Korrelation und Kausalität: Unterschied einfach erklärt

Korrelation und Kausalität beschreiben zwei verschiedene Arten von Zusammenhängen zwischen zwei Merkmalen. Der Unterschied lässt sich in zwei Sätzen zusammenfassen:

Korrelation = Zwei Werte verändern sich gemeinsam. Steigt der eine, verändert sich auch der andere – in dieselbe oder in die entgegengesetzte Richtung.
Kausalität = Ein Wert verändert den anderen. Es gibt eine echte Ursache und eine Wirkung.

Der entscheidende Satz, der sich lohnt zu merken:

Eine Korrelation ist nie ein Beweis für Kausalität. Sie ist bestenfalls ein Hinweis, dem man nachgehen sollte.

Woran das liegt, wird an einem klassischen Beispiel schnell klar: In Monaten, in denen mehr Speiseeis verkauft wird, gibt es auch mehr Sonnenbrände. Beide Werte steigen gemeinsam – sie korrelieren. Trotzdem verursacht Eis keinen Sonnenbrand. Der wahre Grund ist der Sommer, der beides gleichzeitig antreibt.

Genau solche Verwechslungen passieren ständig, auch bei der Auswertung von Umfragen. Deshalb schauen wir uns beide Begriffe einzeln an, bevor wir zeigen, wie du Fehlschlüsse vermeidest.

Eine Korrelation ist ein statistischer Zusammenhang zwischen zwei Merkmalen. Sie sagt aus, dass sich zwei Werte gemeinsam verändern – mehr aber auch nicht. Über die Richtung der Ursache oder darüber, ob überhaupt eine Ursache dahintersteckt, sagt eine Korrelation nichts.

Positive und negative Korrelation

Ein Zusammenhang kann in zwei Richtungen laufen:

• Positive Korrelation: Beide Werte bewegen sich in dieselbe Richtung. Steigt der eine, steigt auch der andere. Beispiel: Je länger jemand für den Fragebogen braucht, desto mehr offene Fragen hat er beantwortet.
• Negative Korrelation: Die Werte bewegen sich gegenläufig. Steigt der eine, sinkt der andere. Beispiel: Je länger eine Umfrage dauert, desto niedriger ist oft die Abschlussquote.

Wie stark ist der Zusammenhang?

Die Stärke einer Korrelation wird häufig mit dem Korrelationskoeffizienten r angegeben. Er liegt zwischen -1 und +1:

• +1 = perfekter positiver Zusammenhang
• 0 = kein erkennbarer linearer Zusammenhang
• -1 = perfekter negativer Zusammenhang

Je näher der Wert an +1 oder -1 liegt, desto klarer hängen die beiden Merkmale zusammen. Werte in der Mitte, etwa um 0,2, deuten auf einen schwachen Zusammenhang hin. Wichtig bleibt: Auch ein sehr hoher Korrelationswert beweist keine Ursache. Er sagt nur, wie eng die beiden Zahlen zusammenlaufen.

Ein Beispiel, das den Haken zeigt

Bei Grundschulkindern korreliert die Schuhgröße mit der Lesefähigkeit: Kinder mit größeren Füßen lesen im Schnitt besser. Niemand würde behaupten, große Füße machen klüger. Der eigentliche Grund ist das Alter – ältere Kinder haben größere Füße und können besser lesen. Diese unsichtbare dritte Größe ist der Schlüssel, um den es später noch geht.

Kausalität bedeutet Ursache und Wirkung. Ein Merkmal verändert ein anderes: Verändert sich A, verändert sich dadurch auch B. Anders als bei einer bloßen Korrelation gibt es hier eine klare Wirkrichtung.

In der Sprache der Forschung heißt die Ursache unabhängige Variable und die Wirkung abhängige Variable. Wenn du mehr darüber wissen willst, wie diese beiden zusammenspielen, hilft dir unser Ratgeber zu abhängiger und unabhängiger Variable weiter.

Die drei Bedingungen für Kausalität

Damit man von einer echten Ursache-Wirkungs-Beziehung sprechen kann, müssen drei Bedingungen erfüllt sein:

• Zusammenhang: Die beiden Merkmale hängen überhaupt zusammen (es gibt also eine Korrelation).
• Zeitliche Abfolge: Die Ursache kommt vor der Wirkung. Erst passiert A, dann verändert sich B.
• Ausschluss von Alternativen: Es gibt keine andere Erklärung – keine dritte Variable, die beides gleichzeitig verursacht.

