303  Question

Schlüsselwörter

Aufgaben, Statistik, Prognose, Modellierung, R, Datenanalyse, Regression

Das Kapitel stellt fest, dass Gewicht und Größe der !Kung linear zusammenhängen. Welche Aussage zum Verhältnis von (linearem) Zusammenhang und Kausalität ist korrekt?

303.1 Answerlist

  • Ein linearer (statistischer) Zusammenhang zwischen zwei Variablen bedeutet nicht automatisch, dass zwischen ihnen ein kausaler Zusammenhang besteht.
  • Ein linearer Zusammenhang zwischen zwei Variablen beweist immer, dass die eine Variable die andere kausal beeinflusst.
  • Regressionsanalysen können – im Gegensatz zu Korrelationen – grundsätzlich nur kausale Zusammenhänge abbilden, niemals rein deskriptive.
  • Wenn kein linearer Zusammenhang zwischen zwei Variablen vorliegt, kann zwischen ihnen mit Sicherheit auch kein kausaler Zusammenhang bestehen.
  • Ein linearer Zusammenhang bedeutet, dass eine Verdopplung von \(X\) auch eine Verdopplung von \(Y\) zur Folge hat.

304 Solution

Das Kapitel stellt explizit klar: “Hängen \(X\) und \(Y\) zusammen, heißt das nicht (unbedingt), dass es einen kausalen Zusammenhang zwischen \(X\) und \(Y\) gibt.” Ein statistischer (linearer) Zusammenhang ist zunächst eine rein deskriptive Beobachtung in den Daten und lässt für sich genommen noch keine Aussage über Ursache und Wirkung zu. Die erste Option ist korrekt.

Warum die Distraktoren falsch sind:

  • Die zweite Option widerspricht der Aussage des Kapitels direkt: Ein Zusammenhang allein ist kein Beweis für Kausalität – es könnten z. B. auch gemeinsame Drittvariablen (Confounder) oder umgekehrte Kausalität vorliegen.
  • Die dritte Option ist falsch: Auch Regressionsanalysen sind zunächst rein deskriptive bzw. prädiktive Werkzeuge – ob ein gefundener Zusammenhang auch kausal interpretiert werden darf, hängt vom Studiendesign (z. B. Experiment vs. Beobachtungsstudie) ab, nicht von der bloßen Wahl des statistischen Verfahrens.
  • Die vierte Option ist eine unzulässige Umkehrung: Aus der (korrekten) Aussage “Zusammenhang beweist keine Kausalität” folgt logisch nicht die (falsche) Umkehrung “kein Zusammenhang beweist keine Kausalität” – ein kausaler Effekt könnte z. B. durch andere Effekte überlagert und dadurch statistisch unsichtbar werden.
  • Die fünfte Option definiert Linearität falsch: Laut Kapitel bedeutet Linearität, dass der Zuwachs in \(Y\) relativ zu \(X\) konstant ist (bei jedem Anstieg von \(X\) um eine Einheit steigt \(Y\) um denselben Betrag \(b\)) – das ist etwas anderes als eine proportionale Verdopplung.

304.1 Answerlist

  • Wahr
  • Falsch
  • Falsch
  • Falsch
  • Falsch

305 Meta-information

exname: linearer-zshg-nicht-kausal-schoice extype: schoice exsolution: 10000 exshuffle: 5 excategory: bayes