Distribution Analysis of Discrete States: reconstructing transition processes from time-resolved state distributions

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Rätsel zu lösen, aber Sie haben Ihr Notizbuch verloren. Sie haben nur zwei Schnappschüsse einer Menschenmenge: einen, der zu Beginn einer Party aufgenommen wurde, und einen eine Stunde später. Sie wissen, wie viele Personen rote, blaue oder grüne Hemden tragen, als das erste Foto gemacht wurde, und Sie wissen, wie viele in diesen Farben im zweiten Foto zu sehen sind. Aber Sie haben keine Ahnung, wer wohin gezogen ist. Hat die Person im roten Hemd mit der im blauen getauscht? Ist sie ganz aus dem Raum gegangen? Ist gerade eine neue Person im grünen Hemd reingekommen?

Dies ist das Rätsel, vor dem Wissenschaftler in Feldern wie der Fischerei, dem Wählen oder der Untersuchung des Abbaus von Kunststoffen stehen. Sie sehen oft die „Vorher“- und „Nachher“-Bilder einer Gruppe von Dingen (wie Fische, Wähler oder Unternehmen), aber sie sehen niemals die einzelnen Schritte, die dazwischen unternommen wurden. Jahrzehntelang haben Experten versucht, die verborgenen Bewegungen mittels komplexer Mathematik zu erraten, aber sie stießen oft gegen eine Wand: Es gibt zu viele mögliche Geschichten, die zu denselben zwei Fotos passen. Dieses Paper stellt einen neuen, klugen Weg vor, um dieses Rätsel zu lösen. Es behandelt die Menge wie ein Netzwerk aus Rohren und nutzt ein Prinzip namens „Maximum Entropy“ – was im Gruppendurchschnitt eine schicke Art zu sagen ist: „Wähle die langweiligste, am wenigsten voreingenommene Geschichte, die zu den Fakten passt“ –, um den wahrscheinlichsten Pfad zu bestimmen, den die Menge genommen hat. Es ist, als versuche man, eine Tanzchoreografie zu rekonstruieren, indem man nur die Positionen der Tänzer zu Beginn und am Ende betrachtet, wobei man weiß, dass einige Tänzer nur vorwärts gehen können, manche vor und zurück und manche überall hin springen können.

---

Der Große Mengen-Rekonstrukteur

Das Paper präsentiert ein neues Werkzeug namens DADS (Distribution Analysis of Discrete States). Betrachten Sie DADS als einen universellen Übersetzer, der statische Schnappschüsse einer Menge in einen Film darüber verwandelt, wie sich diese Menge bewegt hat. Ob Sie nun Fische im Ozean, Wähler bei einer Wahl oder Batterien in einem Lager verfolgen – die Mathematik dahinter ist überraschend dieselbe: Sie haben eine Liste darüber, wie viele Dinge sich in jedem „Zustand“ befinden (wie Alter, politische Partei oder Größe) zum Zeitpunkt A, und wie viele in jedem Zustand zum Zeitpunkt B sind.

Das Geniale an DADS ist, dass es den Wissenschaftler zwingt, eine entscheidende Entscheidung direkt zu Beginn zu treffen, noch bevor mit der Mathematik begonnen wird. Es fragt: Auf was für einer Tanzfläche befinden wir uns?

• Die Einbahnstraße: Können Dinge sich nur vorwärts bewegen? (Wie Fische, die älter werden, oder Plastik, das zerfällt).
• Die Nachbarschaft: Können Dinge ein kleines Stück nach links oder rechts wandern? (Wie Menschen, die ihre Meinung von „ziemlich glücklich“ zu „sehr glücklich“ ändern).
• Das Freie für Alle: Kann alles an jeden Ort springen? (Wie Wähler, die von jeder Partei zu jeder anderen wechseln können).

