Warum jeder Statistiker zuckt, wenn jemand "korreliert mit" sagt und "verursacht" meint.
Grundlagen 14 min Einsteiger 10. Mai 2026
Länder, die mehr Schokolade essen, gewinnen mehr Nobelpreise. Je mehr Feuerwehrleute eine Stadt hat, desto mehr Brände werden gemeldet. Die Daten sind echt. Die Schlussfolgerung ist falsch.
Die Lücke zwischen "diese Dinge bewegen sich zusammen" und "eines verursacht das andere" ist die wichtigste Lektion in der Datenkompetenz. Dieser Artikel zeigt dir, wie du echte Zusammenhänge von statistischen Täuschungen unterscheidest.
Korrelation: Gemeinsame Bewegung, nicht Ursache
Korrelation (Pearson r)
AnalogieDefinition
An Tagen, an denen viel Eis verkauft wird, melden Krankenhäuser auch mehr Sonnenbrände. Die beiden Variablen korrelieren positiv — ein Streudiagramm würde einen klaren Aufwärtstrend zeigen. Aber Eis essen verursacht keinen Sonnenbrand. Beide werden von einem dritten Faktor angetrieben: sonnigem, heißem Wetter.
Analogie:
An Tagen, an denen viel Eis verkauft wird, melden Krankenhäuser auch mehr Sonnenbrände. Die beiden Variablen korrelieren positiv — ein Streudiagramm würde einen klaren Aufwärtstrend zeigen. Aber Eis essen verursacht keinen Sonnenbrand. Beide werden von einem dritten Faktor angetrieben: sonnigem, heißem Wetter.
Definition:
Korrelation misst, wie stark sich zwei numerische Variablen gemeinsam bewegen. Der Pearson-Korrelationskoeffizient r fasst dies als einzelne Zahl zusammen: r = +1 bedeutet perfekte positive lineare Korrelation, r = -1 perfekte negative, r = 0 keine lineare Beziehung. Wichtig: r = 0 bedeutet NICHT "kein Zusammenhang" — es bedeutet kein LINEARER Zusammenhang.
Die Eis-Sonnenbrand-Analogie funktioniert, weil die Absurdität von "Eis verursacht Sonnenbrand" sofort offensichtlich ist. Aber Vorsicht: In echten Datensätzen — Medizinstudien, KI-Trainingsdaten, Finanzmodellen — sind die versteckten dritten Variablen oft subtil und manchmal unmessbar.
Streudiagramm-Muster: Was r bedeutet
Stark positiv (r ≈ +0,9) Punkte steigen von links unten nach rechts oben. Wenn A steigt, steigt auch B.
Stark negativ (r ≈ -0,9) Punkte fallen von links oben nach rechts unten. Wenn A steigt, sinkt B.
Keine lineare (r ≈ 0) Punkte verstreut wie eine Wolke. Veränderungen in A sagen nichts über B (linear).
Beispiel: Feuerwehrleute und Brände
Daten aus 10 Städten: Anzahl der Feuerwehrleute vs. Anzahl der Brände pro Jahr. Ein Streudiagramm zeigt eine starke positive Korrelation (r ≈ 0,85). Naive Interpretation: "Mehr Feuerwehrleute verursachen mehr Brände." Korrekte Interpretation: Größere Städte haben mehr Gebäude (höheres Brandrisiko) UND mehr Feuerwehrleute. Der Confounder ist die Stadtgröße.
Irrtum: Keine Korrelation = kein Zusammenhang
Pearson r erfasst nur lineare Muster. Wenn die Beziehung U-förmig ist — zum Beispiel Stress vs. Leistung: wenig Stress = niedrige Leistung, mittlerer Stress = hohe Leistung, viel Stress = niedrige Leistung — kann r nahe 0 sein, obwohl ein starkes, bedeutsames Muster existiert.
Kausalität: Wenn A tatsächlich B verursacht
Kausalität
AnalogieDefinition
Du hast Kopfschmerzen. Du nimmst eine Tablette. Eine Stunde später sind die Kopfschmerzen weg. Hat die Tablette geholfen? Vielleicht — aber vielleicht wären die Kopfschmerzen von alleine verschwunden (natürliche Erholung). Vielleicht hat allein der Glaube, Medizin genommen zu haben, geholfen (Placebo-Effekt). Um zu wissen, ob die Tablette WIRKLICH wirkt, bräuchte man einen Klon von sich selbst: einer nimmt die Tablette, einer nicht. Da Klonen unpraktisch ist, nähern sich randomisierte kontrollierte Studien (RCTs) diesem Ideal an.
