Wer täglich Grünen Tee trinkt, lebt länger.

Kosmetikhersteller machen mehr Umsatz in einer Rezession.

Im Sommer passieren mehr Morde als im Winter.

Störche bringen Babys.

All diese Zusammenhänge sind statistisch bewiesen. Doch steckt hinter diesen Korrelationen auch eine Kausalität? Und was ist überhaupt der Unterschied? Und wie kann ich ihn erkennen?

Alle Antworten auf diese Fragen bekommst du in diesem Artikel.

Damit du vor der jedweder Verwechslungsgefahr gefeit bist und den Unterschied zwischen Kausalität und Korrelation ein für alle Mal verinnerlichst, habe ich in diesem Video 3 praxisnahe Beispiele für dich, anhand derer du JETZT den Unterschied verstehst und dir auch in Zukunft merken kannst, wenn du dich an das jeweilige Beispiel zurückerinnerst.

So wirst du nicht nur eines der wichtigsten Grundprinzipien der Statistik auf Anhieb verstehen, sondern kannst Informationen und Aussagen in wissenschaftlichen Arbeiten und Studien künftig besser einordnen. Zudem hilft dir dieses Wissen dabei, Fehlschlüsse von Medien, Politikern oder Organisationen zu entlarven und die Welt um dich herum ein kleines bisschen aufgeweckter wahrzunehmen.

Der Unterschied zwischen Kausalität und Korrelation

Eine der größten Ursachen für Falschaussagen im wissenschaftlichen Kontext ist eine Verwechslung der beiden Konzepte Kausalität und Korrelation. Doch der Unterschied zwischen Kausalität und Korrelation ist ist nicht nur für die korrekte Interpretation wissenschaftlicher Studien von großer Bedeutung, sondern auch für Alltagssituationen.

Grundlage für sowohl Kausalität als auch Korrelation ist die Beziehung bzw. der Zusammenhang zweier Variablen.

Zum Beispiel:

Variable A: Konsum von Grünem Tee (z.B. in Gramm) 

Variable B: Lebenserwartung (z.B. in Jahren)

Die Ausprägungen der Variablen sollten möglichst messbar sein. In den Beispielen, die ich verwende, besitzen die Daten ein metrisches Skalenniveau, d.h. zumindest rein mathematisch könnten Menschen unbegrenzt viel Tee konsumieren und unendlich alt werden.

Betrachtet man nun ein Datensample von Teetrinkern, deren Grüntee-Konsum über ihr gesamtes Leben aufgezeichnet wurden, könnte man entsprechend die beiden Variablen Grüntee-Konsum und Lebenserwartung aus dem Sample ziehen und miteinander in Beziehung setzen.

In der Realität kann man feststellen, dass Konsumenten von viel grünem Tee tatsächlich älter werden. Hier besteht demnach eine Korrelation. 

Eine Kausalität zwischen beiden Variablen würde aber nur bestehen, wenn der Grüne Tee als entscheidender Faktor für das lange Leben ausgemacht werden könnte. Ein Studiendesign zu entwerfen, das den Effekt des Grünen Tees isoliert über die gesamte Lebensdauer eines Menschen betrachten kann ist praktisch unmöglich.

Eine Aussage über die Kausalität zu treffen ist also verdammt schwierig. Und das ist nicht nur in Ernährungsfragen so. Oftmals lassen sich Variablen, die sich außerhalb dieses Vergleichs befinden, kaum ausschließen. Vermutlich treiben Grüntee-Trinker*Innen jede Menge Sport, reduzieren Stress und haben ein größeres Bewusstsein für einen gesunden Lebensstil. Das könnte dazu führen, dass sie länger leben. Ein direkter Effekt vom Grünen Tee könnte aber womöglich gar nicht ausgehen.

Bevor ich dich mit zu viel theoretischem Geplänkel verliere, gehen wir zum besseren Verständnis lieber sofort an die drei Beispiele, die ich eingangs erwähnt hatte.

 

Beispiel 1: Korrelation

Das Tee-Beispiel ist etwas tricky, denn wir wissen ja gar nicht, ob der Grüne Tee nun wirklich einen Effekt hat oder nicht.

Ein klassisches Beispiel, an dem du dir eine Korrelation vor Augen führen kannst, die keinerlei Kausalität in sich trägt, ist der Zusammenhang zwischen dem Aufkommen von Störchen in Deutschland und der Geburtenrate.

Dass Störche die Babys bringen ist ein Mythos, der über viele Generationen weitergetragen wurde. Und tatsächlich: Bemüht man die Statistik, werden tatsächlich mehr Babys in den Gebieten geboren, in denen viele Störche leben. Hier existiert also eine ganz eindeutige Korrelation.

Aber haben die Störche einen wirklichen Effekt darauf, wie viele Babys geboren werden? Nein, natürlich nicht.

Die eigentliche Variable, welche die Korrelation erklärt, ist der Umstand, dass Störche in ländlichen Gebieten nisten und dort Menschen aufgrund soziolo-ökonomischer Gegebenheiten durchschnittlich mehr Babys bekommen.

Korrelationskoeffizient

In der Statistik lässt sich eine mathematische Größe berechnen, mit welcher sich die Ausprägung der Korrelation bestimmen lässt. Der sogenannte Korrelationskoeffizient kann einen Wert von +1 bis -1 annehmen. Bei +1 bestünde also ein vollkommen ausgeprägter linearer Zusammenhang.

