Störvariablen Psychologie Mindmap

Das Thema verstehen

Störvariablen (Confounder) sind Variablen, die sowohl mit der unabhängigen als auch mit der abhängigen Variablen zusammenhängen und so den scheinbaren Zusammenhang zwischen ihnen verzerren. Die Mindmap erklärt, wie Confounder entstehen, welche typischen Beispiele in der Forschung auftreten und mit welchen Verfahren wie Randomisierung, Kontrolle oder statistischer Adjustierung sie sich beherrschen lassen. Zudem zeigt sie die Folgen für interne und externe Validität auf.

Was macht eine Variable zum Confounder?
Nicht jede dritte Variable ist automatisch eine Störvariable. Damit eine Variable als Confounder gilt, muss sie drei Bedingungen erfüllen: Sie muss mit der unabhängigen Variablen zusammenhängen, sie muss kausal mit der abhängigen Variablen verbunden sein, und sie darf nicht auf dem Kausalpfad zwischen UV und AV liegen. Das letzte Kriterium ist wichtig: Eine Variable, die selbst durch die unabhängige Variable beeinflusst wird, ist ein Mediator und kein Confounder. Wer diese Unterscheidung verwechselt, kontrolliert in statistischen Analysen fälschlicherweise einen Teil des Effekts weg, den man eigentlich untersuchen möchte.

Kontrolle im Forschungsdesign
Die stärkste Kontrolle bietet die Randomisierung: Bei ausreichend großer Stichprobe verteilt sie bekannte und unbekannte Störvariablen zufällig auf die Bedingungen, sodass systematische Verzerrungen unwahrscheinlich werden. In Experimenten mit kleineren Stichproben oder bei nicht randomisierbaren Merkmalen wie Alter oder Geschlecht greifen Forschende zu Matching, bei dem Vergleichspersonen in relevanten Merkmalen angeglichen werden, oder zum Konstanthalten von Bedingungen. Blindierung und Verblindung verhindern zusätzlich, dass Erwartungen der Teilnehmenden oder der Untersuchenden als Störvariablen wirken. Kein Verfahren schützt allein vor allen Confoundern, daher kombinieren Studien meist mehrere Strategien.

Statistische Verfahren und ihre Grenzen
Wenn Störvariablen erst nach der Datenerhebung bekannt werden, lassen sie sich statistisch adjustieren. Die partielle Korrelation berechnet den Zusammenhang zweier Variablen unter Konstanthaltung einer dritten, die Kovarianzanalyse (ANCOVA) vergleicht Gruppen bei adjustierten Ausgangswerten, und multiple Regression nimmt mehrere Prädiktoren gleichzeitig auf. Diese Verfahren setzen jedoch voraus, dass alle relevanten Confounder gemessen wurden und die Beziehungen korrekt modelliert sind. Nicht gemessene oder falsch gemessene Störvariablen verzerren die Ergebnisse weiterhin. Deshalb gilt: Statistische Kontrolle ersetzt ein sauberes Studiendesign nicht, sondern ergänzt es.

Das Beispiel Kaffee und Herzinfarkt
Ein klassisches Lehrbeispiel ist der scheinbare Zusammenhang zwischen Kaffeekonsum und Herzinfarkten: In Beobachtungsdaten trinken Menschen mit mehr Kaffee oft auch mehr Zigaretten. Rauchen ist ein echter Risikofaktor für Herzinfarkte und hängt mit dem Kaffeekonsum zusammen, wirkt also als Störvariable. Wird das Rauchen statistisch kontrolliert, schrumpft der scheinbare Kaffee-Effekt deutlich oder verschwindet ganz. Das Beispiel zeigt zwei zentrale Lernpunkte: Erstens kann eine Korrelation zwischen zwei Variablen vollständig durch eine dritte Variable entstehen. Zweitens entscheidet die Qualität der Kontrolle darüber, ob Kausalaussagen überhaupt zulässig sind.