Analogie:
Du hast Kopfschmerzen. Du nimmst eine Tablette. Eine Stunde später sind die Kopfschmerzen weg. Hat die Tablette geholfen? Vielleicht — aber vielleicht wären die Kopfschmerzen von alleine verschwunden (natürliche Erholung). Vielleicht hat allein der Glaube, Medizin genommen zu haben, geholfen (Placebo-Effekt). Um zu wissen, ob die Tablette WIRKLICH wirkt, bräuchte man einen Klon von sich selbst: einer nimmt die Tablette, einer nicht. Da Klonen unpraktisch ist, nähern sich randomisierte kontrollierte Studien (RCTs) diesem Ideal an.
Definition:
Kausalität bedeutet, dass eine Veränderung von Variable A systematisch eine Veränderung von Variable B bewirkt — ein echtes Ursache-Wirkungs-Verhältnis, nicht nur ein Muster in den Daten. Drei Bedingungen müssen ALLE erfüllt sein, bevor eine kausale Behauptung gerechtfertigt ist.
Die Tabletten-Analogie vereinfacht mehrere Aspekte: Im echten Leben wirken oft mehrere Faktoren gleichzeitig (andere Medikamente, Schlaf, Stress), und die Wirkung kann verzögert oder dosisabhängig sein. Auch der Klon-Gedanke ist eine Idealisierung — in der Praxis arbeiten RCTs mit großen Gruppen und statistischen Verfahren, um individuelle Unterschiede auszumitteln.
Korrelation sagt:
A und B bewegen sich zusammen. Das ist eine Beobachtung — sie sagt nichts darüber aus, ob A B verursacht, B A verursacht, oder ein dritter Faktor beide antreibt.
Kausalität sagt:
Eine Veränderung von A bewirkt direkt eine Veränderung von B. Das ist eine deutlich stärkere Behauptung — sie erfordert Assoziation, zeitliche Reihenfolge UND den Ausschluss von Confoundern.
Drei Kriterien für kausale Behauptungen
1
Assoziation: A und B müssen statistisch zusammenhängen (Korrelation ist notwendig, aber nicht hinreichend).
2
Zeitliche Reihenfolge: Die Ursache A muss VOR der Wirkung B eintreten. Wenn B zuerst passiert, kann A es nicht verursacht haben.
3
Confounder-Ausschluss: Keine dritte Variable C darf die Beziehung besser erklären. Alle plausiblen Alternativerklärungen müssen ausgeschlossen werden.
Beispiel: Schokolade und Nobelpreise
Eine Studie von Franz Messerli im New England Journal of Medicine (2012) fand eine Korrelation von r ≈ 0,79 zwischen dem Pro-Kopf-Schokoladenkonsum und der Anzahl der Nobelpreise pro Land. Suggestiv? Absolut. Kausal? Nein. Der Confounder ist nationaler Wohlstand (BIP pro Kopf): Reichere Länder können sich mehr Schokolade UND mehr Forschungsförderung leisten. Ohne Kontrolle für Wohlstand ist die Schokoladen-Nobelpreis-Korrelation für kausale Behauptungen wertlos.
Irrtum: Hohe Korrelation + plausible Geschichte = Kausalität
Eine überzeugende Erzählung ersetzt NICHT rigorose kausale Analyse. Menschen sind Mustererkennungsmaschinen — wir bauen instinktiv Geschichten um Korrelationen herum. Die Disziplin der Statistik ist zu großen Teilen die Disziplin, voreiligen kausalen Geschichten zu widerstehen.
Confounders: Die versteckte dritte Variable
Confounder (Störvariable)
AnalogieDefinition
Ein Bildklassifizierer wird trainiert, um Wölfe von Huskies zu unterscheiden, und erreicht hohe Genauigkeit. Eine Untersuchung zeigt: Das Modell erkennt hauptsächlich SCHNEE im Hintergrund. Wolfsfotos wurden meist in verschneiter Wildnis aufgenommen, Husky-Fotos in Hinterhöfen und Wohnzimmern. Das Modell hat "Schnee = Wolf" gelernt — eine Scheinkorrelation, angetrieben vom Confounder "Fotoumgebung". Zeigt man ihm einen Wolf auf Gras oder einen Husky im Schnee, versagt es spektakulär.
