Korrelation versus Kausalität: Bedeutung und Anwendung

Du siehst in deinen Daten, dass Kundinnen und Kunden, die eine App nutzen, länger bleiben, oder dass Mitarbeitende mit einem Mentor seltener kündigen. Solche Zusammenhänge liest man schnell als Ursache und Wirkung. Ob diese Lesart stimmt, hängt davon ab, wie die Daten entstanden sind und welche anderen Erklärungen du ausgeschlossen hast.

Korrelation versus Kausalität ist die Unterscheidung zwischen zwei Merkmalen, die gemeinsam auftreten, und einem Merkmal, das das andere verursacht.

Ein Zusammenhang kann durch Zufall entstehen, dadurch, dass die Wirkung die Ursache beeinflusst, durch einen gemeinsamen dritten Faktor oder durch die Art, wie Menschen in deine Daten gelangt sind. Eine kausale Aussage braucht deshalb ein passendes Design, etwa ein randomisiertes Experiment, oder explizite und vertretbare Annahmen. Formuliere deinen Befund nie stärker, als dieses Design es erlaubt.

Ein Zusammenhang oder eine Korrelation besteht, wenn zwei Merkmale gemeinsam variieren: Wo das eine häufiger auftritt, tritt auch das andere häufiger oder gerade seltener auf. In quantitativer Forschung drückst du das als Korrelation oder als Unterschied zwischen Gruppen aus. In qualitativer Forschung zeigt es sich als Muster: Teilnehmende, die das eine nennen, nennen oft auch das andere.

Kausalität besteht, wenn eine Veränderung des einen Merkmals eine Veränderung des anderen bewirkt. Eine kausale Aussage betrifft also, was passiert, wenn du eingreifst. Ein Zusammenhang beantwortet diese Frage nicht. Der bekannte Satz „Korrelation ist nicht Kausalität“ sagt noch nicht, was du stattdessen tun kannst; darum geht es in diesem Artikel.

Shadish, Cook und Campbell fassen in ihrem Standardwerk eine klassische Analyse zusammen, die sie John Stuart Mill zuschreiben: Eine kausale Beziehung besteht, wenn die Ursache der Wirkung vorausging, wenn Ursache und Wirkung zusammenhängen und wenn sich keine andere plausible Erklärung für die Wirkung finden lässt. Eine Korrelation beweist laut ihnen keine Kausalität, weil man oft nicht weiß, welches Merkmal zuerst da war und ob es alternative Erklärungen gibt (Shadish, Cook & Campbell, 2002).

Der Epidemiologe Austin Bradford Hill fragte 1965, welche Aspekte eines Zusammenhangs du betrachten solltest, bevor du entscheidest, dass Kausalität die wahrscheinlichste Interpretation ist. Er nannte neun Gesichtspunkte, darunter die Stärke des Zusammenhangs, die Konsistenz über Studien hinweg, die zeitliche Reihenfolge und experimentelle Belege (Hill, 1965).

Neben einem kausalen Effekt gibt es mindestens vier andere Erklärungen für einen Zusammenhang.

1. Zufall. Vor allem in kleinen Stichproben entstehen Zusammenhänge, die bei Wiederholung verschwinden.
2. Umgekehrte Kausalität. Die vermutete Wirkung beeinflusst die vermutete Ursache. Hill beschrieb die zeitliche Reihenfolge als die Frage, was der Karren und was das Pferd ist (Hill, 1965).
3. Confounding. Ein dritter Faktor, eine Störvariable (Confounder), beeinflusst beide Merkmale. Rohrers Beispiel ist Intelligenz, die sowohl den Bildungsabschluss als auch das Einkommen beeinflussen und so einen Teil ihres Zusammenhangs erklären kann (Rohrer, 2018).
4. Selektionseffekte. Der Zusammenhang entsteht dadurch, wer in deinen Daten ist. In Rohrers Beispiel gilt: Hängt eine Veröffentlichung sowohl von methodischer Sorgfalt als auch von Innovativität ab, können beide unter veröffentlichten Studien negativ zusammenhängen, auch wenn sie in Wirklichkeit unabhängig sind. Elwert und Winship nennen das endogene Selektionsverzerrung: das Konditionieren auf einen sogenannten Collider, eine Variable, die von zwei anderen Variablen beeinflusst wird (Elwert & Winship, 2014).

