Argument von Ursache zu Wirkung: Wann kausales Schlussfolgern trägt — und wann es trügt

Jede Politik-Debatte, jede medizinische Empfehlung, jede wirtschaftliche Prognose beruht auf einer kausalen Behauptung: Wenn wir X tun, geschieht Y. Das klingt selbstverständlich — ist aber eine der anspruchsvollsten logischen Operationen, die wir täglich vollziehen. Kausalität falsch zu verstehen bedeutet, an falschen Hebeln zu ziehen. Mit realen Konsequenzen.

Was ist das Argument von Ursache zu Wirkung?

In der Argumentationstheorie ist das Argument von Ursache zu Wirkung (Argument from Cause to Effect) ein sogenanntes defeasibles Argumentationsschema — kein deduktiver Beweis, aber ein legitimer Ausgangspunkt für Schlussfolgerungen. Seine Grundform:

Wenn A eintritt, dann tritt (normalerweise) B ein.
A ist eingetreten.
Also ist B (wahrscheinlich) eingetreten oder wird eintreten.

Das Wort „normalerweise" ist entscheidend. Kausale Aussagen in der Realwelt sind selten absolut — sie sind probabilistisch, kontext-abhängig und durch andere Variablen moderiert. Ein Argument von Ursache zu Wirkung ist deshalb keine logische Garantie, sondern eine begründete Erwartung, die durch Gegeninformation entkräftbar ist.

Douglas Walton, der führende Theoretiker der Argumentationsschemata, nennt dies defeasibility: Das Argument liefert prima-facie-Rechtfertigung, nicht Gewissheit. Es ist ein Anfang des Denkens, nicht sein Ende.

Die kritischen Prüffragen

Bevor ein Kausalargument akzeptiert wird, lohnt es sich, systematisch zu fragen:

1. Ist die Kausalbeziehung überhaupt belegt? Oder handelt es sich nur um zeitliche Abfolge oder statistische Korrelation?
2. Ist die Richtung korrekt? Verursacht A wirklich B — oder B eigentlich A?
3. Gibt es eine gemeinsame Ursache C? Eine dritte Variable könnte sowohl A als auch B verursachen, ohne dass A und B direkt verbunden sind.
4. Ist die Beziehung stabil? Gilt sie unter den vorliegenden Bedingungen, oder nur in spezifischen Kontexten?
5. Welche Gegenursachen gibt es? Welche anderen Faktoren könnten B verhindern oder verstärken?
6. Was ist die Effektgröße? Wie stark ist der Effekt — und ist er praktisch bedeutsam?

Diese Fragen sind nicht akademische Pedanterie. Sie sind der Unterschied zwischen gut gemachter Kausalinferenz und gefährlicher Vereinfachung.

Korrelation ist keine Kausalität — das bekannteste Missverständnis

Kaum ein Satz aus der Wissenschaftsphilosophie ist öfter zitiert und seltener wirklich beherzigt worden: Korrelation ist keine Kausalität. Zwei Variablen können hochkorreliert sein, ohne dass eine die andere verursacht.

Scheinkausalität durch Drittvariable

Ein Klassiker: In europäischen Städten korreliert die Zahl der Störche positiv mit der Geburtenrate. Verursachen Störche Geburten? Natürlich nicht — beiden liegt eine gemeinsame Dritte-Variable zugrunde: Ländlichkeit. Ländliche Gebiete haben mehr Störche und höhere Geburtenraten. Die Beziehung ist real, aber nicht direkt kausal.

Weniger harmlos: In der Medizin wurde über Jahrzehnte eine Korrelation zwischen Hormonersatztherapie nach den Wechseljahren und reduziertem Herzerkrankungsrisiko beobachtet. Das kausal-plausibel klingende Argument: Östrogen schützt das Herz. Die Women's Health Initiative-Studie (2002) zeigte das Gegenteil: In randomisierten Versuchen erhöhte die Therapie das Herzerkrankungsrisiko. Die ursprüngliche Korrelation spiegelte den Healthy-User-Bias wider — Frauen, die freiwillig Hormontherapie in Anspruch nahmen, hatten bereits einen gesünderen Lebensstil. Die Kausalrichtung war falsch.

Reverse Causation — umgekehrte Kausalrichtung

Ein besonders häufiger Fehler: Man nimmt an, A verursacht B — dabei verursacht B eigentlich A. Oder beide beeinflussen sich gegenseitig in einer Rückkopplungsschleife.

Beispiel aus der Wirtschaftspolitik: Länder mit hohem Wirtschaftswachstum haben oft geringere Arbeitslosigkeit. Verursacht Wirtschaftswachstum geringere Arbeitslosigkeit — oder suchen Unternehmen in Erwartung von Wachstum Arbeitskräfte, was wiederum das Wachstum ankurbelt? Beide Richtungen spielen eine Rolle. Einfache Kausalbehauptungen in eine Richtung vereinfachen eine komplexe Dynamik.

Post hoc, ergo propter hoc

Der lateinische Name für einen der ältesten Kausalitätsfehler: „Danach, also deshalb." A geschah vor B — also verursachte A B. Das ist ein logischer Sprung, kein logischer Schluss.

Beispiele sind Legion: Ein Politiker senkt die Steuern; einige Jahre später wächst die Wirtschaft. Ergebnis: Steuersenkungen fördern Wachstum — so die Behauptung. Ob das tatsächlich kausal ist, hängt davon ab, was sonst noch geschah: globale Konjunktur, Technologiezyklen, demographische Entwicklungen, Investitionsklima. Zeit-Abfolge allein beweist keine Kausalität.

