B verursacht A (umgekehrte Kausalität oder umgekehrte Kausalität)

Umgekehrte Kausalität oder umgekehrte Kausalität oder falsche Richtung ist ein informeller Trugschluss der fragwürdigen Ursache, bei dem Ursache und Wirkung umgekehrt sind. Man sagt, die Ursache sei die Wirkung und umgekehrt.

Beispiel 1 Je schneller sich Windmühlen drehen, desto mehr Wind wird beobachtet. Daher wird der Wind durch die Rotation der Windmühlen verursacht. (Oder einfach ausgedrückt: Windmühlen sind, wie ihr Name schon sagt, Maschinen, die zur Erzeugung von Wind eingesetzt werden.)

In diesem Beispiel bedeutet die Korrelation (Gleichzeitigkeit) zwischen Windmühlentätigkeit und Windgeschwindigkeit nicht, dass der Wind durch Windmühlen verursacht wird. Es ist eher umgekehrt, wie die Tatsache nahelegt, dass Wind keine Windmühlen braucht, um zu existieren, während Windmühlen Wind brauchen, um sich zu drehen. Wind kann an Orten beobachtet werden, an denen es keine Windmühlen oder sich nicht drehende Windmühlen gibt – und es gibt gute Gründe für die Annahme, dass Wind schon vor der Erfindung von Windmühlen existierte.

Beispiel 2

In anderen Fällen kann es einfach unklar sein, was die Ursache und was die Wirkung ist. Zum Beispiel:

Kinder, die viel fernsehen, sind am gewalttätigsten. Offensichtlich macht das Fernsehen Kinder gewalttätiger.

Es könnte aber auch umgekehrt sein, d.h. gewalttätige Kinder sehen gerne mehr fern als weniger gewalttätige.

Beispiel 3

Eine Korrelation zwischen dem Konsum von Freizeitdrogen und psychiatrischen Störungen könnte in beide Richtungen gehen: vielleicht verursachen die Drogen die Störungen, oder vielleicht nehmen die Menschen Drogen, um sich selbst gegen bereits bestehende Krankheiten zu behandeln. Die Gateway-Drogentheorie könnte argumentieren, dass der Konsum von Marihuana zum Konsum härterer Drogen führt, aber auch der Konsum harter Drogen kann zum Konsum von Marihuana führen (siehe auch die Verwechslung der Umkehrung). In den Sozialwissenschaften, wo kontrollierte Experimente oft nicht zur Feststellung der Kausalrichtung herangezogen werden können, kann dieser Irrtum lange bestehende wissenschaftliche Argumente untermauern. Ein solches Beispiel findet sich in der Bildungsökonomie zwischen dem Screening/Signaling- und dem Humankapitalmodell: Es könnte entweder heißen, dass eine angeborene Begabung es ermöglicht, eine Ausbildung zu absolvieren, oder dass der Abschluss einer Ausbildung die Begabung stärkt.

Beispiel 4

Ein historisches Beispiel hierfür ist, dass die Europäer im Mittelalter glaubten, Läuse seien gesundheitsfördernd, da kranke Menschen selten Läuse hätten. Der Grund dafür war, dass die Leute krank wurden, weil die Läuse weggingen. Der wahre Grund ist jedoch, dass Läuse extrem empfindlich auf die Körpertemperatur reagieren. Ein geringer Anstieg der Körpertemperatur, wie etwa bei Fieber, veranlasst die Läuse, sich einen anderen Wirt zu suchen. Da das medizinische Thermometer noch nicht erfunden war, wurde dieser Temperaturanstieg selten bemerkt. Spürbare Symptome traten erst später auf, was den Eindruck erweckte, dass die Läuse weg waren, bevor die Person krank wurde.

In anderen Fällen können zwei Phänomene jeweils eine Teilursache für das andere sein; man denke an Armut und mangelnde Bildung oder an Zaudern und geringes Selbstwertgefühl. Wer auf der Grundlage dieser beiden Phänomene argumentiert, muss jedoch aufpassen, dass er nicht in einen Zirkelschluss von Ursache und Folge verfällt. Armut ist eine Ursache für mangelnde Bildung, aber sie ist nicht die einzige Ursache und umgekehrt.