Nicht jedes Design stützt dieselbe Aussage:

• Randomisiertes Experiment. Du teilst Menschen zufällig Bedingungen zu. Gut durchgeführt sind die Gruppen dann im Durchschnitt vergleichbar, sodass Unterschiede im Ergebnis wahrscheinlich auf die Behandlung zurückgehen (Shadish, Cook & Campbell, 2002). Bei digitalen Produkten heißt das oft A/B-Test oder kontrolliertes Online-Experiment (Kohavi, Tang & Xu, 2020). Siehe auch prüfbare Botschaften.
• Quasi-Experiment. Es gibt einen Eingriff, aber keine zufällige Zuteilung: Menschen wählen selbst oder werden von einer Organisation eingeteilt. Alternative Erklärungen musst du dann gesondert ausschließen, zum Beispiel mit Messungen vorher und nachher und einer Vergleichsgruppe.
• Beobachtungsstudie. Du misst, ohne einzugreifen. Ein kausaler Schluss beruht dann vollständig auf Annahmen über Störvariablen, Reihenfolge und Selektion.
• Beschreibende und qualitative Forschung. Geeignet, um Zusammenhänge, Bedeutungen und Prozesse zu entdecken und Hypothesen zu bilden.

Judea Pearl betont, dass sich kausale Aussagen nicht allein aus Zusammenhängen begründen lassen: Hinter jedem kausalen Schluss steht eine kausale Annahme, die du in Beobachtungsdaten nicht prüfen kannst (Pearl, 2009). Ein verbreitetes Hilfsmittel ist ein Kausaldiagramm (directed acyclic graph, DAG): ein Schema mit Pfeilen für die kausalen Beziehungen, die du annimmst.

Rohrer zeigt, warum das hilft. Die Kontrolle einer Störvariable kann einen Scheinzusammenhang beseitigen. Die Kontrolle eines Colliders kann gerade einen Scheinzusammenhang erzeugen. Und wer einen Mediator kontrolliert, also einen Zwischenschritt, über den die Ursache wirkt, entfernt genau den Prozess, den er untersuchen wollte. „Möglichst viele Variablen aufnehmen“ ist daher keine sichere Strategie. Rohrer rät, diese Pfade vor der Datenerhebung zu durchdenken, und merkt an, dass vorsichtige Formulierungen Lesende nicht davon abhalten, trotzdem kausale Schlüsse zu ziehen (Rohrer, 2018).

Manchmal ist ein Experiment nicht möglich oder nicht vertretbar. Die neun Gesichtspunkte von Hill helfen dann beim Abwägen: Stärke, Konsistenz, Spezifität, zeitliche Reihenfolge, eine Dosis-Wirkungs-Beziehung, Plausibilität, Kohärenz mit bestehendem Wissen, experimentelle Belege und Analogie. Hill schrieb selbst, dass keiner dieser Gesichtspunkte unbestreitbare Belege für oder gegen eine Ursache-Wirkungs-Hypothese liefert und keiner eine zwingende Voraussetzung ist. Auch Signifikanztests beantworten diese Fragen seiner Ansicht nach nicht (Hill, 1965).

Nutze sie als Denkhilfe, nicht als Checkliste. Ein starker und konsistenter Zusammenhang macht eine kausale Erklärung plausibler, schließt eine Störvariable aber nicht aus.

Maxwell unterscheidet zwei Arten kausalen Denkens. Varianztheorie arbeitet mit Variablen und den Zusammenhängen zwischen ihnen. Prozesstheorie betrachtet Ereignisse und die Prozesse, die sie verbinden. Qualitative Methoden können solche Prozesse laut Maxwell oft direkt untersuchen, haben aber eigene Gefährdungen der Validität; Forschende müssen alternative Erklärungen aktiv aufspüren und prüfen (Maxwell, 2004).

Interviews können also zeigen, wie Teilnehmende eine Entscheidung erleben und welche Schritte sie zwischen Anlass und Verhalten sehen. Sie liefern keine Effektgröße für eine Population. Und eine Ursache, die Teilnehmende nennen, ist ihre Erklärung, nicht automatisch der tatsächliche Mechanismus. Die Kombination von Methoden und Quellen stärkt eine Interpretation, aber Übereinstimmung zwischen Quellen ist für sich genommen noch kein kausaler Beleg.

