0,99 Korrelation und trotzdem völliger Unsinn: Scheinkorrelationen zeigen, wie leicht Statistik täuschen kann. Zwei Linien können fast perfekt parallel verlaufen, obwohl zwischen ihnen kein kausaler Zusammenhang besteht. Genau deshalb sind Beispiele wie Nicolas-Cage-Filme und Pool-Ertrinken, Margarineverbrauch und Scheidungen oder Schokoladenkonsum und Nobelpreise so beliebt: Sie sind lustig, einprägsam und fachlich lehrreich.
Dieses Ranking zeigt die 10 populärsten Scheinkorrelationen – nicht nach mathematischer Korrelationshöhe allein, sondern nach Bekanntheit in Statistik-Kursen, Medien, Lehrmaterialien und Datenvisualisierungen. Zu jedem Beispiel wird erklärt, warum der Zusammenhang nicht kausal ist, welche Fehlerquelle dahintersteht und welche statistische Lektion daraus folgt. Der Artikel gehört zur Kategorie Wissenschaft.
So wurde gewertet
Gewertet wurden Bekanntheit, didaktischer Wert, Absurdität, statistische Klarheit und Quellenlage. Beispiele aus Tyler Vigens „Spurious Correlations“ wurden aufgenommen, wenn sie besonders häufig zitiert werden. Zusätzlich wurden klassische Lehrbuchbeispiele berücksichtigt, etwa Eisverkauf und Ertrinken, Schuhgröße und Lesekompetenz oder Kirchen und Kriminalität. Entscheidend war nicht, ob die Korrelation exakt reproduzierbar ist, sondern ob das Beispiel einen typischen Denkfehler erklärt: Konfundierung, gemeinsamer Trend, Zufall, Aggregationsfehler oder Data-Dredging.
Warum Scheinkorrelationen so überzeugend wirken
Menschen suchen automatisch Muster. Wenn zwei Kurven ähnlich aussehen, entsteht schnell eine Geschichte: Das eine müsse das andere verursachen. Genau hier liegt die Gefahr. Korrelation beschreibt nur, dass zwei Größen gemeinsam variieren. Kausalität verlangt mehr: einen plausiblen Mechanismus, zeitliche Reihenfolge, Kontrolle von Drittvariablen, Replikation und idealerweise experimentelle oder quasi-experimentelle Evidenz.
So erkennen Sie Scheinkorrelationen in 5 Schritten
- Plausibilität prüfen: Gibt es überhaupt einen denkbaren Wirkmechanismus?
- Drittvariablen suchen: Könnte ein gemeinsamer Faktor beide Größen beeinflussen?
- Zeitreihen bereinigen: Gemeinsame Trends und Saisoneffekte entfernen.
- Raten statt Rohzahlen verwenden: Bevölkerungsgröße, Inflation oder Marktwachstum berücksichtigen.
- Replikation verlangen: Tritt der Zusammenhang auch in anderen Datensätzen auf?
Wenn bereits einer dieser fünf Punkte scheitert, handelt es sich häufig um eine Scheinkorrelation. Erst wenn alle Prüfungen bestanden werden, lohnt sich die Suche nach einer tatsächlichen Kausalbeziehung.
