10 Korrelationen, die keine Kausalitäten sind

Sie würden jetzt denken, dass wir eindeutig sagen könnten, was was verursacht. Aber die Frage nach der Ursache, die Wissenschaft und Philosophie seit ihren Anfängen verfolgt, verfolgt uns aus zahlreichen Gründen immer noch auf den Fersen. Menschen sind evolutionär dazu veranlagt, Muster zu sehen, und psychologisch geneigt, Informationen zu sammeln, die bereits bestehende Ansichten stützen, eine Eigenschaft, die als Bestätigungsverzerrung bekannt ist . Wir verwechseln Zufall mit Korrelation und Korrelation mit Kausalität.

Damit A B verursacht, neigen wir dazu zu sagen, dass A mindestens vor B liegen muss, die beiden kovariieren (zusammen variieren) und keine konkurrierende Erklärung die Kovarianz von A und B besser erklären kann. Für sich genommen jedoch diese drei Anforderungen können keine Ursache beweisen; Sie sind, wie die Philosophen sagen, notwendig, aber nicht ausreichend. Jedenfalls sind nicht alle damit einverstanden.

Apropos Philosophen, David Hume argumentierte, dass Kausalität in keinem beweisbaren Sinne existiert. Karl Popper und die Falsifikationisten behaupteten, dass wir eine Beziehung nicht beweisen, sondern nur widerlegen können, was erklärt, warum statistische Analysen nicht versuchen, eine Korrelation zu beweisen; Stattdessen ziehen sie eine doppelte Verneinung und widerlegen, dass die Daten nicht korreliert sind, ein Prozess, der als Ablehnung der Nullhypothese bekannt ist .

Angesichts solcher Überlegungen müssen Wissenschaftler ihre Experimente sorgfältig planen und kontrollieren , um Vorurteile, Zirkelschlüsse, sich selbst erfüllende Prophezeiungen und verborgene Variablen auszumerzen. Sie müssen die Anforderungen und Grenzen der verwendeten Methoden respektieren, möglichst aus repräsentativen Proben schöpfen und ihre Ergebnisse nicht überbewerten.

Bereit, über 10 Fälle zu lesen, in denen das nicht so einfach war?

1. Der Ärger mit Henry (und Hawthorne)
2. Setzen Sie immer auf Schwarz?
3. Die heiße Hand und die Affenpfote
4. Hormonelles Ungleichgewicht
5. Super Bowl-Börsen-Shuffle
6. Big Data, wenig Klarheit
7. Mindestlohn gleich maximaler Arbeitslosigkeit
8. Frühstück schlägt Fettleibigkeit, Abendessen verweigert Drogen
9. Der selbstmörderische Sex
10. Impfung Ärger

Menschen sind ein Schmerz für die Forschung. Sie reagieren nicht nur auf den untersuchten Stimulus, sondern auch auf das Experiment selbst. Forscher versuchen heute, Experimente zu entwerfen, um solche Faktoren zu kontrollieren, aber das war nicht immer der Fall.

Nehmen Sie die Hawthorne-Werke in Cicero, Illinois. In einer Reihe von Experimenten von 1924 bis 1932 untersuchten Forscher die Auswirkungen auf die Produktivität der Arbeiter, die mit der Veränderung der Umgebung der Fabrik in Illinois verbunden waren, darunter die Änderung der Lichtverhältnisse , das Aufräumen des Ortes und das Verschieben von Arbeitsplätzen. Gerade als sie dachten, etwas auf der Spur zu sein, bemerkten sie ein Problem: Die beobachteten Produktivitätssteigerungen ließen fast sofort nach, als die Forscher das Werk verließen, was darauf hindeutet, dass das Wissen der Arbeiter über das Experiment, nicht die Änderungen der Forscher, das Experiment angeheizt hatte Schub. Forscher nennen dieses Phänomen immer noch den Hawthorne-Effekt .

Ein verwandtes Konzept, der John-Henry-Effekt , tritt auf, wenn Mitglieder einer Kontrollgruppe versuchen, die Versuchsgruppe zu schlagen, indem sie ihre Bemühungen auf Hochtouren treiben. Sie müssen nichts von dem Experiment wissen; Sie müssen nur sehen, wie eine Gruppe neue Werkzeuge oder zusätzliche Anweisungen erhält. Wie der legendäre Stahlfahrer wollen sie ihr Können unter Beweis stellen und sich Respekt verdienen [Quellen: Saretsky ; Vogt ].

