PS
WerkstattManifestProjekteZusammenarbeitServicesVereinKontakt
Verstehen
Korrelation vs. Kausalität

Zwei Variablen tanzen gemeinsam. Wer führt?

Drei Schieber für drei Hypothesen: ein Confounder steckt dahinter, X verursacht Y direkt, oder Y verursacht eigentlich X. Klicke ein Beispiel — die Slider stellen sich auf die belegte Realität ein. Pearson-Korrelation und Kausalstruktur (DAG) reagieren live.

Beispiel
Pearson-Korrelation
0,00
+1 perfekt positiv · 0 unkorreliert · −1 perfekt negativ
EisverkaufErtrinkungen
Kausal-Struktur (DAG)
ZSommerhitzeXEisverkaufYErtrinkungen
Violett = Confounder (gemeinsame Ursache). Grün = direkter Effekt, Rot = negativer direkter Effekt. Gold = umgekehrte Wirkungsrichtung.
Hypothesen-Schieber
Confounder Z → X & Y
+0.85
Gemeinsame Ursache (Sommer, Wohlstand …)
Direkte Wirkung X → Y
+0.00
Echte Kausalität, positiv oder negativ
Reverse Causation Y → X
+0.00
Wirkung umgekehrt — Y treibt X
Was die Korrelation suggeriert

Wenn der Eisverkauf steigt, steigen auch die Ertrinkungen. Tötet Eis essen?

Was die Daten wirklich zeigen

Beide steigen im Sommer. Die Hitze treibt Schwimmer ins Wasser UND zum Eisstand. Kontrolliere auf Temperatur — Korrelation kollabiert.

Bradford-Hill-Kriterien

Eisverkauf ↔ Ertrinkungen

0 %
Kausal-Score
  • 1. Stärke

    Wie gross ist der Effekt? Grosse Effekte sind schwerer durch Confounder zu erklären.

  • 2. Konsistenz

    Findet man dasselbe in verschiedenen Studien, Ländern, Methoden?

  • 3. Spezifität

    Eine Ursache, ein Effekt? (Heute weniger gewichtet.)

  • 4. Temporalität

    Ursache muss zeitlich VOR Wirkung liegen. Das einzige zwingend notwendige Kriterium.

  • 5. Dose-Response

    Mehr Exposition → mehr Wirkung?

  • 6. Plausibilität

    Mechanistisch erklärbar mit aktuellem Wissen?

  • 7. Kohärenz

    Passt der Befund ins epidemiologische und biologische Gesamtbild?

  • 8. Experiment

    Bestätigt durch Intervention (RCT, Rauchstopp, Impfung)?

  • 9. Analogie

    Gibt es vergleichbare bekannte Ursache-Effekt-Beziehungen?

Methodik · RCT vs. Beobachtungsstudie

Warum die Hormontherapie-Geschichte das Lehrbuch geschrieben hat.

1980–2000 · Beobachtungsstudien

Grosse Studien wie die Nurses' Health Study fanden bei HRT-Anwenderinnen ein 40–50 % tieferes Herzrisiko. Die Hormone galten als kardioprotektiv. Ärztinnen verschrieben sie millionenfach.

2002 · WHI RCT

Die Women's Health Initiative randomisierte 16'608 Frauen — und stoppte den Trial vorzeitig: HRT erhöhte das Herzrisiko um 29 %, Schlaganfälle um 41 %, Thrombosen um über 200 %. Confounder war "Healthy-User-Bias": HRT-Anwenderinnen waren systematisch gesünder.

Lehre: selbst hochwertige Beobachtungsstudien können die Richtung eines Effekts verfehlen. Nur Randomisierung schneidet alle bekannten und unbekannten Confounder ab — der Goldstandard.

Methodik · Impfungs-Kausalitätsbeweis

Wie weiss man, dass eine Impfung wirklich wirkt?

1954 · Salk-Polio-Trial

Der grösste Feldversuch der Medizin

1,8 Millionen Kinder in USA, Kanada, Finnland — doppelblind, plazebokontrolliert. Wirksamkeit 60–90 % gegen paralytische Polio. Randomisierung schneidet alle Confounder ab. Der methodische Beweis, dass Kausalität messbar ist.

Francis Report 1955↗
2020 · Polack NEJM

BNT162b2 Phase 3

43'448 Probanden randomisiert. 8 COVID-Fälle im Impfarm vs. 162 im Placebo-Arm ab 7 Tage nach Dosis 2. Effizienz 95,0 % (95 % CI 90,3–97,6). Konsistent über Alter, Geschlecht, Ethnien, Komorbiditäten.

Polack NEJM 2020↗
Surveillance · WHO/GACVS

Seltene Signale finden

Nach der Zulassung: aktive Surveillance (Swissmedic, VAERS, EMA). Myokarditis-Signal bei jungen Männern wurde via Bradford-Hill bestätigt (Temporalität, Spezifität, Dose-Response). Empfehlungen wurden adjustiert, Nutzen blieb positiv.

WHO GACVS 2021↗

Der Kausalitätsbeweis bei Impfungen ruht nicht auf einer einzigen Studie, sondern auf Phase-3-RCT (interne Validität) + Real-World-Beobachtung (externe Validität) + aktiver Surveillance (Sicherheit) + Mechanismus-Forschung (Immunologie). Alle anwendbaren Bradford-Hill-Kriterien werden erfüllt.