einzige, der den Defekt in der Praxis fing. Jemand, der finnische Menschen getroffen hat, blickt auf Maria Helena Johanna Anneli Kaarina und sagt „so heißt niemand". Keine Metrik, die wir besitzen, sagt das, und es dauerte vier Sekunden.

Der vierte Test ist kein Rückfall für die ersten drei; er ist der primäre, und die anderen drei existieren, um ihn im Nachhinein reproduzierbar zu machen. Eine allgemeine Fassung davon findet sich in wie man einen Namenshäufigkeits-Datensatz prüft, und das benachbarte Versagen — Daten, die korrekt bezogen, aber falsch verknüpft sind — in Autorität ist keine Eigenschaft von Zeilen.

Wo sonst die Frage zu stellen ist

Die Unterscheidung zwischen „einem Namen, den eine Person trägt" und „dem Namen, mit dem eine Person angesprochen wird" ist nicht universell. Wo sie existiert, veröffentlicht ein Register gewöhnlich beides und warnt Sie selten. Das Finnische schneidet ens / kaikki / muut explizit, auf getrennten Blättern einer Arbeitsmappe. Das Schwedische markiert tilltalsnamn als rechtlich bestimmtes Feld, verschieden von förnamn. Das Norwegische, Dänische, Isländische und Deutsche teilen den zugrunde liegenden Brauch mehrerer Vornamen mit einem in Gebrauch, in unterschiedlichem Maße — aber ob die Statistikbehörde die Unterscheidung offenlegt, ist eine Frage, die man pro Land stellen muss, nicht annehmen. Bei uns ist sie nicht für alle geklärt.

Die allgemeine Form lohnt sich, ganz über Namen hinaus mitzunehmen: Wann immer eine Quelle eine Tabelle „alle X" und eine Tabelle „hauptsächliche X" anbietet, sind das verschiedene Messungen, beide werden plausibel aussehen, und die, die Sie wollen, ist fast immer die kleinere. Das Muster wiederholt sich in Nachnamenstatistiken, die Namensbestandteile statt Träger zählen, in Adressdaten, die Eingänge statt Gebäude zählen, und in allem, wo eine Entität mehr als eines des gezählten Dings halten kann.

Was wir geändert haben

Die finnischen Vornamenkorpora wurden direkt aus der ens-Scheibe neu gewichtet. Der Zeilensatz änderte sich nicht: Kein Name wurde hinzugefügt, keiner entfernt, keiner umbenannt. Nur die Zahlen bewegten sich.

Ein TVD von null auf der gemeinsamen Menge ist kein Triumph; es ist eine Tautologie. Sobald die Gewichte die Registerzählungen für die Namen sind, die wir halten, ist der einzige verbleibende Abstand die Abdeckung — die 21,3 % der männlichen und 28,6 % der weiblichen Registermasse, die von Namen außerhalb unserer 295 und 290 gehalten werden. Das ist eine eigene Einschränkung, und eine ehrliche.

Zwei Dinge sind es wert, klar gesagt zu werden. Die alte Datei litt gleichzeitig unter einem zweiten, unabhängigen Defekt: Gewichte, die auf eine Skala 2..100 quantisiert waren, was den Großteil der Liste einebnete — 271 von 295 männlichen und 270 von 290 weiblichen Einträgen saßen auf einem Gewicht, das sie mit mindestens einem anderen Namen teilten, und innerhalb eines einzelnen Gewichts spannten die wahren Zählungen bis zu ×236,6. Das ist das Thema von die Hälfte Ihrer gewichteten Liste ist nicht gewichtet, und die Neugewichtung behob es als Nebeneffekt; zwei unabhängige Defekte in einer Datei sind normal, und einen zu finden ist kein Beleg dafür, dass Sie alle gefunden haben. Und unser dünnster finnischer Männereintrag ist jetzt Väinämö bei genau 5 Trägern — der Boden dessen, was die DVV veröffentlicht, und eine Erinnerung daran, dass der Boden eines registergewichteten Korpus durch eine Datenschutzregel begrenzt ist, nicht durch die Realität.