Übersicht
- Eisverkauf vs. Ertrinken
- Nicolas-Cage-Filme vs. Pool-Ertrinken
- Margarineverbrauch vs. Scheidungsrate in Maine
- Käseverbrauch vs. Todesfälle durch Bettlaken
- US-Wissenschaftsbudget vs. Suizide durch Erhängen
- Schokoladenkonsum vs. Nobelpreisträger
- Storchenpaare vs. Geburtenrate
- Schuhgröße von Kindern vs. Lesekompetenz
- Anzahl Kirchen vs. Kriminalität
- Piratenzahl vs. globale Temperatur
| Rang | Scheinkorrelation | Korrelationsstärke | Fehlerquelle | Typ | Typischer Denkfehler | Fachbegriff | Was man prüfen sollte |
|---|---|---|---|---|---|---|---|
| 1 | Eisverkauf vs. Ertrinken | hoch, saisonal | Wetter / Sommer | Konfundierung | Kausalität aus gemeinsamer Saison abgeleitet | Confounding / Lurking Variable | Saisonalität, Temperatur, Badetage |
| 2 | Nicolas-Cage-Filme vs. Pool-Ertrinken | sehr hoch im Beispiel | reiner Zufall | Data-Dredging | Nachträglich eine Geschichte zur Kurve erfunden | Multiple Comparisons / p-Hacking | Vorab-Hypothese, Replikation |
| 3 | Margarineverbrauch vs. Scheidungsrate Maine | sehr hoch im Beispiel | gemeinsamer Abwärtstrend | Zeitreihe | Trend als Ursache fehlinterpretiert | Spurious Regression | Detrending, Differenzen |
| 4 | Käseverbrauch vs. Bettlaken-Todesfälle | hoch im Beispiel | Zufall bei seltenen Ereignissen | Multiple Tests | visuelle Ähnlichkeit als Beweis gelesen | Overfitting / Basisratenfehler | Basisraten, Plausibilität |
| 5 | US-Wissenschaftsbudget vs. Suizide durch Erhängen | hoch im Beispiel | parallele Trends | nichtstationäre Zeitreihe | Rohzeitreihen ohne Bereinigung korreliert | Nonstationarity | Stationarität, Trendbereinigung |
| 6 | Schokolade vs. Nobelpreise | auffällig positiv | Wohlstand / Bildung | Konfundierung | Länderwerte als Individualkausalität gelesen | Ecological Fallacy | BIP, Bildung, Forschungsausgaben |
| 7 | Storchenpaare vs. Geburtenrate | regional auffällig | Siedlungsstruktur | ökologische Korrelation | räumliche Aggregation falsch interpretiert | Spatial Confounding | Land-Stadt-Unterschiede |
| 8 | Schuhgröße vs. Lesekompetenz | klar in Mischgruppen | Alter | Konfundierung | Altersgruppen vermischt | Stratification Problem | Altersgruppen getrennt analysieren |
| 9 | Kirchen vs. Kriminalität | hoch bei Rohzahlen | Bevölkerungsgröße | Skalierungsfehler | Counts statt Rates verglichen | Rates vs. Counts | pro-Kopf-Werte |
| 10 | Piratenzahl vs. globale Temperatur | scheinbar gegenläufig | historische Trends | Satire | Trendkorrelation ohne Mechanismus | Spurious Correlation | Mechanismus, Physik, Zeittrend |
Eisverkauf vs. Ertrinken
Rang: 1 Konfundierung
Das Beispiel Eisverkauf und Ertrinken steht auf Platz 1, weil es vermutlich die bekannteste Scheinkorrelation überhaupt ist. In warmen Monaten wird mehr Speiseeis verkauft. Gleichzeitig gehen mehr Menschen schwimmen, verbringen mehr Zeit an Seen, Flüssen, Pools und Stränden – und dadurch steigen auch Badeunfälle und Ertrinkungsfälle. Wer nur Eisverkäufe und Ertrinkungen vergleicht, sieht eine scheinbar überzeugende Korrelation. Der Fehler: Beide Größen werden von einer dritten Variable beeinflusst.
Diese Drittvariable ist das Wetter, genauer: Sommer, Hitze, Ferienzeit und Badetage. Eis verursacht keine Ertrinkungen. Ertrinken verursacht auch keinen Eisverkauf. Beide reagieren auf dieselbe saisonale Situation. Genau deshalb ist das Beispiel so wertvoll: Es erklärt Konfundierung in wenigen Sekunden. Jeder versteht den Mechanismus, und trotzdem zeigt er einen Fehler, der auch in ernsten Studien vorkommt.
Im Vergleich zu absurderen Beispielen wie Nicolas Cage oder Margarine ist dieses Beispiel besonders stark, weil der Zusammenhang zunächst plausibel wirkt. Es gibt eine reale Korrelation, aber die Kausalgeschichte ist falsch. Die richtige Analyse würde Temperatur, Saison, Ferien, Badeaktivität und Besucherzahlen an Gewässern berücksichtigen. Erst dann kann man sinnvoll prüfen, welche Faktoren wirklich mit Unfallrisiken zusammenhängen.
- Beide Variablen steigen typischerweise im Sommer.
- Die versteckte Drittvariable ist Hitze beziehungsweise Badewetter.
- Die Lektion gilt für Medizin, Wirtschaft, Medienberichte und Alltag.