Die Titelfiguren von Tom Stoppards Film „Rosencrantz and Guildenstern Are Dead“ beginnen den Film verblüfft, verwirrt und schließlich verängstigt, als jeder von 157 aufeinanderfolgenden Münzwürfen Kopf zeigt. Guildensterns Erklärungen für dieses Phänomen reichen von Zeitschleifen bis zu „einer spektakulären Bestätigung des Prinzips, dass jede einzelne Münze, einzeln gedreht, ebenso wahrscheinlich Kopf wie Zahl fallen lässt … “

Die Evolution hat den Menschen dazu gebracht, Muster zu sehen, und unsere Fähigkeit, diesen Drang richtig zu verarbeiten, scheint kurzzuschließen, je länger wir mit dem Spielen verbringen . Wir können rational akzeptieren, dass unabhängige Ereignisse wie Münzwürfe die gleichen Chancen haben, egal wie oft Sie sie ausführen. Aber wir betrachten diese Ereignisse auch, weniger rational, als Streaks, die falsche mentale Korrelationen zwischen randomisierten Ereignissen herstellen. Wenn wir die Vergangenheit als Vorspiel betrachten, denken wir immer wieder, dass der nächste Schlag Zahl sein sollte.

Statistiker nennen dies den Irrtum des Spielers , auch bekannt als Monte-Carlo-Irrtum , nach einem besonders anschaulichen Beispiel, das in diesem berühmten Ferienort Monaco vorkommt. Im Sommer 1913 beobachteten die Wettenden mit wachsendem Erstaunen, wie das Rouletterad eines Casinos 26 Mal hintereinander auf Schwarz landete. Entflammt von der Gewissheit, dass Rot "fällig" war, ließen die Spieler ihre Chips fallen. Das Casino machte eine Münze [Quellen: Lehrer ; Oppenheimer und Monin ; Vogt ].

Keine Diskussion über Streaks, magisches Denken oder falsche Ursachen wäre vollständig, ohne die Sportseiten durchzublättern. Herausragende Sportsaisons entstehen aus einem so mysteriösen Zusammenspiel von Faktoren – natürliches Können, Training, Selbstvertrauen, der gelegentliche X-Faktor – dass wir uns Muster in der Leistung vorstellen, obwohl Studien Streak-Schießen und „erfolgreichen“ Aberglauben wiederholt als alles andere als imaginär ablehnen .

Der Glaube an Streaks oder Einbrüche impliziert, dass Erfolg Erfolg „verursacht“ und Misserfolg Misserfolg „verursacht“ oder, vielleicht vernünftiger, dass Schwankungen in einem gemeinsamen Faktor, wie z. B. Vertrauen, beides verursachen. Aber eine Studie nach der anderen bestätigt dies nicht [Quellen: Gilovich et al. ; Tversky und Gilovich ]. Dasselbe gilt für Aberglauben , obwohl das Kevin Rhomberg von den Cleveland Indians nicht davon abhielt, sich zu weigern, auf dem Spielfeld nach rechts abzubiegen, oder Bruce Gardiner, Zentrum der Senatoren von Ottawa, seinen Hockeyschläger in die Toilette tauchte, um den gelegentlichen Einbruch zu brechen [ Quelle: Trex ].

Auch der Sophomore-Einbruch entsteht typischerweise aus einem zu guten ersten Jahr. Leistungsschwankungen tendieren dazu, sich langfristig auszugleichen, ein Phänomen, das Statistiker Regression zum Mittelwert nennen . Im Sport wird diese Mittelwertbildung durch den Gegner unterstützt, der sich anpasst, um den erfolgreichen Fähigkeiten des neuen Spielers entgegenzuwirken.

Randomisierte kontrollierte Studien sind der Goldstandard in der Statistik, aber manchmal – zum Beispiel in der Epidemiologie – zwingen ethische und praktische Überlegungen Forscher dazu, verfügbare Fälle zu analysieren. Leider riskieren solche Beobachtungsstudien Verzerrungen, versteckte Variablen und, am schlimmsten, eine Studiengruppe, die möglicherweise nicht die Bevölkerung als Ganzes widerspiegelt. Die Untersuchung einer repräsentativen Stichprobe ist von entscheidender Bedeutung; Es ermöglicht den Forschern, die Ergebnisse auf Personen außerhalb der Studie anzuwenden, wie den Rest von uns.

