Kausalität und Korrelation: Unterschiede und Beispiele

Kausalität bedeutet, dass eine Änderung einer Variable eine Änderung einer anderen Variable bewirkt. Das wird Ursache-Wirkungs-Prinzip genannt.

Korrelation bedeutet, dass es einen statistischen Zusammenhang zwischen Variablen gibt. Eine Änderung einer Variablen hat aber nicht zwangsläufig eine Auswirkung auf die andere Variable.

In der Forschung bist du vielleicht auf den Satz ‚Korrelation impliziert keine Kausalität‘ gestoßen.

Kausalität und Korrelation sind zwei verwandte Ideen und das Verständnis ihrer Unterschiede hilft dir, wissenschaftliche Forschung kritisch zu bewerten und zu interpretieren.

Unterschied zwischen Korrelation und Kausalität

Korrelation beschreibt einen Zusammenhang zwischen Variablen: Wenn sich eine Variable ändert, ändert sich auch die andere.

Eine Korrelation ist ein statistischer Indikator für die Beziehung zwischen Variablen. Diese Variablen ändern sich zusammen: sie kovariieren. Aber diese Kovariation ist nicht unbedingt auf einen direkten oder indirekten kausalen Zusammenhang zurückzuführen.

Kausalität bedeutet, dass Änderungen in einer Variable Änderungen in der anderen Variable verursachen. Zwischen Variablen besteht eine Ursache-Wirkungs-Beziehung.

Die beiden Variablen korrelieren miteinander und es besteht zusätzlich auch ein kausaler Zusammenhang zwischen ihnen.

Beachte
Eine Korrelation bedeutet keine Kausalität, aber …

… eine Kausalität bedeutet immer eine Korrelation.

Warum Korrelation keine Kausalität bedeutet

Es gibt zwei Hauptgründe, warum Korrelation nicht das Gleiche wie Kausalität ist. Es ist wichtig, diese Probleme zu identifizieren, um fundierte wissenschaftliche Schlussfolgerungen aus deiner Forschung ziehen zu können.

Erstens: das Problem der dritten Variable.

Hier werden beide Variablen durch eine dritte Variable beeinflusst. Sie scheinen deshalb in einem kausalen Zusammenhang zu stehen, obwohl dies nicht der Fall ist.

Beispiel: Problem der dritten Variable
Die Variablen Eisverkauf und Gewaltkriminalität korrelieren eng miteinander, sind aber nicht kausal miteinander verknüpft.

Stattdessen beeinflusst eine dritte Variable – heiße Temperaturen – beide Variablen (Eisverkauf und Gewaltkriminalität) separat.

Zweitens: das Richtungsproblem.

Hier korrelieren zwei Variablen miteinander und könnten tatsächlich eine kausale Beziehung aufweisen. Es ist aber unmöglich, festzustellen, welche Variable die Änderungen in der anderen Variable verursacht.

Beispiel: Richtungsproblem
Die Variablen Vitamin-D-Spiegel und Depression korrelieren eng miteinander.

Es ist aber nicht klar, ob ein niedriger Vitamin-D-Spiegel zu Depression führt oder ob Depression zu einer verringerten Vitamin-D-Zufuhr führt.

Du musst ein geeignetes Forschungsdesign verwenden, um zwischen korrelativen und kausalen Beziehungen zu unterscheiden:

Anhand einer Korrelationsstudie kannst du nur Korrelationsverbindungen zwischen Variablen aufzeigen.

Durch eine experimentelle Studie kannst du Variablen auf Kausalität untersuchen.

Kostenlos auf Plagiate prüfen.

Plagiatsprüfung testen

Korrelationsstudie durchführen

Bei einer Korrelationsstudie sammelst du Daten zu deinen Variablen, ohne sie zu manipulieren.

Beispiel: Korrelationsstudie
Du sammelst anhand einer Umfrage Daten, um zu untersuchen, ob es einen Zusammenhang zwischen körperlicher Aktivität und einem guten Selbstwertgefühl gibt.

Dazu fragst du die Teilnehmenden, wie viel körperliche Aktivität sie in ihrem Tagesablauf haben, und misst ihr Selbstwertgefühl anhand eines Tests.

