Vernachlässigung von Störvariablen (Confounding Variable Neglect) — Wenn Logik sich verkleidet

Vernachlässigung von Störvariablen tritt auf, wenn eine Studie eine Variable nicht berücksichtigt, die sowohl mit der Ursache als auch mit dem Ergebnis zusammenhängt. Dies führt zu verzerrten Schätzungen des kausalen Zusammenhangs. Solche Versäumnisse können eine schädliche Behandlung nützlich erscheinen lassen oder eine wirksame Behandlung als wertlos tarnen.

Auch bekannt als: Omitted Variable Bias, Third Variable Problem, Uncontrolled Confounding, Drittvariablenproblem

Wie es funktioniert

Beobachtungsdaten zeigen nur Assoziationen. Ohne die Kontrolle von Confoundern ist der beobachtete Zusammenhang eine Mischung aus echtem Effekt und Scheineffekt der Störvariable. Das Publikum unterscheidet diese oft nicht.

Ein klassisches Beispiel

Eine Studie stellt fest, dass Kaffeetrinker häufiger an Lungenkrebs erkranken, und folgert, dass Kaffee Krebs verursacht. Die Störvariable ist das Rauchen: Kaffeetrinker in der untersuchten Gruppe rauchen deutlich häufiger, und Rauchen ist die eigentliche Ursache für den Krebs.

Wo man das in der Praxis findet

Confounding ist die zentrale Herausforderung in der Epidemiologie und Sozialforschung, wo randomisierte Experimente oft unethisch oder unmöglich sind.

Wie man es erkennt und kontert

Nutze Randomisierung, um Confounder auszuschließen, oder wende statistische Kontrollen an (Regression, Matching). Erstelle kausale Diagramme (DAGs), um potenzielle Störvariablen vorab zu identifizieren.

Das Fazit

Vernachlässigung von Störvariablen (Confounding Variable Neglect) gehört zu den Denkfehlern, die auf den ersten Blick völlig logisch klingen. Genau das macht sie gefährlich — sie tragen das Kostüm valider Argumentation, während sie eine fehlerhafte Schlussfolgerung einschmuggeln. Die beste Verteidigung? Langsamer werden und fragen: Folgt diese Schlussfolgerung tatsächlich aus diesen Prämissen?