Korrelation und Kausalität

Korrelation und Kausalität sind häufig missverstandene Begriffe und werden daher synonym verwendet. Dies kann ein großes Risiko bei Fake-News und der Verbreitung von Mythen darstellen. Wenn beispielsweise eine These als korreliert angegeben und als wissenschaftlich bewiesene Kausalität verstanden wird, verbreitet sich diese Nachricht meist rasend schnell. Daher ist es wichtig, beide Begriffe zu verstehen und sicher voneinander unterscheiden zu können.

 

 

Scheinkorrelationen

Um diese beiden theoretischen Begriffe näher zu erläutern, schauen wir uns mal ein Beispiel von Scheinkorrelationen an (Figure 1).

Wie Du sehen kannst, korrelieren in den USA die Ausgaben für Wissenschaft, Raumfahrt und Technologie stark mit Selbstmorden aller Art. Diese Korrelation basiert auf Daten, die von verschiedenen Institutionen zur Verfügung gestellt wurden und anschließend statistisch berechnet wurden. Daraus darf aber nicht der Schluss gezogen werden, dass die Todesursache in der Investition in die Wissenschaft liegt (oder umgekehrt). Meistens handelt es sich bei diesen Korrelationen um einfache Zufälle, die einen dritten – noch unbekannten – Parameter gemeinsam haben.

 

Kausalität in der Wissenschaft

Kausalität hingegen ist komplex. Es gibt keine gerade Linie zwischen den Parametern A und B mit der Kausalität als Brücke. Stattdessen gibt es unerforschte Übergänge zu den eigentlichen Ursachen. Daher ist es auch in der Wissenschaft schwierig, Kausalität nachzuweisen, da man alle anderen Faktoren, die das Ergebnis beeinflussen könnten, ausschließen muss.

Nehmen wir eine fiktive Studie als Beispiel – in der Studie soll der Einfluss der Eiweißzufuhr auf das Körpergewicht untersucht werden. Gruppe A nimmt 20g Eiweiß/Tag zu sich, Gruppe B nimmt 50g Eiweiß/Tag zu sich. Nach einem Monat soll das Körpergewicht der Teilnehmer verglichen werden. Es stellt sich heraus, dass Gruppe A mehr Gewicht verloren hat, als Gruppe B. Können wir daraus ableiten, dass eine Eiweißzufuhr von 20g/Tag das Gewicht reduziert? Vielleicht hat Gruppe A besonders viel Sport getrieben. Vielleicht hat Gruppe B auch insgesamt viel mehr gegessen? Vielleicht sind die Studienteilnehmer der Gruppe A viel jünger?

Ohne alle anderen Faktoren auszuschließen, können wir keine direkte Korrelation zwischen Eiweißzufuhr und Gewichtsreduktion ziehen.

Auch die umgekehrte Kausalität kann zu einem Problem werden. Wenn Sie zeigen, dass die Parameter A und B irgendwie miteinander verbunden sind – wie kann man sicher sein, dass es nicht genau umgekehrt ist?

“…man könnte versucht sein zu sagen, dass ein niedriger sozialer Status Schizophrenie verursacht, [aber] eine andere plausible Erklärung ist, dass Schizophrenie soziale Degradation verursacht…”

Gerstman, B.(2003). Epidemiology Kept Simple: An Introduction to Classic and Modern Epidemiology, Second Edition

Interessanterweise scheint es für das obige Beispiel der Korrelation zwischen Selbstmordrate und Wissenschaftsinvestitionen logisch, dass die beiden Parameter nur auf dem Papier miteinander zusammenhängen, aber keine tatsächliche Kausalität besteht. Doch gibt es in unserem täglichen Leben zahlreicher solcher Korrelationsbeispiele, die uns gar nicht auffallen, da sie wesentlich komplexere Mechanismen umfassen. Wir gehen automatisch von Kausalitäten aus, wo es eigentlich keine gibt.

Leider werden (zufällige) Korrelationen oft für manipulativen Journalismus genutzt, um skandalöse Schlagzeilen zu erzeugen und falsche Begründungen zu schaffen. Eine kritische Herangehensweise an solche Arikel und Thesen ist daher enorm wichtig. Schlussfolgere nicht zu schnell. Fragen Dich stattdessen immer: Ist der ursächliche Zusammenhang bewiesen oder hängen die beiden Parameter vielleicht nur zufällig miteinander zusammen? Kann es vielleicht noch eine andere Ursache für den Zusammenhang geben oder stehen beide Parameter in direkter Verbindung?