Diese Entscheidung wird als Level-0-Topologie bezeichnet. Das Paper argumentiert, dass es, wenn man dies falsch macht, so ist, als würde man versuchen, ein Labyrinth zu lösen, während man die Wände ignoriert. Wenn man annimmt, dass Menschen überall hin springen können, obwohl sie nur kleine Schritte machen können, wird die Mathematik völlig falsch liegen. Indem DADS zuerst die Regeln der „Tanzfläche“ festlegt, kann es dann den wahrscheinlichsten Fluss der Menschen zwischen den beiden Fotos berechnen.

Der „Geist“ in der Maschine

Eine der größten Entdeckungen des Papers betrifft die „Geister“, die diese Berechnungen heimsuchen. Wenn man versucht, die Bewegung aus nur zwei Fotos zu erraten, gibt es immer eine verborgene Variable – eine „Geisterzahl“ –, die man nicht sehen kann. Der Autor nennt dies $\delta$ (Delta).

Es stellte sich heraus, dass es tatsächlich vier verschiedene Arten von Geistern gibt, die die Ergebnisse verfälschen können:

1. Der physische Geist: Man hat nicht alle gesehen. Vielleicht hat man nur die großen Fische erfasst und die kleinen übersehen.
2. Der semantische Geist: Die Bedeutung der Bezeichnungen hat sich geändert. Vielleicht bedeutete „Links“ im Jahr 1980 etwas völlig anderes als „Links“ im Jahr 2020.
3. Der epistemische Geist: Man kennt die Form der Menge nicht. Man kennt den Durchschnitt, aber nicht, wie weit die einzelnen Teile gestreut sind.
4. Der strukturelle Geist: Dies ist der neue Aspekt! Es geht nicht um schlechte Daten; es geht um die Regeln des Spiels. Wenn die Tanzfläche zu viele Bewegungen zulässt (wie ein Free-for-all), kann die Mathematik einfach keine einzige Antwort finden, egal wie gut die Daten sind.

Das Paper zeigt, dass für einige Systeme (wie alternde Fische) die Regeln so streng sind (man kann nur älter werden, niemals jünger), dass der Geist nur eine einzige Zahl ist, die man leicht korrigieren kann. Aber für andere Systeme (wie Meinungen) ist der Geist eine ganze Wolke an Möglichkeiten, die zusätzliche Regeln erfordert, um sie festzupinnen.

Der große „Ups“-Moment

Hier wird die Geschichte ehrlich und menschlich. Der Autor begann das Paper mit der Annahme, er habe eine „magische Zahl“ namens Coupling Index ($K$) gefunden. Er glaubte, diese Zahl könne ihm sagen, ob ein System sich auf eine gerichtete, zielgerichtete Weise verändert (wie eine Menge, die marschiert) oder einfach nur zufällig (wie eine Menge, die herumschlurft). Er untersuchte Daten von Batterien, Wahlen und Umfragen, und es schien, als würden die Zahlen perfekt übereinstimmen, was auf ein universelles Gesetz der Veränderung hindeutete.

Doch dann entschied er sich, ein „statistisches Detektivspiel“ zu spielen. Er fragte sich: Könnte dieses Muster nur ein Zufall sein? Könnte es sich um zufälliges Rauschen handeln? Er führte einen massiven Simulationstest durch (einen „Block-Bootstrap-Nulltest“), um zu sehen, ob das Muster auch erscheinen würde, wenn eigentlich gar nichts passiert.

Das Ergebnis? Das Muster verschwand.

Das Paper gibt zu, dass die „magische Zahl“ höchstwahrscheinlich nur ein Zufallsprodukt des statistischen Rauschens war. Von 44 Tests zeigten nur zwei ein signifikantes Ergebnis, was genau das ist, was man durch reines Glück erwarten würde. Der Autor hat diese Behauptung nicht versteckt; er hat sie bereitwillig zurückgezogen. Er schrieb: „Wir lagen falsch, und hier ist genau der Weg, wie wir das herausgefunden haben.“ Diese Selbstkorrektur wird als Merkmal und nicht als Fehler dargestellt, was zeigt, dass das Framework darauf ausgelegt ist, seine eigenen Fehler zu erkennen.

