Mit Google fortfahren
Korrelation und Kausalität unterscheiden
Eine Korrelation zeigt, dass sich zwei Größen gemeinsam verändern. Kausalität bedeutet dagegen, dass eine Veränderung die andere verursacht. Aus einer Korrelation allein darfst du deshalb keine Ursache ableiten.
Auf dieser Seite lernst du, Zusammenhänge zu beschreiben, typische Deutungsfehler zu erkennen und kausale Aussagen zu prüfen.
Hake ab, was du schon kannst — und komm am Ende hierher zurück!
Was zeigt eine Korrelation?
Stell dir einen Datensatz zu Temperatur und Eisverkauf vor. An warmen Tagen wird meist mehr Eis verkauft. Die beiden Größen verändern sich gemeinsam: Sie korrelieren.
Korrelation
Eine Korrelation ist ein statistischer Zusammenhang zwischen mindestens zwei Variablen. Sie beschreibt ein gemeinsames Muster in Daten, aber noch keine Ursache-Wirkungs-Beziehung.
Ein Zusammenhang kann verschiedene Formen haben:
- Positiv: Höhere Werte der einen Variable treten häufig mit höheren Werten der anderen auf – also „mehr–mehr“.
- Negativ: Höhere Werte der einen Variable treten häufig mit niedrigeren Werten der anderen auf – also „mehr–weniger“.
- Nichtlinear: Die Werte hängen zusammen, aber nicht in einer gleichmäßig steigenden oder fallenden Form.
- Kein erkennbarer Zusammenhang: Die Werte der einen Variable erlauben keine erkennbare Aussage über die andere.
Der Korrelationskoeffizient $r$ kann die Richtung eines Zusammenhangs kennzeichnen. Sein Wertebereich ist:
$$-1 \le r \le 1$$
Dabei steht $r=1$ für einen perfekten positiven und $r=-1$ für einen perfekten negativen Zusammenhang. Auch ein Wert nahe $1$ oder $-1$ beweist jedoch keine Ursache.
Eine Korrelation beantwortet: Welche Größen verändern sich gemeinsam? Sie beantwortet nicht: Warum geschieht das?
Wähle in jeder Lücke die passende Form und prüfe anschließend deine Antworten.
Wenn zwei Größen meistens gemeinsam steigen, ist ihr Zusammenhang . Steigt eine Größe, während die andere meistens sinkt, ist der Zusammenhang . Ein gemeinsames Muster ist zunächst eine .
Wann liegt Kausalität vor?
Wenn Regen eine Straße nass macht, liegt eine Ursache-Wirkungs-Beziehung vor: Der Regen verursacht die Nässe.
Kausalität
Kausalität liegt vor, wenn eine Veränderung einer Variable eine Veränderung einer anderen Variable verursacht. Die erste Variable ist die Ursache, die zweite die Wirkung.
Dass zwei Ereignisse nacheinander auftreten, reicht dafür nicht aus. Die vermutete Ursache muss zur Wirkung beitragen, und andere mögliche Erklärungen müssen geprüft werden.
Beobachtung: An heißen Tagen steigen sowohl die Eisverkäufe als auch die Zahl der Sonnenbrände.
Vorschnelle Behauptung: Eisessen verursacht Sonnenbrand.
Prüfung: Die Temperatur beeinflusst beide Größen. Bei Hitze kaufen Menschen häufiger Eis und verbringen mehr Zeit im Freien. Dadurch steigt auch die mögliche UV-Belastung.
Ergebnis: Eisverkauf und Sonnenbrände korrelieren. Eine Wirkung des Eisessens auf Sonnenbrände ist damit nicht belegt.
Welche Deutungsfehler sind typisch?
Zwei Fragen schützen dich vor vorschnellen Ursachenbehauptungen: Gibt es eine dritte Variable? und Ist die Wirkungsrichtung eindeutig?
Eine dritte Variable beeinflusst beide Größen
Eine Drittvariable ist eine zusätzliche Größe, die beide beobachteten Variablen beeinflussen kann.
Bei großen Bränden sind häufig mehr Feuerwehrleute im Einsatz und die Schäden höher. Daraus folgt nicht, dass zusätzliche Feuerwehrleute den größeren Schaden verursachen. Die Brandgröße beeinflusst sowohl die Zahl der Einsatzkräfte als auch die Schadenshöhe.
Die Wirkungsrichtung bleibt offen
Bei körperlicher Aktivität und psychischem Wohlbefinden sind mehrere Erklärungen denkbar:
- Bewegung könnte das Wohlbefinden verbessern.
- Menschen mit höherem Wohlbefinden könnten sich eher bewegen.
- Beide Richtungen könnten gleichzeitig wirken.
- Weitere Einflüsse könnten beide Größen verändern.
Die Korrelation allein entscheidet nicht zwischen diesen Möglichkeiten.
