Falsche Kausalität: Warum Korrelation der gefährlichste Zaubertrick der Welt ist

Länder mit höherem Pro-Kopf-Schokoladenkonsum haben mehr Nobelpreisträger pro Million Einwohner. Die Korrelation ist real. Also macht Schokolade schlau? Das ist das köstlich absurde Ende eines sehr ernsthaften Denkfehlers: falsche Kausalität — die Annahme, dass zwei korrelierende Dinge auch kausal zusammenhängen. Hinter diesem Fehler stecken einige der folgenreichsten Irrtümer in der Geschichte von Wissenschaft und Politik.

Post Hoc Ergo Propter Hoc

Das lateinische post hoc ergo propter hoc — "danach, also deshalb" — beschreibt die älteste und intuitivste Form des Kausalitätstrugschlusses. Ich habe Vitamin C genommen und mein Schnupfen wurde besser: also hat das Vitamin C gewirkt. Ich hatte rote Socken an, als wir gewonnen haben: also bringen die roten Socken Glück.

Zeitliche Abfolge ist mächtig. Sie ist sogar die Grundlage rationaler Kausalinferenz — Ursachen gehen Wirkungen voraus. Aber zeitliche Abfolge allein begründet keine Kausalität. Der Schnupfen wäre wahrscheinlich ohnehin besser geworden. Das Team hätte vielleicht unabhängig von den Socken gewonnen.

David Hume machte dieses Problem 1739 im Treatise of Human Nature zum Zentrum seiner Kausalitätsanalyse: Wir beobachten niemals Kausalität direkt, nur beständige Abfolge. Wir schließen auf Kausalität; wir nehmen sie nicht wahr. In dieser Inferenzlücke lebt der Kausalitätstrugschluss.

Korrelation ≠ Kausalität — aber warum eigentlich nicht?

Wenn zwei Variablen A und B korrelieren, gibt es mehrere mögliche Erklärungen:

1. A verursacht B (die angenommene Erklärung)
2. B verursacht A (umgekehrte Kausalität)
3. C verursacht sowohl A als auch B (Störvariable / Confounder)
4. Reiner Zufall (besonders bei kleinen Stichproben oder Data-Mining)

Die Schokolade-Nobelpreis-Korrelation erklärt sich fast sicher durch nationalen Wohlstand als Störvariable. Reiche Länder konsumieren mehr Schokolade und investieren mehr in Bildung und Forschungsinfrastruktur. Der Wohlstand produziert beides — nicht die Schokolade die Nobelpreisträger.

Franz Messerli präsentierte diese Korrelation 2012 mit trockenem Humor im New England Journal of Medicine. Trotz der offensichtlichen Absurdität wurde der Artikel von unzähligen Lesern ernsthaft geteilt. Die Lektion: Selbst offenkundig falsche Kausalitäten finden leichtgläubige Leser, wenn sie in Daten gekleidet sind.

Berühmte Fälle falscher Kausalität

Impfungen und Autismus: Andrew Wakefields Studie (1998, später zurückgezogen und als Betrug entlarvt) suggerierte einen Zusammenhang zwischen MMR-Impfung und Autismus. Eltern bemerkten: Ihr Kind zeigte erste Anzeichen von Autismus etwa in dem Alter, in dem es geimpft wurde. Die zeitliche Abfolge schien überzeugend. Aber großangelegte epidemiologische Studien mit Millionen Kindern fanden keine kausale Verbindung. Der Scheinzusammenhang entstand, weil Autismus-Symptome in genau dem Entwicklungsalter auffällig werden, in dem der Impfplan liegt — nicht wegen der Impfung.

Storche und Geburtenrate: Über europäische Länder hinweg korrelieren Storchpopulationen und Geburtenraten positiv. Störche bringen natürlich keine Babys — aber beide Variablen korrelieren mit ländlicher Bevölkerungsdichte und traditioneller Landwirtschaft, die sowohl mehr Störche (offene Felder) als auch höhere Geburtenraten produziert.

Eis und Ertrinkungsunfälle: Eisverkauf und Ertrinkungsunfälle erreichen denselben Höhepunkt — im Sommer. Die Störvariable ist Hitze und Wasseraktivität. Kein Kausalzusammenhang.