Du stellst fest, dass das Maß an körperlicher Aktivität positiv mit dem Selbstwertgefühl korreliert:

Ein geringeres Maß an körperlicher Aktivität ist mit einem geringeren Selbstwertgefühl verbunden, während ein höheres Maß an körperlicher Aktivität mit einem höheren Selbstwertgefühl verbunden ist.

Korrelationsstudien gewährleisten normalerweise eine hohe externe Validität, sodass du deine Ergebnisse auf reale Situationen übertragen kannst.

Sie gewährleisten jedoch nur eine geringe interne Validität. Dadurch ist es schwierig, Änderungen in einer Variable kausal mit Änderungen in der anderen Variable in Verbindung zu bringen.

Korrelationsstudien werden häufig verwendet, wenn es unethisch, zu kostspielig oder zu schwierig ist, ein kontrolliertes Experiment durchzuführen. Sie werden auch verwendet, um Beziehungen zu untersuchen, von denen nicht erwartet wird, dass sie kausal sind.

Beispiel: Korrelationsforschung
Um zu untersuchen, ob der Konsum gewalthaltiger Medien mit Aggression zusammenhängt, sammelst du Daten über die Nutzung von Videospielen durch Kinder und ihre Verhaltenstendenzen.

Dazu bittest du Eltern, die Anzahl der wöchentlichen Stunden zu melden, die ihre Kinder mit gewalthaltigen Videospielen verbringen, und befragst Eltern und Lehrer zum Verhalten der Kinder.

Du findest eine positive Korrelation zwischen den Variablen: Kinder, die mehr Zeit mit gewalttätigen Videospielen verbringen, zeigen häufiger aggressives Verhalten.

Problem der dritten Variable

Ohne kontrollierte Experimente ist es schwer zu sagen, ob Änderungen in einer anderen Variable durch die Variable, an der du interessiert bist, verursacht wurden.

Drittvariablen bzw. Fremdvariablen sind alle Variablen außer den Variablen, die dich interessieren, durch die deine Ergebnisse beeinflusst werden könnten.

Begrenzte Kontrolle in der Korrelationsforschung bedeutet, dass Drittvariablen bzw. Fremdvariablen als alternative Erklärungen für die Ergebnisse dienen.

Drittvariablen können den Anschein erwecken, dass eine Korrelationsbeziehung kausal ist, obwohl dies nicht der Fall ist.

Beispiel: Drittvariablen
In deiner Studie über gewalttätige Videospiele und Aggression ist elterliche Aufmerksamkeit eine Drittvariable, die beeinflussen könnte,

  • wie oft Kinder gewalttätige Videospiele konsumieren und
  • wie sie sich verhalten.

Wenig bzw. toxische elterliche Aufmerksamkeit kann sowohl den Konsum gewalttätiger Videospiele als auch aggressives Verhalten bei Kindern verstärken.

Elterliche Aufmerksamkeit ist aber keine Variable, die du kontrollieren kannst. Deshalb kannst du nur Schlussfolgerungen über Korrelation (nicht Kausalität) zwischen deinen Hauptvariablen anstellen.

Wenn zwei Variablen miteinander korrelieren, kannst du lediglich sagen, dass Änderungen in einer Variable parallel zu Änderungen in der anderen Variable führen.

Scheinkorrelation

Eine Scheinkorrelation liegt vor, wenn zwei Variablen durch verborgene Drittvariablen oder einfach durch Zufall miteinander in Beziehung stehen.

Beispiel: Scheinkorrelation
In Deutschland und Dänemark zeigen statistische Daten über Jahrzehnte hinweg eine eindeutige positive Korrelation zwischen der Storchenpopulation und der menschlichen Geburtenrate.

Das heißt: Mit der Storchenpopulation schwankt auch die Zahl der neugeborenen Menschen.

Wie erklärt sich dieses Muster?

In der Storchentheorie wird eine einfache kausale Verbindung zwischen beiden Variablen hergestellt, um dafür zu argumentieren, dass Babys von Störchen gebracht werden.

