Question 1

Was ist der Unterschied zwischen Korrelation und Kausalität?

Accepted Answer

Korrelation bedeutet, dass zwei Variablen statistisch zusammenhängen, ohne dass eine die andere verursacht. Kausalität hingegen beschreibt einen echten Ursache-Wirkungs-Zusammenhang, bei dem eine Variable tatsächlich die Veränderung der anderen bewirkt.

Question 2

Welche grundlegenden statistischen Kennzahlen sind für Data Analytics wichtig?

Accepted Answer

Die wichtigsten Kennzahlen sind Mittelwert, Median, Standardabweichung und Varianz zur Beschreibung von Datenverteilungen. Zusätzlich sind Korrelationskoeffizienten entscheidend, um Zusammenhänge zwischen Variablen zu messen.

Question 3

Wie kann man fälschlicherweise Korrelation als Kausalität interpretieren?

Accepted Answer

Ein klassischer Fehler ist die Annahme, dass ein statistischer Zusammenhang automatisch bedeutet, dass eine Variable die andere verursacht. Oft gibt es versteckte Drittvariablen oder der Zusammenhang ist rein zufällig.

Question 4

Was ist der Korrelationskoeffizient und wie wird er interpretiert?

Accepted Answer

Der Korrelationskoeffizient misst die Stärke des linearen Zusammenhangs zwischen zwei Variablen auf einer Skala von -1 bis +1. Werte nahe 0 bedeuten keinen linearen Zusammenhang, während Werte nahe ±1 einen starken positiven oder negativen Zusammenhang anzeigen.

Question 5

Welche Methoden helfen dabei, Kausalität nachzuweisen?

Accepted Answer

Randomisierte kontrollierte Experimente sind der Goldstandard für Kausalitätsnachweis. Alternativ können quasi-experimentelle Designs, Instrumentalvariablen oder zeitliche Abfolgen von Ereignissen Hinweise auf kausale Zusammenhänge liefern.

Data Analytics verstehen: Statistik-Grundlagen, Korrelation und Kausalität

Lernkarten zu Statistik-Grundlagen