Ein Zusammenhang kann zufällig oder kontextabhängig sein
Auch auffällig ähnliche Zahlenreihen können ohne sinnvolle direkte Wirkung entstehen. Deshalb musst du zusätzlich prüfen, wie die Daten erhoben wurden und welcher reale Prozess hinter dem Muster stehen könnte.
Wie prüft ein Experiment eine Ursache?
Ein kontrolliertes Experiment nähert sich einer kausalen Aussage, indem es die vermutete Ursache gezielt verändert und die mögliche Wirkung beobachtet.
Ein geeignetes Vorgehen umfasst vier Schritte:
- Die als Ursache angenommene Variable wird gezielt verändert.
- Die vermutete Wirkungsvariable wird beobachtet.
- Andere Bedingungen werden möglichst konstant gehalten.
- Eine behandelte Gruppe wird mit einer Kontrollgruppe ohne die untersuchte Einwirkung verglichen.
Durch Randomisierung werden Personen zufällig auf die Gruppen verteilt. So sollen mögliche Störfaktoren wie Alter, Stress oder Tagesablauf möglichst gleichmäßig verteilt werden.
Frage: Beeinflusst Bildschirmnutzung vor dem Schlafen die Schlafqualität?
Eine zufällig gebildete Versuchsgruppe erhält Vorgaben zur Bildschirmnutzung vor dem Schlafen. Eine Kontrollgruppe erhält diese Vorgaben nicht. Andere Bedingungen werden möglichst vergleichbar gehalten.
Zeigt sich anschließend ein Unterschied in der Schlafqualität, spricht das unter diesen kontrollierten Bedingungen für einen kausalen Effekt der veränderten Bildschirmnutzung. Ohne Kontrollgruppe könnte der Unterschied auch durch Stress, Tagesablauf oder andere Einflüsse erklärt werden.
Ein Experiment stärkt eine kausale Deutung, liefert aber keinen grenzenlosen Beweis für jede Situation. Du musst weiterhin prüfen, ob die Gruppen vergleichbar waren, ob andere Bedingungen wirklich kontrolliert wurden und auf welche Personen oder Situationen das Ergebnis übertragbar ist.
Wie deutest du Daten verantwortungsvoll?
Korrelationen sind nützlich: Sie zeigen auffällige Muster und liefern Ausgangspunkte für weitere Untersuchungen. Ein verantwortungsvoller Schluss trennt jedoch Beobachtung und Erklärung.
Gehe in dieser Reihenfolge vor:
- Muster beschreiben: Steigen oder fallen die Größen gemeinsam? Ist der Zusammenhang positiv, negativ oder nichtlinear?
- Behauptung begrenzen: Formuliere zunächst nur, dass die Größen korrelieren.
- Alternativen prüfen: Suche nach Drittvariablen, umgekehrter Wirkung, Zufall und Besonderheiten der Datenerhebung.
- Zeitliche Reihenfolge prüfen: Eine Ursache muss vor ihrer Wirkung liegen. Das allein schließt Drittvariablen aber noch nicht aus.
- Weitere Untersuchung planen: Nutze passende Theorien, zusätzliche Daten oder ein kontrolliertes Experiment.
Erst das Muster beschreiben, dann mögliche Erklärungen prüfen und erst danach eine vorsichtige Schlussfolgerung formulieren.
Auch eine Regression legt im Modell eine Richtung fest: Eine Variable wird verwendet, um eine andere vorherzusagen. Diese Modellrichtung beweist keine kausale Wirkung. Ebenso kann Machine Learning ein Merkmal gut zur Vorhersage nutzen, ohne die Ursache des Ergebnisses erkannt zu haben.
Produktionskosten und Lieferzeiten steigen gemeinsam. Die Aussage „Hohe Kosten verursachen Verspätungen“ wäre voreilig. Eilaufträge, Nachbearbeitung, schlechte Planung oder ineffiziente Abläufe könnten Kosten und Lieferzeiten gleichzeitig beeinflussen. Für eine Entscheidung müssen deshalb der Arbeitsprozess und weitere Daten untersucht werden.
Karteikasten
Überlege zuerst selbst und drehe die Karte anschließend zum Prüfen um.
Alles auf einen Blick
- Korrelation und Kausalität
- Korrelation: gemeinsames Muster in Daten
- Kausalität: Ursache bewirkt Veränderung
- Deutungsrisiken: Drittvariable, Wirkungsrichtung, Zufall, Kontext
- Prüfung: Manipulation, Kontrollgruppe, konstante Bedingungen, Randomisierung
- Datenpraxis: Muster beschreiben, Alternativen prüfen, vorsichtig folgern
- Modelle: Vorhersage oder Regression beweisen keine Ursache
Abschluss-Check
Du kannst Daten nun in zwei Schritten sauber deuten: Beschreibe zuerst den beobachteten Zusammenhang. Prüfe danach, ob eine Ursache wirklich begründet ist oder ob Drittvariablen, Wirkungsrichtung und Untersuchungsdesign andere Erklärungen zulassen.