- Eine scheinkausale Korrelation (engl.: spurious correlation) liegt dann vor, wenn ein existierender bivariater Zusammenhang zwischen
und
bei der Kontrolle von
verschwindet
, alle konditionalen Assoziationsmaße also gleich 0 sind. Die Bezeichnung scheinkausal soll deutlich machen, daß
und
kausal nichts miteinander zu tun haben und es nur deshalb zu einer Korrelation kommt, weil sowohl
als auch
von einer dritten Variablen
beeinflußt werden. Je nachdem, ob die Drittvariable den beiden anderen Variablen zeitlich vorausgeht (antezedierende V.) oder in der zeitlichen Abfolge zwischen sie tritt (intervenierende V.), spricht man auch von einer Erklärung oder einer Interpretation.
Beispiele: Eine Feuerversicherung wertet ihre Schadensfälle aus und stellt eine positive Korrelation zwischen der Anzahl der Feuerwehren (
) und der Höhe des Brandschadens (
) fest. Die Erklärung für diesen erstaunlichen Zusammenhang ist die Größe des Feuers (
), mit der sowohl die Anzahl der Feuerwehren als auch die Schadenssumme zunimmt.
- Von einer Konfundierung (engl.: confounding) spricht man, wenn der bivariate Zusammenhang zwischen
und
bei der Kontrolle von
bestehen bleibt, das konditionale Assoziationsmaß jedoch dem Betrage nach kleiner wird. In der bivariaten Betrachtung mißt
offensichtlich den Einfluß dritter Variablen mit, sein Effekt ist mit den Effekten anderer Variablen konfundiert, so daß bei Kontrolle dieser Variablen sein Einfluß entsprechend kleiner wird.
Beispiele: Die Unterschiede (Mittelwertdifferenzen) in den Arbeitseinkommen (
) von Männern und Frauen (
) verringern sich, wenn man die Beschäftigungsbranche (
) kontrolliert. Da Frauen überdurchschnittlich häufig in Niedriglohnbranchen arbeiten, messen die globalen (bivariaten) Geschlechterdifferenzen den Brancheneffekt mit und fallen scheinbar höher aus. Vergleicht man Männer und Frauen aus den gleichen Branchen, dann sind die Einkommensdifferenzen geringer.
- Sind die konditionalen Assoziationsmaße von 0 verschieden und weichen sie gleichzeitig voneinander stark ab, dann variiert offensichtlich der Einfluß von
auf
in Abhängigkeit davon, welchen Wert
aufweist. In diesem Fall spricht man von einer Interaktion der Variablen
und
(engl.: interaction). Je nachdem, ob die Drittvariable
den beiden anderen Variablen
und
zeitlich vorausgeht (antezedierende V.) oder in der zeitlichen Abfolge zwischen sie tritt (intervenierende V.), spricht man auch von einer Spezifikation oder einer Vorhersage.
Beispiele: Umfragedaten zeigen, daß Personen mit niedrigen Einkommen (
) eher der Meinung (
) sind, der Staat sollte Einkommensunterschiede zwischen Arm und Reich abbauen. Dieser Zusammenhang tritt in Ostdeutschland deutlicher hervor als in Westdeutschland. Der Einkommenseffekt interagiert mit der regionalen Herkunft (
).
- Schließlich spricht man von einer Suppression (engl.: suppression) der Beziehung zwischen
und
durch die Drittvariable
, wenn der bivariate statistische Zusammenhang in den Konditionaltabellen nicht
verschwindet
, sondern im Gegenteil sogar größer ausfällt. Der Suppressoreffekt kann so stark werden, daß der bivariate Zusammenhang zwischen
und
gleich 0 ist oder der bivariate Zusammenhang eine andere Richtung aufweist als die konditionalen Zusammenhänge. Im letzten Fall spricht man auch von einer Verzerrung.
Beispiele: Eine Untersuchung zeigt, daß sich der Anteil der Ledigen bei Männern und Frauen einer bestimmten Alterstufe kaum unterscheidet. Kontrolliert man allerdings das Ausbildungsniveau, dann zeigt sich bei gering qualifizierten Personen ein hoher Anteil lediger Männer und ein geringer Anteil lediger Frauen. Bei den hoch qualifizierten Personen stellen sich die Verhältnisse umgekehrt dar: Frauen sind eher ledig und Männer eher verheiratet. Weil sich die Beziehung zwischen Geschlecht (
) und Familienstand (
) unter Kontrolle der Drittvariablen Qualifikation (
) mal so und dann wieder genau umgekehrt verhält, ist die bivariate Beziehung zwischen Geschlecht und Familienstand fast gleich 0.