Viel Zielgruppen- und Assoziationsforschung ist beobachtend: Du misst, welche Bedeutungen Menschen mit einer Entscheidung verbinden und wie das mit ihrem Verhalten oder ihrer Präferenz zusammenhängt. Siehe Wie misst man Assoziationen? und Was sind Assoziationscluster?. Solche Muster helfen, zu verstehen und Hypothesen zu bilden. Ob eine Assoziation Verhalten verursacht oder Verhalten die Assoziation formt, zeigen sie nicht (redaktionelle Anwendung).

Nutze einen gefundenen Zusammenhang daher als Ausgangspunkt für eine prüfbare Frage, nicht als bewiesenen Hebel.

Passe deine Worte an dein Design an (redaktioneller Rat).

Nenne außerdem Population, Zeitraum, Größe des Unterschieds und Unsicherheit.

1. Formuliere die kausale Frage. Welcher Eingriff, welches Ergebnis?
2. Zeichne ein Kausaldiagramm. Halte Störvariablen, mögliche umgekehrte Pfade, Mediatoren und Selektionsmomente fest.
3. Prüfe Reihenfolge und Selektion. Kam die Ursache zuerst, und wer fehlt in deinen Daten?
4. Wähle ein passendes Design. Ein Experiment, wo möglich, sonst ein Quasi-Experiment oder eine explizit begründete Beobachtungsanalyse.
5. Untersuche den Prozess qualitativ. Wie würde der Effekt wirken, und welche Alternativen bringen Teilnehmende ein?
6. Formuliere passend. Nenne Design, Annahmen und Grenzen im selben Satz wie den Befund.

Dieses Beispiel ist fiktiv und dient der Veranschaulichung.

Situation. Eine Fitnessstudiokette sieht in ihrer Mitgliederverwaltung, dass Mitglieder, die die App nutzen, im Durchschnitt länger bleiben als Mitglieder, die das nicht tun. Das Management erwägt, alle neuen Mitglieder über die App anzumelden.

Entscheidungsfrage. Verlängert die App die Mitgliedschaft, oder nutzen Mitglieder, die ohnehin bleiben würden, die App häufiger?

Verfügbare Informationen. Nur Beobachtungsdaten; Mitglieder entscheiden selbst, ob sie die App installieren.

Passendes Vorgehen. Das Team zeichnet zuerst ein Diagramm. Engagement und Trainingserfahrung können sowohl die App-Nutzung als auch die Mitgliedschaftsdauer beeinflussen (Confounding). Mitglieder, die bereits über eine Kündigung nachdenken, hören vielleicht zuerst mit der App auf (umgekehrte Kausalität). Enthält die Analyse nur Mitglieder, die die ersten drei Monate geblieben sind, kann ein Selektionseffekt entstehen. Danach richtet das Team einen randomisierten Test ein: Die Hälfte der neuen Mitglieder erhält bei der Anmeldung eine persönliche App-Einführung, die andere Hälfte den üblichen Empfang. Interviews klären, wie Mitglieder die App nutzen.

Mögliche Interpretation. Der Test misst den Effekt der Einführung, nicht direkt den Effekt der App-Nutzung selbst. In diesem Beispiel sind keine Ergebnisse bekannt.

Nächster Schritt. Erst nach dem Test entscheidet die Kette über eine breitere Einführung, mit einer Formulierung innerhalb der Grenzen des Designs.

• Einen Zusammenhang als Hebel präsentieren. Dann investierst du in etwas, das möglicherweise nur mitläuft.
• Für alles kontrollieren. Die Kontrolle eines Mediators oder Colliders kann deine Schätzung gerade verzerren.
• Die Selektion vergessen. Eine Analyse nur aktiver Kundinnen und Kunden oder Befragter kann Zusammenhänge erzeugen oder verbergen.
• Vorsichtige Worte für die Lösung halten. „Hängt zusammen mit“ im Text und eine kausale Empfehlung im Fazit widersprechen sich.
• Gruppendaten auf Einzelpersonen anwenden. Auch ein experimentell nachgewiesener Durchschnittseffekt sagt nicht, was eine Person tut, und gilt nicht automatisch in einem anderen Kontext.

Ein Zusammenhang ist ein wertvoller Ausgangspunkt für Forschung. Eine kausale Aussage verlangt mehr: ein Design, das alternative Erklärungen ausschließt, oder explizite Annahmen, die du begründen kannst. Mach dein Kausalmodell sichtbar, wähle das Design, das zu deiner Frage passt, und formuliere deinen Befund nicht stärker, als dieses Design es erlaubt.