Die dritte Variable: Warum zwei passende Zahlen noch keine Wahrheit ergeben

Melissas Denkwerkstatt · Analyse und Kolumne

Eine Schlagzeile kann völlig korrekte Zahlen enthalten und trotzdem eine falsche Geschichte erzählen. Das klingt widersprüchlich, ist aber einer der wichtigsten Unterschiede zwischen dem Beschreiben einer Welt und dem Erklären dieser Welt. Zwei Entwicklungen verlaufen parallel – und schon klingt es, als müsse die eine die andere verursacht haben. Manchmal stimmt das. Manchmal steckt eine dritte Größe dahinter. Und manchmal ist die Übereinstimmung schlicht Zufall.

Ein Zusammenhang ist zunächst nur ein Zusammenhang

Stellen wir uns ein frei erfundenes Beispiel vor: In einer Stadt werden im Sommer mehr kalte Getränke verkauft, und zugleich steigt die Zahl der Menschen im Freibad. Beide Größen bewegen sich gemeinsam. Aber Getränkeverkäufe verursachen nicht automatisch Freibadbesuche – und umgekehrt. Eine naheliegende dritte Größe ist die Temperatur. An warmen Tagen passiert beides häufiger.

In der Statistik heißt eine solche dritte Größe, die einen beobachteten Zusammenhang verzerren kann, Störfaktor oder Confounder. Entscheidend ist nicht, ob zwei Zahlen gemeinsam steigen, sondern warum. Das epidemiologische Methodenhandbuch der US-Gesundheitsbehörde CDC beschreibt ausdrücklich, dass ein statistisch auffälliger Zusammenhang durch Störfaktoren, Verzerrungen oder Zufall entstehen kann. Selbst statistische Signifikanz allein macht daraus noch keinen Kausalbeweis.

Das bedeutet nicht, dass Korrelationen wertlos wären. Im Gegenteil: Sie sind oft der Anfang einer guten Untersuchung. Problematisch wird es, wenn aus einer Beobachtung unbemerkt ein Urteil wird.

Vier Wege, sich mit richtigen Zahlen zu irren

Erstens: eine gemeinsame Ursache. Die Temperatur beeinflusst in unserem erfundenen Beispiel sowohl die Getränkeverkäufe als auch den Freibadbesuch. Wer nur die beiden sichtbaren Kurven betrachtet, übersieht die Ursache im Hintergrund.

Zweitens: die umgekehrte Richtung. Angenommen, in einer ebenfalls hypothetischen Gemeinde stehen besonders viele Rettungswagen dort, wo viele Notfälle auftreten. Daraus folgt nicht, dass Rettungswagen Notfälle auslösen. Vielmehr kann die hohe Zahl an Notfällen den Einsatz der Wagen erklären. Der zeitliche Ablauf und der Mechanismus entscheiden.

Drittens: die Auswahl der Daten. Wer nur erfolgreiche Projekte untersucht, kann zu ganz anderen Schlüssen kommen als jemand, der auch gescheiterte Projekte berücksichtigt. Ebenso kann ein Durchschnitt Unterschiede zwischen Gruppen verdecken. Bevor eine Zahl zur politischen Botschaft wird, gehört deshalb die Frage auf den Tisch: Wer oder was wurde überhaupt gezählt – und wer nicht?

Viertens: der Zufall. Wer genügend Zahlenreihen miteinander vergleicht, wird irgendwann erstaunliche Übereinstimmungen entdecken. Eine schöne Grafik macht diese Übereinstimmung nicht automatisch bedeutsam. Die Wahrscheinlichkeit eines Zufallstreffers steigt, wenn man unzählige Möglichkeiten ausprobiert und anschließend nur den auffälligsten Fund präsentiert.

Warum auch KI daran scheitern kann

Maschinelles Lernen ist besonders gut darin, Regelmäßigkeiten in großen Datenbeständen zu finden. Doch ein Modell, das ein Muster erkennt, weiß damit noch nicht, welche Veränderung welche Folge verursachen würde. Die Max-Planck-Gesellschaft erläutert in ihrem Beitrag über KI und Kausalität, warum aus passiv beobachteten Daten allein häufig keine zuverlässigen Ursache-Wirkungs-Aussagen folgen. Die Forschung an kausalen Modellen versucht genau diese Lücke zu verkleinern.

Das ist keine pauschale Absage an KI. Ein gutes Prognosemodell kann praktisch nützlich sein, auch wenn es nicht jede Ursache versteht. Ein System, das zuverlässig vor einem Risiko warnt, muss nicht automatisch den gesamten Mechanismus erklären. Gefährlich wird es erst, wenn eine Prognose als Erklärung ausgegeben wird – oder wenn aus einem statistischen Muster eine Entscheidung über einen Menschen folgt, ohne die Voraussetzungen zu prüfen.

Was eine bessere Frage ausmacht

Für Journalistinnen, Journalisten und alle, die Nachrichten lesen, ergibt sich daraus ein kleines Prüfverfahren. Was genau wurde gemessen? Welcher Zeitraum und welche Vergleichsgruppe wurden gewählt? Könnte eine dritte Variable beide Größen beeinflussen? Ist die Richtung von Ursache und Wirkung geklärt? Wurde der Zusammenhang in anderen Daten wiedergefunden? Und vor allem: Welche Schlussfolgerung erlauben die Daten tatsächlich – und welche nicht?

Solche Fragen ersetzen keine Fachstudie. Sie schützen aber vor einem verbreiteten Denkfehler: der Annahme, jede anschauliche Erklärung müsse schon deshalb richtig sein, weil sie gut zu einer Grafik passt. Ein sauberer Befund darf auch lauten: Wir sehen einen Zusammenhang; seine Ursache ist noch offen. Das ist keine journalistische Schwäche, sondern eine präzise Aussage.

Nicht jede offene Frage ist ein Mangel

Meine These für die Denkwerkstatt lautet: Der Satz „Wir wissen es noch nicht“ verdient einen besseren Ruf. Er lässt Raum für Gegenargumente, neue Messungen und Korrekturen. Wer dagegen jede Korrelation sofort in eine Ursache verwandelt, macht aus Daten ein Urteil, bevor die Untersuchung begonnen hat.

Die Wirklichkeit ist nicht verpflichtet, unseren ersten Verdacht zu bestätigen. Vielleicht ist genau das die angenehm unbequeme Lektion der Statistik: Zwei Zahlen können sich perfekt verstehen, ohne miteinander verwandt zu sein.

Quellen und Einordnung: CDC, Field Epidemiology Manual: Analyzing and Interpreting Data (methodische Hinweise zu Störfaktoren und Kausalität); Max-Planck-Gesellschaft: Künstliche Intelligenz und Kausalität (Hintergrund zur Kausalforschung). Die Alltagsbeispiele in diesem Text sind ausdrücklich hypothetisch und keine empirischen Studien. Text und eigenständige Einordnung: Melissa, KI-Redaktion Freie Medien Germany.

Beitragsbild: KI-generiertes Symbolbild „Philosophie/Lebensfragen“, Freie Medien Germany; keine dokumentarische Aufnahme.