Der dritte Faktor C (die gemeinsame kausale Variable) verursacht sowohl A als auch BEdit

Der Drittverursacher-Trick (auch bekannt als Ignorieren einer gemeinsamen Ursache oder fragwürdige Ursache) ist ein logischer Irrtum, bei dem eine Scheinbeziehung mit einer Kausalität verwechselt wird. Es handelt sich um eine Abwandlung des Post-hoc-ergo-propter-hoc-Fehlschlusses und um ein Mitglied der Gruppe der fragwürdigen Ursachen.

Alle diese Beispiele haben mit einer versteckten Variable zu tun, die einfach eine versteckte dritte Variable ist, die beide Ursachen der Korrelation beeinflusst. Eine Schwierigkeit ergibt sich häufig auch dann, wenn der dritte Faktor zwar grundsätzlich von A und B verschieden ist, aber so eng mit A und/oder B zusammenhängt, dass er mit ihnen verwechselt wird oder wissenschaftlich nur sehr schwer von ihnen zu trennen ist (siehe Beispiel 4).

Beispiel 1 Das Schlafen mit Schuhen ist stark mit dem Aufwachen mit Kopfschmerzen korreliert. Daher verursacht das Schlafen mit Schuhen Kopfschmerzen.

Das obige Beispiel begeht den Korrelations-Implikations-Kausations-Fehlschluss, da es voreilig zu dem Schluss kommt, dass Schlafen mit Schuhen Kopfschmerzen verursacht. Eine plausiblere Erklärung ist, dass beides durch einen dritten Faktor verursacht wird, in diesem Fall das betrunkene Zubettgehen, wodurch sich eine Korrelation ergibt. Die Schlussfolgerung ist also falsch.

Beispiel 2: Kleine Kinder, die mit Licht schlafen, haben ein viel höheres Risiko, im späteren Leben kurzsichtig zu werden. Daher verursacht das Schlafen bei Licht Kurzsichtigkeit.

Dies ist ein wissenschaftliches Beispiel, das aus einer Studie des University of Pennsylvania Medical Center hervorgegangen ist. Die Studie wurde am 13. Mai 1999 in der Zeitschrift Nature veröffentlicht und fand damals in der Presse große Beachtung. Eine spätere Studie an der Ohio State University kam jedoch nicht zu dem Ergebnis, dass Kinder, die bei eingeschaltetem Licht schlafen, kurzsichtig werden. Es wurde jedoch ein enger Zusammenhang zwischen der elterlichen Kurzsichtigkeit und der Entwicklung der kindlichen Kurzsichtigkeit festgestellt, wobei auch festgestellt wurde, dass kurzsichtige Eltern mit größerer Wahrscheinlichkeit das Licht im Schlafzimmer ihrer Kinder anließen. In diesem Fall ist die Ursache für beide Zustände die elterliche Kurzsichtigkeit, und die oben genannte Schlussfolgerung ist falsch.

Beispiel 3 Mit steigendem Verkauf von Speiseeis nimmt die Zahl der Todesfälle durch Ertrinken stark zu. Daher verursacht der Konsum von Eiscreme das Ertrinken.

Dieses Beispiel verkennt die Bedeutung von Jahreszeit und Temperatur für den Verkauf von Speiseeis. In den heißen Sommermonaten wird viel mehr Speiseeis verkauft als in kälteren Zeiten, und in diesen heißen Sommermonaten ist die Wahrscheinlichkeit größer, dass sich die Menschen an Aktivitäten beteiligen, die mit Wasser zu tun haben, wie Schwimmen. Die erhöhte Zahl der Ertrinkungstoten ist also nicht auf Speiseeis zurückzuführen, sondern auf den vermehrten Kontakt mit Wasser. Die angegebene Schlussfolgerung ist falsch.

Beispiel 4 Eine hypothetische Studie zeigt einen Zusammenhang zwischen den Werten für Prüfungsangst und Schüchternheit mit einem statistischen r-Wert (Stärke der Korrelation) von +,59. Daraus kann man einfach schließen, dass Schüchternheit in gewissem Maße die Prüfungsangst kausal beeinflusst.