Analogie:
Ein Bildklassifizierer wird trainiert, um Wölfe von Huskies zu unterscheiden, und erreicht hohe Genauigkeit. Eine Untersuchung zeigt: Das Modell erkennt hauptsächlich SCHNEE im Hintergrund. Wolfsfotos wurden meist in verschneiter Wildnis aufgenommen, Husky-Fotos in Hinterhöfen und Wohnzimmern. Das Modell hat "Schnee = Wolf" gelernt — eine Scheinkorrelation, angetrieben vom Confounder "Fotoumgebung". Zeigt man ihm einen Wolf auf Gras oder einen Husky im Schnee, versagt es spektakulär.
Definition:
Ein Confounder (Störvariable) ist eine versteckte dritte Variable C, die SOWOHL die vermutete Ursache A als auch die vermutete Wirkung B beeinflusst und so eine scheinbare (falsche) Korrelation zwischen A und B erzeugt. Eine Scheinkorrelation ist eine statistische Beziehung, die rein durch Confounders oder Zufall entsteht, ohne kausalen Mechanismus.
Das Wolf-Husky-Beispiel ist ein besonders klarer Fall, weil der Confounder (Schnee im Hintergrund) visuell offensichtlich ist. In tabellarischen Daten sind Confounders oft unsichtbar und können erst durch statistische Methoden (z.B. Adjustierung, Matching) oder Domänenwissen identifiziert werden.
Absurde Korrelationen aus echten Daten
Tyler Vigens Website (tylervigen.com) sammelt absurde Korrelationen aus echten Daten: Die Scheidungsrate in Maine korreliert fast perfekt mit dem Pro-Kopf-Margarinekonsum. Pool-Ertrinken korreliert mit Nicolas-Cage-Filmauftritten. Diese Paare haben keinen kausalen Zusammenhang — sie korrelieren rein zufällig. Bei Tausenden von Zeitreihen sind hohe Korrelationen statistisch unvermeidlich. Die Lektion: Vertraue niemals einer Korrelation nur wegen eines hohen r-Werts.
Irrtum: KI-Modelle verstehen Kausalität
Standard-ML-Modelle lernen alle Korrelationen, die die Trainingsgenauigkeit maximieren. Sie haben kein Konzept von Ursache und Wirkung. Deshalb können Modelle in neuen Umgebungen katastrophal versagen — die Korrelationen, auf die sie sich verlassen, gelten dort möglicherweise nicht mehr. Diesen Unterschied zu verstehen ist der erste Schritt zu robuster KI.
Klicke auf die Karten, um berühmte Scheinkorrelationen aufzudecken. Hinter jeder überzeugend klingenden Behauptung steckt ein Confounder oder purer Zufall.
Irrtum #1
Eisverkauf verursacht Ertrinken — an Tagen mit hohem Eisverkauf ertrinken mehr Menschen.
Richtigstellung
Der Confounder ist heißes Wetter. An heißen Tagen kaufen mehr Menschen Eis UND gehen schwimmen. Das Eis hat mit dem Ertrinken nichts zu tun.
Schokolade macht schlau — Länder mit höherem Schokoladenkonsum gewinnen mehr Nobelpreise.
Richtigstellung
Der Confounder ist nationaler Wohlstand (BIP pro Kopf). Reichere Länder können sich mehr Schokolade UND mehr Forschungsförderung leisten. Messerli (2012) veröffentlichte dies im NEJM bewusst als Warnung vor voreiligen Schlüssen.
Messerli, New England Journal of Medicine (2012)
Irrtum #3
Nicolas-Cage-Filme töten — die Anzahl seiner Filmauftritte korreliert mit Ertrinken in Swimmingpools.
Richtigstellung
Reiner Zufall. Bei Tausenden verfügbarer Zeitreihen finden sich zwangsläufig hohe Korrelationen ohne jeden kausalen Zusammenhang. Tyler Vigens Projekt zeigt dutzende solcher absurder Paare.
Der Storch bringt die Babys — Europas Storchenpopulation korreliert mit der Geburtenrate.
Richtigstellung
Der Confounder ist Ländlichkeit. Ländliche Gebiete haben sowohl mehr Störche (Nistplätze) als auch historisch höhere Geburtenraten. Matthews (2000) analysierte diese Korrelation als statistisches Lehrbeispiel.
Matthews, Teaching Statistics 22(2), 2000
Deep Dive: Scheinkorrelationen in der KI
KI-Modelle optimieren auf jedes Muster in den Trainingsdaten, ob es die Realität widerspiegelt oder nicht. Features wie Postleitzahl oder Bildhintergrund können zu Proxy-Variablen für Confounders werden. Wenn sich die Bedingungen ändern (Verteilungsverschiebung), brechen diese gelernten Abkürzungen zusammen. Deshalb ist das Verständnis von Korrelation vs. Kausalität nicht nur akademisch — es ist eine praktische Voraussetzung für den Bau zuverlässiger KI-Systeme.
