Was sind Korrelation und Kausalität — und warum verwechseln sie selbst Profis
Korrelation — ein statistischer Zusammenhang zwischen zwei Variablen: Wenn eine steigt, steigt (oder fällt) auch die andere. Kausalität — ein Mechanismus, bei dem die Veränderung einer Variablen physisch die Veränderung einer anderen verursacht. Mehr dazu im Abschnitt Statistik und Wahrscheinlichkeitstheorie.
Der Unterschied scheint offensichtlich. Das Gehirn ignoriert ihn standardmäßig.
🔎 Mathematische Definition der Korrelation: wenn Zahlen sich gemeinsam bewegen
Der Korrelationskoeffizient schwankt zwischen −1 und +1. Ein Wert von +0,8 bedeutet: Wenn Variable A um eine Standardabweichung steigt, steigt Variable B im Durchschnitt um 0,8 Standardabweichungen.
Das ist reine Mathematik, ohne Hinweis auf einen Mechanismus. Studien zur Herzfrequenzvariabilität zeigen Korrelationen zwischen verschiedenen Parametern, erklären aber nicht, welcher davon die Ursache für Veränderungen des anderen ist (S001).
- Korrelation
- Gemeinsame Bewegung zweier Größen. Kann zufällig sein, durch eine dritte Variable vermittelt oder tatsächlich kausal.
- Koeffizient +0,8
- Starker Zusammenhang, aber kein Beweis für Kausalität. Zwei Variablen können sich aus völlig unabhängigen Gründen gemeinsam bewegen.
🧱 Kausalität erfordert einen Mechanismus: von Korrelation zu physischer Einwirkung
Kausalität setzt gerichtete Einwirkung voraus: A verändert B durch einen konkreten physikalischen, chemischen oder informationellen Kanal. Philosophische Untersuchungen betonen: Kausalität ist untrennbar mit Zeit verbunden — die Ursache geht der Wirkung immer voraus (S003).
Zeitliche Abfolge ist eine notwendige, aber nicht hinreichende Bedingung. Der Hahn kräht vor Sonnenaufgang, verursacht ihn aber nicht.
⚠️ Warum das Gehirn automatisch Korrelation in Kausalität verwandelt
Die Evolution hat das Gehirn auf Geschwindigkeit optimiert, nicht auf Genauigkeit. Wenn zwei Ereignisse zeitlich nah beieinander auftreten, aktiviert sich ein uraltes neuronales Schema: „wenn nach A das Ereignis B eintritt, dann hat A das B verursacht".
- Diese Heuristik rettete Leben in der Savanne: Beere gegessen → Bauchschmerzen → diese Beere nicht essen.
- In einer Welt komplexer Systeme mit vielen Variablen erzeugt sie Chaos.
- Das Gehirn spart Energie, indem es darauf verzichtet, alternative Erklärungen zu prüfen.
Selbst Profis — Ärzte, Ökonomen, Journalisten — tappen in diese Falle, wenn sie in Eile sind oder unter Unsicherheit arbeiten. Mehr über die kognitiven Mechanismen dieses Fehlers siehe im Abschnitt kognitive Fallen bei schnellen Entscheidungen.
Sieben überzeugende Argumente für die Verwechslung: Warum falsche Zusammenhänge wahr erscheinen
Dass Korrelation sich so leicht als Kausalität ausgibt, ist kein Zufall. Das Gehirn nutzt sieben mächtige Mechanismen, die diese Verwechslung nahezu unvermeidlich machen. Mehr dazu im Abschnitt Wissenschaftliche Methode.
🎯 Argument eins: Zeitliche Abfolge erzeugt die Illusion von Gerichtetheit
Wenn Ereignis A systematisch vor Ereignis B auftritt, weist das Gehirn A automatisch die Rolle der Ursache zu. Zeit und Kausalität sind in der menschlichen Wahrnehmung eng verwoben (S003).
Die Falle: In komplexen Systemen ereignen sich Tausende von Vorgängen gleichzeitig. Jeder davon könnte die wahre Ursache sein, aber wir bemerken nur das, was früher geschah.
