Die Kausalitäts-Illusion: Wie wir aus Zufällen Ursachen fabrizieren

Menschen sind Kausalitäts-Wesen. Von den frühesten Momenten der kognitiven Entwicklung an suchen wir zwanghaft nach dem Warum der Dinge. Dieser Instinkt hat unseren Vorfahren gut gedient — wer die Ursache eines raschelnden Buschs richtig identifizierte (Raubtier, nicht Wind), überlebte. Aber genau dieser Instinkt erzeugt in der komplexen modernen Welt eine charakteristische Klasse von Denkfehlern: Kausal-Fehlschlüsse. TellDears Dimension 1 (Logische Fehlschlüsse) katalogisiert über 60 formale und informelle Fehlschlüsse. Dieser Artikel untersucht das Cluster, das unser Verständnis von Warum korrumpiert — die Fehlschlüsse, die aus Zufall, Abfolge und Muster Kausalität fabrizieren.

I. Der Kausalitäts-Hunger: Warum wir nicht aufhören können, Ursachen zu finden

Bevor wir einzelne Fehlschlüsse untersuchen, lohnt es sich zu verstehen, warum Kausalitätsfehler so hartnäckig sind. Die Antwort liegt in dem, was Kognitionswissenschaftler unser „kausales Weltmodell" nennen — die mentale Architektur, die automatisch kausale Erklärungen für beobachtete Ereignisse generiert.

Wenn Sie eine Billardkugel sehen, die eine andere trifft, und die zweite Kugel sich bewegt, beobachten Sie nicht bloß eine Abfolge. Sie nehmen Kausalität wahr. David Hume argumentierte bekanntlich, dass wir Kausalität nie tatsächlich beobachten — nur zeitliche Abfolge und räumliche Nähe —, aber unser Gehirn kann nicht anders. Wir sehen überall Ursachen, sogar in animierten geometrischen Formen (wie Fritz Heider und Marianne Simmel in ihrem berühmten Experiment von 1944 zeigten, bei dem Versuchspersonen bewegten Dreiecken Absichten und kausale Handlungsfähigkeit zuschrieben).

Dieser Kausalitäts-Hunger ist ein Feature, kein Bug. Aber er hat einen kritischen Fehler-Modus: Er generiert kausale Narrative schneller, als unsere kritischen Fähigkeiten sie bewerten können. Bis wir bewusst erwogen haben, ob A tatsächlich B verursacht hat, hat unser intuitives System bereits eine überzeugende Geschichte darüber konstruiert, wie und warum es das tat.

II. Die sechs zentralen Kausal-Fehlschlüsse

1. Post Hoc Ergo Propter Hoc — Die Abfolge-Falle

Post hoc ergo propter hoc („danach, also deswegen") ist der grundlegende Kausal-Fehlschluss. Seine Struktur ist trügerisch einfach: Ereignis A trat vor Ereignis B auf, also hat A B verursacht. Der Hahn kräht vor dem Sonnenaufgang, also verursacht der Hahn den Sonnenaufgang.

Der Fehlschluss klingt absurd bei Hähnen und Sonnenaufgängen, wird aber bemerkenswert überzeugend in weniger transparenten Kontexten:

• Medizin: „Ich habe dieses Nahrungsergänzungsmittel genommen und meine Erkältung war nach drei Tagen weg." (Die meisten Erkältungen heilen in drei Tagen von allein.)
• Politik: „Die Kriminalität sank, nachdem wir dieses Gesetz verabschiedet haben." (Die Kriminalität war schon vorher rückläufig, oder ein Dutzend andere Variablen änderten sich gleichzeitig.)
• Wirtschaft: „Wir haben einen neuen CEO eingestellt und die Gewinne stiegen." (Die Marktbedingungen verbesserten sich, oder die vom vorherigen CEO eingeleitete Umstrukturierung zeigte endlich Wirkung.)
• Aberglaube: „Ich habe mein Glückshemd getragen und wir haben gewonnen." (Die Leistung des Teams ist unabhängig von Ihrer Garderobe.)