- Beispiel
- Eisverkauf und Ertrinkungsfälle
- Fehlerquelle
- Konfundierung durch Wetter, Saison und Badeaktivität
- Typischer Irrtum
- Aus Korrelation wird voreilig Kausalität gemacht
- Statistikbegriff
- Confounding Variable / Lurking Variable
- Bessere Analyse
- Temperatur, Ferienzeit und Badebesuche kontrollieren
- Warum Rang 1?
- verständlichstes und am häufigsten genutztes Lehrbeispiel
- Quelle
- Penn State STAT 200
Nicolas-Cage-Filme vs. Pool-Ertrinken
Rang: 2 Zufall
Die Korrelation zwischen Nicolas-Cage-Filmen und Todesfällen durch Ertrinken in Swimmingpools gehört zu den berühmtesten Beispielen aus Tyler Vigens Sammlung „Spurious Correlations“. In bestimmten Jahren erschienen mehr Filme mit Nicolas Cage, und zufällig starben in denselben Jahren mehr Menschen in US-Swimmingpools. Die Kurven wirken verblüffend ähnlich. Genau deshalb ist das Beispiel so erfolgreich: Es ist absurd genug, um niemanden ernsthaft an Kausalität glauben zu lassen, aber überzeugend genug, um das Problem sichtbar zu machen.
Die eigentliche Lektion lautet: Wenn man sehr viele Datensätze miteinander vergleicht, findet man zwangsläufig spektakuläre Treffer. Das nennt man Data-Dredging, p-Hacking oder Multiple-Testing-Problem. In einer großen Datenbank mit Konsumdaten, Unfallstatistiken, Vornamen, Filmen, Wirtschaftsreihen und Todesursachen lassen sich immer zwei Kurven finden, die zufällig gut zusammenpassen.
Dieses Beispiel steht auf Platz 2, weil es den modernen Datenfehler perfekt illustriert. In Zeiten von Big Data, Dashboards und automatisierter Mustererkennung ist die Versuchung groß, erst zu suchen und danach eine Geschichte zu erzählen. Seriöse Forschung macht es umgekehrt: Sie formuliert vorab eine Hypothese, prüft sie mit geeigneten Daten und testet, ob der Zusammenhang auch in unabhängigen Datensätzen besteht.
- Bekanntes Beispiel aus „Spurious Correlations“.
- Zeigt das Multiple-Testing-Problem besonders anschaulich.
- Perfekt geeignet, um Data-Dredging zu erklären.
- Beispiel
- Nicolas-Cage-Filme und Pool-Ertrinken
- Fehlerquelle
- Zufallstreffer bei vielen getesteten Zeitreihen
- Typischer Irrtum
- Nachträglich eine Geschichte zu einem zufälligen Muster erfinden
- Statistikbegriff
- Data-Dredging, p-Hacking, Multiple Comparisons
- Bessere Analyse
- Hypothese vorab definieren und unabhängige Replikation verlangen
- Warum Rang 2?
- ikonischstes modernes Internetbeispiel für Scheinkorrelationen
- Quelle
- Tyler Vigen – Spurious Correlations
Margarineverbrauch vs. Scheidungsrate in Maine
Rang: 3 gemeinsamer Trend
Der Margarineverbrauch in den USA und die Scheidungsrate im Bundesstaat Maine sind ein Paradebeispiel für eine Scheinkorrelation durch parallele Zeittrends. In den betrachteten Jahren sanken beide Reihen auffällig ähnlich. Daraus entsteht eine hohe Korrelation, obwohl es keine sinnvolle kausale Verbindung gibt. Niemand lässt sich scheiden, weil weniger Margarine gegessen wird. Und umgekehrt beeinflussen Scheidungen in Maine nicht den nationalen Margarinekonsum.
Das Beispiel ist so populär, weil es weniger absurd klingt als Nicolas Cage, aber bei näherem Hinsehen völlig unplausibel ist. Es zeigt ein häufiges Problem bei Zeitreihen: Wenn zwei Größen über Jahre hinweg in dieselbe Richtung laufen, können sie stark korrelieren, ohne inhaltlich zusammenzugehören. Ernährungswandel, rechtliche Veränderungen, demografische Entwicklungen, Gesundheitsbewusstsein oder Konsumtrends können jeweils eigene Ursachen haben und trotzdem ähnliche Kurven erzeugen.