🎯 Argument zwei: Hohe Korrelation wirkt wie ein Beweis
Ein Koeffizient von 0,9 zwischen Rauchen und Lungenkrebs erscheint unwiderlegbar. Die Intuition stimmt – aber nur, weil hinter der Korrelation ein etablierter biochemischer Mechanismus steht.
| Szenario | Korrelation | Kausalität? | Warum falsch |
|---|---|---|---|
| Rauchen → Lungenkrebs | 0,9 | Ja | Mechanismus bekannt |
| Hahn kräht → Sonnenaufgang | 0,95 | Nein | Hahn verursacht keinen Sonnenaufgang |
| Eiscreme → Ertrinkungen | 0,8 | Nein | Beide mit Sommer verbunden |
🎯 Argument drei: Wiederholbarkeit verstärkt den Glauben an Kausalität
Wenn eine Korrelation wiederholt beobachtet wird, beginnt sie als Naturgesetz wahrgenommen zu werden. Jeden Morgen kräht der Hahn vor Sonnenaufgang – nach tausend Wiederholungen erscheint der Zusammenhang kausal.
Das Gehirn interpretiert statistische Stabilität als Beweis für einen Mechanismus. Das funktioniert, bis ein Gegenbeispiel auftaucht – ein Hahn, der nicht kräht, aber die Sonne geht trotzdem auf.
🎯 Argument vier: Ein plausibles Narrativ ersetzt den Beweis
Wenn sich für eine Korrelation eine überzeugende Geschichte erfinden lässt, verwandelt sie sich automatisch in Kausalität. „Die Impfung überfordert das Immunsystem des Säuglings und verursacht Autismus" – das Narrativ klingt logisch, obwohl der Mechanismus vollständig widerlegt ist.
Das menschliche Gehirn bevorzugt eine zusammenhängende Geschichte gegenüber statistischer Analyse. Dies ist eine der mächtigsten kognitiven Fallen bei schnellen Entscheidungen.
🎯 Argument fünf: Persönliche Erfahrung überwiegt Statistik
„Mein Großvater hat sein Leben lang geraucht und wurde 95 Jahre alt" – ein einziges markantes Beispiel zerstört den statistischen Zusammenhang zwischen Rauchen und Sterblichkeit. Persönliche Erfahrung erzeugt die Illusion von Kausalität (oder deren Abwesenheit) stärker als Tausende von Studien.
🎯 Argument sechs: Die Autorität der Quelle legitimiert falsche Zusammenhänge
Wenn eine Korrelation von einem Arzt, Wissenschaftler oder den Medien als Kausalität interpretiert wird, erhält sie den Status einer Tatsache. Die Autorität überträgt sich von der Person auf die Aussage, ohne dass der Mechanismus überprüft wird.
Das Ergebnis: Falsche Kausalität erhält ein Gütesiegel und verbreitet sich schneller als die Widerlegung.
🎯 Argument sieben: Emotionale Bedeutung blockiert kritisches Denken
Wenn eine Korrelation die Gesundheit von Kindern, Sicherheit oder Tod betrifft, unterdrückt das emotionale System des Gehirns das analytische. Angst verwandelt jede Korrelation in eine Kausalität, die sofortiges Handeln erfordert.
Dies ist der Mechanismus, den Coaching-Sekten und pseudomedizinische Bewegungen ausnutzen. Wenn die Einsätze hoch sind, schaltet sich kritisches Denken ab.
Evidenzbasis: Wie die moderne Wissenschaft gelernt hat, Korrelation und Kausalität zu unterscheiden
Die letzten zwei Jahrzehnte brachten eine Revolution in den Methoden zur Trennung von Korrelation und Kausalität. Genetische Studien, randomisierte kontrollierte Studien und kausale Inferenz aus Beobachtungsdaten schufen ein Instrumentarium zur Überprüfung kausaler Hypothesen. Mehr dazu im Abschnitt Denkwerkzeuge.