Ein typisches Beispiel: Hormonersatztherapie (HRT). Abgesehen von der Behandlung von Symptomen im Zusammenhang mit der Menopause wurde es dank einer vielbeachteten Beobachtungsstudie aus dem Jahr 1991 einst dafür gelobt, dass es das Risiko einer koronaren Herzkrankheit (KHK) potenziell senkt [Quelle: Stampfer und Colditz ]. Spätere randomisierte kontrollierte Studien, einschließlich der groß angelegten Women's Health Initiative, zeigten jedoch entweder eine negative oder eine statistisch nicht signifikante Beziehung zwischen HET und KHK [Quellen: Lawlor et al. ; New York Times ].

Warum der Unterschied? Zum einen kommen Frauen, die HRT anwenden, tendenziell aus höheren sozioökonomischen Schichten und erhalten eine bessere Ernährung und Bewegung – ein versteckter erklärender Zusammenhang, der in der Beobachtungsstudie nicht vollständig berücksichtigt wurde [Quelle: Lawlor et al. ].

1978 machte sich der Sportreporter und Kolumnist Leonard Koppett über die Verwirrung zwischen Kausalität und Korrelation lustig, indem er ironisch behauptete, dass die Ergebnisse des Super Bowl den Aktienmarkt vorhersagen könnten . Es ging nach hinten los: Die Leute glaubten ihm nicht nur, sondern es funktionierte – mit erschreckender Häufigkeit.

Der Vorschlag lautete wie folgt: Wenn eines der 16 ursprünglichen Teams der National Football League – die es vor der Fusion der NFL mit der American Football League im Jahr 1966 gab – den Super Bowl gewinnen würde, würde die Börse im folgenden Jahr höher schließen als zuvor der vorhergehende 31. Dezember. Wenn ein ehemaliges AFL-Team gewinnen würde, würde es untergehen [Quellen: Koppett ; Koppett ; Koppett ; Koppett ; Zweig ].

Von 1967 bis 1978 ging Koppetts System 12 für 12; Bis 1997 hatte es eine Erfolgsquote von 95 Prozent. Es stolperte 1998 und 1999, als AFL-Absolventen die Denver Broncos gewannen und der Markt stieg [Quellen: Koppett ; Koppett ; Koppett ; Kopett ].

Einige haben argumentiert, dass das Muster existiert, angetrieben vom Glauben; es funktioniert, sagen sie, weil Investoren glauben, dass es funktioniert, oder weil sie glauben, dass andere Investoren es glauben. Diese Vorstellung, obwohl sie auf regressive Weise klug ist, erklärt kaum die 12 Jahre erfolgreicher Korrelationen vor Kopetts Artikel. Andere argumentieren, dass ein relevanteres Muster im groß angelegten Aufwärtstrend des Aktienmarktes liegt, abgesehen von einigen kurzfristigen größeren und kleineren Schwankungen, und der Tatsache, dass ein ursprüngliches NFL-Team jeden Super Bowl von 1984 bis 1998 gewann [Quelle: Norris ].

Big Data – der Prozess der Suche nach Mustern in Datensätzen, die so groß sind, dass sie traditionellen Analysemethoden widerstehen – erregt heutzutage großes Aufsehen in den Vorstandsetagen [Quelle: Arthur ]. Aber ist größer immer besser?

Es ist eine Regel, die den meisten Forschern in ihrem ersten Statistikkurs eingetrichtert wurde: Wenn Sie auf ein Meer von Daten stoßen, widerstehen Sie dem Drang, auf eine Angelexpedition zu gehen . Bei genügend Daten, Geduld und methodischem Spielraum sind Korrelationen fast unvermeidlich, wenn auch unethisch und weitgehend nutzlos.

Schließlich impliziert die bloße Korrelation zwischen zwei Variablen keine Kausalität; es deutet in vielen Fällen auch nicht auf eine große Beziehung hin. Zum einen können Forscher statistische Korrelationsmaße nicht einfach so verwenden; jede enthält bestimmte Annahmen und Einschränkungen, die Fischereiexpeditionen zu oft ignorieren, ganz zu schweigen von den versteckten Variablen, Stichprobenproblemen und Interpretationsfehlern, die eine schlecht konzipierte Studie verderben können.

Zugegeben, Big Data hat seinen Nutzen. Die Bestandskontrolle lebt von der Entdeckung von Einkaufsmustern, wie mysteriös ihre zugrunde liegenden Ursachen auch sein mögen. Um ein etwas gruseliges Beispiel zu nennen: Target hat Kaufmuster verwendet, um schwangere Kunden zu identifizieren und ihnen dann gezielte Coupons zu schicken [Quellen: Duhigg ; Hügel ; Taylor ]. Genießen Sie also diese Prämienkarte – und 10 Prozent Rabatt auf Ihre vorgeburtlichen Vitamine – aber erwarten Sie nicht zu viel von Big Data in der Kausalitätsabteilung.