Bei -1 existiert ein negativer Zusammenhang, was ebenfalls eine Korrelation darstellt. Zum Beispiel könnte das der Fall sein, wenn die eine Variable im Wert steigt und die andere immer dann entsprechend sinkt.

Wenn du in die Mathematik der ganzen Sache tiefer einsteigen möchtest, kann ich dir die Videos vom Kurzen Tutorium Statistik auf YouTube empfehlen. Ich habe dir mal eins zur Korrelation hier verlinkt.

Beispiel 2: Kausalität

Jetzt wird es spannend.

Beispiele, die zeigen, dass eine Variable einen Effekt auf eine andere hat, gibt es wie Sand am Meer. Dass sich deine Performance bei einer mündlichen Englisch-Prüfung verbessert, wenn du dir vorher einen Piccolo reimgezwitschert hast, ist hinlänglich bekannt.

Aber das wäre zu einfach.

In Wahrheit gibt es Zusammenhänge, die scheinbar willkürlich erscheinen, aber dennoch kausal verbunden sind.

Kosmetik-Konsum in Rezessionen

Zum Beispiel wäre da der gesteigerte Umsatz von Kosmetikprodukten in einer Rezession. Während alle anderen Branchen in einer Konjunkturflaute leiden, floriert der Absatz von Lippenstiften und Co. Der Grund dafür?

In der Konsumentenpsychologie konnte ein Phänomen beobachtet werden, dass vor allem Frauen sich während finanziell schwieriger Zeiten in Verzicht üben, aber das Verlangen nach Konsumbefriedigung dadurch stillen, dass sie vermehrt Niedrigpreisprodukte wie z.B. Lippenstifte kaufen. Verrückt oder?

Ich bin mir sicher, für Männer existiert eine vergleichbare Produktkategorie. Wahrscheinlich Autowäschen oder Panini-Bilder.

Jetzt aber schnell weg von noch mehr Stereotypen, sonst komme ich hier noch in Teufel’s Küche.

Mordrate im Sommer

Falls dir dieses Beispiel zu plump ist, habe ich noch ein anderes.

Jedes Jahr werden in den Sommermonaten auf dem gesamten Globus gesteigerte Mordraten registriert. Auch hier besteht tatsächlich ein Kausalzusammenhang. Denn mit steigender Temperatur erhitzt sich auch das Temperament des Homo Sapiens und führt dazu im Durchschnitt zu mehr Kurzschlussreaktionen, die dann tödlich enden.

Fange also bloß keinen Streit am Eiswagen an!

Beispiel 3: Deutungsfehler

Ein fundamental falsches Verständnis der Konzepte Korrelation und Kausalität kann unter umständen dazu führen, dass sich in der öffentlichen Wahrnehmung völlig fehlgeleitete Einschätzungen etablieren.

So zum Beispiel der Irrglaube, gewalttätige Computerspiele hätten einen Effekt auf Gewalttaten in der physischen Realität. Glaub mir, ich persönlich finde Ego-Shooter nicht gerade pädagogisch wertvoll. Aber ich glaube an die Wissenschaft. Und die erkennt keinen Zusammenhang zwischen Ego-Skootern und Amokläufen.

Wie auch?

Andere Faktoren wie Erziehung, soziale Beziehungen oder traumatische Erlebnisse machen die Isolation der Variable Ego-Shooter ganz schön schwierig.

Genau wie beim Grünen Tee ist das auch der Grund, warum du in wissenschaftlichen Studien nie endgültige Aussagen finden wirst. Und genau das solltest du auch in deinen wissenschaftlichen Arbeiten beherzigen.

Anstatt Formulierungen wie „konnte bewiesen werden“ oder „lassen den eindeutigen Schluss zu“, macht es mehr Sinn, sich konservativer Sprache wie „deutet daraufhin“ oder „liefert Anzeichen für“ zu bedienen. Das ist leider manchmal etwas unbefriedigend und Gewissheit wäre schön – aber da ist die Wissenschaft einfach zu rational.

Bonus Beispiel: Scheinkorrelationen

Zum Abschluss möchte ich dir noch einen Begriff vorstellen, der den Unterschied zwischen Korrelation und Kausalität satirisch auf die Spitze treibt.

Eine Reihe an Blogs haben sich einen Spaß daraus gemacht, verschiedene Variablen miteinander in Verbindung zu bringen, zwischen denen statistisch gesehen eine Korrelation aber überhaupt keine Kausalität besteht.

So zum Beispiel zwischen der Einsreise von Ausländerinnen in Deutschland und der Einspeisung von Bio-Erdgas ins Stromnetz.

Ok.

Einen Satz, den du noch oft hören wirst ist „Traue keiner Statistik, die du nicht selbst gefälscht hast.“ Ich hoffe du weißt jetzt ein bisschen besser, wieso nicht.

---

Wenn du jetzt auf dem Weg zu mehr Erfolg im Studium noch ein wenig Starthilfe für deine wissenschaftliche Arbeit benötigst, dann habe noch ein PDF für dich, das du dir gratis herunterladen kannst:

Die 30 besten Formulierungen für eine aufsehenerregende Einleitung