Was Post-hoc-Denken so hartnäckig macht: Es ist manchmal korrekt. Zeitliche Abfolge ist eine notwendige Bedingung für Kausalität (Ursachen müssen Wirkungen vorausgehen). Der Fehler liegt darin, sie als hinreichende Bedingung zu behandeln. Echte Kausalinferenz erfordert viel mehr: kontrollierten Vergleich, Eliminierung von Störfaktoren, einen plausiblen Mechanismus und Replikation.

2. Falsche Ursache (Non Causa Pro Causa) — Die Fehlattributions-Maschine

Falsche Ursache ist die breitere Kategorie, unter die post hoc fällt, verdient aber separate Betrachtung, weil sie kausale Fehlzuschreibungen erfasst, die über bloße zeitliche Abfolge hinausgehen. Bei falscher Ursache wird ein Kausalzusammenhang auf Basis unzureichender Evidenz behauptet — nicht unbedingt, weil eines dem anderen vorausging, sondern wegen oberflächlicher Korrelation, thematischer Ähnlichkeit oder motiviertem Denken.

Denken Sie an die ewige Verwechslung von Korrelation und Kausalität. Die Anzahl der Filme, in denen Nicolas Cage pro Jahr auftritt, korreliert stark mit der Anzahl der Menschen, die in Schwimmbädern ertrinken. Eisverkäufe korrelieren mit Mordraten. Pro-Kopf-Käseverbrauch korreliert mit der Anzahl der Menschen, die in ihren Bettlaken verheddert sterben. Das sind reale statistische Korrelationen, und sie sind kausal völlig bedeutungslos.

Tyler Vigens „Spurious Correlations"-Projekt hat Hunderte solcher Fälle dokumentiert, und sie sind witzig, gerade weil die kausale Absurdität transparent ist. Aber wenn die Korrelation Variablen betrifft, die plausibel zusammenhängen könnten — Bildungsausgaben und Testergebnisse, Einwanderung und Kriminalität, Bildschirmzeit und Depression —, wird derselbe logische Fehler viel schwerer zu erkennen. Die Korrelation bietet ein Gerüst, auf dem unser Kausalitäts-Hunger begierig ein Narrativ konstruiert.

Das Gegenmittel gegen falsche Ursache: die Disziplin zu fragen: Was wäre nötig, um diesen Kausalanspruch tatsächlich zu belegen? Für eine vertiefte Erforschung, wie statistische Muster in die Irre führen, siehe How Numbers Lie.

3. Der Texas-Sharpshooter-Trugschluss — Zielscheiben um Einschusslöcher malen

Der Texas-Sharpshooter-Trugschluss hat seinen Namen von einem Witz über einen Texaner, der zufällig auf eine Scheunenwand schießt und dann eine Zielscheibe um die dichteste Gruppe von Einschusslöchern malt. Er beschreibt den Fehler, ein Muster in zufälligen Daten zu identifizieren und es dann so zu behandeln, als wäre es vorab vorhergesagt worden.

Dieser Fehlschluss ist in wissenschaftlichem und pseudo-wissenschaftlichem Denken allgegenwärtig:

• Krebs-Cluster: Eine Gemeinde bemerkt eine ungewöhnlich hohe Krebsrate und schreibt sie einer lokalen Fabrik zu. Aber in jeder großen Population werden einige Cluster rein zufällig auftreten. Die Frage ist, ob der Cluster statistisch bedeutsam ist im Verhältnis zu der Anzahl von Clustern, die man zufällig erwarten würde.
• Finanzmärkte: Nach einem Börsencrash identifizieren Analysten „Warnsignale", die „klar erkennbar" gewesen seien. Aber sie selektieren diese Signale aus Tausenden von Indikatoren. Das „Muster" wird retrospektiv aus Rauschen konstruiert.
• Ernährungsstudien: Forscher messen 50 Gesundheitsoutcomes und finden, dass Schokoladenkonsum mit zweien korreliert. Sie berichten diese zwei als „signifikante Befunde". Aber bei 50 Messungen würde man bei p < 0,05 etwa 2-3 „signifikante" Ergebnisse rein zufällig erwarten.