🧪 Genetische Studien: Wie SNP-Analysen Korrelation und Kausalität trennen
Eine bahnbrechende Arbeit zur Unterscheidung von Korrelation und Kausalität in genomischen Studien schlug eine Methode vor, die auf gemischten Momenten vierter Ordnung der Effektverteilung basiert (S010). Die Kernidee: Wenn Merkmal 1 die Ursache von Merkmal 2 ist, dann haben SNPs (Einzelnukleotid-Polymorphismen), die Merkmal 1 stark beeinflussen, korrelierte Effekte auf Merkmal 2, aber nicht umgekehrt.
Die Methode quantifiziert, welcher Anteil der genetischen Komponente von Merkmal 1 auch kausal für Merkmal 2 ist, unter Verwendung mathematischer Momente der Effektverteilung (S010). Dies ermöglicht es, echte Kausalität von Korrelationsartefakten auf molekularbiologischer Ebene zu trennen.
Genetische Varianten sind das einzige Werkzeug, das die Natur bei der Empfängnis zufällig verteilt hat. Dies macht das Genom zu einem natürlichen Labor zur Überprüfung von Kausalität.
🧪 Mendelsche Randomisierung: Natürliches Experiment im Genom
Genetische Varianten werden bei der Empfängnis zufällig verteilt – dies ist eine natürliche Randomisierung. Wenn eine genetische Variante, die den Cholesterinspiegel beeinflusst, auch mit dem Infarktrisiko verbunden ist, deutet dies auf einen kausalen Zusammenhang zwischen Cholesterin und Infarkt hin.
Die Methode umgeht zwei Hauptfallen von Beobachtungsstudien: umgekehrte Kausalität (wenn die Krankheit das Cholesterin verändert und nicht umgekehrt) und versteckte Variablen (wenn ein dritter Faktor beide beeinflusst). Kognitive Fallen bei der Dateninterpretation entstehen oft genau hier.
📊 Randomisierte kontrollierte Studien: Der Goldstandard der Kausalität
RCTs verteilen Teilnehmer zufällig auf Interventions- und Kontrollgruppen und gleichen damit alle möglichen Störfaktoren aus. Wenn sich die Gruppen nach der Intervention im Ergebnis unterscheiden, ist der Unterschied kausal durch die Intervention bedingt.
| Methode | Sicherheit der Kausalität | Haupteinschränkung |
|---|---|---|
| RCT | Hoch (95%+) | Teuer, langwierig, ethisch begrenzt |
| Mendelsche Randomisierung | Mittel–hoch (70–85%) | Erfordert große Stichproben, Pleiotropie |
| Instrumentalvariablen | Mittel (60–75%) | Instrument muss wirklich zufällig sein |
| Beobachtungsdaten | Niedrig (20–40%) | Versteckte Variablen, umgekehrte Kausalität |
📊 Kausale Inferenz aus Beobachtungsdaten: Wenn Experimente unmöglich sind
Methoden der Instrumentalvariablen, Regression-Discontinuity-Designs und synthetischer Kontrollen ermöglichen es, kausale Schlüsse aus Beobachtungsdaten zu ziehen (S006). Diese Techniken imitieren experimentelle Bedingungen, indem sie natürliche Variationen in den Daten nutzen.
Eine Instrumentalvariable ist ein Faktor, der den interessierenden Prädiktor beeinflusst, aber nicht direkt das Ergebnis. Zum Beispiel beeinflusst die Entfernung zur Universität den Bildungserwerb, aber nicht das zukünftige Einkommen (außer durch Bildung). Logische Fehler in der Interpretation entstehen, wenn Forscher vergessen, diese Bedingung zu überprüfen.
🔬 Meta-Analysen und systematische Reviews: Aggregation von Evidenz
Eine einzelne Studie kann aufgrund von Zufall oder methodologischen Fehlern eine falsche Korrelation zeigen. Meta-Analysen kombinieren Ergebnisse dutzender Studien, identifizieren robuste Muster und filtern Artefakte heraus.