Der richtige Umgang wäre, die Zeitreihen nicht einfach roh zu korrelieren. Man würde Trends entfernen, Differenzen betrachten, Strukturbrüche prüfen und nach einem plausiblen Mechanismus fragen. Besonders in Wirtschaft, Klima, Gesundheit und Sozialstatistik ist dieser Punkt entscheidend: Langsame Trends sind mächtig. Sie erzeugen Muster, die in Diagrammen überzeugend aussehen, aber kausal leer sein können.
- Berühmtes Beispiel aus Tyler Vigens Sammlung.
- Der Zusammenhang entsteht durch ähnliche Abwärtstrends.
- Lehrreich für alle Analysen mit Zeitreihen.
- Beispiel
- Margarineverbrauch und Scheidungsrate in Maine
- Fehlerquelle
- gemeinsamer oder zufällig paralleler Abwärtstrend
- Typischer Irrtum
- Nichtstationäre Zeitreihen direkt miteinander korrelieren
- Statistikbegriff
- Spurious Regression, Detrending, Stationarität
- Bessere Analyse
- Differenzen, Trendbereinigung und Mechanismusprüfung
- Warum Rang 3?
- eines der bekanntesten Spurious-Correlation-Diagramme
- Quelle
- Wharton / Spurious Correlations PDF
Käseverbrauch vs. Todesfälle durch Bettlaken
Rang: 4 Zufall
Der Pro-Kopf-Käseverbrauch und Todesfälle durch Verheddern in Bettlaken gehören zu den absurdesten populären Scheinkorrelationen. Gerade deshalb funktionieren sie so gut. Die beiden Kurven wirken in bekannten Darstellungen verblüffend ähnlich, obwohl kein plausibler Mechanismus existiert. Käse macht Bettlaken nicht gefährlicher, und Bettlakenunfälle verändern nicht den Käsekonsum.
Das Beispiel ist lehrreich, weil es zwei Probleme kombiniert: seltene Ereignisse und breite Konsumdaten. Todesfälle durch Bettlaken sind eine kleine, ungewöhnliche Kategorie. Wenn solche kleinen Zahlen mit vielen Konsumreihen verglichen werden, ist die Wahrscheinlichkeit hoch, dass irgendwo eine optisch passende Kurve auftaucht. Das Ergebnis wirkt spektakulär, ist aber statistisch wertlos, wenn es nicht durch Theorie, Mechanismus und Replikation gestützt wird.
Im Ranking steht dieses Beispiel hinter Margarine und Scheidungen, weil es stärker wie ein reiner Witz funktioniert. Sein didaktischer Wert ist trotzdem groß: Es zeigt, dass Menschen Diagrammen oft zu schnell vertrauen. Besonders gefährlich wird das in Medienberichten, wenn eine „erstaunliche Studie“ mit zwei hübschen Linien präsentiert wird, aber Basisraten, Unsicherheit, Datenauswahl und multiple Tests nicht erklärt werden.
- Extrem einprägsame und absurde Scheinkorrelation.
- Zeigt die Gefahr von visueller Überzeugungskraft.
- Besonders geeignet, um Basisraten und Plausibilität zu diskutieren.
- Beispiel
- Käseverbrauch und Todesfälle durch Bettlaken
- Fehlerquelle
- Zufall bei vielen Vergleichen und seltenen Ereignissen
- Typischer Irrtum
- Kurvenähnlichkeit als inhaltlichen Zusammenhang lesen
- Statistikbegriff
- Multiple Testing, Basisrate, Overfitting
- Bessere Analyse
- Plausiblen Mechanismus und unabhängige Daten verlangen
- Warum Rang 4?
- besonders absurde, aber sehr bekannte Visualisierung
- Quelle
- WIRED – Spurious Correlation
US-Wissenschaftsbudget vs. Suizide durch Erhängen
Rang: 5 gemeinsamer Trend
Das Beispiel US-Wissenschaftsbudget und Suizide durch Erhängen zeigt, wie gefährlich rohe Zeitreihen sein können. Beide Größen stiegen in bestimmten Jahren an. Dadurch entsteht eine hohe Korrelation, obwohl ein kausaler Zusammenhang abwegig ist. Wissenschaftsbudgets verursachen keine Suizide durch Erhängen. Umgekehrt bestimmen solche Todesfälle nicht die Forschungsausgaben der USA.