Die kognitive Wurzel dieses Fehlschlusses ist unsere Unfähigkeit, intuitiv die Weite des Raums möglicher Muster zu erfassen. In jedem komplexen Datensatz gibt es astronomisch viele mögliche Muster. Einige davon werden allein durch Zufall auffällig aussehen.

4. Der Spieler-Fehlschluss — Wenn sich Zufall zielgerichtet anfühlt

Der Spieler-Fehlschluss ist der Glaube, dass unabhängige Zufallsereignisse einander irgendwie beeinflussen — dass ein Roulette-Rad, das sechsmal hintereinander auf Rot gelandet ist, nun Schwarz „schuldig" ist. Es ist ein Kausal-Fehlschluss, weil er implizit der Sequenz selbst kausale Handlungsfähigkeit zuschreibt, als ob das Rad sich an seine Geschichte erinnere.

Die Mathematik ist eindeutig: Jede Drehung eines fairen Roulette-Rads ist unabhängig. Die Wahrscheinlichkeit für Schwarz bei der nächsten Drehung ist exakt dieselbe, egal ob die vorherigen sechs Drehungen alle Rot, alle Schwarz oder abwechselnd waren. Das Rad hat kein Gedächtnis. Und trotzdem ist das Gefühl, dass „es fällig ist", fast unwiderstehlich.

Die Antwort liegt in unseren Erwartungen an Zufall. Die Psychologen Amos Tversky und Daniel Kahneman zeigten, dass Menschen ein zutiefst fehlerhaftes Modell davon haben, wie zufällige Sequenzen aussehen. Wir erwarten, dass sie ausgeglichener und weniger „streaky" sind, als sie tatsächlich sind.

Der Spieler-Fehlschluss hat Konsequenzen weit über Casinos hinaus:

• Justiz: Forschung von Daniel Chen, Tobias Moskowitz und Kelly Shue fand, dass Asylrichter, Kreditbeamte und Baseball-Schiedsrichter alle Spieler-Fehlschluss-Muster zeigen — nach mehreren Entscheidungen in eine Richtung werden sie wahrscheinlicher in die andere Richtung entscheiden, unabhängig von der Fallqualität.
• Investitionen: „Diese Aktie ist fünf Tage in Folge gefallen — sie muss sich erholen." (Vielleicht, oder sie fällt weiter.)
• Alltag: „Wir haben drei Mädchen bekommen — das nächste muss ein Junge werden." (Jede Zeugung ist im Wesentlichen ein unabhängiges Ereignis mit ungefähr 50/50-Chancen.)

5. Regressions-Fehlschluss — Statistisches Rauschen für Kausalität halten

Der Regressions-Fehlschluss tritt auf, wenn wir einem statistischen Phänomen eine kausale Erklärung zuschreiben, das tatsächlich Regression zur Mitte ist — die statistische Tendenz extremer Beobachtungen, von weniger extremen gefolgt zu werden. Es ist wohl der am meisten unterschätzte Kausal-Fehlschluss, verantwortlich für enorme Mengen an verschwendetem Geld, schlechter Politik und falschen Überzeugungen.

Der Mechanismus ist einfach. Jede Messung, die ein wahres Signal mit zufälligem Rauschen kombiniert, zeigt Regression zur Mitte. Wenn ein Student außergewöhnlich gut in einer Prüfung abschneidet (weil wahre Fähigkeit plus glückliches Rauschen zusammentrafen), wird sein nächstes Ergebnis wahrscheinlich näher an seiner wahren Fähigkeit liegen — also niedriger.