Selbsttest: Korrelation oder Kausalität?
Fünf Szenarien aus Forschung und Alltag. Entscheide bei jedem: Liegt Kausalität vor, oder nur Korrelation?
0/5 beantwortet
Frage 1
Rauchen und Lungenkrebs: Raucher erkranken deutlich häufiger an Lungenkrebs als Nichtraucher.
Frage 2
Kinder mit größeren Schuhen lesen besser als Kinder mit kleineren Schuhen.
Frage 3
Menschen, die häufiger Sonnencreme benutzen, bekommen öfter Hautkrebs diagnostiziert.
Frage 4
Länder mit mehr Fernsehern pro Haushalt haben eine höhere Lebenserwartung.
Frage 5
In einer randomisierten, doppelt verblindeten Studie senkt Aspirin das Herzinfarktrisiko im Vergleich zu Placebo signifikant.
Kernaussagen
Korrelation misst gemeinsame Bewegung — sie sagt nichts über Ursache und Wirkung aus. Der Pearson-Koeffizient r erfasst nur lineare Zusammenhänge.
Für eine kausale Behauptung brauchst du drei Dinge: Assoziation, zeitliche Reihenfolge und den Ausschluss von Confoundern. Ohne alle drei ist jede Korrelation nur ein Hinweis, keine Schlussfolgerung.
KI-Modelle sind Korrelationsmaschinen — sie lernen jedes Muster in den Daten, ob es kausal ist oder nicht. Diesen Unterschied zu verstehen ist der erste Schritt zu KI-Kompetenz.
Quiz: Korrelation vs. Kausalität
Frage 1 / 4
Was bedeutet ein Pearson-Korrelationskoeffizient von r = 0?
1. Was bedeutet ein Pearson-Korrelationskoeffizient von r = 0?
☐ A) Es gibt keinen Zusammenhang zwischen den Variablen
☐ B) Es gibt keinen LINEAREN Zusammenhang — andere Muster (z.B. U-förmig) sind aber möglich
☐ C) Die Variablen verursachen sich nicht gegenseitig
☐ D) Die Daten sind fehlerhaft
2. Eine Studie zeigt: Kinder mit Musikunterricht haben bessere Schulnoten. Welcher Confounder könnte diese Korrelation erklären?
☐ A) Musikunterricht macht intelligenter
☐ B) Familien mit höherem Einkommen können Musikunterricht bezahlen UND ihre Kinder schulisch besser fördern
☐ C) Kinder mit guten Noten verbieten sich selbst Musik
☐ D) Schulnoten und Musik messen dieselbe Fähigkeit
3. Ein Unternehmen sieht: Teams mit höherer Zufriedenheit haben auch höheren Umsatz. Welche der drei Kausalitätsbedingungen ist hier am schwierigsten zu prüfen?
☐ A) Assoziation (statistischer Zusammenhang)
☐ B) Zeitliche Reihenfolge (was kam zuerst?)
☐ C) Confounder-Ausschluss (gibt es eine bessere Erklärung?)
☐ D) Alle drei sind gleich schwer
4. Ein Bilderkennungs-Modell erkennt Wölfe mit 95 % Genauigkeit im Testdatensatz. Bei neuen Fotos aus einem Zoo versagt es. Warum?
☐ A) Das Modell braucht einfach mehr Trainingsdaten
☐ B) Das Modell hat eine Scheinkorrelation (z.B. Schneehintergrund) statt das Tier selbst gelernt
☐ C) Zoo-Fotos haben eine niedrigere Auflösung
☐ D) 95 % Genauigkeit ist nicht ausreichend
Auflösung: 1) B · 2) B · 3) C · 4) B
Checkpoint: Korrelation vs. Kausalität
Ich kann erklären, was der Pearson-Korrelationskoeffizient r misst und welchen Wertebereich er hat (-1 bis +1).
Ich kann die drei Kriterien nennen, die für eine kausale Behauptung erfüllt sein müssen (Assoziation, zeitliche Reihenfolge, Confounder-Ausschluss).
Ich kann anhand eines Beispiels erklären, was ein Confounder ist und warum KI-Modelle, die Korrelationen lernen, in neuen Umgebungen versagen können.