Sieben Geschichten, eine Mathematik

Um zu beweisen, dass sein neues Toolkit funktioniert, wandte der Autor es auf sieben sehr unterschiedliche reale Geschichten an:

1. Deutsche Wahlen: Er fand heraus, dass sowohl die Weimarer Republik (1928) als auch die moderne deutsche Demokratie (1972) einen Punkt maximaler Stabilität mit demselben „Entropie-Fingerabdruck“ (ein Maß für Unordnung) erreichten, obwohl sie 44 Jahre auseinanderlagen. Das moderne System war jedoch viel stabiler und verlangsamte den Aufstieg extremer Parteien um den Faktor 2,3.
2. Wählermeinungen: Er entdeckte einen „Entkopplungseffekt“. Während die Wahlergebnisse zunehmend polarisierter wurden (Menschen wählten die Extreme), blieb die Selbstbeschreibung der Wähler in der Mitte. Die Menschen wählten die Randgruppen, ohne sich selbst als Randgruppe zu bezeichnen.
3. Lebenszufriedenheit: Er zeigte, dass die Daten vor 1949 zu unscharf waren, um vertrauenswürdig zu sein, aber danach konnten sie verfolgen, wie Krisen (wie die Pandemie) die Menschen gleichzeitig in Richtung höherer und niedrigerer Zufriedenheit drängten, was eine „schärfere“ Verteilung erzeugte.
4. Kunststoffabbau: In einem Laborexperiment verfolgte er, wie Kunststoff zerfiel. Er fand heraus, dass verschiedene Messgrößen (wie Steifigkeit vs. Gewicht) unterschiedliche „Tanzflächen“-Regeln erforderten. Einige Veränderungen waren einseitig (irreversibel), während andere (wie Kristallisation) vor und zurück gehen konnten.
5. Unternehmensüberleben: Er bestätigte eine universelle Regel: Neue Unternehmen sind viel wahrscheinlicher zum Scheitern verurteilt als alte. Diese „Liability of Newness“-Kurve (Haftung der Neuheit) war in den USA und in Deutschland identisch, was beweist, dass die Mathematik über Grenzen hinweg funktioniert.
6. Krebstier-Wachstum: Er verfolgte Nephrops (eine Art Hummer) nach der Größe statt nach dem Alter. Er fand einen „Abgrund“ in den Daten: Sobald die Hummer groß genug waren, um legal gefangen zu werden, verschwanden sie fast augenblicklich aus den Erhebungsindaten. Dies war kein biologisches Rätsel, sondern eine Fischereiverordnung in Aktion.

Das Fazit

Das Paper kommt zu dem Schluss, dass wir die Abläufe einer Menge zwar nicht immer im Detail sehen können, wir aber den Fluss rekonstruieren können, wenn wir die Regeln des Spiels respektieren. Die wichtigste Lektion ist, dass irreversible Systeme (wie Altern oder Zerbrechen) mathematisch leichter zu lösen sind als reversible Systeme (wie Meinungen). Aber selbst wenn die Mathematik schwierig ist, bietet das Framework eine Möglichkeit zu prüfen, ob unsere Schlussfolgerungen real sind oder nur zufälliges Rauschen.

Der Autor hat nicht nur einen neuen Rechner gebaut; er hat eine neue Denkweise geschaffen, die Unsicherheit zulässt, ihre eigene Arbeit überprüft und tiefe strukturelle Ähnlichkeiten zwischen dem Fang eines Fischers, dem Stimmzettel eines Wählers und einem Stück Kunststoff findet. Es ist eine Erinnerung daran, dass in der Wissenschaft das Wissen darüber, was man nicht weiß – und der Mut, zu sagen „wir lagen falsch“ – genauso wichtig ist wie das Finden der Antwort.