Jedes Thema, das mit Geld zu tun hat, ist zwangsläufig zutiefst spaltend und hochgradig politisiert, und Mindestlohnerhöhungen sind keine Ausnahme. Die Argumente sind vielfältig und komplex, aber im Wesentlichen behauptet eine Seite, dass ein höherer Mindestlohn Unternehmen schadet, was die Verfügbarkeit von Arbeitsplätzen verringert, was den Armen schadet. Die andere Seite antwortet, dass es wenig Beweise für diese Behauptung gibt und dass die 3,6 Millionen Amerikaner, die zum oder unter dem Mindestlohn arbeiten, von dem einige argumentieren, dass er kein existenzsichernder Lohn sei, würden von einer solchen Erhöhung profitieren. Sie argumentieren, dass der bundesstaatliche Mindestlohn ($7,25 pro Stunde im Dezember 2013) inflationsbereinigt in den letzten 40 Jahren bergab gerutscht ist [Quellen: Bureau of Labor Statistics ; Irwin ].

Wie George Bernard Shaw Berichten zufolge witzelte: „Wenn alle Ökonomen aneinandergereiht wären, würden sie nie zu einem Ergebnis kommen“, und die Mindestlohndebatte scheint dies zu bestätigen [Quelle: Ridgers . Für jeden Analysten, der sagt, dass Mindestlohnerhöhungen Arbeitsplätze vertreiben, gibt es einen anderen, der gegen eine solche Korrelation argumentiert [Quellen: Baskaya und Rubinstein ; Karte und Krüger ].

Am Ende teilen beide Seiten ein grundlegendes Problem, nämlich die Fülle anekdotischer Beweise, auf die sich viele ihrer Redner zur Unterstützung verlassen. Geschichten aus zweiter Hand und ausgesuchte Daten sorgen auf jeder Party für schwachen Tee, selbst wenn sie in hübschen Balkendiagrammen präsentiert werden.

Between books, drugs and surgeries, weight loss in the United States is a $20-billion-per-year industry, with 108 million Americans bellying up to the weight-loss bar each year [source: ABC News]. Not surprisingly, weight loss studies -- good, bad or ugly -- get a lot of press in the U.S.

Take the popular idea that eating breakfast beats obesity, a sugar-frosted nugget derived from two main studies: One, a 1992 Vanderbilt University randomized controlled study, showed that reversing normal breakfast habits, whether by eating or not eating, correlated with weight loss; the other, a 2002 observational study by the National Weight Control Registry, correlated breakfast-eating with successful weight-losers -- which is not the same as correlating it with weight loss [sources: Brown et al.; O'Connor; Schlundt et al.; Wyatt et al.].

Leider gelang es der NWCR-Studie nicht, andere Faktoren zu kontrollieren – oder tatsächlich einen kausalen Zusammenhang aus ihrer Korrelation herzustellen. Zum Beispiel könnte eine Person, die abnehmen möchte , mehr trainieren, frühstücken oder auf Vollwertprotein setzen, aber ohne ein experimentelles Design, das in der Lage ist, kausale Zusammenhänge einzuwählen, sind solche Verhaltensweisen nichts anderes als häufig auftretende Merkmale [Quellen: Brown et al. ; O’Connor ].

Ein ähnliches Problem plagt die zahlreichen Studien, die Familienessen mit einem verringerten Risiko für Drogenabhängigkeit bei Teenagern in Verbindung bringen. Obwohl diese Studien für ihre einfache, ansprechende Strategie attraktiv sind, können sie häufig keine verwandten Faktoren wie starke familiäre Bindungen oder eine tiefe elterliche Beteiligung am Leben eines Kindes kontrollieren [Quelle: Bialik ].

Wir hören oft, dass Männer, insbesondere junge Männer, eher Selbstmord begehen als Frauen. In Wahrheit nehmen solche Aussagen an empirischer Verallgemeinerung teil – dem Akt, eine breite Aussage über ein gemeinsames Muster zu machen, ohne zu versuchen, es zu erklären – und maskieren eine Reihe bekannter und potenzieller Störfaktoren.

Nehmen Sie zum Beispiel die Tatsache, dass Frauen dreimal so viele Suizidversuche unternehmen wie Männer. Wie kann dann eine höhere Korrelation zwischen dem anderen Geschlecht und Selbstmord bestehen? Die Antwort liegt in der Erfolgsrate, die durch Unterschiede in der Methodik beeinflusst wird: Frauen greifen zu Pillen, während Männer eher Waffen bevorzugen [Quelle: O'Connell ].