Diese satirische Studie veranschaulicht, warum man allein durch Korrelationsforschung nicht auf Kausalität schließen kann.

In Wirklichkeit könnte die Korrelation durch Drittvariablen (wie Wettermuster, Umweltentwicklungen usw.) erklärt werden, die sowohl zu einer Zunahme der Storch- als auch der Menschenpopulation führten. Die Korrelation könnte auch rein zufällig sein.

Wenn du Korrelationen in einem großen Datensatz mit vielen Variablen analysierst, sind die Chancen, mindestens ein statistisch signifikantes Ergebnis zu finden, hoch.

In diesem Fall ist es wahrscheinlicher, dass du einen Fehler erster Art machst.

Dies bedeutet: Aufgrund verzerrter Daten in der Stichprobe wird fälschlicherweise geschlussfolgert, dass es eine echte Korrelation zwischen Variablen in der Grundgesamtheit gibt.

Richtungsproblem

Um Kausalität nachzuweisen, musst du eine Richtungsbeziehung ohne alternative Erklärungen aufzeigen.

Eine Richtungsbeziehung kann nur in eine Richtung gehen, d. h.: Eine Variable wirkt sich auf die andere aus.

Eine Richtungsbeziehung kann auch in beide Richtungen gehen, d. h.: Beide Variablen beeinflussen sich gegenseitig.

Mit einem korrelativen Forschungsdesign ist es nicht möglich, eine Richtungsbeziehung aufzuzeigen.

Mit einem experimentellen Forschungsdesign können Richtungsbeziehungen in eine und in beide Richtungen nacheinander getestet werden.

Beispiel: Richtungsproblem
Die Variablen körperliche Aktivität und Selbstwertgefühl können auf drei Arten kausal zusammenhängen:

  • Körperliche Aktivität kann das Selbstwertgefühl beeinflussen
  • Das Selbstwertgefühl kann körperliche Aktivität beeinflussen
  • Körperliche Aktivität und Selbstwertgefühl können sich gegenseitig beeinflussen

In der Korrelationsforschung ist die Richtung einer Beziehung unklar, da die Kontrolle durch die forschende Person begrenzt ist. Du könntest z. B. auf umgekehrte Kausalität schließen, d. h. auf eine Richtungsbeziehung in die falsche Richtung.

Kausalforschung

Kausale Zusammenhänge zwischen Variablen können nur mit kontrollierten Experimenten wirklich nachgewiesen werden. Mit Experimenten werden formale Vorhersagen (auch Hypothesen genannt) getestet, um jeweils eine Kausalität in eine Richtung zu etablieren.

Experimente haben eine hohe interne Validität, sodass Ursache-Wirkungs-Beziehungen mit angemessener Sicherheit nachgewiesen werden können.

Du kannst eine Ursache-Wirkungs-Beziehung in eine Richtung feststellen, weil du eine unabhängige Variable manipulierst, bevor du die Änderung einer abhängigen Variable misst.

Beispiel: Richtung der Kausalität in Experiment testen
Du glaubst, dass das Level an körperlicher Aktivität das Selbstwertgefühl beeinflusst.

Daher testest du diese Hypothese in einem Experiment, in dem das Level an körperlicher Aktivität verändert wird und misst Veränderungen des Selbstwertgefühls.

Um die Richtung der Kausalität zu bestimmen, muss die Veränderung der körperlichen Aktivität vor jeder beobachteten Veränderung des Selbstwertgefühls erfolgen.

Um zu testen, ob Kausalität in beide Richtungen besteht, musst du ein neues Experiment entwerfen, in dem bewertet wird, ob das Selbstwertgefühl das Level an körperlicher Aktivität beeinflussen kann.

In einem kontrollierten Experiment kannst du den Einfluss von Drittvariablen auch eliminieren, indem du eine randomisierte Gruppenzuteilung und Kontrollgruppen verwendest.

Randomisierte Gruppeneinteilungen helfen dabei, Teilnehmende mit verschiedenen Merkmalen gleichmäßig auf die Gruppen zu verteilen, sodass die Gruppen ähnlich und vergleichbar sind.

