Korrelation heißt, dass sich zwei Größen gemeinsam bewegen. Kausalität heißt, dass die eine die andere bewirkt. Das Statistische Bundesamt fasst den Unterschied so: Korrelationen sind kein Beweis für Wirkungszusammenhänge, sondern Indizien, denen man weiter nachgehen muss.
Eine dritte Ursache kann beide Größen bewegen
Das Deutsche Ärzteblatt beschreibt dazu ein Beispiel: Wird ein Zusammenhang zwischen Kaffeetrinken und koronarer Herzkrankheit beobachtet, könnte man Kaffee als Ursache vermuten. Kaffeetrinker rauchen aber überdurchschnittlich oft, und Rauchen ist eine starke Ursache dieser Krankheit. Wer das Rauchen nicht mit erfasst, schreibt dem Kaffee eine Wirkung zu, die anderswo herkommt. Eine solche Störgröße heißt in der Fachsprache Confounder.
Das Statistische Bundesamt nennt selbst einen Fall: Auf der Nordhalbkugel korrelieren globale Erwärmung und steigende Lebenserwartung stark. Niemand wird deshalb länger leben, weil es wärmer wird. Wahrscheinliche Ursachen sind industrielle Entwicklung, medizinischer Fortschritt und bessere Lebensbedingungen.
Vier Erklärungen, bevor man auf Ursache und Wirkung schließt
| Erklärung | Muster | Gedachtes Beispiel |
|---|---|---|
| A bewirkt B | echte Ursache | Regen macht die Straße nass |
| B bewirkt A | umgekehrte Richtung | Firmen mit hohem Gewinn geben mehr für Werbung aus, nicht unbedingt umgekehrt |
| C bewirkt A und B | dritte Größe | Hitze erhöht Eisverkäufe und Sonnenbrände |
| Zufall | kein Zusammenhang | Zwei Zeitreihen passen ein paar Jahre lang zufällig zusammen |
Der häufige Irrtum: Je enger die Kurven, desto sicherer der Beweis
Eine hohe Korrelation sagt nichts über die Ursache. Das lässt sich nachrechnen: Eine Reihe wächst Jahr für Jahr von 1 auf 2, 3 und 4, eine andere von 10 auf 20, 30 und 40. Der Korrelationskoeffizient beträgt exakt 1, also den höchstmöglichen Wert, auch wenn die erste Fahrradpreise und die zweite die Zahl der Hunde einer Stadt misst. Alles, was stetig wächst, korreliert stark mit allem anderen, was stetig wächst. Bei Wirtschaftsdaten kommt das häufig vor, weil Preise, Löhne und Bevölkerung oft zugleich steigen.
Ein Experiment kann Ursachen besser zeigen als eine Beobachtung
Am sichersten lässt sich eine Ursache prüfen, wenn der Zufall entscheidet, wer eine Behandlung bekommt. Dann sollen sich bekannte und unbekannte Störgrößen gleichmäßig auf die Gruppen verteilen, heißt es im Ärzteblatt. In Beobachtungsstudien gelingt das selten. Viele Fragen lassen sich aber nur beobachten, Rauchen und Lungenkrebs etwa: Niemand darf Menschen per Los zum Rauchen verpflichten. Dort rechnen Forschende bekannte Störgrößen so weit wie möglich heraus, zum Beispiel, indem sie Raucher und Nichtraucher getrennt auswerten. Bleibt der Zusammenhang in jeder Gruppe bestehen, wird er plausibler. Beweisen lässt er sich so nicht allein durch einen einzigen Wert; es braucht mehrere Hinweise.
Ein Warnzeichen in Meldungen sind Verben wie „macht“, „führt zu“ oder „senkt“, wenn die zugrunde liegende Arbeit nur Daten verglichen hat. Vorsichtige Forschende schreiben „hängt zusammen mit“.
Quellen
- Statistisches Bundesamt, E-Learning Korrelationsanalyse: Indizien statt Beweise, Drittvariablen, Beispiel Erwärmung und Lebenserwartung
- Hammer, du Prel, Blettner, Dtsch Arztebl Int 2009: Confounding, Beispiel Kaffee und Rauchen, Randomisierung, Schichtung
- Röhrig u. a., Dtsch Arztebl Int 2009, Studientypen: Experimente für Kausalaussagen, Beobachtungsstudien
Stand: November 2026. Dieser Beitrag dient der allgemeinen Information und ersetzt keine Rechts-, Steuer-, Finanz- oder Rentenberatung im Einzelfall. Trotz sorgfältiger Prüfung übernehmen wir keine Gewähr für Richtigkeit, Vollständigkeit und Aktualität.