Was ist der Unterschied zwischen Korrelation und Kausalität?

Korrelation messbar machen

Korrelation wird durch den Korrelationskoeffizienten gemessen (Pearson, Spearman). Werte zwischen -1 und +1. +1: perfekte positive Korrelation. -1: perfekte negative Korrelation. 0: kein linearer Zusammenhang. Werte ab |0,7| gelten als stark. Aber: hohe Korrelation sagt nichts über Ursache.

Drei Fallen der Fehl-Interpretation

1) Drittvariablen: A und B korrelieren, aber C verursacht beide. (Eis und Ertrinken durch Sommer.) 2) Umgekehrte Kausalität: B verursacht A statt A verursacht B. (Gute Stimmung führt zu Erfolg ODER Erfolg führt zu guter Stimmung?) 3) Zufall: Bei vielen Datenpunkten finden sich immer Korrelationen ohne Bedeutung. Diese drei Fallen erklären 90 Prozent der schlechten Datenanalysen.

Wann Kausalität bewiesen ist

Vier Kriterien (Bradford-Hill, vereinfacht): 1) Zeitliche Abfolge (Ursache vor Wirkung). 2) Plausibilität (Mechanismus erklärbar). 3) Konsistenz (in verschiedenen Studien). 4) Experimentelle Bestätigung (kontrollierte Tests). Wer A/B-Tests fährt, baut diese Bedingungen ein. Ohne Experiment bleibt es bei Korrelation.

Praxis: kritische Frage

Bei jeder Datenpräsentation fragen: Ist das Korrelation oder Kausalität? Welche Drittvariable könnte es geben? Wie wurde die Stichprobe ausgewählt? Diese Fragen unterscheiden mündige Datennutzer von blinden Konsumenten. Im Marketing besonders kritisch: Nur weil Kampagne X und Umsatzanstieg gleichzeitig waren, war X nicht zwingend die Ursache.