- Systematischer Review: Suche aller relevanten Studien nach klaren Kriterien
- Qualitätsbewertung: Jede Studie wird auf Verzerrungen und methodologische Mängel geprüft
- Evidenzhierarchie: RCTs > Kohortenstudien > Fall-Kontroll-Studien > Fallserien
- Aggregation: Statistische Kombination der Ergebnisse unter Berücksichtigung der Heterogenität
- Sensitivitätsanalyse: Prüfung, ob die Schlussfolgerungen robust bleiben, wenn einzelne Studien ausgeschlossen werden
Wenn eine Meta-Analyse widersprüchliche Ergebnisse zeigt, ist dies ein Signal: Entweder ist die Kausalität schwach, oder es existieren Moderatoren (Untergruppen, in denen der Zusammenhang unterschiedlich ist). Gish-Galopp und multiple Vergleiche sind häufige Quellen falscher Schlussfolgerungen in dieser Phase.
Mechanismus der Verwechslung: Wie das Gehirn Koinzidenz in Naturgesetz verwandelt
Die neuronale Architektur, die für die Mustererkennung verantwortlich ist, unterscheidet auf der Ebene automatischer Prozesse nicht zwischen Korrelation und Kausalität. Diese Eigenschaft macht die Verwechslung ohne bewusste Intervention unvermeidlich. Mehr dazu im Abschnitt Esoterik und Okkultismus.
🧬 Neuronale Vorhersagenetzwerke: Warum das Gehirn überall Ursachen sucht
Der präfrontale Kortex konstruiert ständig prädiktive Modelle der Welt (S001). Wenn zwei Ereignisse korrelieren, nimmt das Modell automatisch eine kausale Verbindung an — das spart Rechenressourcen.
Die Überprüfung des Mechanismus erfordert zusätzliche Anstrengungen, die das Gehirn standardmäßig vermeidet. Das ist keine Faulheit — das ist eine architektonische Besonderheit: Schnelle Vorhersage ist oft wichtiger als präzise.
🧬 Dopaminsystem und Verstärkung falscher Verbindungen
Wenn eine Vorhersage bestätigt wird (der Hahn krähte — die Sonne ging auf), sendet das Dopaminsystem ein Belohnungssignal und verstärkt die neuronale Verbindung. Das Gehirn überprüft nicht, ob die Verbindung kausal war — eine zeitliche Korrelation genügt.
Tausende Wiederholungen verwandeln zufällige Korrelation in subjektives „Wissen". Das ist kein Gedächtnisfehler — das ist ein Lernmechanismus, der genau so funktioniert, wie er konstruiert ist.
🔁 Confounder: Verborgene Variablen, die die Illusion von Kausalität erzeugen
Eiskonsum korreliert mit Ertrinkungsfällen. Kausale Verbindung? Nein — beide Phänomene werden durch eine dritte Variable verursacht (heißes Wetter). Ein Confounder ist eine verborgene Variable, die beide beobachteten Variablen beeinflusst und eine Korrelation ohne direkte Kausalität erzeugt.
Die philosophische Analyse betont, dass Kausalität immer Interaktion zwischen Objekten einschließt und nicht nur statistische Verbindung (S005). Das Gehirn sieht verborgene Variablen nicht — es sieht nur die Koinzidenz.
🔁 Umgekehrte Kausalität: Wenn die Wirkung sich als Ursache tarnt
Depression korreliert mit niedriger körperlicher Aktivität. Was ist die Ursache: Depression senkt die Aktivität oder niedrige Aktivität verursacht Depression? Beide Richtungen sind möglich, und die Korrelation gibt keine Antwort.
- Umgekehrte Kausalität
- Situation, in der die Richtung der kausalen Verbindung der vermuteten entgegengesetzt ist. Häufige Falle in Beobachtungsstudien, wo die zeitliche Reihenfolge der Ereignisse unklar ist oder doppelt interpretiert werden kann.