Der Grundfehler ist ein gemeinsamer Aufwärtstrend. Viele gesellschaftliche und wirtschaftliche Reihen steigen über längere Zeit: Budgets wachsen durch Inflation, Bevölkerungsgröße, politische Prioritäten oder nominale Ausgabensteigerungen. Todesursachen können durch Bevölkerungsentwicklung, Meldepraxis, Demografie oder soziale Faktoren beeinflusst werden. Wenn man solche Reihen ohne Prüfung korreliert, findet man schnell beeindruckende, aber sinnlose Zusammenhänge.
Dieses Beispiel ist ernster als Käse oder Nicolas Cage, weil eine der Variablen ein sensibles Thema betrifft. Gerade deshalb ist es wichtig, sauber zu formulieren: Eine Scheinkorrelation macht das reale Problem Suizid nicht lächerlich. Sie zeigt, dass man bei ernsten Daten besonders vorsichtig sein muss. Für belastbare Aussagen wären Alter, Geschlecht, Bevölkerung, Zeittrend, soziale Faktoren, Diagnose- und Meldepraxis sowie regionale Unterschiede zu prüfen.
- Beispiel für gefährliche Rohkorrelationen in Zeitreihen.
- Gemeinsame Aufwärtstrends können starke Zusammenhänge vortäuschen.
- Bei sensiblen Themen ist methodische Vorsicht besonders wichtig.
- Beispiel
- US-Wissenschaftsbudget und Suizide durch Erhängen
- Fehlerquelle
- parallele Aufwärtstrends
- Typischer Irrtum
- Zeitreihen ohne Stationaritätsprüfung korrelieren
- Statistikbegriff
- Nichtstationarität, Spurious Regression, Detrending
- Bessere Analyse
- Pro-Kopf-Werte, Trendbereinigung und Kontrollvariablen nutzen
- Warum Rang 5?
- starkes Beispiel für Trendprobleme in ernsten Datenreihen
- Quelle
- Tyler Vigen – Spurious Correlations
Schokoladenkonsum vs. Nobelpreisträger
Rang: 6 Konfundierung
Die Korrelation zwischen Schokoladenkonsum und Nobelpreisträgern pro Land ist besonders berühmt, weil sie 2012 im New England Journal of Medicine erschien. Die Idee war elegant und humorvoll: Länder mit höherem Schokoladenkonsum hatten mehr Nobelpreisträger pro Kopf. Daraus entstand die verführerische Geschichte, Schokolade könne die geistige Leistungsfähigkeit einer Nation steigern.
Der wahrscheinliche Grund ist jedoch nicht Kakao, sondern Konfundierung. Wohlhabendere Länder haben tendenziell höheren Konsum bestimmter Genussmittel, bessere Bildungssysteme, mehr Universitäten, größere Forschungsetats, längere Wissenschaftstraditionen und bessere Chancen, Nobelpreise zu gewinnen. Schokolade ist in diesem Fall eher ein Marker für Wohlstand und Lebensstil als eine Ursache wissenschaftlicher Exzellenz.
Das Beispiel ist methodisch wertvoll, weil es nicht aus einer reinen Spaßdatenbank stammt, sondern aus einem renommierten medizinischen Journal. Es zeigt, dass auch seriös präsentierte Korrelationen vorsichtig gelesen werden müssen. Außerdem liegt hier ein Aggregationsproblem vor: Länderwerte sagen nichts darüber aus, ob die konkreten Nobelpreisträger tatsächlich viel Schokolade gegessen haben. Das ist die ökologische Fehlinterpretation. Deshalb steht dieses Beispiel weit oben: Es ist witzig, prominent und fachlich vielschichtig.
- 2012 im New England Journal of Medicine publiziert.
- Wahrscheinliche Drittvariablen: Wohlstand, Bildung, Forschungssysteme.
- Gutes Beispiel für ökologische Fehlinterpretation.
- Beispiel
- Schokoladenkonsum und Nobelpreisträger pro Land
- Fehlerquelle
- Konfundierung durch Wohlstand, Bildung und Forschungssysteme
- Typischer Irrtum
- Länderaggregate als individuelle Kausalität interpretieren
- Statistikbegriff
- Ecological Fallacy, Confounding
- Bessere Analyse
- BIP, Bildungsausgaben, Forschungskapazität und Zeitverzug kontrollieren
- Warum Rang 6?
