Scheinkorrelation

Eine statistischen Kor­re­la­tion scheint eine Kausal­bezieh­ung auf­zu­zeigen, die aber nicht durch weitere Beweise belegt wird.

Beispiel:

Die Zahl von Störchen­nestern in einer Region korreliert hoch mit der Geburten­rate [bei Menschen] in dieser Region.
Folglich gibt es einen Kausal­zusammen­hang zwischen Störchen und Geburten.

Störche fühlen sich nahe­liegender­weise dort am wohls­ten, wo sie ge­nügend Nahr­ung finden und das ist eher auf dem Land der Fall als in der Stadt. Ebenso ist die Geburten­rate bei Menschen auf dem Land höher als in der Stadt, was wieder­um an Fak­toren wie (ver­mutete) Lebens­qualität, günstig­erem Wohn­raum und anderen liegen könnte – sicher aber nicht an der höheren Storchen­dichte.

Grundsätzlich beschreibt eine Korrelation immer einen statistischen Zusammenhang; Kausalität hingegen beschreibt – wie der Name schon sagt: einen Kausalzusammenhang.

Auch wenn eine (möglichst hohe) Korrelation ein Hinweis auf eine wie auch immer geartete Kausalbeziehung sein kann, reicht diese keinesfalls aus, um auf eine Kausalität zu schließen.

Kausalität ist ein kom­plexes meta­physi­sches und epis­temo­log­isches Prob­lem, welches schon seit der An­tike kon­trovers dis­ku­tiert wird. Die Frage, wann und wie Kau­sa­li­tät be­legbar ist, steht weit außer­halb dessen, was der Autor in diesem Rahmen leis­ten kann und will. Für Inter­ess­ierte sei hier nur auf den gleich­nam­igen Wiki­pedia-Ar­tikel ver­wiesen, der viele Hin­weise für das weitere Stu­dium bietet.

Wenn es überhaupt eine Aus­sage gibt, die weitest gehend un­strittig ist, dann die folgende:

D.h. dass sich alleine aus einer Kor­rela­tion keine Kau­sa­li­tät ab­leiten lässt. Ebenso un­strittig ist aber auch, dass eine hohe Kor­re­la­tion not­wend­ige Vor­aus­setz­ung für Kau­sa­li­tät ist.

Stehen genügend unter­schied­liche Daten­sätze bereit, ist es ge­wöhn­lich nicht schwer, eine Kom­bi­na­tion aus zweien zu finden, die „zu­fällig“ eine hohe Kor­rela­tion zu­ein­ander haben.

Im besten Fall sind solche Schein­kor­rela­tionen dann leicht zu durch­schauen und durch­aus unterh­altsam, wenn etwa die „Zahl der Museen in Bayern“ mit der „Zahl der Be­schäft­igten im deut­schen Bäcker­hand­werk“ kor­rel­iert wird (Korrelations­koeffizient: 0,9883 für die Jahre 2007 bis 2012), im schlimmsten Fall ist das weniger offensichtlich und führt womöglich sogar in die Irre.

Eine solche Suche nach Kor­rela­tionen in Daten­sätzen ist ver­gleich­bar mit der als „𝑝-Hack­ing“ be­kan­nten Fehl­ana­lyse von Daten. In beiden Fäl­len werden mehrere Ana­lysen so be­hand­elt, als handle es sich um eine einzige – mit entsprechend falschen Ergebnissen.

Von der hier erklärten Scheinkorrelation ist zu unterscheiden:

Der Korrelationsirrtum ist ein Denkfehler, der darin besteht, dass korrelierte, also gemeinsam bzw. aufeinander folgend auftretende, Ereignisse bzw. Phänomene als kausal verbunden angenommen werden, sowie

Die Kausalillusion, ein unbewusster psychologischer Effekt (kognitive Verzerrung), welche gemeinsam oder in zeitlicher Abfolge vorkommende Phänomene als kausal verbunden erscheinen lässt.

Beide sind eng miteinander verbunden und möglicherweise sogar dasselbe Phänomen, das nur von verschiedenen Gesichtspunkten betrachtet wird.

Es gibt zahlreiche Sammlungen von offensichtlichen Scheinkorrelationen, die sehr kurzweilig durchzulesen sind, dazu gehören:

• Scheinkorrelationen
• Spurious Correlations (Englisch)

• Korrelationsirrtum
• Kausalillusion

• Scheinkorrelation auf Wikipedia.
• Spurious Correlations von Tyler Vigen (Englisch)