- Warum das gefährlich ist
- Politik, die auf falscher Kausalitätsrichtung basiert, kann das Problem verschlimmern statt es zu lösen. Wenn beispielsweise niedrige Aktivität Depression verursacht, wird die Verschreibung von Antidepressiva ohne körperliche Aktivität weniger effektiv sein.
Konflikte und Ungewissheiten: Wo Quellen divergieren und warum das wichtig ist
Selbst in der wissenschaftlichen Literatur existieren Meinungsverschiedenheiten darüber, wie Korrelationen in spezifischen Fällen zu interpretieren sind. Diese Konflikte zeigen die Grenzen des aktuellen Wissens. Mehr dazu im Abschnitt DNA-Energie und Quantenmechanik.
🧾 Rauchen und Stress: Korrelation, Kausalität oder Rückkopplung?
Die Untersuchung der Verbindung zwischen Rauchen, Stress und negativem Affekt zeigt die Komplexität der Trennung von Korrelation und Kausalität in verschiedenen Rauchstadien. Rauchen korreliert mit Stress, aber die Kausalitätsrichtung ist mehrdeutig.
Stress kann Rauchen provozieren, Rauchen kann Stress durch Nikotinabhängigkeit verstärken, oder beide Phänomene können Folge dritter Faktoren sein — genetische Prädisposition und soziales Umfeld.
Das ist ein klassisches Beispiel, wo kognitive Fallen uns dazu drängen, eine Kausalitätsrichtung zu wählen, obwohl die Daten mehrere Interpretationen zulassen.
🧾 Genetische Korrelationen: Wenn Pleiotropie Kausalität imitiert
Zwei Merkmale können genetisch korrelieren, weil ein Gen beide beeinflusst (Pleiotropie), und nicht weil ein Merkmal das andere verursacht. Die in der Studie (S010) vorgeschlagene Methode versucht, diese Fälle zu trennen, erkennt aber Limitationen an.
| Szenario | Was wir sehen | Was tatsächlich sein kann |
|---|---|---|
| Genetische Korrelation | Merkmal A und Merkmal B korrelieren | Ein Gen beeinflusst beide (Pleiotropie) |
| Kausale Verbindung | Merkmal A und Merkmal B korrelieren | A verursacht genetisch B |
| Unlösbarer Fall | Korrelation vorhanden | Pleiotrope Effekte nicht vollständig ausgeschlossen |
Die Methode quantifiziert, welcher Teil der genetischen Komponente von Merkmal 1 auch kausal für Merkmal 2 ist, kann aber pleiotrope Effekte nicht vollständig ausschließen (S010). Das ist die Grenze des aktuellen Instrumentariums.
Mehr über logische Fehler, die bei der Interpretation solcher Daten entstehen, siehe in der separaten Analyse.
Kognitive Anatomie der Täuschung: Welche mentalen Fallen die Verwechslung von Korrelation und Kausalität ausnutzt
Die Verwechslung zwischen Korrelation und Kausalität ist kein Zufall — sie nutzt systematisch bekannte kognitive Verzerrungen aus. Das Gehirn verwendet sparsame Regeln für schnelle Entscheidungen, und diese Regeln liegen oft falsch.
⚠️ Verfügbarkeitsheuristik: Einprägsame Beispiele verdrängen Statistik
Ein Fall von Autismus nach einer Impfung bleibt besser in Erinnerung als Millionen gesunder geimpfter Kinder. Das Gehirn bewertet die Wahrscheinlichkeit eines kausalen Zusammenhangs nach der Leichtigkeit, mit der Beispiele erinnert werden, nicht nach der tatsächlichen Häufigkeit (S001).
Ein einprägsamer Einzelfall überwiegt Tausende unauffälliger Gegenbeispiele — nicht weil wir dumm sind, sondern weil das Gehirn Energie bei der Informationsverarbeitung spart.