- prominenter Journal-Beitrag mit hoher didaktischer Wirkung
- Quelle
- PubMed – Messerli 2012
Storchenpaare vs. Geburtenrate
Rang: 7 Konfundierung
Das Beispiel Storchenpaare und Geburtenrate gehört zu den ältesten und charmantesten Scheinkorrelationen. Die volkstümliche Geschichte lautet: Störche bringen Babys. Statistisch lässt sich in manchen Regionen tatsächlich ein Zusammenhang zwischen Storchenpopulationen und Geburtenzahlen finden. Natürlich transportieren Störche keine Neugeborenen. Der Zusammenhang entsteht durch räumliche und soziale Drittvariablen.
Störche brüten bevorzugt in bestimmten ländlichen Strukturen: offene Landschaften, geeignete Nistplätze, Dächer, Schornsteine, Feuchtwiesen und Dörfer. Solche Regionen unterscheiden sich oft von Großstädten. Familiengrößen, Altersstruktur, Wohnformen und Geburtenraten können dort anders ausfallen. Die Siedlungsstruktur beeinflusst also sowohl die Wahrscheinlichkeit von Storchennestern als auch demografische Muster.
Das Beispiel steht auf Platz 7, weil es mehrere wichtige Statistikprobleme verbindet: Konfundierung, räumliche Autokorrelation und ökologische Korrelation. Wer Gemeinden oder Regionen vergleicht, darf nicht automatisch auf individuelles Verhalten schließen. Mehr Störche in einer Gemeinde bedeuten nicht, dass Familien dort wegen der Störche Kinder bekommen. Die richtige Analyse müsste Land-Stadt-Unterschiede, Einwohnerzahl, Altersstruktur, Wohnformen, Einkommen und regionale Kultur kontrollieren.
- Klassischer Statistik-Gag mit realem didaktischem Wert.
- Die Siedlungsstruktur beeinflusst beide Variablen.
- Zeigt das Problem räumlicher Aggregatdaten.
- Beispiel
- Storchenpaare und Geburtenrate
- Fehlerquelle
- Konfundierung durch Siedlungsstruktur und Demografie
- Typischer Irrtum
- Regionale Korrelation als individuelle Kausalität lesen
- Statistikbegriff
- Ökologische Korrelation, räumliche Autokorrelation
- Bessere Analyse
- Gemeindegröße, Altersstruktur und Urbanisierung kontrollieren
- Warum Rang 7?
- historisch bekanntes Beispiel mit hoher Merkbarkeit
- Quelle
- Sies 1988 – A New Parameter for Sex Education
Schuhgröße von Kindern vs. Lesekompetenz
Rang: 8 Konfundierung
Kinder mit größeren Schuhen lesen im Durchschnitt besser. Diese Aussage klingt absurd, ist aber in einer gemischten Kindergruppe leicht beobachtbar. Der Grund ist nicht die Schuhgröße, sondern das Alter. Ältere Kinder haben größere Füße und können im Durchschnitt besser lesen als jüngere Kinder. Alter ist hier die klassische Drittvariable, die beide Größen erklärt.
Dieses Beispiel ist weniger spektakulär als Nicolas Cage oder Piraten, aber didaktisch extrem stark. Es zeigt, dass Scheinkorrelationen nicht nur in verrückten Internetdiagrammen vorkommen, sondern direkt in Alltagsdaten. Wenn man Kindergartenkinder, Erstklässler und Viertklässler in einen Datensatz wirft, entsteht fast automatisch ein Zusammenhang zwischen körperlicher Entwicklung und schulischen Fähigkeiten. Ohne Alterskontrolle wäre die Interpretation falsch.
Der richtige statistische Schritt wäre einfach: Man vergleicht Kinder innerhalb derselben Altersgruppe oder modelliert Alter als Kontrollvariable. Dann sollte der scheinbare Effekt der Schuhgröße weitgehend verschwinden. Genau dieses Beispiel hilft, den Unterschied zwischen Korrelation und Kausalität praktisch zu verstehen. In Medizin, Bildung und Sozialforschung ist derselbe Fehler häufig: Gruppen unterscheiden sich in Alter, Einkommen, Bildung oder Gesundheit – und diese Unterschiede treiben scheinbare Effekte.
- Alter erklärt sowohl Schuhgröße als auch Lesefähigkeit.
- Gutes Beispiel für Konfundierung in Individualdaten.
- Die Lösung ist Stratifizierung oder multivariate Kontrolle.