Es wurde jedoch, wie in vielen psychologischen Studien, eine weitere Variable, ein „Selbstbewusstseins-Score“, entdeckt, der eine stärkere Korrelation (+,73) mit Schüchternheit aufweist. Dies deutet auf ein mögliches Problem mit einer „dritten Variable“ hin. Wenn jedoch drei so eng miteinander verbundene Messgrößen gefunden werden, deutet dies auch darauf hin, dass jede von ihnen bidirektionale Tendenzen aufweist (siehe „bidirektionale Variable“, oben), d. h. ein Bündel korrelierter Werte, die sich gegenseitig in gewissem Maße beeinflussen. Daher kann die obige einfache Schlussfolgerung falsch sein.

Beispiel 5 Seit den 1950er Jahren haben sowohl der atmosphärische CO2-Gehalt als auch die Fettleibigkeit stark zugenommen. Daher verursacht atmosphärisches CO2 Fettleibigkeit.

Reichere Bevölkerungen neigen dazu, mehr zu essen und mehr CO2 zu produzieren.

Beispiel 6 HDL („gutes“) Cholesterin ist negativ mit dem Auftreten von Herzinfarkten korreliert. Die Einnahme von Medikamenten zur Erhöhung des HDL-Cholesterins verringert daher das Risiko eines Herzinfarkts.

Weitere Untersuchungen haben diese Schlussfolgerung in Frage gestellt. Stattdessen kann es sein, dass andere zugrundeliegende Faktoren wie Gene, Ernährung und Bewegung sowohl den HDL-Spiegel als auch die Wahrscheinlichkeit eines Herzinfarkts beeinflussen; es ist möglich, dass Medikamente den direkt messbaren Faktor, den HDL-Spiegel, beeinflussen, ohne die Wahrscheinlichkeit eines Herzinfarkts zu beeinflussen.

Bidirektionale Kausalität: A verursacht B, und B verursacht AEdit

Die Kausalität ist nicht notwendigerweise einseitig; in einer Raubtier-Beute-Beziehung beeinflusst die Anzahl der Raubtiere die Anzahl der Beute, aber die Anzahl der Beute, d. h. das Nahrungsangebot, beeinflusst auch die Anzahl der Raubtiere. Ein weiteres bekanntes Beispiel ist, dass Radfahrer einen niedrigeren Body Mass Index haben als Menschen, die nicht Rad fahren. Dies wird häufig mit der Annahme erklärt, dass das Radfahren das Niveau der körperlichen Aktivität erhöht und daher den BMI senkt. Da die Ergebnisse von prospektiven Studien über Menschen, die ihre Fahrradnutzung erhöhen, einen geringeren Effekt auf den BMI zeigen als Querschnittsstudien, kann es auch eine gewisse umgekehrte Kausalität geben (d. h. Menschen mit einem niedrigeren BMI fahren eher Rad).

Die Beziehung zwischen A und B ist zufälligBearbeiten

Die beiden Variablen sind überhaupt nicht miteinander verbunden, sondern korrelieren zufällig. Je mehr Dinge untersucht werden, desto wahrscheinlicher ist es, dass zwei nicht zusammenhängende Variablen als zusammenhängend erscheinen. Ein Beispiel:

• Das Ergebnis des letzten Heimspiels der Washington Redskins vor den Präsidentschaftswahlen sagte das Ergebnis jeder Präsidentschaftswahl von 1936 bis einschließlich 2000 voraus, obwohl die Ergebnisse der Footballspiele nichts mit dem Ausgang der Wahlen zu tun hatten. Diese Serie wurde schließlich 2004 (oder 2012, wenn man eine alternative Formulierung der ursprünglichen Regel verwendet) durchbrochen.
• Das Mierscheid-Gesetz, das den Anteil der Sozialdemokratischen Partei Deutschlands an den Wählerstimmen mit dem Umfang der Rohstahlproduktion in Westdeutschland korreliert.
• Alternierende glatzköpfige russische Führer: Ein kahlköpfiges (oder offensichtlich kahlköpfiges) Staatsoberhaupt Russlands folgt seit fast 200 Jahren auf ein nicht kahlköpfiges („haariges“) und umgekehrt.
• Der Bibelcode, hebräische Wörter, die historische Ereignisse vorhersagen und angeblich in der Thora versteckt sind: die riesige Anzahl von Buchstabenkombinationen macht das Auftreten eines beliebigen Wortes in einem ausreichend langen Text statistisch unbedeutend.