⚠️ Bestätigungsfehler: Das Gehirn sucht nach Korrelationen, die Überzeugungen bestätigen
Wenn jemand glaubt, dass Kaffee das Leben verlängert, bemerkt er Langlebige, die Kaffee trinken, und ignoriert diejenigen, die trotz Kaffee früh starben. Der Bestätigungsfehler verwandelt zufällige Korrelationen in „Beweise".
Dies ist kein Wahrnehmungsfehler — es ist ein Aufmerksamkeitsfilter. Das Gehirn verarbeitet Milliarden Bits an Information und wählt nur die für die aktuelle Hypothese relevanten aus.
⚠️ Kontrollillusion: Rituale basierend auf falschen Korrelationen
Ein Sportler zieht vor dem Spiel seine „Glückssocken" an, weil er einmal damit gewonnen hat. Die Korrelation (Socken + Sieg) wird als Kausalität interpretiert (Socken verursachen Sieg). Die Kontrollillusion lässt uns sinnlose Rituale wiederholen.
| Falle | Mechanismus | Ergebnis |
|---|---|---|
| Verfügbarkeitsheuristik | Einprägsame Beispiele leichter erinnerbar | Überschätzung seltener Ereignisse |
| Bestätigungsfehler | Aufmerksamkeit auf übereinstimmende Daten | Ignorieren von Widersprüchen |
| Kontrollillusion | Zuschreibung von Kausalität an Rituale | Magisches Denken |
🕳️ Apophänie: Das Gehirn sieht Muster im Rauschen
Das menschliche Gehirn ist evolutionär darauf eingestellt, Muster selbst dort zu erkennen, wo es keine gibt (S004). Zufällige Korrelationen in Daten werden als bedeutsame Zusammenhänge interpretiert.
Apophänie ist die Grundlage verschwörungstheoretischen Denkens und der Pseudowissenschaft. Menschen sehen ein Gesicht in einer Wolke, die Zahl 23 überall, wo sie auftaucht, und Verbindungen zwischen unverbundenen Ereignissen.
Diese Fallen funktionieren nicht, weil wir unaufmerksam sind, sondern weil sie in die Architektur der Wahrnehmung eingebaut sind. Das Bewusstsein über den Mechanismus ist der erste Schritt zum Schutz.
Verifikationsprotokoll in 60 Sekunden: Sieben Fragen, die falsche Kausalität entlarven
Wenn Sie mit einer Behauptung über einen Ursache-Wirkungs-Zusammenhang konfrontiert werden, ermöglicht diese Checkliste eine schnelle Bewertung ihrer Begründetheit.
- Wird ein konkreter Wirkmechanismus beschrieben? Wenn die Behauptung nicht erklärt, WIE A B verursacht (über welche Moleküle, Signale, Prozesse), handelt es sich um Korrelation, nicht um Kausalität. „Impfungen verursachen Autismus" – kein Mechanismus. „Nikotin aktiviert Acetylcholin-Rezeptoren und löst Dopamin-Ausschüttung aus" – Mechanismus vorhanden.
- Sind alternative Erklärungen und Störfaktoren ausgeschlossen? Könnte die Korrelation durch eine dritte Variable erklärt werden? Eiscreme und Ertrinkungsfälle werden durch heißes Wetter erklärt. Wenn eine Studie mögliche Störfaktoren nicht kontrolliert, ist Kausalität nicht nachgewiesen.
- Wurde umgekehrte Kausalität geprüft? Könnte B A verursachen statt A verursacht B? Verringert Depression die Aktivität oder verursacht geringe Aktivität Depression? Korrelation zeigt keine Richtung.
- Lässt sich der Zusammenhang in unabhängigen Studien reproduzieren? Eine einzelne Studie kann zufällige Korrelation zeigen. Wenn sich der Zusammenhang in verschiedenen Populationen, Methoden und Laboren reproduzieren lässt, steigt die Wahrscheinlichkeit von Kausalität.
- Existiert eine Dosis-Wirkungs-Beziehung? Wenn A B verursacht, sollte mehr A mehr B verursachen (oder weniger, wenn der Effekt schützend ist). Das Fehlen einer Dosisabhängigkeit ist verdächtig.