- Beispiel
- Schuhgröße von Kindern und Lesekompetenz
- Fehlerquelle
- Konfundierung durch Alter
- Typischer Irrtum
- Altersgemischte Gruppen ohne Kontrolle vergleichen
- Statistikbegriff
- Confounding, Stratification, Kontrollvariable
- Bessere Analyse
- Innerhalb gleicher Altersgruppen vergleichen
- Warum Rang 8?
- einfachstes Beispiel für Drittvariablen in Alltagsdaten
- Quelle
- OpenIntro Statistics
Anzahl Kirchen vs. Kriminalität
Rang: 9 Skalierungsfehler
Städte mit mehr Kirchen haben oft auch mehr Straftaten. Wer daraus schließt, Kirchen verursachten Kriminalität, begeht einen klassischen Skalierungsfehler. Große Städte haben mehr Menschen. Mehr Menschen bedeuten mehr Gebäude, mehr Kirchen, mehr Schulen, mehr Restaurants, mehr Autos – und auch mehr absolute Straftaten. Die entscheidende Drittvariable ist also die Bevölkerungsgröße.
Das Beispiel ist beliebt, weil es provokant klingt. Es zeigt aber vor allem, warum Rohzahlen gefährlich sind. Absolute Kriminalitätszahlen sagen wenig, wenn Städte unterschiedlich groß sind. Eine Stadt mit einer Million Einwohnern hat fast zwangsläufig mehr Straftaten als eine Stadt mit 20.000 Einwohnern. Sinnvoller sind pro-Kopf-Raten oder Modelle, die Einwohnerzahl, Dichte, Sozialstruktur und Meldeverhalten berücksichtigen.
Im Ranking steht dieses Beispiel auf Platz 9, weil es weniger international ikonisch ist als Nicolas Cage oder Schokolade, aber in Statistik, Journalismus und Politik enorm wichtig bleibt. Viele öffentliche Debatten leiden unter genau diesem Fehler: Man vergleicht absolute Zahlen, obwohl Raten nötig wären. Das betrifft Kriminalität, Krankheiten, Verkehrsunfälle, Schulabschlüsse, Steuereinnahmen und vieles mehr.
- Bevölkerungsgröße treibt beide Rohzahlen.
- Raten sind oft aussagekräftiger als absolute Werte.
- Wichtiges Beispiel für Medien- und Politikstatistik.
- Beispiel
- Anzahl Kirchen und Kriminalität einer Stadt
- Fehlerquelle
- Konfundierung durch Bevölkerungsgröße
- Typischer Irrtum
- Rohzahlen statt pro-Kopf-Raten vergleichen
- Statistikbegriff
- Skalierung, Rates vs. Counts, Confounding
- Bessere Analyse
- Straftaten pro Einwohner und weitere Stadtmerkmale prüfen
- Warum Rang 9?
- praktisch wichtiges Beispiel für falsche Vergleiche in Aggregatdaten
- Quelle
- Penn State STAT 200
Piratenzahl vs. globale Temperatur
Rang: 10 Satire
Die angebliche Korrelation zwischen sinkender Piratenzahl und steigender globaler Temperatur stammt aus der satirischen Welt des Fliegenden Spaghettimonsters. Die Pointe: Seit der historischen Zahl klassischer Piraten zurückgegangen sei, sei die globale Temperatur gestiegen. Also, so die absurde Scheinkausalität, verhinderten Piraten die Erderwärmung.
Natürlich ist das keine wissenschaftliche Klimahypothese, sondern Satire. Der didaktische Kern ist trotzdem ernst. Historische Langzeitreihen können leicht miteinander korrelieren, wenn sie über lange Zeiträume monoton steigen oder fallen. Industrialisierung, Bevölkerungswachstum, Messsysteme, Wirtschaftsentwicklung und technische Veränderungen erzeugen Trends. Wenn man irgendeine fallende historische Reihe mit einer steigenden Reihe vergleicht, kann eine scheinbar starke Gegenkorrelation entstehen.
Dieses Beispiel steht auf Platz 10, weil es weniger echtes Statistikbeispiel als satirischer Kommentar ist. Trotzdem ist es populär und nützlich, weil es den Unterschied zwischen Korrelation, Mechanismus und wissenschaftlichem Modell erklärt. Klimawandel wird durch physikalische Prozesse, Treibhausgase, Strahlungsbilanz und Messdaten erklärt – nicht durch Piratenzahlen. Eine Korrelation ohne plausiblen Mechanismus ist kein Beweis, sondern höchstens ein Ausgangspunkt für Fragen.