Daniel Kahneman beschreibt dies als eines der wichtigsten — und am häufigsten missverstandenen — Phänomene in der Statistik. Er erzählt die Geschichte israelischer Fluglehrer, die Auszubildende nach außergewöhnlich guten Landungen lobten und nach schlechten kritisierten. Sie beobachteten, dass Lob von schlechterer Leistung gefolgt zu sein schien, während Kritik von Verbesserung gefolgt wurde. Ihr Schluss: Kritik wirkt, Lob nicht. Die tatsächliche Erklärung: Extreme Leistungen (sowohl gute als auch schlechte) regredieren natürlich zum Durchschnitt, unabhängig von der Reaktion des Ausbilders.

Der Regressions-Fehlschluss untergräbt evidenzbasierte Bewertung in praktisch jedem Bereich:

• Medizin: Patienten suchen tendenziell Behandlung, wenn Symptome am schlimmsten sind. Symptome fluktuieren natürlich, also verbessern sich viele Patienten nach einer Behandlung unabhängig von deren Wirksamkeit.
• Sport: Der „Sports-Illustrated-Fluch" — Athleten, die nach einer außergewöhnlichen Saison auf dem Cover erscheinen, leisten im nächsten Jahr tendenziell weniger. Nicht wegen eines Fluches, sondern weil außergewöhnliche Saisons teilweise Glück sind, das regrediert.
• Bildung: Als schlecht identifizierte Schulen (untere 5%) erhalten besondere Maßnahmen. Sie verbessern sich. Als exzellent identifizierte Schulen (obere 5%) dienen als Vorbilder. Sie verschlechtern sich. Beides ist weitgehend Regression zur Mitte.

6. Der Einzelursachen-Fehlschluss — Narrative Vereinfachung

Der Einzelursachen-Fehlschluss (auch kausale Übervereinfachung) tritt auf, wenn wir eine Wirkung einer einzelnen Ursache zuschreiben, obwohl sie tatsächlich aus mehreren interagierenden Faktoren resultiert. Es ist weniger ein Logik-Versagen als ein Narrativ-Versagen — unsere Geschichten bevorzugen einen Protagonisten, einen Bösewicht, eine Erklärung.

Komplexe Ereignisse haben fast immer multiple Ursachen auf verschiedenen Ebenen:

• Erster Weltkrieg: „Verursacht durch" die Ermordung von Erzherzog Franz Ferdinand — außer dass auch das Bündnissystem, Rüstungswettläufe, imperiale Konkurrenz, nationalistische Bewegungen, Eisenbahn-Mobilisierungspläne und Jahrzehnte diplomatischen Versagens dazu beitrugen.
• Adipositas: „Verursacht durch" zu viel Essen — außer dass auch Genetik, Darmmikrobiom, Lebensmittelumgebung, Stress, Schlaf, sozioökonomische Faktoren und hormonelle Regulation eine Rolle spielen.
• Finanzkrise 2008: „Verursacht durch" Subprime-Hypotheken — außer dass auch Deregulierung, Credit Default Swaps, Rating-Agentur-Versagen, Verschuldungsgrade und kollektive Illusionen über Immobilienpreise nötig waren.

Der Einzelursachen-Fehlschluss ist nicht bloß ein intellektueller Irrtum — er hat tiefgreifende praktische Konsequenzen. Wer glaubt, Adipositas werde allein durch persönliche Entscheidungen verursacht, entwirft Interventionen um individuelle Willenskraft (die weitgehend scheitern). Wer es als multikausales System erkennt, adressiert auch Lebensmittelpolitik, Stadtplanung, ökonomische Ungleichheit und Werberegulierung. Einzelursachen-Denken produziert Einzelhebel-Lösungen, und Einzelhebel-Lösungen funktionieren selten für multikausale Probleme.

Dieser Fehlschluss verbindet sich tief mit dem, was TellDears Dimension 3 als Status-quo-Bias erfasst. Für eine breitere Erforschung, wie kognitive Biases unsere Entscheidungen formen, siehe The Architecture of Bad Choices.