Die Checkliste

1. Listen Sie jede Scheibe auf, die eine Quelle veröffentlicht, bevor Sie eine lesen. Blattnamen, Spaltenüberschriften, Tabellenvarianten. Der Herausgeber dokumentiert sie gewöhnlich; der finnische tut es, auf seinem eigenen Deckblatt.
2. Führen Sie den Summentest durch. Eine Scheibe geteilt durch die andere oder durch die Bevölkerung, falls Sie sie haben. Ein Verhältnis nahe 2 bedeutet, dass eine von ihnen Dinge zählt, die Menschen halten, nicht Menschen.
3. Korrelieren Sie gegen jede Kandidatenscheibe, nicht die, die Sie verwenden wollten. Höhere Korrelation mit der falschen ist das Diagnosewerkzeug; es holt die Wahrheit aus einer bereits gebauten Datei zurück.
4. Akzeptieren Sie eine perfekte Zusammensetzungsprüfung nicht als Beleg über die Gewichte. 100 % unserer Namen existierten im Register. Der Fehler steckte vollständig in den Zahlen.
5. Akzeptieren Sie eine plausible Kurve nicht als Beleg. Beide Scheiben sind Zipf-förmig. Formprüfungen vergleichen eine glaubhafte Kurve mit einer anderen.
6. Lassen Sie einen Muttersprachler die Top Ten laut vorlesen. Vier Sekunden, und es ist die einzige Prüfung, die dies je gefangen hat.
7. Prüfen Sie die Falle, statt sie anzunehmen. Die Schweiz hatte dieselbe Gelegenheit zum Defekt und hatte den Defekt nicht; ein Neuaufbau, den wir nicht brauchten, hätte mehr gekostet als die Prüfung.
8. Fragen Sie bei jeder Sprache mit einer Unterscheidung zwischen Vorname und Rufname, welche Spalte, nicht ob ein Register existiert. Das Finnische, das Schwedische und ihre Nachbarn werfen alle die Frage auf.
9. Wenn Sie dies in einer Sprachregion finden, lassen Sie die Abfrage über alle laufen. Schweden fand Finnland. Es gibt keinen Grund zu glauben, dass diese Kette geendet hat.

Das Register war nie falsch. Die Momentaufnahme war aktuell, die Lizenz war offen, die Zählungen waren exakt, die Namen waren echt, und ein Finne hätte Ihnen in vier Sekunden gesagt, dass die Liste nicht von finnischen Menschen war. Authentische Daten und korrekte Daten sind verschiedene Eigenschaften, und nur eine von ihnen kann durch eine Maschine verifiziert werden, die nicht weiß, was die Spalte bedeutet.

Daten mit Stand 2026-07-22

Jede Zahl in diesem Artikel wurde am 22. Juli 2026 aus den Dateien auf der Festplatte gemessen — den ausgelieferten Korpora und den rohen Registerauszügen —, nicht aus Arbeitsnotizen zitiert. Die finnischen Korpora wurden nach der Korrektur neu gemessen, und die Zahlen vor der Korrektur sind die aufgezeichneten Werte aus dem Audit, das sie veranlasste.

Quellen und Zuschreibung:

• Finnland — DVV (Digi- ja väestötietovirasto). Etunimitilasto und Sukunimitilasto, Momentaufnahme mit Datum 3. Februar 2026, veröffentlicht über avoindata.suomi.fi unter CC BY 4.0. Das Deckblatt der Arbeitsmappe gibt an, dass die Zählungen gültige Namen lebender finnischer Staatsbürger mit Wohnsitz in Finnland oder im Ausland umfassen und dass Vornamen mit weniger als fünf Trägern aus Datenschutzgründen zurückgehalten werden. Blattinventar, Zeilenzahlen und Summen wie oben tabelliert; die sechs Blätter und ihre Beschreibungen sind der DVV eigener Wortlaut.
• Schweden — Statistics Sweden (SCB). Vornamenzählungen, Varianten tilltalsnamn und förnamn, Momentaufnahme 31. Dezember 2022. Die verarbeiteten Zahlen sind unsere eigene Berechnung. Verhältnisse, Prozentsätze und jede abgeleitete Zahl im schwedischen Abschnitt sind unsere und nicht die der SCB; nur die zugrunde liegenden Zählungen sind der Behörde zuzuschreiben. Zeilenzahlen und Summen wie tabelliert: tilltalsnamn 49.400 ♂ / 57.781 ♀ mit Summe 10.294.993; förnamn 79.124 ♂ / 91.243 ♀ mit Summe 21.835.457.
• Schweiz — Bundesamt für Statistik (BFS/OFS), über opendata.swiss. Datensätze Männliche Vornamen der Neugeborenen nach Sprachregion und Kanton und Weibliche Vornamen der Neugeborenen nach Sprachregion und Kanton (Slugs mannliche-vornamen-der-neugeborenen-nach-sprachregion-und-kanton, weibliche-…) sowie Männliche / Weibliche Vornamen der Bevölkerung nach Jahrgang, Schweiz 2024 (Slugs mannliche-vornamen-der-bevolkerung-nach-jahrgang-schweiz-2024, weibliche-…). Die Datensatzbedingungen lauten wörtlich: „Open use. Must provide the source. … You must provide the source (author, title and link to the dataset)." Autor: Bundesamt für Statistik (BFS). Datensätze unter https://opendata.swiss/en/dataset/<slug>.
• Die totale Variationsdistanz wird auf der Menge der Namen berechnet, die von den beiden verglichenen Verteilungen geteilt werden, wobei beide über diese gemeinsame Menge neu normiert werden, und als Prozentsatz angegeben. Sie ist die übliche halbe Summe der absoluten Differenzen in der Wahrscheinlichkeitsmasse.
• Spearman ρ wird über Ränge auf der gemeinsamen Namensmenge berechnet, unsere gegen die Registerscheibe.
• Finnische Zahlen vor der Korrektur — 295 ♂ / 290 ♀ Zeilen auf einer Gewichtsskala 2..100; 295 von 295 und 290 von 290 im Register zugeordnet, null nicht zugeordnet; TVD 20,96 % ♂ und 28,50 % ♀ gegen ens; 271 von 295 ♂ und 270 von 290 ♀ Zeilen, die ein Gewicht mit mindestens einem anderen Namen teilen; schlimmste Spanne wahrer Zählungen innerhalb eines einzelnen gespeicherten Gewichts ×236,6 ♂ und ×173,9 ♀.
• Finnische Zahlen nach der Korrektur — gleiche Zeilensätze, Gewichte 5..43.107 ♂ und 49..29.816 ♀, Summen 2.079.707 ♂ und 1.974.668 ♀, Abdeckung der ens-Scheibe 78,69 % ♂ und 71,39 % ♀, TVD 0,00 % auf der gemeinsamen Menge, Top-10 identisch mit dem Register in beiden Geschlechtern.
• Blattkonsistenz — kaikki übersteigt ens + muut bei 5.126 von 10.903 männlichen und 6.319 von 14.166 weiblichen Zeilen, nie umgekehrt, um höchstens 8 bei einem einzelnen Namen; Gesamtausfall 17.050 (0,2925 %) ♂ und 19.983 (0,3371 %) ♀, konsistent mit der Veröffentlichungsschwelle von fünf Trägern.
• Schweizer Kontrolle — Geburtsjahre 2000–2024 in beiden Datensätzen, nationales Aggregat, verglichen anhand der 2.647 Namen, die sie teilen; TVD 4,23 % ♂ und 3,56 % ♀; Verhältnis der Summen Bestand zu Geburten 1,282 ♂ und 1,311 ♀.