Mit einer Kontrollgruppe kannst du die im Experiment getesteten Behandlungsgruppen mit einer Gruppe vergleichen, die eine alternative oder keine Behandlung erhalten hat.

Beispiel: Drittvariablen in einem experimentellen Design kontrollieren
Du teilst jede teilnehmende Person nach dem Zufallsprinzip in eine Kontrollgruppe oder eine Versuchsgruppe ein.

Durch die zufällige Einteilung wird den Auswirkungen von Drittvariablen wie dem Alter oder dem psychischen Gesundheitszustand der Teilnehmenden vorgebeugt, die deine Ergebnisse beeinflussen könnten.

Die Kontrollgruppe erhält eine alternative oder keine Behandlung.

Bei der Behandlungsgruppe wird das Level an körperlicher Aktivität verändert.

Indem alle Variablen zwischen den Gruppen mit Ausnahme der unabhängigen Behandlungsvariable konstant gehalten werden, können alle Unterschiede zwischen den Gruppen deiner Behandlung zugeschrieben werden.

Häufig gestellte Fragen

Was ist eine Korrelation?

Eine Korrelation spiegelt die Stärke und/oder Richtung des Zusammenhangs zwischen zwei oder mehr Variablen wider.

  • Positive Korrelation bedeutet, dass sich beide Variablen in die gleiche Richtung verändern.
  • Negative Korrelation bedeutet, dass sich die Variablen in entgegengesetzte Richtungen verändern.

Nullkorrelation bedeutet, dass es keine Beziehung zwischen den Variablen gibt.

Was ist der Unterschied zwischen Korrelation und Kausalität?

Korrelation beschreibt einen Zusammenhang zwischen Variablen: Wenn sich eine Variable verändert, verändert sich auch die andere Variable.

Eine Korrelation ist ein statistischer Indikator für die Beziehung zwischen Variablen.

Kausalität bedeutet, dass Veränderungen in einer Variable Veränderungen in der anderen Variable hervorrufen.

Es besteht eine Ursache-Wirkungs-Beziehung zwischen den Variablen. Die beiden Variablen korrelieren miteinander und es besteht darüber hinaus ein kausaler Zusammenhang zwischen ihnen.

Warum impliziert Korrelation keine Kausalität?

Das Problem der dritten Variable und das Richtungsproblem sind zwei Hauptgründe, warum Korrelation keine Kausalität impliziert.

Das Problem der dritten Variable bedeutet, dass eine dritte Variable die beiden untersuchten Variablen beeinflusst, um einen kausalen Zusammenhang erscheinen zu lassen, obwohl dieser nicht vorliegt.

Das Richtungsproblem liegt vor, wenn zwei Variablen korrelieren und tatsächlich eine kausale Beziehung haben könnten, es aber unmöglich ist, festzustellen, welche der Variablen Änderungen in der anderen Variable verursacht.

Sind Korrelationsstudie und experimentelle Studie das Gleiche?

Nein, in einer Korrelationsstudie werden Beziehungen zwischen Variablen untersucht.

In einer experimentellen Studie werden diese Beziehungen auf Kausalität untersucht.

Im Allgemeinen weist Korrelationsforschung eine hohe externe Validität auf, während experimentelle Forschung eine hohe interne Validität aufweist.

Diesen Scribbr-Artikel zitieren

Wenn du diese Quelle zitieren möchtest, kannst du die Quellenangabe kopieren und einfügen oder auf die Schaltfläche „Diesen Artikel zitieren“ klicken, um die Quellenangabe automatisch zu unserem kostenlosen Zitier-Generator hinzuzufügen.

Solis, T. (2022, 17. Oktober). Kausalität und Korrelation: Unterschiede und Beispiele. Scribbr. Abgerufen am 6. Februar 2023, von https://www.scribbr.de/methodik/kausalitaet-und-korrelation/

War dieser Artikel hilfreich?
Tobias Solis

Hi, ich bin Tobias und ich habe Musik, Geschichte und European Studies in Berlin, Regensburg und Madrid studiert. Nachdem ich bereits als Lehrer Wissen vermittelt habe, bereitet es mir nun beim Schreiben viel Freude, komplexe Themen aufs Wesentliche herunterzubrechen.