III. Wie Kausal-Fehlschlüsse interagieren

In der Praxis treten Kausal-Fehlschlüsse selten isoliert auf. Sie bilden sich verstärkende Cluster, die die resultierenden falschen Überzeugungen bemerkenswert widerstandsfähig machen:

Die Alternativmedizin-Kaskade: Eine Person fühlt sich krank (Extremzustand) → sucht Alternativbehandlung → verbessert sich (Regression zur Mitte) → schreibt die Verbesserung der Behandlung zu (post hoc) → erzählt anderen von ihrer „Heilung" (anekdotische Evidenz + voreilige Verallgemeinerung) → sucht Muster, wer sich sonst noch verbesserte (Texas Sharpshooter) → konstruiert eine Einzelursachen-Theorie der Krankheit. Jeder Schritt ist einzeln fehlerhaft, aber zusammen konstruieren sie ein Gebäude, das überwältigend überzeugend wirkt.

Die Politik-Rückkopplungsschleife: Kriminalität steigt (teilweise Rauschen) → neue Tough-on-Crime-Politik → Kriminalität sinkt (Regression) → Politik wird als Erfolg erklärt (post hoc) → Politik wird ausgeweitet → nächster Anstieg wird unzureichender Durchsetzung zugeschrieben (Einzelursache) → noch härtere Politik → erneute Regression → weitere Bestätigung.

Die Aberglaube-Maschine: Zufälliges gutes Ergebnis → Erklärung suchen (Kausalitäts-Hunger) → zufälligen Faktor identifizieren (falsche Ursache) → Verhalten wiederholen → manchmal „funktioniert" es wieder (intermittierende Verstärkung + Texas Sharpshooter) → Überzeugung verfestigt sich → widerlegende Fälle vergessen (Cherry Picking) → Ritual wird fest verankert.

IV. Kausal-Fehlschlüsse in der Wissenschaft: Die Replikationskrise

Die wissenschaftliche Replikationskrise — die Erkenntnis, dass viele publizierte Ergebnisse nicht replizierbar sind — ist in erheblichem Maße eine Geschichte über Kausal-Fehlschlüsse, die innerhalb der Strukturen der Wissenschaft selbst operieren.

Texas Sharpshooter im großen Maßstab: Wenn Forscher multiple Hypothesen testen und nur die „signifikanten" Ergebnisse berichten, malen sie Zielscheiben um zufällige Cluster. Diese Praxis, p-Hacking oder Data Dredging genannt, wurde in Psychologie, Medizin, Ökonomie und anderen Feldern dokumentiert.

Post-hoc-Narrative: Nach dem Fund eines unerwarteten signifikanten Ergebnisses konstruieren Forscher eine Post-hoc-Rechtfertigung — „wir hatten vorhergesagt, dass..." — und verwandeln einen explorativen Befund in einen scheinbar konfirmatorischen. Dies ist als HARKing bekannt (Hypothesizing After Results are Known).

Regressions-Artefakte: Studien, die extreme Gruppen für Interventionen auswählen (die kränksten Patienten, die schlechtesten Schulen), werden fast immer Verbesserung zeigen — nicht weil die Intervention wirkt, sondern weil extreme Gruppen zur Mitte regredieren.

Die methodischen Reformen, die die Wissenschaft durchziehen — Prä-Registrierung, Registered Reports, größere Stichproben, adversariale Kollaborationen — sind im Wesentlichen strukturelle Abwehrmaßnahmen gegen Kausal-Fehlschlüsse.

V. Sich gegen Kausal-Fehlschlüsse verteidigen

Kausal-Fehlschlüsse in der Praxis zu erkennen erfordert eine spezifische Art kognitiver Disziplin — kausale Skepsis. Nicht die nihilistische Art („wir können nie etwas über Kausalität wissen"), sondern die produktive Art („Kausalität ist real, aber schwer nachzuweisen, und unsere Intuitionen dazu sind unzuverlässig").

Die kontrafaktische Frage stellen: „Was wäre ohne diese vermeintliche Ursache passiert?" Wenn Sie diese Frage nicht beantworten können — keine Kontrollgruppe, keine Baseline, kein natürliches Experiment —, steht Ihr Kausalanspruch auf sehr wackeligem Grund.