- Wird der Zusammenhang durch experimentelle Daten bestätigt? Beobachtungsstudien zeigen Korrelationen. RCTs prüfen Kausalität. Wenn keine experimentellen Daten vorliegen, bleibt Kausalität eine Hypothese.
- Wer profitiert von der Interpretation der Korrelation als Kausalität? Wenn eine Kausalitätsbehauptung ein Produkt, eine Ideologie oder Angst verkauft, verdoppelt sich die Skepsis. Kommerzielle und politische Interessen verwandeln systematisch Korrelationen in „bewiesene Fakten".
Kausalität erfordert einen Mechanismus, Ausschluss von Alternativen, Reproduzierbarkeit und experimentelle Bestätigung. Korrelation erfordert nur Übereinstimmung.
Dieses Protokoll funktioniert nicht, weil es Wahrheit garantiert, sondern weil es Lücken in der Argumentation aufdeckt. Jede ausgelassene Frage ist ein Punkt, an dem falsche Kausalität als Fakt getarnt wird.
Wenden Sie es auf kognitive Fallen bei schnellen Entscheidungen an, auf Homöopathie, auf Coaching-Sekten – überall ist die Logik dieselbe.
Grenzen des Wissens: Sechs Bereiche, in denen die Unterscheidung zwischen Korrelation und Kausalität problematisch bleibt
Trotz methodologischer Fortschritte gibt es Bereiche, in denen die Trennung von Korrelation und Kausalität mit den aktuellen Werkzeugen äußerst schwierig oder unmöglich bleibt.
📌 Grenze 1: Komplexe Systeme mit multiplen Rückkopplungen
In Wirtschaft, Ökologie und sozialen Systemen beeinflussen sich Variablen gegenseitig durch multiple Rückkopplungsschleifen. A beeinflusst B, B beeinflusst C, C beeinflusst A.
Eine einzelne kausale Verbindung in einem solchen Netzwerk zu isolieren ist oft unmöglich — das System funktioniert als Ganzes.
📌 Grenze 2: Seltene Ereignisse mit kleinen Stichproben
Für eine statistisch signifikante Trennung von Korrelation und Kausalität sind große Stichproben erforderlich. Seltene Krankheiten, Katastrophen oder einzigartige historische Ereignisse liefern nicht genügend Daten für verlässliche Schlussfolgerungen.
📌 Grenze 3: Ethisch unmögliche Experimente
Man kann Menschen nicht randomisiert dem Rauchen zuweisen, um die Kausalität der Verbindung zu Krebs zu prüfen. Man kann nicht experimentell Kindheitstraumata herbeiführen, um deren Auswirkungen auf die Psyche zu untersuchen.
In solchen Fällen muss man sich auf Beobachtungsdaten mit ihren Einschränkungen verlassen.
📌 Grenze 4: Langzeiteffekte mit Latenzperiode
Wenn eine Ursache heute wirkt, die Wirkung sich aber erst nach 20 Jahren zeigt (wie bei Asbest und Mesotheliom), ist die Feststellung von Kausalität schwierig. Zu viele Variablen ändern sich über zwei Jahrzehnte.
📌 Grenze 5: Individuelle Variabilität und Heterogenität der Effekte
Ein Medikament kann für 60% der Patienten die Ursache der Genesung sein und für 40% wirkungslos. Der Durchschnittseffekt zeigt Kausalität, aber für eine konkrete Person ist die Vorhersage unzuverlässig.
Die personalisierte Medizin versucht dieses Problem zu lösen, bisher jedoch mit begrenztem Erfolg.
📌 Grenze 6: Quantensysteme und probabilistische Systeme
In der Quantenmechanik verschwimmt der klassische Begriff der Kausalität. Ereignis A verursacht nicht deterministisch Ereignis B, sondern verändert lediglich die Wahrscheinlichkeit von B.
Philosophische Diskussionen über die Natur der Kausalität in der Quantenwelt dauern an (S003, S005).