Die ersten beiden Punkte lassen sich oft leicht zeigen. Der dritte ist der schwierige: Man muss ausschließen können, dass etwas anderes im Hintergrund wirkt.

Warum Kausalität schwer nachzuweisen ist

Den saubersten Nachweis liefert ein kontrolliertes Experiment. Dabei wird eine Gruppe gezielt einer Ursache ausgesetzt und mit einer Vergleichsgruppe verglichen, die alles gleich erlebt – nur eben ohne diese eine Ursache. Solche Aufbauten sind typisch für die quantitative Forschung und für ein durchdachtes Forschungsdesign. In einer normalen Umfrage lässt sich das fast nie herstellen – und genau deshalb ist der Sprung von Korrelation zu Kausalität hier besonders riskant.

Wenn zwei Werte korrelieren, kann das ganz unterschiedliche Gründe haben. Bevor du auf eine Ursache schließt, lohnt es sich, vier mögliche Erklärungen durchzugehen. Nur eine davon ist echte Kausalität.

1. Zufall (Scheinkorrelation)

Manchmal laufen zwei Werte rein zufällig parallel, ohne jeden inhaltlichen Zusammenhang. Das nennt man Scheinkorrelation. Über viele Datenreihen hinweg finden sich immer irgendwelche Zahlen, die zufällig gemeinsam steigen oder fallen. Je mehr Merkmale du gleichzeitig vergleichst, desto wahrscheinlicher stolperst du über solche Zufallstreffer.

2. Eine dritte Variable (Störvariable)

Häufig steckt hinter zwei korrelierenden Werten eine dritte Größe, die beide beeinflusst. Diese Störvariable ist der eigentliche Treiber. Das Eis-und-Sonnenbrand-Beispiel gehört hierher: Die Hitze des Sommers verursacht beides. Auch das bekannte Muster „Wo mehr Störche nisten, gibt es mehr Geburten“ fällt darunter – dahinter steht schlicht, ob eine Gegend ländlich oder städtisch ist. Solche versteckten Einflüsse sind der häufigste Grund für Fehlschlüsse. Mehr dazu findest du in unserem Ratgeber zu Störvariablen und anderen Variablen.

3. Umgekehrte Wirkrichtung

Manchmal stimmt die Ursache-Wirkungs-Idee im Kern, läuft aber andersherum als gedacht. Beispiel: Zufriedene Kunden und häufige Käufe hängen zusammen. Macht häufiges Kaufen zufrieden – oder kaufen zufriedene Kunden einfach öfter? Oft ist beides möglich, und ohne zeitliche Abfolge lässt sich die Richtung nicht bestimmen.

4. Echte Kausalität

Und ja, manchmal steckt tatsächlich eine echte Ursache dahinter. Aber das ist erst gesichert, wenn die drei Bedingungen aus dem vorherigen Kapitel erfüllt sind und die anderen drei Erklärungen ausgeschlossen wurden. Genau diese Sorgfalt macht den Unterschied zwischen einer sauberen Analyse und einem vorschnellen Schluss – ein Thema, das auch bei den typischen Fehlern bei Umfragen immer wieder auftaucht.

Für alle, die Umfragen erstellen und auswerten, ist dieser Punkt der wichtigste: Umfragedaten zeigen fast immer nur Korrelationen. Echte Ursache-Wirkungs-Aussagen sind mit einer klassischen Befragung kaum möglich – und das aus gutem Grund.

Warum Umfragedaten meist korrelativ sind

Eine Umfrage beobachtet, sie greift nicht ein. Du misst, was die Menschen ohnehin denken und tun, aber du steuerst nichts gezielt. Damit fehlen die Voraussetzungen für einen Kausalnachweis:

• Keine Kontrollgruppe: Du hast keine Vergleichsgruppe, die alles gleich erlebt außer der einen Ursache.
• Momentaufnahme: Die meisten Umfragen erfassen einen Zeitpunkt. Was zuerst kam – Ursache oder Wirkung – bleibt offen.
• Selbstselektion: Wer teilnimmt und wer nicht, ist nicht zufällig. Das kann Zusammenhänge vortäuschen. Wie sehr deine Stichprobe die Realität abbildet, entscheidet mit – dazu passt unser Ratgeber zur Repräsentativität von Umfragen und zur Stichprobe.

