Der Satz Korrelation bedeutet nicht Kausalität ist in der Datenwissenschaft allgegenwärtig, wird aber oft missverstanden. Viele interpretieren diesen Warnhinweis so, als sei Korrelation wertlos oder bedeutungslos. Tatsächlich handelt es sich jedoch um eine präzise mathematische Messgröße, die beschreibt, wie sich zwei Variablen gemeinsam bewegen, ohne jedoch die Ursache dafür zu erklären. Korrelation ist kein vages Gefühl oder eine Meinung darüber, ob zwei Dinge irgendwie zusammenhängen. Sie ist ein quantitatives Maß für die Konsistenz der Bewegung zweier Variablen relativ zu ihren jeweiligen Durchschnittswerten. Wenn eine Variable über ihrem Mittelwert liegt, liegt dann die andere tendenziell auch über ihrem Mittelwert? Dies beantwortet der Korrelationskoeffizient, häufig berechnet als Pearson-Koeffizient. Dieser Wert resultiert aus der Kovarianz, die die gemeinsame Abweichung von den Mittelwerten misst, normiert durch die Standardabweichungen beider Variablen. Das Ergebnis liegt immer zwischen -1 und +1. Ein Wert von +1 deutet auf eine perfekte positive lineare Beziehung hin, -1 auf eine perfekte negative und 0 auf das Fehlen einer linearen Beziehung. Ein klassisches Beispiel für dieses Missverständnis sind Eisverkaufszahlen und Ertrinkungsunfälle. Beide variieren stark positiv miteinander: In heißen Sommern steigen beide Werte. Würde man daraus schließen, dass das Essen von Eis zum Ertrinken führt, wäre dies ein Fehlschluss. Die wahre Ursache, ein sogenannter konfundierender Faktor, ist die Temperatur. Sie treibt sowohl den Wunsch nach Eis als auch das Badewetter an. Die Korrelation zeigt hier lediglich eine starke strukturelle Bewegung an, nicht die direkte Ursache-Wirkung-Beziehung. Ein weiteres häufiges Missverständnis betrifft die Art der Beziehung. Der Pearson-Koeffizient misst ausschließlich lineare Zusammenhänge, also wie gut eine gerade Linie die Daten beschreibt. Bei nichtlinearen Beziehungen, wie etwa einer quadratischen Funktion, kann der Korrelationskoeffizient nahe null liegen, selbst wenn zwischen den Variablen ein sehr starker, deterministischer Zusammenhang besteht. In solchen Fällen versagt die Korrelation als Indikator, obwohl eine Abhängigkeit vorliegt. Trotz dieser Grenzen ist die Korrelation ein unverzichtbares Werkzeug. Sie fungiert als wichtiges初ssignal, das darauf hinweist, dass zwischen Variablen ein Muster existiert, das einer näheren Untersuchung wert ist. Sie sagt nicht, warum etwas geschieht, aber sie warnt davor, dass etwas Interessantes vorliegen könnte. Die drei häufigsten Fehler bei der Interpretation sind das Annahmen einer Kausalität, das Übersehen versteckter dritter Faktoren und das Ignorieren nichtlinearer Muster. Zusammenfassend lässt sich festhalten, dass Korrelation nicht irreführend ist, sondern dass wir zu hohe Erwartungen an ihre Aussagekraft haben. Sie ist kein Werkzeug zur Erklärung der Welt, sondern ein Messinstrument für die Ausrichtung von Variablenbewegungen. Wenn ein hoher Korrelationswert vorliegt, beginnt die eigentliche Arbeit erst: Die Ursachenforschung. Nur durch tiefgehende Analysen kann ermittelt werden, ob ein kausaler Zusammenhang besteht oder ob es sich um ein zufälliges Zusammentreffen oder eine gemeinsame Ursache handelt. Der Satz Korrelation impliziert nicht Kausalität sollte daher nicht als Entwertung des Konzepts verstanden werden, sondern als Erinnerung daran, dass Statistik allein keine Erklärungen liefert, sondern lediglich Hinweise auf weiter zu verfolgende Muster.