Selbst wenn wir solche Störfaktoren beseitigen könnten, würde die Tatsache bestehen bleiben, dass Männlichkeit per se keine Ursache ist. Um den Trend zu erklären, müssen wir stattdessen Faktoren identifizieren, die Männern gemeinsam sind oder zumindest suizidgefährdet sind. Das Gleiche gilt für die vergleichsweise hohen Suizidraten bei geschiedenen Männern. Scheidung führt nicht dazu, dass Männer Selbstmord begehen; wenn überhaupt, versteckt sich die kausale Variable zwischen verwandten Faktoren wie Isolation, Depression, einem Gefühl der Ohnmacht, finanziellem Stress oder Sorgerechtsverlust [Quellen: Kposowa ; Kposowa ; Reuters ].

Keine Korrelations-/Ursachenliste wäre vollständig, ohne die elterlichen Bedenken hinsichtlich der Impfsicherheit zu diskutieren , die in der von Prominenten wie Jenny McCarthy populären Idee verwurzelt sind, dass Impfungen gegen Masern, Mumps und Röteln (MMR) ursächlich mit Störungen des Autismus-Spektrums verbunden sind. Obwohl die medizinische Gemeinschaft das Andrew Wakefield-Papier von 1998 entlarvte, das die Idee inspirierte, und trotz nachfolgender Studien, die selbst bei mehreren Impfungen keinen kausalen Zusammenhang zeigten, haben einige Eltern weiterhin Angst vor einer Verbindung mit Autismus oder anderen impfbedingten Gefahren [Quellen: The Lancet ; Parken ; Sifferlin ; Szabo ].

Es stimmt zwar, dass kein Impfstoff zu 100 Prozent harmlos ist, aber der Glaube an diesen kausalen Zusammenhang entspringt hauptsächlich der natürlichen Besorgnis der Eltern, belastet durch Verwirrung, angeheizt durch anekdotische Beweise und beeinflusst von Bestätigungsverzerrungen oder „wenn ich es nicht geglaubt hätte, würde ich es tun“. Ich habe es nicht gesehen.“ Die Verwirrung wird durch die Tatsache weiter angeheizt, dass Eltern und Ärzte dazu neigen, Autismus-Symptome spät zu erkennen, etwa in dem Alter, in dem Kinder viele Impfungen erhalten. Tatsächlich ist der Ausbruch von Autismus ziemlich komplex und folgt mehr als einem Muster. Tatsächlich zeigen Studien jetzt, dass der Beginn bereits im Alter von 6-12 Monaten beginnen kann [Quellen: CDC ; Johnson und Schulz ; Mandell et al. ; NIH ; Ozonoff et al. ].

Es ist kein harmloses Missverständnis. Im Jahr 2011 berichtete das Time Magazine, dass 13 Prozent der Eltern die Impfungen ihrer Kinder ausgelassen, verzögert oder aufgeteilt haben; in einigen ländlichen Gebieten schoss diese Zahl auf 20 bis 50 Prozent hoch. Inzwischen, 15 Jahre nach Beginn dieser Panik, berichteten medizinische Zentren über Ausbrüche von Keuchhusten und Masern. Ob diese Korrespondenz zufällig, korrelativ oder kausal ist, ist eine Überlegung wert [Quellen: O'Connor ; Parken ; parken ].

Ursprünglich veröffentlicht: 23. Dezember 2013

Was ist ein Beispiel für Korrelation, aber nicht für Kausalität?

Was ist der Unterschied zwischen Korrelation und Kausalität?

Was bedeutet Korrelation ist nicht Kausalität?

Was ist der Hauptunterschied zwischen Korrelation und Kausalität?

Anmerkung des Autors: 10 Korrelationen, die keine Kausalitäten sind

So sehr ich schlechtes experimentelles Design, blindes Vertrauen in Statistiken und sensationslüsterne Wissenschaftsberichterstattung verabscheue, ist es erwähnenswert, dass starke Korrelationen, obwohl sie allein nicht ausreichen, um die Ursache zu beweisen, oft auf Bereiche hinweisen, die es wert sind, untersucht zu werden. Natürlich meine ich mit „Korrelationen“ nicht Autokorrelationen, verwirrende Variablen oder andere Artefakte von schlechtem Design oder schlecht verstandenen methodischen Anforderungen und Einschränkungen; dennoch kann das Internet den Slogan „Korrelation bedeutet nicht Kausalität“ vielleicht für eine Weile aufgeben oder zumindest etwas selektiver in seiner Anwendung werden.

Zum Thema passende Artikel