Wenn Kausalargumente besonders riskant sind

Komplexe Systeme

In hochkomplexen Systemen — Volkswirtschaften, Ökosysteme, soziale Netzwerke — ist Kausalität oft nicht linear, sondern zirkulär, verzögert, von Schwellenwerten abhängig. Einfache Ursache-Wirkungs-Geschichten sind hier besonders anfällig für Irrtum. Das erklärt, warum makroökonomische Prognosen so häufig scheitern: Die kausalen Modelle unterschätzen systematisch die Komplexität der Rückkopplungen.

Seltene Ereignisse

Bei seltenen Ereignissen fehlen Daten für robuste Kausalinferenz. Wenn eine Maßnahme in zwei Ländern angewendet wurde und eines davon eine Krise hatte, ist das keine ausreichende Evidenz für Kausalität — die Fallzahl ist zu klein, um Zufallsvariation auszuschließen.

Narrativer Druck

Menschen erzählen und glauben Kausalgeschichten. Das menschliche Gehirn ist eine Kausalitätsmaschine — wir sehen Ursachen und Wirkungen, auch wo keine sind. Gute Geschichten haben Protagonisten, Entscheidungen und Konsequenzen. Das macht narrative Kausalerklärungen rhetorisch mächtig — und epistemisch gefährlich. Wir glauben eine Kausalerklärung oft, weil sie dramatisch stimmig klingt, nicht weil sie empirisch belegt ist.

Gültige kausale Argumentation: Was trägt?

Ein Argument von Ursache zu Wirkung ist dann besonders stark, wenn:

• Die Kausalbeziehung durch mehrere unabhängige Methoden belegt wurde (Experimente, Längsschnittstudien, natürliche Experimente, mechanistische Erklärungen)
• Eine plausible kausale Kette — ein Mechanismus — beschreibbar ist
• Drittvariablen kontrolliert oder ausgeschlossen wurden
• Die Richtung der Kausalität theoretisch und empirisch abgesichert ist
• Die Effektgröße quantifiziert und praktisch bedeutsam ist
• Replikationen in unterschiedlichen Kontexten vorliegen

Das Paradebeispiel für gültige kausale Argumentation: der Zusammenhang zwischen Rauchen und Lungenkrebs. Epidemiologische Korrelation, Tierversuche, mechanistische Erklärungen (Karzinogene im Rauch, DNA-Schäden), Dosis-Wirkungsbeziehungen, Rückgang von Lungenkrebsraten in Ländern mit sinkenden Raucherzahlen — konvergente Evidenz aus unterschiedlichen Quellen macht die Kausalbeziehung extrem gut belegt.

Das Gegenteil: Kausale Skepsis als Strategie

Kausale Argumente lassen sich auch missbrauchen, um legitimierte Erkenntnisse zu untergraben. Die Tabak- und Fossil-Fuel-Industrien haben systematisch darauf gesetzt, die Kausalverbindung zu bestreiten — nicht durch bessere Evidenz, sondern durch rhetorisches Beharren auf methodischen Schwächen, die in jeder empirischen Forschung unvermeidlich sind.

„Korrelation ist keine Kausalität" ist eine epistemische Tugend. Als Schutzbehauptung missbraucht, wird sie zur Strategie des Einseitigkeitsdefizits: Man nimmt echte methodische Einschränkungen, ohne die Gesamtevidenz zu gewichten, und nutzt sie zur pauschalen Ablehnung.

Praktischer Umgang: Kausale Fragen stellen

Wenn Sie einem kausalen Argument begegnen — in Nachrichten, Politikdebatten, Werbung —, empfiehlt sich folgende mentale Checkliste:

1. Was ist die behauptete Ursache? Was ist die behauptete Wirkung?
2. Handelt es sich um eine Korrelation, eine zeitliche Abfolge — oder um belegte Kausalität?
3. Welche anderen Erklärungen für die beobachtete Assoziation gibt es?
4. Welche Studiendesigns liegen zugrunde? (RCT > Beobachtungsstudie > Einzelfall)
5. Wer hat die Forschung finanziert? Welche Interessen stehen im Raum?
6. Wie groß ist der behauptete Effekt — und ist er praktisch relevant?

Diese Fragen machen Sie nicht zum Skeptiker, der alles ablehnt. Sie machen Sie zu jemandem, der Evidenz proportional zu ihrer Qualität gewichtet.

Verwandte Konzepte

• Falsche Ursache (False Cause) — Der Fehlschluss, der entsteht, wenn kausale Argumentation systematisch scheitert
• Praktisches Schlussfolgern — Wenn kausale Annahmen in Handlungsempfehlungen übersetzt werden
• Bestätigungsfehler — Wir suchen Kausalbeziehungen, die unsere Vorannahmen bestätigen
• Basisraten-Fehler — Vernachlässigung von Hintergrundwahrscheinlichkeiten bei kausalen Urteilen
• Geistervariablen — Versteckte Drittfaktoren, die Scheinkausalität erzeugen

Quellen & weiterführende Literatur

• Walton, D., Reed, C., & Macagno, F. (2008). Argumentation Schemes. Cambridge University Press.
• Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
• Hernan, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall. (Frei verfügbar unter hsph.harvard.edu)
• Writing Group for the Women's Health Initiative (2002). Risks and Benefits of Estrogen Plus Progestin in Healthy Postmenopausal Women. JAMA, 288(3), 321–333.
• Oreskes, N., & Conway, E. M. (2010). Merchants of Doubt. Bloomsbury Press.
• Hume, D. (1748). An Enquiry Concerning Human Understanding. [Klass. philosophische Grundlage der Kausalitätsskepsis]