Tabak und Lungenkrebs — die verzögerte Erkenntnis: In den 1950ern nutzte die Tabakindustrie aktiv die Schwierigkeit, Kausalität zu beweisen. "Es ist nur eine Korrelation" war ein Standardargument gegen eindeutig kausale Evidenz — und hat Jahrzehnte lang Schaden angerichtet.

Wie Kausalität wissenschaftlich begründet wird

Der Epidemiologe Austin Bradford Hill schlug 1965 Kriterien vor, um den Übergang von Korrelation zu Kausalität zu beurteilen. Die Bradford-Hill-Kriterien sind bis heute grundlegend in der öffentlichen Gesundheitsforschung:

• Stärke: Stärkere Assoziationen sind wahrscheinlicher kausal
• Konsistenz: Repliziert in verschiedenen Populationen und Kontexten
• Spezifität: Die Ursache produziert einen spezifischen Effekt, nicht alles
• Zeitlichkeit: Ursache geht Wirkung voraus (notwendig, nicht hinreichend)
• Biologischer Gradient: Dosis-Wirkungs-Beziehung
• Plausibilität: Vereinbar mit bekannten Mechanismen
• Kohärenz: Widerspricht etabliertem Wissen nicht
• Experiment: Belege aus kontrollierten Experimenten

Kein einzelnes Kriterium ist ausschlaggebend. Kausalität ist ein Urteil auf Basis der Gesamtheit der Evidenz — weshalb kausale Behauptungen zu stellen schwer ist und falsche Kausalität so hartnäckig bleibt.

Störvariablen: Die unsichtbaren Dritten

Eine Störvariable (Confounder) ist eine Variable, die sowohl mit der vermuteten Ursache als auch mit dem vermuteten Effekt korreliert und so den Anschein eines direkten Zusammenhangs erzeugt. Sozioökonomischer Status ist einer der häufigsten Confounder in der Sozialforschung. Viele Schlagzeilen über "X verursacht Y" kollabieren, sobald SES korrekt kontrolliert wird.

Falsche Kausalität in der Politik

Politische Entscheidungen auf Basis von Korrelationen statt etablierter kausaler Zusammenhänge haben Ressourcen verschwendet und manchmal Schaden angerichtet. Die "Broken Windows"-Polizeitheorie (Wilson & Kelling, 1982) behauptete, sichtbare Unordnung verursache schwere Kriminalität. Jahrzehntelang folgte aggressive Polizeiarbeit. Spätere Forschung zeigte: die kausale Behauptung war stark übertrieben.

Die Unterscheidung zwischen Korrelation und Kausalität ist keine akademische Übung. Sie entscheidet darüber, wo Geld investiert wird, was behandelt wird, wen wir inhaftieren und was wir Kindern beibringen.

Klarer denken über Kausalität

• Immer fragen: Könnte eine dritte Variable beides erklären?
• Könnte die Kausalität umgekehrt laufen?
• Gibt es einen plausiblen Mechanismus — nicht nur ein Muster?
• Wurde der Befund in unabhängigen Stichproben repliziert?
• Vorsicht bei Data-Mining: Korrelationen multiplizieren sich, wenn man genug Variablen betrachtet

Und: Zeitliche Abfolge ist notwendig, aber nicht hinreichend. Dass B nach A kam, bedeutet nicht, dass A B verursacht hat. Täglich passieren Millionen Dinge vor Millionen anderen Dingen.

Referenzen

• Hume, D. (1739). A Treatise of Human Nature.
• Bradford Hill, A. (1965). "The Environment and Disease: Association or Causation?" Proceedings of the Royal Society of Medicine, 58(5), 295–300.
• Messerli, F. H. (2012). "Chocolate Consumption, Cognitive Function, and Nobel Laureates." New England Journal of Medicine, 367, 1562–1564.
• Vigen, T. (2015). Spurious Correlations. Hachette Books.
• Wilson, J. Q., & Kelling, G. L. (1982). "Broken Windows." The Atlantic Monthly, März 1982.
• Aristoteles. Sophistici Elenchi. (Erste Klassifikation des Post-hoc-Fehlers.)