Ein Beispiel aus der Praxis

Nehmen wir Lena, die ein kleines Café betreibt. Ihre Online-Umfrage zeigt: Gäste, die ihren Newsletter abonniert haben, sind deutlich zufriedener als der Rest. Die naheliegende, aber voreilige Deutung wäre: „Der Newsletter macht Gäste zufriedener.“

Wahrscheinlicher ist das Gegenteil der Wirkrichtung: Stammgäste, die das Café ohnehin mögen, abonnieren eher den Newsletter. Die Zufriedenheit war zuerst da, nicht der Newsletter. Hier wirkt eine Drittvariable – die Bindung zum Café – auf beide Werte. Würde Lena jetzt ihr ganzes Budget in den Newsletter stecken, träfe sie eine teure Entscheidung auf Basis eines Fehlschlusses.

Wie du Zusammenhänge trotzdem sinnvoll deutest

Korrelationen aus Umfragen sind nicht wertlos – im Gegenteil. Sie sind ein guter Ausgangspunkt, solange du sie richtig einordnest:

• Formuliere Ergebnisse als Zusammenhang, nicht als Ursache: „hängt zusammen mit“ statt „führt zu“.
• Denk aktiv über mögliche Drittvariablen nach, bevor du eine Ursache behauptest. Frag dich: Was könnte beide Werte gleichzeitig beeinflussen?
• Erhebe wichtige Hintergrundmerkmale mit, zum Beispiel über demografische Fragen, damit du solche Einflüsse in der Auswertung prüfen kannst.
• Willst du näher an echte Ursachen heran, brauchst du mehr als eine einmalige Befragung – etwa Messungen zu mehreren Zeitpunkten oder einen experimentellen Aufbau, wie ihn ein sauberes Forschungsdesign vorsieht.

Gerade in einer Bachelor- oder Masterarbeit ist diese vorsichtige Sprache Gold wert. Wer Korrelation und Kausalität sauber trennt, wirkt fachlich sicher – wer sie verwechselt, verliert schnell an Glaubwürdigkeit.

Zum Schluss das Wichtigste für die Praxis: Wie prüfst du selbst, ob aus einem Zusammenhang wirklich eine Ursache wird? Die folgende Checkliste hilft dir, bevor du eine Aussage triffst.

Checkliste vor jedem Ursache-Schluss

• Gibt es überhaupt einen klaren Zusammenhang, oder ist er sehr schwach?
• Ist die zeitliche Reihenfolge eindeutig – kommt die vermutete Ursache wirklich zuerst?
• Welche dritte Variable könnte beide Werte gleichzeitig beeinflussen?
• Könnte die Wirkrichtung auch umgekehrt sein?
• Habe ich genug Fälle, oder ist der Zusammenhang vielleicht Zufall?
• Formuliere ich mein Ergebnis als Zusammenhang, nicht vorschnell als Ursache?

Typische Fehler

• Von der Korrelation direkt auf die Ursache springen. Der Klassiker – und der teuerste Fehler bei Entscheidungen.
• Drittvariablen ignorieren. Wer nicht nach dem versteckten Treiber sucht, findet ihn auch nicht.
• Zu viele Vergleiche auf einmal. Wer genug Merkmale gegeneinander testet, findet garantiert irgendeine Scheinkorrelation.
• Kleine Stichprobe überinterpretieren. Bei wenigen Antworten wirken Zufallsmuster schnell wie echte Zusammenhänge.
• Suggestiv gefragt und dann kausal gedeutet. Schon eine schlecht formulierte Frage verzerrt den Zusammenhang. Sauberes Fragen ist die Basis – dabei hilft dir der Ratgeber zu guten Fragen und Antworten.

Ein Pretest deines Fragebogens und eine ausreichend große, passend zusammengesetzte Stichprobe schützen dich vor vielen dieser Fallen. Zum Planen der nötigen Teilnehmerzahl helfen dir unsere Online-Rechner. Und wenn du bei null anfängst, findest du unter unseren Fragebogen-Vorlagen eine solide Grundlage, auf der sich später deutlich sauberer auswerten lässt.