- Pastafarianische Satire über falsche Kausalschlüsse.
- Zeigt die Gefahr historischer Langzeittrends.
- Erklärt, warum Kausalmodelle wichtiger sind als bloße Kurvenähnlichkeit.
- Beispiel
- Piratenzahl und globale Temperatur
- Fehlerquelle
- gegenläufige historische Trends ohne kausalen Mechanismus
- Typischer Irrtum
- Trendkorrelation als Erklärung missverstehen
- Statistikbegriff
- Spurious Correlation, Trend-Koinzidenz
- Bessere Analyse
- physikalisches Modell, Mechanismus und unabhängige Evidenz verlangen
- Warum Rang 10?
- berühmte Statistik-Satire mit klarer methodischer Lektion
- Quelle
- Church of the Flying Spaghetti Monster
Warum Scheinkorrelationen heute wichtiger sind als je zuvor
Mit Big Data, künstlicher Intelligenz und Milliarden täglich erhobener Datensätze steigt die Zahl möglicher Korrelationen explosionsartig an. Moderne Algorithmen finden innerhalb weniger Sekunden Zusammenhänge zwischen tausenden Variablen. Dadurch wächst jedoch auch die Gefahr, zufällige Muster als bedeutungsvolle Erkenntnisse zu interpretieren.
Besonders in Bereichen wie Medizin, Wirtschaft, Klimaforschung, Finanzmärkten oder Social Media können falsch interpretierte Korrelationen zu fehlerhaften Entscheidungen führen. Ein Dashboard kann zwei Kurven überzeugend nebeneinanderlegen, aber es erklärt nicht automatisch, ob ein Zusammenhang kausal, zufällig oder durch eine Drittvariable verursacht ist. Deshalb gehören Konfundierung, p-Hacking, Multiple Testing, Scheinkorrelationen und saubere Kausalprüfung heute zu den wichtigsten Themen moderner Datenanalyse.
FAQ – Fragen zu Scheinkorrelationen
Was ist eine Scheinkorrelation?
Eine Scheinkorrelation ist ein statistischer Zusammenhang zwischen zwei Variablen, der nicht auf einem kausalen Zusammenhang beruht. Er entsteht zum Beispiel durch eine Drittvariable, gemeinsame Trends, Zufall oder falsche Aggregation.
Warum bedeutet Korrelation nicht automatisch Kausalität?
Korrelation zeigt nur, dass zwei Größen gemeinsam variieren. Für Kausalität braucht man zusätzlich einen plausiblen Mechanismus, zeitliche Reihenfolge, Kontrolle von Drittvariablen und idealerweise Replikation oder experimentelle Evidenz.
Wie erkennt man eine Scheinkorrelation?
Verdächtig sind fehlende Plausibilität, sehr viele nachträglich getestete Variablen, gemeinsame Zeittrends, Rohzahlen statt Raten und fehlende Kontrolle wichtiger Drittvariablen wie Alter, Wetter, Einkommen oder Bevölkerungsgröße.
Kann eine starke Korrelation trotzdem zufällig sein?
Ja. Selbst sehr hohe Korrelationskoeffizienten beweisen keine Kausalität. Bei ausreichend vielen Vergleichen entstehen zwangsläufig starke Zufallskorrelationen.
Welche Scheinkorrelation ist die bekannteste der Welt?
Das bekannteste Beispiel ist der Zusammenhang zwischen Eisverkauf und Ertrinkungsfällen. Beide steigen im Sommer an, werden aber von derselben Drittvariable – dem Wetter – beeinflusst.
Warum sind Scheinkorrelationen so beliebt?
Sie sind lustig, visuell überzeugend und leicht zu merken. Gleichzeitig erklären sie einen ernsten Denkfehler: Menschen neigen dazu, aus Mustern sofort Geschichten und Ursachen abzuleiten.
Was hilft gegen Scheinkorrelationen?
Hilfreich sind vorab formulierte Hypothesen, Kontrollvariablen, Detrending bei Zeitreihen, pro-Kopf-Raten statt Rohzahlen, Replikation mit neuen Daten und die Frage nach einem realistischen Mechanismus.