Auf Regression prüfen: „War der Ausgangspunkt extrem?" Wenn Sie eine Intervention bewerten, die nach einer extremen Beobachtung angewendet wurde, fragen Sie, ob Regression zur Mitte allein die anschließende Veränderung erklären könnte.

Ursachen zählen: „Gibt es wirklich nur eine Erklärung?" Zwingen Sie sich bei komplexen Ereignissen, mindestens drei plausible beitragende Ursachen aufzulisten, bevor Sie sich auf eine festlegen.

Mechanismus verlangen: „Wie genau würde A B verursachen?" Eine Korrelation oder zeitliche Abfolge ohne plausiblen Mechanismus ist deutlich weniger überzeugend als eine mit klarem Kausalpfad.

Basisraten respektieren: „Wie oft passiert das sowieso?" Wenn etwas in 30% der Fälle ohne Intervention passiert, sagt die Tatsache, dass es nach Ihrer Intervention passierte, fast nichts. Sie müssen wissen, ob sich die Rate verändert hat, nicht nur ob es eingetreten ist. Dies verbindet sich mit dem Fehlschluss der voreiligen Verallgemeinerung.

VI. Das tiefere Problem: Narrative Kausalität

Allen Kausal-Fehlschlüssen liegt eine tiefere kognitive Tendenz zugrunde: unsere Präferenz für kausale Narrative gegenüber statistischen Beschreibungen. Wir verstehen die Welt durch Geschichten, und Geschichten brauchen Ursachen. „A passierte, dann passierte B, wegen C" ist eine Geschichte. „Es besteht eine Korrelation von 0,3 zwischen A und B nach Kontrolle der Störvariablen D bis K" ist keine Geschichte. Es ist eine Beschreibung. Und Beschreibungen, egal wie genau, befriedigen unseren Kausalitäts-Hunger nicht.

Das ist nicht bloß eine kognitive Limitierung — es ist eingebaut in unsere Sprache, unsere Medien, unsere Institutionen. Zeitungen berichten, der Aktienmarkt sei „wegen" Inflationsängsten „gefallen". Politiker behaupten, ihre Politik habe Wirtschaftswachstum „verursacht". Ärzte sagen Patienten, ihre Krankheit sei durch einen bestimmten Faktor „verursacht" worden. In jedem Fall ist die kausale Sprache typischerweise eine Übervereinfachung von etwas viel Komplexerem, Unsichererem und Multifaktoriellerem.

Der Philosoph Nassim Nicholas Taleb nennt dies den „narrativen Fehlschluss" — unsere Tendenz, kohärente Kausalgeschichten aus zufälligen Ereignissen zu konstruieren. Der Psychologe Daniel Kahneman beschreibt es als die Operation von „System 1" — unserem schnellen, automatischen, Narrative generierenden kognitiven System — das „System 2" überlagert — unser langsames, bewusstes, analytisches System. Beide beschreiben dieselbe fundamentale Spannung: Wir sind verdrahtet für Geschichten, aber die Realität ist verdrahtet für Statistik.

Das Ziel des Studiums von Kausal-Fehlschlüssen ist nicht, aufzuhören, kausale Geschichten zu erzählen — das wäre weder möglich noch wünschenswert. Es ist, das metakognitive Bewusstsein zu entwickeln, in den richtigen Momenten zu fragen: „Ist das eine Geschichte, die ich erzähle, oder etwas, das ich tatsächlich weiß?" Diese Frage, konsequent und ehrlich gestellt, ist der Beginn echten kritischen Denkens über Kausalität.

Weiterführende Lektüre

• How Numbers Lie — Vertiefung zu statistischen Fehlern und wie Daten irreführen können (D4)
• The Architecture of Bad Choices — Wie kognitive Biases unsere Entscheidungen verzerren (D3)
• Anatomy of Argumentation Schemes — Die strukturellen Muster legitimer Argumentation (D5)
• Manufacturing Reality — Wie Propaganda falsche Kausalnarrative als Waffe einsetzt (D2)
• Hollow Rhetoric — Wenn Argumente überzeugend klingen, aber nichts enthalten